Maschinelles Lernen löst Engpassprobleme in der Produktion

Schwankende Auftragseingänge, ein breites Produktportfolio und eine komplexe, mehrstufige Produktion: dies 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 Systemkapazität 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. All diesen Herausforderungen stellt sich das Institut für Forschung und Transfer (RIF e.V.) seit April 2021 gemeinsam mit interessierten Anwendern im Forschungsprojekt „Prädiktion dynamischer Engpässe in gerichteten Materialflusssystemen mittels maschineller Lernverfahren (PrEPFlow)“.

Gemeinsam mit dem Projektbegleitenden Ausschuss (PA) fand am 07. September der Kick-Off des Forschungsvorhabens statt. Die Anwendungspartner konnten sich über den aktuellen Stand des Projekts und die Vorgehensweise des Vorhabens informieren. Die insgesamt neun Unternehmen haben ihre Anwendungsszenarien für die Engpassidentifikation und -prognose charakterisiert. Hierbei sind spannende Szenarien aus der Elektronikfertigung wie auch aus dem Maschinenbau und der Automobilindustrie entstanden. Anhand der Szenarien wurden dann zum Schluss Anforderungen an ein Verfahren zur Engpassidentifikation und -prognose abgeleitet. Abgeleitete Anforderungen sind u.a. der häufig unklare Datenbedarf, die Transparenz der Modellergebnisse sowie die anschließende Maßnahmenabbildung zur Lösung der Engpassszenarien.

Bis zur nächsten PA-Sitzung werden die abgeleiteten Anforderungen gewichtet und bei der Modellierung des Engpassidentifikationsverfahrens dementsprechend berücksichtigt. Zudem wird der individuelle Datenbedarf in den Unternehmen ermittelt. Die nächste PA-Sitzung ist für den 12.01.2022 geplant. Interessierte Unternehmen sind herzlichst eingeladen am PA teilzunehmen. Bei Interesse am Forschungsvorhaben melden Sie sich gerne bei Jörn Schwenken (+49 231 755-5187).