Daten reinigen bei der Termin- und Kapazitätsplanung
Produktion planen, Datenqualität im Blick
Daten automatisch pflegen ist möglich
Stammdatenpflege: Ein Vergleich von Stammdaten wie Wiederbeschaffungszeiten und Durchlaufzeiten kann Abweichungen zwischen diesen, für die Planung relevanten Daten und den tatsächlichen, aus der Historie abgeleiteten Ist-Daten aufzeigen. Durch die Betrachtung der Wiederbeschaffungszeiten in den vergangenen Perioden für einen Artikel und den dazugehörigen Lieferanten kann eine Prognose über die Entwicklung der Wiederbeschaffungszeiten dann erfolgen, wenn hier Trends erkennbar sind. Auch ein funktionaler Zusammenhang zwischen Lieferzeiten und allgemeinen Entwicklungen, zum Beispiel Konjunkturindizes für die jeweiligen Branchen, kann vermutet, überprüft und in entsprechende Vorschläge zur zukünftigen Wiederbeschaffungszeit münden. Ob diese automatische Pflege von Wiederbeschaffungszeiten allerdings gewünscht wird, muss durch Befragung der Anwender erst noch geklärt werden. Aus zahlreichen Industrieprojekten lässt sich die Erkenntnis ableiten, dass die Pflege der Wiederbeschaffungszeiten aufgrund der weitreichenden Auswirkungen auf Lieferfähigkeit und Bestandsentwicklung als eine sehr wichtige Aufgabe in der Beschaffung angesehen wird. Diese Pflege, die nach Auffassung der verantwortlichen Mitarbeiter ein hohes Maß an Erfahrung und Fingerspitzengefühl erfordert, wird man vermutlich nur dann mit Hilfe von künstlicher Intelligenz lösen können, wenn zumindest der Mensch als Kontrollinstanz fungiert. Neuste Projekte zeigen jedoch, dass die automatische Pflege von Wiederbeschaffungszeiten durch den Einsatz moderner Machine Learning-Verfahren bereits eine durchschnittlich bessere Voraussage erlaubt, als es mit manuell aktuell gepflegten Wiederbeschaffungszeiten der Fall ist.
Historiendaten für bessere Taktung der Fremdfertigung
Des Weiteren kann eine Auswertung der Historiendaten zur Anpassung der Durchführungs- und Durchlaufzeiten externer Arbeitsgänge führen. Generell werden für externe Ressourcen im Rahmen der Terminplanung meist feste Durchlaufzeiten herangezogen. Hierbei wird jedoch vernachlässigt, dass auch bei externen Ressourcen im Rahmen der Fremdfertigung Kapazitäten betrachtet werden. Diese werden durch unterschiedliche Aufträge mit Verbindung mit Werkstückdimensionen, Stückzahlen, Bearbeitungsumfang je Stück, aktuelle Auslastung des Fremdfertigers, Verfügbarkeit eventuell notwendiger Werkzeuge und Vorrichtungen beim Fremdfertiger unterschiedlich stark belastet. Allein dadurch werden in der Praxis auch unterschiedliche Belegungszeiten in Abhängigkeit des jeweiligen Arbeitsgangs resultieren. Zusätzlich hängen Durchlaufzeiten auch von der aktuellen Auslastungs- und Warteschlangensituation ab. Auf diesem Teilgebiet der Planung können durch intelligente Analysen der Vergangenheitsdaten flexible Dauern für externe Bearbeitungsgänge abgeleitet werden. Auch hier unterstützen Machine Learning-Verfahren bereits in der Praxis. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Fazit
Zusammenfassend lässt sich feststellen, dass eine EDV-gestützte Datenbereinigung durchaus in gewissen Teilbereichen möglich ist. Eine automatische Fehlerkorrektur ohne Beteiligung der Mitarbeitenden erscheint jedoch kritisch. Eine minimale Beteiligung in Form einer ‚Information mit Widerspruchsmöglichkeit‘ ist aus Sicht der Anwender erforderlich, um die erforderliche Basis für eine Akzeptanz der automatischen Datenbereinigung zu schaffen. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Hinweis:
Die im Beitrag diskutierten Beispiele stammen aus Praxisbeispielen, die der Autor in verschiedenen Industrieunternehmen mit dem Steuerungssystem Felios der Aachener Softwarefirma Inform GmbH gemacht hat.
