Anzeige
Anzeige
Beitrag drucken

Wiederbeschaffungszeiten KI-basiert berechnen

Lieferungen landen nach Plan

Liebherr Aerospace setzt zur Produktionsplanung auf die Software Felios mit ihrem Machine-Learning-Modul. Im Vergleich zu früher fallen die Prognosen der Wiederbeschaffungszeit von Bauteilen bis zu 19-mal genauer aus.

 (Bild: ©iwikoz6/Gettyimages.de)

(Bild: ©iwikoz6/Gettyimages.de)

Bei Liebherr-Aerospace arbeiten an den Standorten in Lindenberg und Friedrichshafen rund 5.000 Mitarbeiter. Das zum Liebherr-Konzern gehörende Unternehmen entwickelt, fertigt und betreut Luftmanagement-, Flugsteuerungs- und Betätigungssysteme, Fahrwerke sowie Getriebe und Elektronik. Optimierungsbedarf sah das Unternehmen bei der Planung seiner Wiederbeschaffungszeiten (WBZ) von Bauteilen für die rund 300.000 Artikel aus dem Angebotsspektrum. Die zuvor im ERP-System abgebildeten statischen Planungsdaten aus dem Materialstamm waren zu ungenau. „Die Schätzungen und die Ist-Werte für Lieferdauern sind bei uns – wie bei vielen anderen Unternehmen – nur selten identisch. Abweichungen zwischen kalkulierten und realen Zeiten führen zu einer niedrigen Maschinenauslastung, wenn die Materialien zu spät eintreffen“, erläutert Sebastian Ullmann, Leiter Organisation Produktionsplanung bei Liebherr-Aerospace Lindenberg. „Erfolgen die Lieferungen zu früh, hat das negative Auswirkungen, denn das verfügbare Kapital nimmt durch hohe Bestände ab. Wir wollten daher die Genauigkeit unserer Prozessplanung durch präzisere Prognosen der WBZ und der damit verbundenen Bestelltermine verbessern.“ Da das Unternehmen bereits in anderen Projekten mit dem Softwareanbieter Inform zusammengearbeitet hatte, sollte das Aachener IT-Haus auch bei diesem Problem unterstützen.

In Zusammenarbeit erstellt

Seit mehr als fünf Jahren betreibt Liebherr bereits die Produktionsplanungssoftware Felios. Zum Einsatz kommen Module für die Fertigungssteuerung, das strategische Engpassmanagement, die Schichtplanung, zur Kennzahlenerhebung und -visualisierung sowie für die Betriebs- und Maschinendatenerfassung. Jetzt ist das Modul für maschinelles Lernen hinzugekommen. Entwickelt wurde es unter Mitwirkung von Liebherr-Aerospace von Inform DataLab, einem eigenständigen Kompetenzbereich des Unternehmens mit dem Fokus auf Data Management, Data Analytics und Data Science. „Das Modul ist vollständig in Felios integriert“, sagt Jens Siebertz, Vice President bei Inform DataLab. „Mithilfe spezieller ML-Algorithmen kann nun auf Grundlage der vorhandenen Daten präzise vorhergesagt werden, wie lange die Lieferung eines benötigten Bauteils tatsächlich dauert.“ Durch eine Datenvalisierung hat sich gezeigt, dass die Differenz zwischen dem Planwert und dem Ist-Wert für das Lieferdatum bei fünf Tagen lag. Das mit Machine Learning errechnete Prognosedatum zeigte eine Abweichung von nur einem Tag. Anschließend erfolgte eine vierwöchige Datenvalidierung im Testbetrieb. Ausgewählt wurden Lieferanten, die große Mengen an Bauteilen regelmäßig liefern. „Wir waren mit der ML-Prognose der Wiederbeschaffungszeiten 19-mal genauer als mit der Prognose aus dem Artikelstamm“, so Ullmann.

Frühwarnsystem

Abgebildet werden die Daten in einem Dashboard, das als Frühwarnsystem fungiert: Der Einkaufsleiter kann für einen definierten Zeitraum geplante Bestellungen mit Felios prüfen lassen. Zeigen sich in der Prognose der Lieferdaten zu hohe Abweichungen gegenüber den Werten aus dem ERP-System, kann er dem zuständigen Sachbearbeiter über das Dashboard automatisiert ein Dokument mit Informationen zu dieser Bestellung per E-Mail zusenden, damit er den Lieferanten kontaktiert, um den Bestellstatus zu überprüfen.

Beitrag drucken

Wiederbeschaffungszeiten KI-basiert berechnen

Lieferungen landen
nach Plan

Liebherr Aerospace setzt zur Produktionsplanung auf die Software Felios mit ihrem Machine-Learning-Modul. Im Vergleich zu früher fallen die Prognosen der Wiederbeschaffungszeit von Bauteilen bis zu 19-mal genauer aus. (mehr …)


Das könnte Sie auch interessieren:

Die Parametrierung von Anlagen ist zeitintensiv und erfordert Fachwissen - und findet demnach nur statt, wenn es nicht anders geht. Doch Datenanalyse und Algorithmen können künftig helfen, Produktionsanlagen und eingesetzten Ressourcen stets das Bestmögliche zu entlocken.‣ weiterlesen

Verbraucher können Massenprodukte wie Schuhe und Autos längst nach individuellen Wünschen gestalten. Auch im Industriebereich erwarten Kunden immer individuellere Lösungen zum Preis von Serienprodukten - obwohl Komplexität und Kosten beim Hersteller steigen. Softwaregestützte Variantenkonfiguration adressiert diese Effekte.‣ weiterlesen

PSI Automotive & Industry hat Details zum neuen Release 9.4 des ERP-Systems Psipenta bekanntgegeben. Überarbeitet wurden demnach zum Beispiel die Unterstützung bei der Exportabwicklung, die Textverwaltung, die Standardberichte im Client sowie Mehrsprachenbelege.‣ weiterlesen

Viele Unternehmen rollen Funktionalität im IIoT als Microservice aus. Dazu erstellen IT-Teams kleine Software-Container, die oft mit Kubernetes verwaltet werden. Das könnte künftig häufiger mit Bare Metal Kubernetes erfolgen.‣ weiterlesen

Angesichts komplexer werdender Prozesse und dem Wunsch nach niedrigen Durchlaufzeiten parallelisieren Unternehmen Entwicklungsabäufe per virtuellen Inbetriebnahme.‣ weiterlesen

Wollen Hersteller mehrere Werke mit einer vergleichbaren MOM/MES-Infrastruktur versorgen, steigen die Projektrisiken deutlich. Klare Zielvorgaben, offene Kommunikation und ein Exzellenzzentrum helfen, die Risiken zu bewältigen - und instanziierbare MOM-Templates zu entwickeln, die trotzdem individuelle Anforderungen berücksichtigen.‣ weiterlesen

Die Stimmung in den Unternehmen hat sich im Mai etwas aufgehellt. Der Ifo-Geschäftsklimaindex stieg auf 93 Punkte. Trotz Inflationssorgen, Materialengpässen und Ukraine-Krieg erweise sich die deutsche Wirtschaft als robust, so Ifo-Präsident Clemens Fuest.‣ weiterlesen

Aptean DACH hat zwei neue Partner im Boot: den KI-Spezialisten Prodaso sowie das IT-Systemhaus Acomm.‣ weiterlesen

Im Gegensatz zur klassischen Produktions-IT bieten Cloud-Systeme höhere Rechen- und Speicherkapazitäten. Für Anwendungen mit deterministischen Anforderungen gelten diese Infrastrukturen aber als ungeeignet. Dabei können viele Hürden mit der richtigen Konfiguration und der Nutzung von TSN überwunden werden.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige