Entwicklung eines Assistenzsystems für das wissensbasierte Fehlermanagement in produzierenden Unternehmen

Fehler gehören zu den zentralen Herausforderungen des industriellen Qualitätsmanagements und erfordern eine systematische, daten- und wissensbasierte Unterstützung der Problemlösung. Mit der zunehmenden Digitalisierung und Verfügbarkeit unstrukturierter Qualitätsdaten gewinnen KI-gestützte Technologien wie Natural Language Processing (NLP) und Large Language Models (LLM) an Bedeutung für ein wirksames Fehlermanagement.
Die vorliegende Dissertation entwickelt ein modular aufgebautes, wissensbasiertes Assistenzsystem zur methodischen Unterstützung des industriellen Fehlermanagements. Aufbauend auf normativen Anforderungen, empirischen Untersuchungen und dem Stand der Technik wird ein integriertes Systemkonzept vorgestellt, das den Berliner Problemlösungskreis mit KI-gestützten Verfahren wie NLP, Data Mining und LLM verknüpft. Das System unterstützt die strukturierte Fehleranalyse, die Generierung geeigneter Abstellmaßnahmen sowie einen kontinuierlichen Lernprozess. Die industrielle Validierung zeigt signifikante Effizienzgewinne im Fehlermanagement und eine verbesserte methodische Problemlösungsfähigkeit der Mitarbeitenden.