Semi-Automatic Generation of Production Exception Handling for Agile Process Guidance

Abstract

Im Kontext moderner Produktionssysteme, die insbesondere im Automobilsektor mit wachsender Komplexität konfrontiert sind, bieten cyber-physische Produktionssysteme (CPPS) neue Möglichkeiten zur Effizienzsteigerung. Viele Fabriken verlassen sich bei Ausnahmen jedoch noch auf statische Handbücher oder Experteneingriffe, was die Reaktionszeit verlangsamt und die Aktualität der Verfahren erschwert. Die größte Herausforderung ist das Fehlen agiler Echtzeit-Anleitungen für Bediener bei unerwarteten Ereignissen. Zwar existiert Wissen in Formaten wie FMEA-Berichten, ist aber vor Ort schwer nutzbar. Dies erschwert Schulung, erhöht die Expertenabhängigkeit und verringert die Autonomie der Bediener. Ziel dieser Arbeit ist es, Expertenwissen in klare, schrittweise Prozesse zu überführen, die in Echtzeit über eine benutzerfreundliche Oberfläche verfügbar sind. Dadurch soll die Ausnahmebehandlung verbessert, die Fehlerquote reduziert und das kontinuierliche Lernen unterstützt werden. Die Methode folgt dem Design Science Framework. Auf eine systematische Literaturrecherche und szenariobasierte Anforderungsanalyse folgte die Entwicklung eines Prototyps mit agiler, modularer Architektur. Das System nutzt einen Wissensgraphen mit FMEA-Daten, unterstützt Live-Bearbeitung und Versionskontrolle und wurde in einem industriellen Anwendungsfall über Interviews und Benutzerakzeptanzstudien evaluiert. Die Ergebnisse zeigen, dass das APEH-System kontextbezogene Anleitungen bereitstellt, reparierbare und nicht reparierbare Ausnahmen behandelt und Prozesse mit Produktionsänderungen abgleicht. Die Benutzer fanden es nützlich und einfach zu bedienen, trotz einiger Einschränkungen in komplexen Situationen. Zusammenfassend demonstriert der APEH-Prototyp die Machbarkeit und Vorteile halbautomatischer Prozessführung in CPPS. Er unterstützt Bediener, reduziert Abhängigkeit von statischer Dokumentation und zentralisiert Wissen für die Wiederverwendung. Zukünftige Arbeiten sollten sich auf Skalierbarkeit, Integration zusätzlicher Echtzeitdaten und die Verfeinerung der Benutzerinteraktion konzentrieren.

In the context of modern manufacturing where production systems face more complexity, especially in the automotive sector, Cyber-Physical Production Systems (CPPSs) bring new capabilities that should help the industry face today's efficiency challenges. When considering exception handling, many factories still rely on static manuals or expert intervention during production exceptions. This slows down response time and creates difficulties in keeping procedures up to date. The main challenge is the lack of agile, real-time guidance for operators during unusual or unexpected events. Knowledge exists in formats like FMEA reports, but is not always convenient to use on the site. This makes training harder, increases reliance on experts, and reduces the autonomy of operators. The objective of this work is to transform expert knowledge into clear, step-by-step processes, available in real time through a user-friendly interface. The aim is to improve exception handling, reduce defect rates, and support continuous learning for staff. The method follows the Design Science framework. First, a systematic literature review and a scenario-based requirements analysis were conducted to understand the needs of stakeholders and the capabilities required. Then, a prototype was developed using an agile, modular architecture. The system uses a knowledge graph fed by FMEA data, supports live editing and version control. Finally, the prototype was evaluated in an industrial use case through semi-structured interviews and user acceptance studies. Results show that our APEH system can provide contextual guidance, handle repairable and unrepairable exceptions, and keep processes coherent with production changes. Users found it useful and easy to use, although some limitations remain when dealing with specific situations. In conclusion, the prototype demonstrates the feasibility and benefits of semi-automatic agile process guidance in CPPS. It supports operators, reduces dependence on static documentation, and centralizes knowledge for reuse. Future improvements should focus on scaling the system, integrating more real-time data, and refining user interaction for complex cases.