Verbesserung der Prognosegenauigkeit von Zielgrößen in der Produktionsplanung und - Steuerung unter der Anwendung von Supervised Machine Learning

Abstract

Die vierte industrielle Revolution stellt die Industrie vor nie dagewesene Herausforderungen. Steigende Kundenansprüche und hohe Liefertermintreue führen zur Zunahme der Komplexität in der Produktion. Dieser Umstand zwingt die Unternehmen zur Optimierung ihrer Produktionsplanung und -Steuerung (PPS). Traditionelle Modelle zur Vorhersage von Zielgrößen können die komplexen Zusammenhänge der Produktionsfaktoren oft nicht mehr erkennen und liefern keine akkuraten Ergebnisse. Eine genaue Vorhersage von Zielgrößen ist jedoch für die Produktivität des Unternehmens entscheidend. Zu große Abweichungen zwischen der Produktionsplanung und der tatsächlichen Ausführung führen zu einem erhöhten Koordinations- und Steuerungsaufwand. Dieser wirkt sich negativ auf den Bestand, die Durchlaufzeit und die Auslastung aus. Um diesem Problem entgegenzuwirken, werden zunehmend Ansätze entwickelt, die maschinelle Lernalgorithmen zur Prognose von Zielgrößen in der Industrie einsetzen. Die Leistung der Algorithmen wurde bereits in einigen Studien erprobt und die Ergebnisse deuten auf ein großes Potential zur Verbesserung der Zuverlässigkeit in der PPS hin. Im Zuge dieser Arbeit werden relevante Supervised Machine Learning (SML) Algorithmen ausgewählt und hinsichtlich ihrer Zuverlässigkeit zur Prognose von Zielgrößen in der PPS untersucht. Dazu werden die SML-Methoden anhand eines konkreten Anwendungsfall aus der Industrie getestet. Die Entwicklung der Modelle findet nach dem Cross Industry Standard Process for Data Mining (CRISP-DM) Modell statt. Die Vorbereitung des Datensatzes wird mithilfe von Feature Engineering durchgeführt. Das Ergebnis dieser Arbeit ist ein Spektrum an SML-Modellen, die in der PPS zur Vorhersage von Zielgrößen eingesetzt werden können. Die angestrebte Reduktion der Abweichungen von mindestens 10 Prozent gegenüber dem Referenzmodell konnte im konkreten Anwendungsfall mithilfe einer Gradient Boosting Maschine (GBM) und der Anwendung von Feature Engineering und ohne Feature Auswahl erreicht werden. Alle übrigen getesteten SML- Algorithmen zeigen für den ausgewählten Anwendungsfall ebenfalls zufriedenstellende Ergebnisse.

The fourth industrial revolution is presenting industry with unprecedented challenges. Increasing customer demands and high adherence to delivery dates lead to an increase in complexity in production. This circumstance forces companies to optimize their production planning and control (PPC). Traditional models for predicting target variables are often no longer able to recognize the complex interrelationships of the production factors and do not deliver accurate results. However, accurate prediction of target variables is crucial for the company's productivity. Excessive deviations between production planning and actual execution lead to increased coordination and control efforts. This has a negative impact on inventory, lead time or capacity utilization. To counteract this problem, approaches are increasingly being developed that use machine learning algorithms to predict target variables in industry. The performance of the algorithms has already been tested in some studies and the results indicate a great potential for improving reliability in PPC. In the course of this work, relevant Supervised machine learning (SML) algorithms are selected and investigated with respect to their reliability for forecasting target variables in PPC. For this purpose, the SML methods are tested based on a concrete use case from industry. The development of the models takes place according to the Cross Industry Standard Process for Data Mining (CRISP-DM) model. The preparation of the data set is performed using feature engineering. The result of this work is a spectrum of SML modells that can be used in PPS for the prediction of target variables. The targeted reduction of deviations of at least 10 percent compared to the reference model could be achieved in the specific use case with the help of a gradient boosting machine (GBM) and the application of feature engineering, but without feature selection. All other SML algorithms tested also show satisfactory results for the selected use case.