Datenbasierte Bewertung kundeninduzierter Turbulenz in der volatilen Variantenfertigung

Abstract

Die industrielle Fertigung unterliegt in ihrer Historie dem vielbeschworenen Wandel. Neu ist die bislang unerreichte Geschwindigkeit, mit der dieser vollzogen wird. Um effizient und flexibel fertigen zu können, sind heutige Produktionssysteme geprägt von hoher Dynamik. Direkte Folge daraus ist ein Mangel an Transparenz des Systemzustands, was Verhaltensprognosen zusätzlich erschwert. Wünschenswert sind Werkzeuge zur Kennzahlenprognose, um auf drohende Turbulenzen frühzeitig reagieren zu können. Produktionsdaten liegen dafür umfänglich vor. Doch können wir Systeme dafür ausreichend genau modellieren? Und nutzen wir die vorhandenen Daten zielgerichtet? Methoden des maschinellen Lernens können ein Ansatz sein, um Turbulenzen prognostizierend zu bewerten. Maschinelles Lernen wird vorwiegend auf statische Systeme angewendet. In solchen Systemen behalten angereicherte Datensätze über einen langen Zeitraum ihre Gültigkeit. Im Falle dynamischer Systeme gilt dies nicht und so sind Prognosen mit Hilfe herkömmlicher Produktionsmodelle kaum mehr möglich. Diese Arbeit verfolgt das Ziel, Datensätze dynamischer Produktionssysteme für die Turbulenzprognose nutzbar zu machen. Das hier vorgeschlagene Vorgehen nutzt Entscheidungsbäume zur Turbulenzprognose. Hauptschwierigkeiten bei zuverlässigen Prognosen sind neben der Systemdynamik die zeitliche Latenz zwischen Ursache und Wirkung. Diesen soll mit Werkzeugen der Mathematik rechnergestützt begegnet werden. Damit trägt die Arbeit zum Verständnis für den Einsatz des maschinellen Lernens in der Produktion bei und kann später in der Anwendung bei Entscheidungsprozessen unterstützen. Validiert wird die Arbeit sowohl mit synthetischen Daten als auch mit einem realen Industriedatensatz. Throughout history, industrial manufacturing has been subject to the frequently mentio-ned “change”. The new aspect is the unprecedented speed in which change is taking place. In order to manufacture efficiently and flexibly, today’s main attribute of production systems is high dynamics. A direct consequence of this is the lack of the system state’s transparency which makes behavior predictions even more difficult. Forecasting tools are desirable to have the chance to react to impending turbulence at an early stage. Today, production data is easily available for this purpose. But can we model manufacturing systems with sufficient accuracy? Do we use the available data in a targeted manner? Machine learning methods are one approach to assess turbulence prediction. Machine learning is mainly applied to static systems. In these cases, enriched data sets retain their validity over a long period of time. For dynamic systems, however, this is no longer feasible, and forecasting with the help of conventional production models is hardly possible anymore. This work pursues the goal of making data sets of dynamic production systems usable for turbulence forecasting. The proposed approach uses decision trees for turbulence forecasting. Besides the system dynamics, time latencies between cause and effect represent the core problems. These are to be countered with mathematic computational tools. Thus, the work contributes to the understanding of the use of machine learning in production and supports the application in decision-making processes. The work is validated with synthetic data and with a real industrial dataset.