Fehlermanagement in der Produktion |
Aktuelle Gegebenheiten und Herausforderungen in der Industrie
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 2, Seite 38-45 |
| Open Access | https://doi.org/10.30844/I4SD.25.2.38 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Fertigungsunternehmen stehen vor zunehmend komplexen Herausforderungen, die insbesondere durch eine wachsende Vielfalt an Produktvarianten geprägt sind. Diese Entwicklung führt zu einer Reduktion der Losgrößen und erschwert die Produktionsprozesse aufgrund der erforderlichen Flexibilitätsanpassungen [1].
Die steigenden Anforderungen an Flexibilität sowie die zunehmende Komplexität der Produktionsabläufe erhöhen die Wahrscheinlichkeit von Fehlern und Störungen maßgeblich. Störungen in vernetzten Produktionsabläufen können sich auf nachgelagerte Prozesse auswirken und die Leistungsfähigkeit der Systeme beeinträchtigen. Vor diesem Hintergrund wird es für Unternehmen immer wichtiger, geeignete Methoden zur schnellen Fehlererkennung und langfristigen Behebung von Ausfällen zu entwickeln, um die Effizienz ihrer Produktionssysteme nachhaltig zu sichern. [2]
Basierend auf einer Befragung von 23 Unternehmen untersucht diese Studie das erfahrungsbasierte Fehlermanagement in der Produktion.
Die Umfrage bietet ein aktuelles, branchenübergreifendes Bild des Fehlermanagements in der Produktion und berücksichtigt Herausforderungen sowie Ansätze als Grundlage für vertiefende Analysen.
Fehlermanagement: Aktueller Stand der Forschung
Das Fehlermanagement in der Produktion stellt ein zentrales Element der Prozessoptimierung und Qualitätssicherung dar. In der Forschung wurden vielfältige Ansätze zur Fehlererkennung, -analyse und -bewältigung entwickelt, die die Bedeutung einer systematischen Vorgehensweise zur Fehlervermeidung und zur kontinuierlichen Verbesserung hervorheben. Für die eigentliche Fehlerbearbeitung kommen etablierte Methoden, wie der 8D-Report, die 5W-Methode und die Fehlermöglichkeits- und Einflussanalyse (FMEA), häufig kombiniert, zum Einsatz. So kann eine umfassende und effektive Problemlösung gewährleistet werden.
Ein anerkanntes Modell in diesem Bereich ist das Aachener Complaint and Failure Management Modell (CFM-Modell), welches einen umfassenden und datenbasierten Referenzprozess für ein integriertes Beschwerde- und Fehlermanagement bereitstellt. Dieses Modell gliedert sich in drei Ebenen: die operative Ebene zur Fehlererfassung und -behebung, die Führungsebene zur Koordination und Steuerung sowie die Supportebene zur Unterstützung durch Schulungen und IT-Infrastruktur.
Ziel des Fehlermanagements ist es, die Ursachen von Fehlern zu ermitteln, geeignete Maßnahmen zu entwickeln und deren Wirksamkeit zu überprüfen, um die Effizienz des Fehlermanagements langfristig zu verbessern [3]. Das Aachener Modell zielt darauf ab, eine strukturierte Vorgehensweise bereitzustellen, die diese Aufgaben systematisch unterstützt und eine konsistente Basis für Fehleranalysen und -lösungen schafft. [3]
Rüßmann et al. stellen dar, wie ein smartes Fehlermanagement, unterstützt durch Digitalisierung und Vernetzung, in kleinen und mittelständischen Unternehmen (KMU) implementiert werden kann. Dies beinhaltet die Nutzung einer mobilen App zur Erfassung von Fehlern und einer zentralen Managementkonsole zur Verwaltung der Daten. Die Implementierung solcher Systeme kann die Fehlerkultur verbessern und zu einer höheren Transparenz sowie einer optimierten Prozessgestaltung beitragen. [4]
Bechschulte et al. entwickelten ein Prozessmodell, dass die manuelle Fehlererfassung in der Montage von Nutzfahrzeugen strukturiert. In Anbetracht der höheren Komplexität und Fehleranfälligkeit bei der kundenindividuellen Massenproduktion wurde ein fünfstufiges Modell konzipiert, welches alle Schritte von der Erfassung des Fehlerobjekts bis zur Ergänzung durch Freitextinformationen umfasst. Dieses Modell ermöglicht eine verbesserte Datenqualität sowie die Anwendung von Data-Analytics-Ansätzen zur Prozessoptimierung. [5]
Günther et al. beschrieben ein KI-gestütztes Decision Support System (DSS), das Daten aus der gesamten Wertschöpfungskette zur proaktiven Fehlererkennung und -vermeidung nutzt. Das System umfasst eine Dialogschnittstelle, eine Wissensdatenbank und einen Inferenzmechanismus, der auf evidenzbasierter Entscheidungsfindung basiert, um die Produktion und Wartung zu unterstützen. Darüber hinaus verwendet das DSS ein Expertensystem, das Unsicherheiten durch Wahrscheinlichkeiten modelliert und eine fundierte Entscheidungsfindung ermöglicht. [6]
Hellebrandt et al. entwickelten ein Modell für das Beschwerdemanagement in der Produktentwicklung, welches auf dem Analytischen Netzwerkprozess (ANP) basiert. Ziel ist es, Wissen aus technischen Beschwerden systematisch zu erfassen und in die Produktentwicklung zu integrieren. Das Modell besteht aus drei Modulen: Akquisition (Sammlung relevanter Informationen), Analyse (spezifische Fallanalysen und umfassende Fehlerdatenanalysen) und Verteilung und Nutzung (Transfer des gewonnenen Wissens in die Entwicklung). Die Ergebnisse zeigen, dass verschiedene Wissensmanagement-Lösungen je nach Phase der Wissensübertragung am effektivsten sind, und betonen die Relevanz strukturierter Ansätze zur Nutzung von Beschwerden als Wissensquelle. [7]
Methodischer Aufbau der Umfrage
Im Rahmen dieser Publikation wurde eine Umfrage durchgeführt, um die wesentlichen Kriterien für ein effektives, erfahrungsbasiertes Fehlermanagement in der Produktion zu identifizieren. Die Zielgruppe umfasste ausschließlich produzierende Unternehmen in Deutschland, darunter Akteure aus der Automobil-, Pharma-, Nahrungsmittel- und Bauindustrie.
Die Mehrheit der Fragen wurde mittels einer Likert-Skala formuliert, um den Befragten die Möglichkeit zu geben, ihre Zustimmung oder Ablehnung differenziert auszudrücken. Diese Skala ermöglicht eine quantitative Analyse, indem sie qualitative Daten in messbare Werte transformiert [8]. Die Teilnehmenden auf einer abgestuften Skala folgende Optionen auswählen: „trifft gar nicht zu“, „trifft eher nicht zu“, „unentschieden“, „trifft eher zu“ und „trifft voll zu“.
Die Likert-Skala ermöglicht eine differenzierte Erfassung von Meinungsnuancen und bietet gegenüber einfachen Ja-Nein-Fragen eine höhere Präzision. Sie generiert ordinalskalierte Daten, die einer statistischen Auswertung zugänglich sind, wodurch Mittelwerte, Standardabweichungen und Trends berechnet, sowie Antwortmuster identifiziert werden können. [9]
Ergänzend wurden optionale Freitextfelder eingefügt, um subjektive Perspektiven der Teilnehmenden zu erfassen.
Die Umfrage besteht aus acht Hauptkategorien, die eine umfassende Analyse der verschiedenen Aspekte des Fehlermanagements ermöglichen:
- Kommunikation und Fehlerkultur
- Fehlererfassung und -dokumentation
- Fehleranalyse und Ursachenfindung
- Fehlerbehebung
- Wissensmanagement
- IT-Systeme und technologische Unterstützung
- Einsatz von KPIs
- Unterstützung durch das Management
Jedes Thema wurde anhand ausgewählter Items operationalisiert. Die Auswahl erfolgte unter Berücksichtigung einer maximalen Umfragedauer von 15 Minuten.
Die Fragen zur Kommunikation und Fehlerkultur beinhalteten Aspekte wie die Offenheit der Kommunikation und die Wahrnehmung von Fehlern als Lernchancen. In der Kategorie Fehlererfassung und -dokumentation lag der Fokus auf Erfassungshäufigkeit, Dokumentationsrichtlinien und Zugänglichkeit der Dokumente. Fehleranalysen und Ursachenfindung beinhalteten Items zu Analyseprozessen, Dateneinbeziehung und Umsetzung der Ergebnisse. Die Fragen zur Fehlerbehebung betrachteten standardisierte Prozesse, Flexibilität und kontinuierliche Qualitätskontrollen.
Neben dem Fehlermanagement betrafen Fragen des Wissensmanagements Standards zur Wissensspeicherung, Datenzugänglichkeit und Integration von Erfahrungen in Produktionsprozesse. IT-gestützte Fragen umfassten den Einsatz spezifischer Software und von Geräten zur Fehlererkennung und -analyse. Fragen zu Kennzahlen und KPIs beinhalteten deren Einsatz, Analyse und die Auswirkung auf die Effektivität der Maßnahmen. Der Abschnitt zum Management fokussierte sich auf die Bereitstellung von finanziellen, personellen und zeitlichen Ressourcen.
Die Umfrage wurde mithilfe des Online-Tools Sosci Survey (soscisurvey.de) erstellt, welches in Deutschland gehostet wird und kostenfrei für wissenschaftliche Zwecke genutzt werden kann. Rückschlüsse auf einzelne Unternehmen wurden durch die Anonymität der Teilnehmenden verhindert.
Um die Güte der erhobenen Daten zu überprüfen und Zusammenhänge zwischen den Variablen zu untersuchen, wurden Reliabilitätsanalysen und lineare Regressionsanalysen durchgeführt.
Die Reliabilitätsanalyse dient zur Prüfung der internen Konsistenz für die verwendeten Skalen. Damit wird ermittelt, ob die Antworten auf eine Gruppe von Fragen (sogenannte Items), die ein gemeinsames Thema messen sollen, untereinander gut zusammenpassen. Ein hoher Konsistenzwert zeigt an, dass die Skala verlässlich ist und ein Konstrukt – also einen theoretischen Begriff wie „Mitarbeiterzufriedenheit“ – einheitlich abbildet. [9]
Mit Hilfe der linearen Regressionsanalyse wurde untersucht, wie unabhängige Variablen – sogenannte Prädiktoren – mit einer abhängigen Variable zusammenhängen. Die abhängige Variable ist in diesem Fall die abschließende Kontrollfrage: „Würden Sie sagen, dass das Fehlermanagement in Ihrer Produktion erfolgreich ist und die bisherigen Erfahrungen effektiv nutzt?“ (die Beantwortung erfolgte anhand einer Likert-Skala).
Als Beispiel könnte untersucht werden, inwiefern die Anzahl der Weiterbildungsmaßnahmen (Prädiktor) die Produktivität (Zielvariable) beeinflusst. Diese Methode ermöglicht es, den Einfluss einzelner Prädiktoren zu quantifizieren und in messbaren Zahlen darzustellen. [8]
Verlauf und Ergebnisse
Im Rahmen der durchgeführten Umfrage wurden mehr als 730 Unternehmen kontaktiert, von denen 23 die Umfrage vollständig ausgefüllt haben.
Die geringe Anzahl vollständig ausgefüllter Umfragen stellt eine Einschränkung hinsichtlich der statistischen Aussagekraft dar. Für eine fundierte Analyse wäre eine Mindeststichprobengröße von über 100 vollständigen Rückmeldungen erforderlich. Angesichts der begrenzten Stichprobengröße ist die Interpretation von p-Werten, die zur Bestimmung der statistischen Signifikanz herangezogen werden, nur bedingt möglich. Auch bei einem hohen p-Wert bleibt die Aussagekraft der Ergebnisse fraglich, da die geringe Fallzahl die zuverlässige Schätzung der zugrunde liegenden Zusammenhänge beeinträchtigt. Der p-Wert gibt Die Wahrscheinlichkeit dafür an, dass ein beobachteter Effekt oder Unterschied in den Daten rein zufällig auftritt, sofern die Nullhypothese zutrifft. [8]
Dennoch ermöglichen die vorliegenden Daten einen ersten qualitativen Überblick über potenzielle Trends und Muster innerhalb der untersuchten Themenbereiche. Die Erkenntnisse können als Ausgangspunkt für weiterführende Untersuchungen dienen und erste Hinweise auf Zusammenhänge und Einflussfaktoren liefern.
Die nachfolgenden Auswertungen der erhobenen Daten geben zunächst einen Überblick über die demographischen und beruflichen Merkmale der Teilnehmenden: Die Altersverteilung reicht von unter 25 bis über 65 Jahre, wobei die Altersgruppe 25–38 Jahre mit 34,8 % die größte Gruppe darstellte. Weitere 26,1 % waren zwischen 35 und 44 Jahre alt, während kleinere Anteile in den Altersgruppen 45–53 Jahre (8,7 %), 55–64 Jahre (26,1 %) und über 65 Jahre (4,3 %) verzeichnet wurden. Der Großteil der Befragten (87 %) war in Vollzeit beschäftigt.
Die Teilnehmenden nahmen unterschiedliche Positionen ein. Die häufigste Position war die des Qualitätsmanagers (34,8 %). Weitere Positionen umfassten Produktionsleitung (17,4 %), Qualitätsprüfung (8,7 %), Qualitätsingenieur (8,7 %) und Fehlerverantwortliche (4,3 %).
Die Dauer der Betriebszugehörigkeit variiert, wobei die größte Gruppe (65,2 %) seit mehr als 6 Jahren im Unternehmen tätig ist. Weitere 21,7 % arbeiten seit 3 bis 4 Jahren im selben Unternehmen.
Eine Aufschlüsselung der befragten Unternehmen nach ihrer Branche erfolgt nicht, da die Branchenzugehörigkeit nur einen vernachlässigbaren Einfluss auf die Ergebnisse hatte.
Im Folgenden werden die verbleibenden Fragen, mit Ausnahme der Freitext- und Kontrollfragen, ihrer jeweiligen Kategorie zugeordnet und vorgestellt. Die zugehörigen Umfrageergebnisse werden durch den Mittelwert, den Schätzwert sowie den p-Wert ergänzt.
Der Mittelwert basiert auf der Likert-Skala, die von 1 bis 5 reicht und angibt, inwieweit das jeweilige Kriterium im Unternehmen vorhanden ist.
Der Schätzwert beschreibt den Einfluss der unabhängigen Variablen auf die abhängige Variable und quantifiziert, wie stark eine Änderung in der unabhängigen Variable (ebenfalls gemessen auf der Likert-Skala) die abhängige Variable beeinflusst. Er zeigt somit, ob und in welchem Umfang eine positive oder negative Beziehung zwischen den Variablen besteht.
Analyse der Ergebnisse
Die Untersuchung identifizierte zentrale Faktoren, welche die Effektivität und den Erfolg des Fehlermanagements in der Produktion beeinflussen.
Eine offene und regelmäßige Kommunikation zu Fehlern sowie eine umfassende Unterstützung und Lösungsorientierung seitens der Organisation sind entscheidend. Regelmäßige Schulungen und Workshops tragen ebenfalls zur Verbesserung bei, indem sie die Mitarbeitenden in der Fehlerbewältigung und einer konstruktiven Fehlerkultur schulen. Die qualitative Analyse betont die Notwendigkeit für persönliche Gespräche und transparente Darstellung von Fehlern und Maßnahmen für ein wirksames Fehlermanagement. Ebenso wichtig ist die Förderung einer positiven Einstellung zur Fehlerbetrachtung als Chance zur Verbesserung.
Für die Fehlererfassung und -dokumentation zeigen die Ergebnisse, dass die systematische Erfassung und Dokumentation von Fehlern den höchsten positiven Einfluss auf die abhängige Variable ausüben. An zweiter Stelle steht die Zugänglichkeit der Dokumentation. Klare Richtlinien und Verfahren zur Fehlererfassung weisen hingegen einen vergleichsweise geringeren Effekt auf die abhängige Variable auf. Den Ergebnissen zufolge hat die Nutzung spezifischer Geräte und Software zur Fehlererfassung sogar einen negativen Einfluss auf das Fehlermanagement.
Im Bereich der Fehlererfassung und Ursachenfindung zeigt sich, dass die kontinuierliche Umsetzung von Erkenntnissen aus Fehleranalysen den stärksten positiven Einfluss hat, gefolgt von Transparenz, systematischen Analysen und der fallbezogenen Anpassung von Lösungen. Negativ wirken sich die Anwendung etablierter Methoden, unverzügliche Analysen, Wiederholungsanalysen und besonders die Berücksichtigung aller fehlerbezogenen Daten aus. Die Ergebnisse betonen die Notwendigkeit einer kontextabhängigen Bewertung der Maßnahmen.
Die Ergebnisse im Bereich der Fehlerbehebung deuten darauf hin, dass eine kontinuierliche und ausführliche Dokumentation der Ergebnisse den stärksten positiven Einfluss hat, gefolgt vom Einsatz standardisierter Methoden, dem Ziel einer nachhaltigen Fehlervermeidung und der Transparenz der Ergebnisse. Negativ beeinflussen hingegen flexible Methoden, unverzügliche Maßnahmen und die regelmäßige Kontrolle implementierter Maßnahmen, wobei letzteres den stärksten negativen Effekt aufweist. Die Ergebnisse unterstreichen die Bedeutung einer gezielten Auswahl von Methoden und Prozessen im Fehlermanagement.
Im Bereich des Wissensmanagements zeigen die Ergebnisse, dass die systematische Speicherung von Daten in einer zentralen Fehlerdatenbank den größten positiven Einfluss hat, gefolgt von der regelmäßigen Integration der erworbenen Kenntnisse in die Produktion und der Ermutigung der Mitarbeitenden zur Dokumentation ihrer Erfahrungen. Weniger ausgeprägt, aber dennoch positiv, wirken definierte Standards zur Wissenserfassung und das Überprüfen der Qualität der dokumentierten Fehlerberichte. Ein negativer Einfluss wird einzig bei der Transparenz und Zugänglichkeit der Fehlerdaten in der Fehlerdatenbank festgestellt.
Die Auswertungen im Bereich der IT-Systeme und technologischen Unterstützungverdeutlichen, dass das Sammeln und Analysieren von Maschinendaten durch Geräte und Software sowie die intuitive Bedienung von Geräten und Software den stärksten positiven Einfluss haben, gefolgt von der Integration dieser Systeme mit anderen Unternehmenssystemen. Der Einsatz spezieller Geräte und Software zur Unterstützung der Fehleranalyse und die schnelle und einfache manuelle Fehlermeldung haben ebenfalls einen positiven Einfluss, während der Einsatz spezieller Geräte zur Fehlerbehebung einen geringeren positiven Effekt aufweist. Negativ wirken hingegen die automatisierte Fehlererkennung durch Geräte/Software an Produktionsanlagen.
Im Bereich des Einsatzes von KPIs zeigt sich, dass die regelmäßige Analyse von KPIs zur Mustererkennung den größten positiven Einfluss hat, gefolgt vom Einsatz der KPIs zur Bewertung des Erfolgs ergriffener Maßnahmen. Auch die Zugänglichkeit und Transparenz der KPI-Daten sowie die Nutzung der Ergebnisse von KPI-Analysen zur Fehlerbehandlung haben einen positiven Einfluss. Negativ wirken hingegen die regelmäßige Überprüfung und Anpassung von KPIs an aktuelle Produktionsanforderungen sowie der Einsatz klar definierter KPIs.
Im Bereich der Unterstützung durch das Management wird deutlich, dass ausreichende finanzielle Ressourcen den größten positiven Einfluss haben, gefolgt von ausreichenden Zeitressourcen. Ausreichend personellen Ressourcen im Bereich der Fehlermanagements üben jedoch einen leicht negativen Einfluss aus.
Systematische Fehleranalyse für mehr Produktionsleistung
Die vorliegende Studie untersucht das erfahrungsbasierte Fehlermanagement in der Produktion. Durch eine Befragung von 23 produzierenden Unternehmen in Deutschland wurden Aspekte wie Fehlererkennung, -dokumentation, -analyse und -behebung untersucht. Die Ergebnisse zeigen, dass eine systematische Fehleranalyse sowie die Integration der Analyseergebnisse in die Produktionsprozesse entscheidend für eine nachhaltige Verbesserung der Produktionsleistung sind.
Auf Grundlage dieser Ergebnisse wird weiterführend eine Methodik entwickelt, die darauf abzielt, ein verbessertes erfahrungsbasiertes Fehlermanagement in Unternehmen zu etablieren. Diese Methodik stützt sich auf einen Kriterienkatalog, der spezifischen Fehlerbildern zugeordnet ist.
Dieser Beitrag entstand im Rahmen des Projekts „erFeMa – Erfahrungsbasiertes Fehlermanagement im Kontext der Produktion“, das vom Bundesministerium für Bildung und Forschung (BMBF) unter dem Kennzeichen 03SF0758 gefördert wird.
Literatur
[1] Goldszmidt, M. et al.: Towards a Holistic Approach to Fault Management. In: Dependability and Computer Engineering: Concepts for Software-Intensive Systems. Hershey, PA 2012, S. 1–10.[2] Knüppel, K.; Meyer, G.; Nyhuis, P.: A universal approach to categorize failures in production. In: World Academy of Science, Engineering and Technology, International Journal of Industrial and Manufacturing Engineering 8 (2014) 2, S. 240.
[3] Tuertmann, R. et al.: Conceptual modelling of the Failure management process in the manufacturing industry. In: Total Quality Management & Business Excellence 28 (2017) 9-10, S. 1041–1053.
[4] Bosse, C. K.; Zink, K. J. (Hrsg): Arbeit 4.0 im Mittelstand. Berlin Heidelberg 2019, S. 267–273.
[5] Beckschulte, S. et al.: Manuelle Fehleraufnahme bei Mass Customization. In: Zeitschrift für wirtschaftlichen Fabrikbetrieb 116 (2021) 4, S. 188–192.
[6] Guenther, R. et al.: AI-Based Failure Management: Value Chain Approach in Commercial Vehicle Industry. In: Procedia CIRP 109 (2022), S. 251–256.
[7] Hellebrandt, T. et al.: Knowledge management framework for complaint knowledge transfer to product development. In: Procedia Manufacturing 21 (2018), S. 173–180.
[8] Fromm, S.: Datenanalyse mit SPSS für Fortgeschrittene 2: Multivariate Verfahren für Querschnittsdaten. Wiesbaden 2012, S.397–402.
[9] Willits, F. K. et al.: Another look at Likert scales. In: Journal of Rural Social Sciences 31 (2016) 3, S. 126–135. URL: https://egrove.olemiss.edu/jrss/vol31/iss3/6, Abrufdatum 10.01.2025.
Ihre Downloads
Potenziale: Management
Lösungen: Produktionssteuerung Prozessmanagement Qualitätsmanagement Risikomanagement
Das könnte Sie auch interessieren
