Schwankende Auftragseingänge, ein breites Produktportfolio und eine komplexe, mehrstufige Produktion: das alles sind Rahmenbedingungen, mit denen sich viele produzierende Unternehmen speziell in Deutschland nicht erst seit einigen Jahren konfrontiert sehen. Statische und leicht zu beherrschende Engpässe gehören damit in vielen Produktionsumfeldern der Vergangenheit an. Die Identifikation und Vorhersage dynamischer Engpässe wird zu einer Schlüsselkompetenz in der Verbesserung von Produktionseffizienz und –stabilität. Häufig ist dies der entscheidende Ansatz, die Systemleistung weiter zu optimieren. Auch wenn in der Theorie und Forschung eine Vielzahl verschiedener Ansätze und Verfahren existieren, zeigt ihre Verbreitung in die Praxis speziell in kleinen und mittleren Unternehmen häufig noch deutlichen Nachholbedarf. In der industriellen Praxis zeigen sich die Probleme in der Anwendung der theoretischen Ansätze häufig erst in ganz konkreten Fallbeispielen. Für einen vereinfachten Einstieg mangelt es Anwendern an geeigneten Methoden und Werkzeugen um zu identifizieren, für welche Unternehmen und Datenlagen einzelne Verfahren am besten geeignet sind. Zudem fehlt es an praktikabler und effizienter Softwareunterstützung in der Umsetzung auf Basis der im Betrieb verfügbaren Daten.

Hauptziel des Forschungsvorhabens ist die Entwicklung einer datengetriebenen Methodik zur Prädiktion dynamischer Engpässe in gerichteten Materialflusssystemen mithilfe Maschineller Lernverfahren. Hierbei sollen bestehende Barrieren bzgl. Datengenerierung und –aufbereitung in KMU identifiziert und abgebaut werden. Anschließend werden die Ergebnisse in ein branchenneutrales, benutzerfreundliches IT-Werkzeug überführt. Begleitend sollen mithilfe des Projektbegleitenden Ausschusses (PA) Maßnahmen für eine zielorientierte Anpassung von Produktionssystemen zur Vermeidung von Engpässen erarbeitet werden.

Die Bearbeitung des Forschungsvorhabens ist auf eine Laufzeit von 24 Monaten ausgelegt und erfolgt in engem Austausch mit den Mitgliedern des PA. Die Erarbeitung der Projektinhalte gliedert sich in sechs Arbeitspaketen, die sich in ihrer inhaltliche Gestaltung an das praxisorientierte Vorgehensmodell CRISP-DM (Chapman et al. 1999) anlehnen. Die Arbeitspakete adressieren dabei verschiedene Betrachtungsebenen: Die Anforderungsebene, die Werkzeugebene und die Methodenebene. Ausgehend von der Anforderungsebene erfolgt zunächst die Erfassung von Anwenderanforderungen und die Auswahl eines Verfahrens zur dynamischen Engpassidentifikation. Darauf aufbauend werden auf Werkzeugebene Datenbedarfe definiert und Produktionsdaten beschafft. Repräsentiert durch die Analyseschritte Datenvorverarbeitung, Modellierung und Evaluation des CRISP-DM erfoglt auf der Methodenebene die Entwicklung und Generalisierung eines Verfahrens zur Prognose dynamischer Engpässe. Der Umgang mit den prognostizierten Engpässen soll dann in der Methodenebene von einem Maßnahmenkatalog, welcher in Zusammenarbeit mit den Unternehmen des PA erstellt wird, adressiert. Weiterhin stellt die Einführung und Optimierung der Engpassprognose in realen gerichteten Materialflusssystemen einen notwendigen Schritt zur Erprobung der Prognosemethodik in der industriellen Praxis dar. Letztlich wird die Methodik in ein nutzerfreundliches IT-Werkzeug überführt, welches auf Produktionsdaten aus dem Anwendungsumfeld zurückgreift.

PrEPFlow ist ein Forschungsprojekt des Kooperationspartners RIF e.V.. Am PA nehmen Unternehmen aus der Elektronik-, der Automobil- und der Automobilzulieferindustrie sowie Beratungsunternehmen und Vertreter regionaler Netzwerke teil.

RIF Institut für Forschung und Transfer e. V.

Das Vorhaben PrEPFlow (Förderzeichen: 21595) der Bundesvereinigung Logistik (BVL) e.V. – Schlachte 31, 28195 Bremen - wird über die AiF im Rah­men des Programmes zur För­de­rung der Industriellen Gemeinschaftsforschung und -entwicklung (IGF) ge­för­dert.