23.03.2021
Der erfolgreiche Auftakt der Arbeitsgruppe „Maschinelles Lernen im Produktionsumfeld“ setzt sich fort: An der zweiten Veranstaltung am 09.03.2021 nahmen 31 Personen teil, darunter weitere neue Produktionsunternehmen aus den Branchen Lebensmittel, Stahlbau, Druckguss, Chemie/Pharmazie, Tierfutterproduktion und Maschinenbau.
Die Veranstaltungen der Arbeitsgruppe sind bewusst praxisorientiert ausgerichtet, um Unternehmen der Industrie 4.0 Potenziale für den Einsatz Maschinellen Lernens (ML) aufzuzeigen. Mit einem kurzen Impulsvortrag über die Anwendung von ML in der Produktionsplanung und -steuerung (PPS) leitete Prof. Matthias Schmidt (Leuphana Universität Lüneburg, Institut für Produkt- und Prozessinnovation) das Treffen ein. Zu den zahlreichen Anwendungsfeldern zählen unter anderem Absatzprognosen, Bestandsdimensionierung, Eigenfertigungsplanung und -steuerung, Unterstützung repetitiver Aufgaben (z. B. Angebotserstellung) sowie Produktionscontrolling.
Im Anschluss an den Impulsvortrag ging Kathrin Kramer (ebenfalls Leuphana Universität Lüneburg) näher auf das Potenzial von ML bei der Absatzprognose ein. Ziel ist demnach, die zukünftigen Bedarfe von Fertigerzeugnissen, Baugruppen und Rohstoffen vorherzusagen. Dafür werden unterschiedliche Ebenen betrachtet: die Planungsebene (Materialvarianten, Produkte, Produktgruppen) und das Planungsraster (zeitliche Planung in Schichten, Wochen, Monaten, Quartalen oder Jahren). Prognosen können mittels Zeitreihenmodellen, Regressionsverfahren oder heuristischen Verfahren erfolgen.
Klassische Verfahren zur Absatzprognose – wie die Verwendung des gleitenden Mittelwerts oder die exponentielle Glättung – stehen oft vor der Herausforderung, dass lange Zeitserien benötigt werden, um Trendverläufe und Saisonalität zu erkennen. Außerdem sind die Datensätze häufig unvollständig und weisen Ausreißer auf. Zudem beeinflussen zahlreiche externe Faktoren die Entwicklung der Absatzzahlen. Maschinelles Lernen eignet sich besonders dann, wenn klassische Verfahren an ihre Grenzen stoßen, z. B. bei sporadischen Bedarfen, Bedarfen neuer Produkte oder bei Produkten, die stark von externen Faktoren abhängig sind.
Thomas Voß (ebenfalls Leuphana Universität Lüneburg), erklärte den Teilnehmer*innen das Potenzial von ML bei der Reihenfolgenplanung. Ziel ist hier, die Maschinen bei geringem Bestand optimal auszulasten und festzulegen, welche Maschine welchen Auftrag zu welcher Zeit ausführt. ML kann dabei unterstützen, komplexe Sachverhalte zu beobachten und Entscheidungen an die aktuellen Gegebenheiten anzupassen. So kann das kurzfristige Priorisieren eines bestimmten Auftrags oder die Auswahl einer guten Losgröße zu einer Steigerung der Leistung führen. Die Einführung solcher Algorithmen ist in den meisten Fällen mit bereits vorhandener Hardware möglich.
Anschließend teilten sich die Teilnehmer*innen in zwei Gruppen auf und diskutierten, welche Potenziale sie in ihrem Unternehmen in den Bereichen „Absatzprognose und Bestandsdimensionierung“ (Gruppe 1) sowie „Eigenfertigungsplanung und -steuerung“ (Gruppe 2) sehen. Die erste Gruppe identifizierte unterschiedliche Anwendungsfelder bei den anwesenden Produktionsunternehmen. Beispielsweise wurde die Hinzunahme von Makrofaktoren für eine verbesserte Prognosegüte bei einem Hersteller von Antriebstechnik diskutiert. Die Idee wäre, mittels externer Informationsquellen (z. B. Konjunkturprogramme einzelner Länder) Trends über Artikelgruppen hinweg zu erkennen und die Prognoseergebnisse auf dieser Basis zu unter- oder übersteuern. Neben konkreten Unternehmensbeispielen wurde übergreifend die Bedeutung der Datenqualität und der Kenntnis über Relevanz der Inputfaktoren hervorgehoben. Die Teilnehmer*innen stellten fest, dass eine Kombination mehrerer Prognoseverfahren sinnvoll sein kann sowie ein Verständnis über das Kundenverhalten auch die Produktionsplanung verbessert. In der zweiten Gruppe wurden im Rahmen der Produktionsplanung Fragestellungen bezüglich der Reihenfolgeplanung und Losgrößenberechnung verschiedener Unternehmen besprochen. Dabei kam die zweite Gruppe zu dem Ergebnis, dass Vertrauen für den Einsatz von ML im Rahmen der PPS entscheidend ist und dass schnell wechselnde Produktionssysteme und Konfigurationen Herausforderungen an die Flexibilität der ML-Modelle stellen. Außerdem diskutierten die Teilnehmer*innen die Frage, ob im Sinne der Nachvollziehbarkeit von ML das Entscheidungsbaumverfahren sinnvoller wäre als neuronale Netze. Die erörterten Aspekte der beiden Gruppen werden in zukünftigen Veranstaltungen anhand konkreter Anwendungsfälle der Unternehmen näher diskutiert.
Anknüpfend an die Ergebnisse der Gruppenarbeiten boten die Leuphana Universität, die IHK Stade und die IHK Lüneburg-Wolfsburg den Teilnehmer*innen an, konkrete Aufgabenstellungen und spezifische Anforderungen der Unternehmen in direkten Gesprächen zu besprechen.
Die nächste Veranstaltung der Arbeitsgruppe wird am 13.07.2021 von 17 bis 18:30 Uhr stattfinden. Das Thema: Unternehmensdatenmanagement als Grundlage für den Einsatz von maschinellen Lernverfahren. Zur Anmeldung geht es über diesen Link.
Die Arbeitsgruppe „Maschinelles Lernen im Produktionsumfeld“ entstand aus dem Zukunftslabor Produktion heraus unter Organisation der Leuphana Universität Lüneburg, der IHK Stade und IHK Lüneburg-Wolfsburg. Ziel der Arbeitsgruppe ist es, mittelständische Unternehmen der industriellen Fertigung miteinander zu vernetzen, um einen Wissenstransfer zu Themen des Maschinellen Lernens zu ermöglichen. Die Arbeitsgruppe trifft sich regelmäßig.
Ansprechpartnerin für redaktionelle Rückfragen:
Kira Konrad B. A.
Marketing & Kommunikation
Zentrum für digitale Innovationen Niedersachsen (ZDIN)
Am OFFIS – Institut für Informatik, Escherweg 2, 26121 Oldenburg – Germany
Tel: 0441 9722-435
E-Mail: kira.konrad@zdin.de
www.zdin.de
