24.06.2021
Ein reibungsloser Ablauf des Auftragsdurchlaufs entlang der Produktionsschritte bedarf einer zielgerichteten Planung und Steuerung. Modelle, die die Lieferkette in Unternehmen beschreiben, helfen dabei, den Produktionsprozess zu definieren und Einsatzmöglichkeiten digitaler Technologien zu identifizieren. Die Wissenschaftler*innen des Zukunftslabors Produktion entschieden sich dazu, für die Erfassung möglicher Daten zur Erfüllung der Produktionsplanungs- und -steuerungsaufgaben, das Hannoveraner Lieferkettenmodell (HaLiMo) zu verwenden. Dieses Modell bildet die unternehmensinterne Lieferkette in Zusammenhang mit logistischen Regel-, Stell- und Zielgrößen ab. Das auf dem HaLiMo aufbauende logische Datenmodell kann genutzt werden, um strukturiert unternehmensspezifische Datengrundlagen zur Erfüllung der Produktionsplanungs- und -steuerungsaufgaben zu analysieren. Die Analyse kann dazu beitragen, Potenziale für die Erhebung weiterer Datenattribute zu identifizieren sowie den Einsatz von maschinellen Lernverfahren zur Prognose einzelner Kernattribute (z.B. Plandurchlaufzeiten) zu erkennen. Aufbauend auf dem HaLiMo begannen die Wissenschaftler*innen damit, anfallende Daten eines Praxispartners zu sammeln und ein logisches Datenmodell zu erarbeiten.
Werkstücke durchlaufen häufig unterschiedliche Arbeitsstationen innerhalb einer Produktion. Wenn mehrere Aufträge gleichzeitig abgewickelt und verschiedene Werkstücke bearbeitet werden, stellt das Herausforderungen an die Produktionsplanung und -steuerung. Hierfür bieten maschinelle Lernverfahren effiziente Einsatzmöglichkeiten. Sie berücksichtigen verschiedene Parameter, die Durchlaufzeiten beeinflussen, und lernen aufgrund ihrer gesammelten Erfahrungen. Dadurch wird die Prognose, wieviel Zeit ein Auftrag bis zur Fertigstellung benötigt, immer genauer.
Des Weiteren untersuchten die Wissenschaftler*innen, welche Potenziale maschinelles Lernen für die Optimierung der Produktionsplanung und ‑steuerung (PPS) hat. Beispielsweise basieren Plandurchlaufzeiten von Aufträgen in der Praxis oftmals auf Schätzungen oder Erfahrungen der Mitarbeiter*innen. Abweichungen im aktuellen Produktionsprozess (z. B. veränderter Auftragsbestand vor den Arbeitsstationen oder Störfälle) berücksichtigen diese nicht hinreichend, wenn sie Plandurchlaufzeiten kalkulieren. Hier kann maschinelles Lernen ansetzen und auf Basis vorhandener Produktionsdaten genauere Vorhersagen für die Durchlaufzeiten der Produktionsaufträge (z. B. Auftrag zur Fertigung eines Los von Trägerstrukturen eines ausklappbaren Tisches für den Flugzeuginnenraum) erstellen. In diesem Zusammenhang untersuchten die Wissenschaftler*innen verschiedene Modelle des maschinellen Lernens und verglichen, welche Faktoren die Prognosegüte der Modelle verbessern. Sie stellten fest, dass die Prognosen besser werden, wenn z. B. Daten über Störungsfälle, die Auftragsreihenfolge oder den aktuellen Auftragsbestand einzelner Arbeitsstationen in das Modell einfließen. Neben dem Potenzial maschineller Lernmodelle in der PPS analysierten die Wissenschaftler*innen auch deren grundsätzlichen Einsatzfelder in der Produktion. Dafür führten die Wissenschaftler*innen eine umfassende Literaturrecherche durch. Sie systematisierten Probleme bei der spanenden Herstellung der Druckgießform und stellten fest, dass maschinelles Lernen insbesondere die Leistung, Verfügbarkeit, Qualität und Reaktionsschnelligkeit/Flexibilität spanender Fertigungsprozesse verbessern kann. Des Weiteren ermittelten die Wissenschaftler*innen drei Hemmnisse für den Einsatz maschineller Lernverfahren in der Praxis: Zuerst muss überprüft werden, ob ein bestimmtes Problem mit maschinellem Lernen gelöst werden kann. Dann ist zu klären, ob die vorhandene Dateninfrastruktur für maschinelle Lernmodelle vorliegt. Schließlich muss ein Datenanalyst ein passendes Modell auswählen, einsetzen und die Ergebnisse interpretieren. Im weiteren Verlauf des Projektes werden die Wissenschaftler*innen Interviews mit Praxispartnern führen, um die wissenschaftlichen Erkenntnisse mit der Realität in der Wirtschaft abzugleichen.
