Zur Hauptnavigation wechseln Zur Suche wechseln Zum Hauptinhalt wechseln

Machine-Learning-basiertes Vorgehensmodell zur Optimierung von Vorgabezeiten

  • Anika Zeitlhofer

    Studienabschlussarbeit: Bachelorarbeit

    Abstract

    Die Genauigkeit von Vorgabezeiten ist für Produktionsunternehmen von großer Bedeutung hinsichtlich der Ablaufplanung. Je genauer die hinterlegte Vorgabezeit, desto exakter kann die Planung erfolgen. Dennoch basieren bisherige Ansätze zur Vorgabezeitberechnung auf statischen Modellen, die sich nur schwierig an dynamische Umgebungen anpassen können und meist manuell ausgearbeitet werden müssen. Als Resultat weichen die tatsächlichen Prozesszeiten eines Auftrags von den Vorgabezeiten enorm ab. Deshalb untersucht diese Arbeit, wie ein konzeptionelles Vorgehensmodell zur Optimierung der Vorgabezeiten entwickelt werden kann. Aufgrund der Tatsache, dass Künstliche Intelligenz eine wesentliche Rolle im Kontext der Digitalisierung darstellt, legt diese Arbeit ihren Fokus auf der Entwicklung eines Modells mithilfe von Machine Learning . Um die Problemstellung lösen zu können, wird in erster Linie eine umfassende Literaturrecherche durchgeführt. Zunächst wird der theoretischer Hintergrund der Produktion, im speziellen die Bandproduktion, erläutert. Darauf basierend werden die Herausforderungen der Vorgabezeitenberechnung erörtert. Die Thematik hinsichtlich Künstlicher Intelligenz wird herausgearbeitet und die Möglichkeiten von Machine Learning im Kontext der Vorgabezeitberechnung evaluiert. Im Rahmen der Entwicklung des Vorgehensmodell zur Optimierung der Vorgabezeiten mittels Machine Learning erfolgt ein Forschungsprojekt. Das Forschungsprojekt wird in der Voestalpine Steel and Service Center GmbH durchgeführt. Abgeleitet vom Projekt, sowie gestützt durch Literaturrecherche wird das Kapitel rund um die Entwicklung des Vorgehensmodells erarbeitet. Aufgrund der Analysen konnte festgestellt werden, dass nicht nur der Einfluss von Störungen oder der individuellen Fähigkeiten, sondern auch andere Parameter, beispielsweise Parameter im Kontext der dynamischen Produktion eine maßgebliche Herausforderung in der Vorgabezeitberechnung darstellen. Die evaluierten Herausforderungen bilden wiederum die Grundlage für die Entwicklung eines Vorgehensmodells zur Optimierung der Vorgabezeiten. Basierend auf den Ergebnissen dieser Arbeit kann schlussgefolgert werden, dass Machine Learning vielversprechende Ansätze zur Optimierung der Vorgabezeiten bietet. Die Verwendung von Machine Learning ermöglicht die Umstellung auf ein optimiertes dynamisches Modell. Das konzeptionelle Vorgehensmodell präsentiert einen strukturierten Ansatz zur Sammlung von Daten, Entwicklung und Training von Modellen sowie zur Überwachung und Anpassung der implementierten Lösungen. Schlussendlich sollten sich nach der Entwicklung des optimierten Vorgabezeitenmodells die festgelegten Kennzahlen durch das verbesserte Formelwerk verbessern.
    Datum der Bewilligung2024
    OriginalspracheDeutsch (Österreich)
    Gradverleihende Hochschule
    • FH OÖ
    Betreuer/-inThomas Peiler (Betreuer*in)

    Studiengang

    • Internationales Logistikmanagement

    Zitieren

    '