Ursachenanalyse im Qualitätsmanagement: Prozessdaten-Analytik und Agentic AI
Qualitätsingenieure verbringen viel Zeit damit, zu einem neuen Qualitätsfall Daten zusammenzusuchen, Altfälle zu finden und Hypothesen zu bilden. Wir bauen ein System, das Prozessdaten-Analytik und Recherche im Erfahrungswissen zusammenführt – zu einer belegten, nach Evidenz sortierten Hypothesenliste.
Ausgangslage
Zu jedem neuen Qualitätsfall beginnt dieselbe Suche: Welche Lose sind betroffen, was war an der Linie anders, gab es so etwas schon einmal? Die Antworten liegen verstreut – in SAP QM, im MES, in Prüfprotokollen und in 8D-Reports vergangener Fälle.
Das Zusammensuchen kostet Tage, in denen weiter fehlerhafte Teile entstehen können. Und das Erfahrungswissen aus Altfällen bleibt weitgehend ungenutzt, weil es niemand systematisch durchsucht.
Typische Datengrundlage
Qualitätsmeldungen aus SAP QM und Fehlerprotokolle der Linien. MES- und Prozessdaten: Maschinen- und Werkzeugbelegung, Prozessparameter je Los oder Teil, Schicht- und Chargenzuordnung. Prüfprotokolle mit Messwerten, Prüfmittel- und Prüferzuordnung. Rückverfolgbarkeitsdaten, die Fehlerteil und Prozessschritt verbinden.
Dazu 8D-Reports, Lessons Learned und Maßnahmendokumentation aus Altfällen – einschließlich der jeweils bestätigten Ursache.
Woran solche Vorhaben scheitern
Jargon statt Standardsprache. Qualitätsmeldungen sind voller Freitext, Abkürzungen und Schichtjargon – gleiche Fehler sehen sprachlich oft völlig unterschiedlich aus.
Verteilte Daten, fehlender Kontext. Die relevanten Informationen liegen in mehreren Systemen ohne gemeinsames Datenmodell. Entscheidend ist, Fehlerteile zuverlässig dem richtigen Prozessschritt zuzuordnen.
Korrelation ist noch keine Ursache. Schicht, Charge oder Umgebungsbedingungen erzeugen schnell scheinbare Zusammenhänge. Das System muss Muster erkennen, ohne daraus vorschnell Kausalität abzuleiten.
Historie mit Lücken. Bei Altfällen ist selten sauber dokumentiert, was tatsächlich die Ursache war – und welche Maßnahme am Ende geholfen hat.
Keine Empfehlung ohne Beleg. Qualitätsingenieure brauchen nachvollziehbare Begründungen und Quellen. Eine plausible KI-Antwort allein reicht nicht.
Vorgehen
Prozessdaten zuerst. Zu jedem Fall grenzt das System die betroffene Teilemenge über die Rückverfolgbarkeit ein und vergleicht deren Prozessdaten gegen eine passende Referenzmenge aus Gutteilen. Regelkarten und Verteilungsvergleiche zeigen, welche Prozessparameter im fraglichen Zeitraum von ihrem üblichen Verhalten abweichen. Ein Attributionsverfahren auf einem Vorhersagemodell für den Fehlerzustand bewertet, welche Größen den Fehler am stärksten erklären; Regel- und Mustersuche über die Prozesskette findet Kombinationen wie eine bestimmte Maschine in Verbindung mit einer bestimmten Charge. Damit aus Zusammenhang nicht vorschnell Ursache wird, gehen Schicht, Charge, Werkzeugstandzeit und Umgebungsbedingungen als Kontrollgrößen in die Bewertung ein; wo die Datenlage es trägt, ordnet ein Kausalgraph die Kandidaten nach ihrer Stellung in der Prozesskette. Über Process Mining wird sichtbar, ob betroffene Teile einen abweichenden Weg durch die Fertigung genommen haben.
Erfahrungswissen dazu. Parallel sucht eine semantische Ähnlichkeitssuche vergleichbare Altfälle, und ein Retrieval über 8D-Reports, Lessons Learned und die Q-Dokumentation liefert das dokumentierte Wissen zum Fehlerbild. Der Freitext aus den Meldungen wird über ein gepflegtes Synonym- und Abkürzungsverzeichnis normalisiert.
Agenten orchestrieren, ein Schema sortiert. Ein Multi-Agenten-Aufbau orchestriert Fallaufnahme, statistische Analyse, Altfallsuche, Dokumentenrecherche und Zusammenführung. Die Hypothesen werden nach einem offengelegten Schema sortiert: Stärke der statistischen Evidenz, Übereinstimmung mit bestätigten Altfällen, Plausibilität in der Prozesskette. Jede Hypothese nennt die Auswertungen und Fälle, auf die sie sich stützt – und benennt, was zu ihrer Bestätigung noch fehlt.
Der Kreis schließt sich. Schließt der Ingenieur einen Fall ab, wird die bestätigte Ursache strukturiert zurückgeschrieben. Diese Rückmeldungen verbessern Sortierung und Fallbasis mit jedem abgeschlossenen Fall – weshalb dieser Schritt zum Lieferumfang gehört und nicht optional ist. Bewertung und Entscheidung bleiben beim Qualitätsingenieur; das System liefert Hypothesen mit Beleg, keine Diagnose.
Was dabei entsteht
Schneller von Fehler zu Ursache: Datenauswertung, Fallvergleich und Dokumentenrecherche laufen automatisiert – Ingenieure steigen direkt dort ein, wo ihre Expertise gefragt ist.
Aus Altfällen wird nutzbares Wissen: Verstreute Erfahrungen und frühere Lösungswege fließen systematisch in neue Fehleranalysen ein. Expertise dort, wo sie zählt: Die Priorisierung nach Häufigkeit, Kostenwirkung, Sicherheitsrelevanz und Trend lenkt Ingenieurskapazität auf die teuren und kritischen Fälle.
Messbar wird das über die Zeit vom Anlegen eines Falls bis zur bestätigten Ursache, über den Anteil der Fälle, bei denen die spätere bestätigte Ursache unter den ersten drei Systemhypothesen stand, und über die Zahl wiederkehrender Fehlerbilder. Der zweite Wert lässt sich vor dem Projekt an abgeschlossenen Altfällen rückwirkend prüfen – ein guter Machbarkeitstest.
Woher unsere Erfahrung kommt
Wir analysieren Sensor- und Prozessdaten aus der Fertigung seit Jahren – und machen Modellentscheidungen erklärbar, damit aus Auffälligkeit belegte Ursache wird.
Zuletzt aktualisiert: 13. August 2026
