Karriere am WZL

 

Masterarbeit

am Forschungsbereich Produktionssystematik, Abteilung Produktionsmanagement, Gruppe Produktionslogistik
 

Steigerung der Termintreue durch Nutzung künstlicher Intelligenz

Ausgangssituation

Unternehmen in der Einzel- und Kleinserie gestalten ihre Produkte zunehmend kundenindividuell, was zu einer deutlichen Steigerung ihrer Fertigungskomplexität führt. Dennoch ist eine Verkürzung der Time-to-Market und Steigerung der Termintreue wichtig, um im globalen Wettbewerb erfolgreich zu sein. Doch nur ca. 1/3 der Unternehmen schaffen es, eine Termintreue von über 95 % zu erzielen. Fast jedes fünfte Unternehmen erreicht nicht einmal eine Termintreue von über 85 %. Daher müssen neue Lösungsansätze für die Logistiksteuerung entwickelt werden.

Zielsetzung

Ziel der Arbeit ist die datenbasierte Bestimmung von Einflussfaktoren auf Übergangszeiten durch künstliche Intelligenz. Übergangszeiten beschreiben die Zeiten zwischen Arbeitsschritten in der Produktion und bestehen aus Nachliege-, Transport- und Vorliegezeiten. In typischen Werkstattfertigungen machen Übergangszeiten rund 90 % der Durchlaufzeit aus, werden aktuell aber hauptsächlich nur pauschal geschätzt, was zu einer geringen Planungsgüte von Fertigungsprozessen führt.
In der Arbeit soll ein Vorgehen entwickelt werden, wie datenbasiert aus Rückmeldedaten Einflussfaktoren auf Übergangszeiten durch Verfahren des maschinellen Lernens (ML) identifiziert werden können. Aufbauend auf den Ergebnissen dieser Arbeit können auftragsspezifische Übergangszeiten prognostiziert werden, mit dem Ziel die Planungsgüte und damit die Termintreue signifikant zu steigern. Damit leistet diese Arbeit einen strategisch wichtigen Beitrag zur Steigerung der Wettbewerbsfähigkeit produzierender Unternehmen.

 
Im Einzelnen sind folgende Teilaufgaben zu lösen:
  • Erarbeitung der theoretischen Grundlagen zu den Themen „Produktionsplanung und steuerung“ sowie „Künstliche Intelligenz im Produktionskontext“
  • Definition von Datenbedarfen und -formaten für die ML-Verfahren
  • Auswahl geeigneter ML-Verfahren und Entwicklung eines Vorgehens zur datenbasierten Identifikation der Einflussfaktoren
 
Voraussetzungen:
  • Selbstständigkeit und Eigeninitiative
  • Sorgfältige Arbeitsweise
  • Hohe Motivation und Einsatzbereitschaft
  • Sehr gute Deutschkenntnisse

Geboten wird
  • Aktive Mitarbeit an einem hochinnovativen Forschungsprojekt
  • Umfangreiche und intensive Betreuung der Arbeit
  • Schnelle Bearbeitung durch eine abgegrenzte Aufgabenstellung
Zeitaufwand: 400,00 Arbeitsstunden

Ansprechpartner(in):
Frederick Sauermann, M.Sc. RWTH
 
Cluster Produktionstechnik 3B 534
Tel.: +49 241 80-28684
Fax: +49 241 80-628684
Mail: F.Sauermann@wzl.rwth-aachen.de