Karriere am WZL

 

Masterarbeit

am Forschungsbereich Produktionssystematik, Abteilung Produktionsmanagement, Gruppe Produktionslogistik
 

Umsetzung eines Vorgehens zur Prognose auftragsspezifischer Übergangszeiten mit Verfahren des maschinellen Lernens

Ausgangssituation
Unternehmen in der Einzel- und Kleinserie gestalten ihre Produkte zunehmend kundenindividuell, was zu einer deutlichen Steigerung ihrer Fertigungskomplexität führt. Gleichzeitig ist eine 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. Daher müssen neue Lösungsansätze für die Fertigungssteuerung entwickelt werden.

Am WZL wird in diesem Zusammenhang untersucht, wie maschinelles Lernen (ML) die Termintreue steigern kann. Eine Möglichkeit ist eine exaktere Bestimmung von Übergangszeiten. Übergangszeiten beschreiben die Zeiten zwischen Arbeitsvorgängen in der Produktion und machen bis zu 95 % der Durchlaufzeiten aus. Aktuell werden sie aber hauptsächlich nur pauschal geschätzt, was zu einer geringen Planungsgüte von Fertigungsprozessen führt. Um dieses Problem zu lösen, wurde bereits ein Vorgehen entwickelt, das eine datenbasierte Identifikation von Einflussfaktoren auf Übergangszeiten erlaubt

Zielsetzung
Ziel der Arbeit ist eine prototypische Umsetzung und iterative Verbesserung eines Vorgehens zur Prognose auftragsspezifischer Übergangszeiten. Dabei sollen reale Produktionsdaten aus einem Unternehmen der Kleinserienfertigung unter Verwendung von ML-Verfahren in der Programmiersprache Python ausgewertet werden. Die Ergebnisse dieser Arbeit sind ein erster Ausblick auf das Potenzial des neu beantragten Exzellenzclusters Internet of Production und damit ein wichtiger Meilenstein für das Projekt. Anhand der Umsetzung und damit gemachten Erfahrungen sollen Herausforderungen des Einsatzes von ML in der Produktionstechnik identifiziert und erste Lösungsansätze hierfür entwickelt werden. Somit leistet die Arbeit einen strategischen Beitrag zur Nutzung maschineller Lernverfahren in der Produktion, wie sie bislang kaum verwendet werden.

 
Im Einzelnen sind folgende Teilaufgaben zu lösen:
  • Erarbeitung der theoretischen Grundlagen zu den Themen Produktionsplanung und -steuerung, sowie Maschinelles Lernen im Produktionskontext
  • Analyse bestehender Ansätze zur Prognose auftragsspezifischer Übergangszeiten
  • Prototypische Umsetzung und iterative Verbesserung eines Vorgehens zur Prognose auftragsspezifischer Übergangszeiten mit ML-Verfahren in Python
 
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: 800,00 Arbeitsstunden

Ansprechpartner(in):
Frederick Sauermann, M.Sc. RWTH
 
Cluster Produktionstechnik 3B 548
Tel.: +49 241 80-28684
Fax: +49 241 80-628684
Mail: F.Sauermann@wzl.rwth-aachen.de