Abstract

Die industrielle Fertigung unterliegt in ihrer Historie dem vielbeschworenen Wandel. Neu ist die bislang unerreichte Geschwindigkeit, mit der dieser vollzogen wird. Um effizient und flexibel fertigen zu können, sind heutige Produktionssysteme geprägt von hoher Dynamik. Direkte Folge daraus ist ein Mangel an Transparenz des Systemzustands, was Verhaltensprognosen zusätzlich erschwert. Wünschenswert sind Werkzeuge zur Kennzahlenprognose, um auf drohende Turbulenzen frühzeitig reagieren zu können. Produktionsdaten liegen dafür umfänglich vor. Doch können wir Systeme dafür ausreichend genau modellieren? Und nutzen wir die vorhandenen Daten zielgerichtet? Methoden des maschinellen Lernens können ein Ansatz sein, um Turbulenzen prognostizierend zu bewerten. Maschinelles Lernen wird vorwiegend auf statische Systeme angewendet. In solchen Systemen behalten angereicherte Datensätze über einen langen Zeitraum ihre Gültigkeit. Im Falle dynamischer Systeme gilt dies nicht und so sind Prognosen mit Hilfe herkömmlicher Produktionsmodelle kaum mehr möglich. Diese Arbeit verfolgt das Ziel, Datensätze dynamischer Produktionssysteme für die Turbulenzprognose nutzbar zu machen. Das hier vorgeschlagene Vorgehen nutzt Entscheidungsbäume zur Turbulenzprognose. Hauptschwierigkeiten bei zuverlässigen Prognosen sind neben der Systemdynamik die zeitliche Latenz zwischen Ursache und Wirkung. Diesen soll mit Werkzeugen der Mathematik rechnergestützt begegnet werden. Damit trägt die Arbeit zum Verständnis für den Einsatz des maschinellen Lernens in der Produktion bei und kann später in der Anwendung bei Entscheidungsprozessen unterstützen. Validiert wird die Arbeit sowohl mit synthetischen Daten als auch mit einem realen Industriedatensatz.

Einleitung

Mit der Finanzkrise 2008 und einigen weiteren weltweit wirksamen politischen Ereignissen erübrigten sich im letzten Jahrzehnt alle Illusionen: Das Verhalten globaler Märkte ist mit herkömmlichen Mitteln weder zu modellieren noch vorherzusagen. Allein ein Blick auf den Marktbedarf im deutschen Maschinenbau zeigt, dass relative Schwankungen im zweistelligen Bereich keine singulären Ereignisse sind (siehe Abbildung „Marktvolatilität mit Finanz- und Coronakrise 2008 und 2020“). Wir leben in einer unbeständigen, unsicheren, komplexen und mehrdeutigen Welt – immer verbreiteter als „VUCA“ bezeichnet (Volatility, Uncertainty, Complexity und Ambiguity). Ursprünglich für Systembeschreibungen des Kalten Krieges im militärischen Kontext verwendet, wurde der Begriff auf organisatorische, wirtschaftliche und industrielle Bereiche übertragen und steht heute – wenn auch vereinfachend – für die Komplexität globaler Finanz- und Wirtschaftssysteme.

Die gute Nachricht vorweg: Der Mensch versteht in den seltensten Fällen die Systeme mit und in denen er agiert. Kaum jemand besitzt umfassende Kenntnis über das technische System, wenn ein Auto gesteuert, eine elektronische Nachricht versendet oder Geld überwiesen wird. Es ist der Normalfall, lediglich Korrelationen und Ursache-Wirkung-Beziehungen beobachten zu können, um daraus Schlüsse zu ziehen und Handlungen abzuleiten. Mit dem technologischen Fortschritt wurden jedoch die Handlungsräume und damit die Menge an zu verarbeitenden Informationen vervielfacht. Dies führt zu weniger prognostizierbarem Verhalten, Entscheidungen werden vermehrt reaktiv denn proaktiv getroffen und Systeme somit immer stärker als turbulent empfunden.

Eine Antwort darauf bieten uns moderne Technologien unter anderem mit Werkzeugen des maschinellen Lernens. Die Möglichkeit, große Mengen an Informationen zu verarbeiten, verhelfen uns zur Handlungsfähigkeit in komplexen Systemen. Diese Arbeit zeigt, wie mit Hilfe von Produktionsdaten Prognosen über durch Kennzahlen repräsentierte Turbulenzen in der Produktion erstellt werden können.

Vollständiger Text und Quellenangaben im herunterladbaren PDF

Formalwissenschaftliche Grundlagen

Um ein Vorgehen zur quantitativen Bewertung von kundeninduzierten Turbulenzen innerhalb von Produktionssystemen zu entwickeln, werden in diesem Kapitel die formalwissenschaftlichen Grundlagen dargestellt. Dazu werden – basierend auf der Problemstellung entsprechend dem nach Ulrich vorgesehenen Forschungsprozess – die problem- und lösungsrelevanten Theorien der Formalwissenschaften erfasst und interpretiert.

Ausgangspunkt ist die Betrachtung der Produktion als turbulentes und komplexes System. Daher werden im Abschnitt zur Komplexität und zu Systemen die in der Literatur teilweise unterschiedlich verwendeten Begriffe zu Turbulenz und Komplexität erläutert und das für diese Arbeit herangezogene Begriffsverständnis festgelegt. Die Systemtheorie bildet den theoretischen Unterbau für die Betrachtungen. Dabei wird auch auf die begrenzte Modellierbarkeit in Abhängigkeit der Komplexität eingegangen.

Der Abschnitt zu funktionalen Abhängigkeiten enthält die mathematischen Grundlagen für die Lösung. Zentral sind dabei die funktionalen Abhängigkeiten der Komponenten innerhalb von Systemen. Der Fokus wird dabei auf die mathematische Darstellung von Ereignis und Zustand sowie die Detektion von kausalen Zusammenhängen gelegt.

Den Abschluss des formalwissenschaftlichen Teils bildet die Darlegung der thematischen Grundlagen zum maschinellen Lernen. Kern ist der ausgewählte Ansatz mit Entscheidungsbäumen.

Vollständiger Text und Quellenangaben im herunterladbaren PDF

Stand der Technik

Nach den Ausführungen zu den von Philosophie und Mathematik geprägten formalwissenschaftlichen Grundlagen folgt nun der gegenwärtige Stand der Technikwissenschaft. Dieser stellt die Forschungsregion dar, in der die größte Dynamik in der Anwendung von gesichertem Wissen vorherrscht. Daraus folgt direkt eine im Vergleich zur Formalwissenschaft wesentlich kürzere Gültigkeitsdauer.

Die Dynamik in der Technikwissenschaft ist geprägt vom technologischen Fortschritt der befähigenden Technologien und den gegenwärtig bestimmenden Forschungstrends. Im Fall dieser Arbeit ist das zunächst die Möglichkeit, auf Standard-Rechnern Rechenleistungen abrufen zu können, welche Anwendungen des maschinellen Lernens zulassen. Großrechner sind für eine Vielzahl an Problemen nicht mehr notwendig. Forschungsseitig werden Daten als der Rohstoff der Zukunft nach wie vor gerade für den Industriebereich gefördert. Die Hightech-Strategie 2025 nennt „Wirtschaft und Arbeit 4.0“ als eines der Zukunftsthemen der Forschungsstrategie des Bundes. Demnach ist der Einsatz digitaler Technik an nahezu jedem Arbeitsplatz ein zentraler Baustein dieser Entwicklung.

Um den Stand der Technik im Bereich der Turbulenzbewertung zu umfassen, werden drei Perspektiven eingenommen. Zunächst wird das im Überbegriff Data Mining zusammengefasste Feld der datenbasierten Wissensgewinnung in der Produktion beleuchtet. Dieser Abschnitt beinhaltet den Stand der bereits in der Anwendung befindlichen Technik.

Es folgt der Betrachtungsgegenstand der Turbulenzbewertung an sich, um den Stand der Technikwissenschaft abzudecken. Am Ende fokussieren die Betrachtungen auf die Prognose von Produktionskennzahlen, wobei die zentrale Forschungslücke und das Kernproblem bei der Erreichung des Ziels dieser Arbeit aufgezeigt werden.

Das ermöglicht im Fazit einen zweistufigen Überblick über die Literatur. Zum einen werden die theoretischen Vorarbeiten zur Turbulenzbewertung vergleichend dargestellt und zum anderen die technischen Lösungsansätze dazu bewertet. Die Kriterien dazu ergeben sich aus dem Stand der Formalwissenschaft, der Forschungslücke und der zentralen Forschungsfrage.

Vollständiger Text und Quellenangaben im herunterladbaren PDF

Systemanforderungen an die Lösung

Die Kapitel zu Formalwissenschaft und zum Stand der Technik decken diejenigen Themenfelder ab, welche notwendiges inhaltliches Wissen, bereits bestehende potenziell einsetzbare Werkzeuge oder – soweit vorhanden – aktuelle Umsetzungen zur Turbulenzbewertung beinhalten. Sie bilden die Grundlage sowohl für den Lösungsansatz als auch für die Ableitung der Anforderungen an die Lösung, welche in diesem Kapitel erfolgt.

Die Systemanforderungen ermöglichen eine zielgerichtete Lösungsentwicklung und stellen damit ein Zielsystem dar, gegen das die Lösung getestet werden kann. Der Autor nutzt dazu zum einen Anforderungslisten aus der Literatur für größtmögliche Vollständigkeit und zum anderen Anwendungsszenarien, um mögliche Anwendungen weitgehend zu konkretisieren und damit Detailanforderungen vor der Entwicklungsphase transparent zu machen.

Grundsätzlich sollte die Gestaltung technischer Systeme nicht „freihändig“, sondern entlang eines methodischen Weges erfolgen. Die Definition der Systemanforderungen ist ein wesentlicher Teil eines solchen Gestaltungsprozesses und wird in ihrer Bedeutung oft unterschätzt. Mit klar definierten Systemanforderungen und einem methodischen Vorgehen steigt die Chance, nicht nur eine beliebige aus der Vielzahl möglicher technischer Lösungen („Äquifunktionalität“) zu finden, sondern eine möglichst gute.

Kesselring nennt für den Bereich Konstruktion fünf Gestaltungsprinzipien: minimale Herstellungskosten, minimaler Raumbedarf, minimales Gewicht, minimale Verluste und günstige Handhabung. Gestaltungsempfehlungen solcher Art wurden von Pahl und Beitz seit den späten 1970er Jahren spezifiziert und weiterentwickelt. Die Ergebnisse dieser Arbeiten finden sich in den entsprechenden VDI-Richtlinien 2221 und 2223 wieder.

Ahrens definiert den Begriff Anforderung als „eine Vorgabe, deren Erfüllung den zielgerichteten Verlauf des jeweiligen Konstruktionsprozesses steuert und/oder Eigenschaften des betreffenden Produktes bestimmt“. An dieser Definition orientieren sich die Systemanforderungen in dieser Arbeit, welche in einer Auflistung der Anforderungen resultiert.

Eine solche Anforderungsliste für industrielle Produkte besteht nach Pahl und Beitz aus den Kernbereichen Identifikation, Organisation, Rückverfolgung und Inhalt. Da diese Arbeit keine bereits marktfähige Lösung sucht, beschränkt sie sich auf den Bereich „Inhalt“. Dieser gliedert sich in Anforderungsbeschreibung, Anforderungsausprägung, Anforderungsart und Priorisierung.

Pahl und Beitz nutzen zur Erstellung und Vervollständigung von Anforderungslisten verschiedene Anforderungsquellen. Die Szenariotechnik ist eine bewährte Methode zum Erstellen und Ergänzen von Anforderungslisten. Diese Arbeit nutzt als Anforderungsquelle solche Anwendungsszenarien, weil diese durch die Perspektive externer Nutzerinnen und Nutzer den Anwendungskontext konkretisieren und so anwendungsnahe Aussagen möglich machen.

Aus einer solchen Hauptmerkmalliste lassen sich durch Auswahl Fragen ableiten, mit denen Szenarien beschrieben werden können. Für die Lösung dieser Arbeit sind folgende Fragen relevant:

• Wer benutzt die Lösung?
• Wo wird sie eingesetzt?
• Welche Art der Bedienung ist gewünscht?
• Welche Rechenleistung steht zur Verfügung?
• Welche Daten stehen zur Verfügung?
• Welche Dynamik besteht im betrachteten Produktionssystem?
• Wie robust soll die Lösung sein?
• Wie soll das Ergebnis visualisiert werden?
• Welche Fehlertoleranz ist gewünscht und noch akzeptabel?

Anhand dieser Fragen können ein oder mehrere Szenarien erstellt werden, innerhalb derer die zu entwickelnde Lösung angewendet werden soll. Die Fragen dienen der möglichst vollständigen Beschreibung eines Szenarios hinsichtlich seiner für die Lösung relevanten Attribute.

Die Szenarien werden in einem späteren Abschnitt beschrieben. Ein weiterer Abschnitt leitet die funktionalen Anforderungen an die Lösung ab. Diese sollen nach Möglichkeit die Kriterien Korrektheit, Eindeutigkeit und Umsetzbarkeit nach Pahl und Beitz erfüllen.

Vollständiger Text und Quellenangaben im herunterladbaren PDF

Datenbasierte Turbulenzbewertung

Zur Lösung des vorliegenden Problems werden die Erkenntnisse aus den vorangehenden Kapiteln genutzt. Ausgangspunkt ist laut Problemstellung, dass Prognose und Bewertung von Turbulenz dynamischer Produktionssysteme notwendig, jedoch aufgrund deren Komplexität nicht trivial sind. Das Ziel, solche Turbulenzen dennoch zu bewerten und zu prognostizieren, führt zur Forschungsfrage, ob und wie dies datenbasiert erfolgen kann. Der ingenieurwissenschaftliche Ansatz dieser Arbeit adressiert die volatile Variantenfertigung und orientiert sich daher bei der Parameterauswahl und der Datensatzerstellung an typischen Attributen dieses Fertigungstyps. Die Lösungshypothesen münden in der Notwendigkeit, einerseits Produktionsdaten und andererseits Systemmodelle für diese Aufgabe wissenschaftlich zu betrachten.

Der Turbulenzbegriff wurde in seiner physikalischen Bedeutung formal eingeführt und seine Verwendung im Industriekontext erläutert. Turbulenz bettet sich in die Theorie zu komplexen Systemen ein und wird im Rahmen dieser Arbeit als Verhältnis zwischen Systemkomplexität und Systemresilienz verstanden. Es folgt die Erkenntnis, dass Komplexität, Resilienz und die systemimmanenten Relationen nicht vollständig beschrieben werden können und Untersuchungen der Ursache-Wirkungs-Beziehungen eine Möglichkeit darstellen, Prognosen zu erstellen. Diese Arbeit nutzt daher mathematische Werkzeuge zur Beschreibung funktionaler Abhängigkeiten mit Zeitreihen und Modellierung kausaler, diskreter Systeme. Der formalwissenschaftliche Teil schließt mit einem Überblick zum Thema Künstliche Intelligenz ab, in dem mit maschinellem Lernen ein vielversprechendes Lösungsprinzip vorgestellt wird. Die vergleichende Betrachtung der gängigen Klassierungsmethoden lässt baumbasierte Ansätze als valide Möglichkeiten zur Lösung erscheinen. Das beschriebene Grundprinzip der Entscheidungsbäume wird daher für die Lösung verwendet.

Zur konkreten Lösungsfindung erfolgt die Auswahl einer technischen Definition der Turbulenz für den Kontext dieser Arbeit. Damit ergibt sich die genaue Gestalt des Prognoseergebnisses und die Notwendigkeit, verschiedene Data-Mining-Techniken auf ihre Tauglichkeit für die Lösung zu untersuchen. Die Verwendung historischer Daten als Erfahrungswissen (Case-Based Reasoning) und die Verarbeitung von Ereignissen zur Datensatzerstellung (Complex Event Processing) erscheinen vielversprechend. Zur Lösungsfindung ist ein Prozessmodell nötig. Diese Arbeit verwendet eine kombinierte Adaption von CRISP-DM und ASUM und orientiert sich an der Datenpipeline von Papp bei der Gestaltung des Werkzeugs für den kontinuierlichen Betrieb. Die Betrachtungen zu den aktuellen Kenntnissen zur Prognose von Produktionskennzahlen legen nahe, dass die genaue Auswahl der Daten für die Anwendung auf dynamische Systeme von zentraler Bedeutung ist.

Die Lösung adressiert die Systemanforderungen aus dem Kapitel zu den Systemanforderungen. Direkten Einfluss auf die Gestalt der Lösung haben die Anwendungsszenarien in deren Bereichen „Daten“, „Systemdynamik“ und „Visualisierung“. Der Szenario-Kontext wird implizit berücksichtigt, während „Robustheit“ und „Fehlertoleranz“ durch die jeweils höhere Anforderung bestimmt werden. Anforderungen an die IT werden automatisch durch Entwicklung und Betrieb auf entsprechender Hardware sichergestellt. Auf die detaillierten funktionalen Anforderungen von Modell und Werkzeug wird bei deren Beschreibung eingegangen.

Vollständiger Text und Quellenangaben im herunterladbaren PDF

Umsetzung in Python

Die in dieser Arbeit verwendete Programmiersprache ist Python. Aus dem Stand der Technikwissenschaft erschließt sich, dass sich die Open-Source-Software Python als Sprache für Datenverarbeitung im wissenschaftlichen Kontext bewährt hat. Zudem wird Python in Kombination mit PlantSim für das Simulationsmodell bei der Konfiguration und Durchführung der Datengenerierung eingesetzt.

Für die Umsetzung der Turbulenzprognose bietet sich die Programmiersprache ebenfalls an: Sie ist plattformunabhängig und besitzt umfangreiche Standardbibliotheken. Aufgrund ihrer freien Verfügbarkeit ist sie weit verbreitet und hat sich vor allem dadurch auch im wissenschaftlichen Bereich etabliert. Neben den für Python klassischen Programmbibliotheken nutzt diese Arbeit für die Aufgaben im Bereich des maschinellen Lernens die Bibliothek scikit-learn. Sie beinhaltet Werkzeuge für die prädiktive Datenanalyse und zeichnet sich durch ihre detaillierte Dokumentation aus.

Zur Generierung synthetischer Daten müssen für die Rohdaten zum Umgang mit ML-Problemen verschiedene Parameter festgelegt werden. Der hierbei verwendete Algorithmus ist angelehnt an den von Guyon.

Dieses Kapitel adressiert die beiden zentralen Aspekte der Lösungsumsetzung: Es behandelt erstens die Datengenerierung des Verifikations- und Validierungsteils für dynamische Systeme und zweitens die Implementierung der eigentlichen Turbulenzbewertung.

Vollständiger Text und Quellenangaben im herunterladbaren PDF

Verifikation und Validierung

Es folgt die Evaluation der Ergebnisse. So sollen die in einem vorherigen Abschnitt aufgestellten Hypothesen entweder bestätigt oder falsifiziert werden. Dazu wird versucht, sowohl die Funktionserfüllung als auch die Relevanz in der Anwendung nachzuweisen.

Die Evaluation gliedert sich damit in die Teile Verifikation, in welcher die prinzipielle Funktionalität des Modells überprüft wird, und die Validierung, durch die – soweit zum gegenwärtigen Entwicklungsstand möglich – ein Vergleich mit den aktuellen Begebenheiten bei einem Anwendungsfall erfolgen soll.

Beim Vorgehen werden sowohl für die Verifikation als auch für die Validierung die Anforderungen an die empirische Forschung genutzt, um Aussagen zur Validität der Ergebnisse zu machen. Es wird Bezug genommen auf die vier Anforderungen Objektivität, Validität, Reliabilität und Generalisierbarkeit, welche die Erfolgskriterien für die Evaluation darstellen.

Letztendlich beantwortet dieses Kapitel die Frage, ob und wie sehr das Arbeitsergebnis zum Fortschritt bei Prognosen in der Produktion beitragen kann.

Das Kapitel schließt mit einer sowohl qualitativen als auch quantitativen und fallabhängig übertragbaren Visualisierung der Ergebnisse.

Vollständiger Text und Quellenangaben im herunterladbaren PDF

Zusammenfassung

Produktionssysteme sind geprägt von hoher Dynamik. Sich volatil verhaltende Auftragslasten führen zu unerwarteten Abweichungen in den Zielkennzahlen – genannt Turbulenz. Herkömmliche Ansätze bilden die Komplexität in der Produktion für eine Turbulenzprognose nicht ausreichend genau ab: Ursache-Wirkungs-Beziehungen sind nie vollständig erfassbar und Systemänderungen über der Zeit beeinträchtigen das Ergebnis. Es fehlt ein datenbasierter Ansatz zur Prognose und Bewertung drohender Turbulenz, um frühzeitig reagieren zu können.

Die Lösung dieser Arbeit nutzt baumbasierte Klassierer. Die neu entwickelten Optimierschritte ermöglichen verbesserte Prognoseergebnisse gegenüber dem herkömmlichen Vorgehen. Der Machbarkeitsnachweis erfolgt mittels Anwendung auf Simulationsdaten, synthetisch generierte Daten und Daten eines realen Produktionssystems. Die Ergebnisse zeigen Prognoseverbesserungen von bis zu 10 %. Konkret nutzbar sind Turbulenzsteckbriefe, welche die zugehörigen Kennzahlen und ihre jeweiligen Prognosesicherheiten darstellen.

Inhalt und Ergebnisse

Ausgangssituation und Problemstellung werden in Kapitel 1 dargelegt: Moderne Produktionssysteme sind von äußerer und innerer Komplexität geprägt. Dieser begegnen Unternehmen mit Robustheit. Die Konsequenzen aus der sich nie vollständig schließenden Lücke zwischen Komplexität und Robustheit werden in dieser Arbeit als Turbulenz bezeichnet. Sie schlägt sich in unerwünschten Abweichungen von Zielkennzahlen nieder und wird so quantitativ bewertbar. Die Schwierigkeit liegt darin, Turbulenz ex ante zu quantifizieren.

Kapitel 2 befasst sich mit den formalwissenschaftlichen Grundlagen. Produktionssysteme werden als offene Systeme betrachtet und in einem Übersichtsmodell beschrieben. Dieses stellt den Zusammenhang zwischen Komplexität, Resilienz und Turbulenz in volatilen Produktionssystemen dar. Grundlage für das Problemverständnis sind mathematische Werkzeuge, welche in solche zur Zeitreihenbetrachtung und Korrelationen sowie Kausalität, Stationarität und Stabilität eingeteilt und beschrieben werden. Das Kapitel schließt mit Ausführungen zu Methoden des maschinellen Lernens mit besonderem Augenmerk auf Klassierer, welche einen Teil der späteren Lösung darstellen.

In Kapitel 3 werden für die Aufgabe geeignete Standardmodelle im Bereich von Data Science und Data Mining betrachtet. Die Lösung enthält eine geeignete Kombination daraus. Der heutige Stand zur Turbulenzbewertung zeigt die disziplinübergreifend unterschiedliche Verwendung des Turbulenzbegriffs. Dabei liegt die Forschungslücke darin, dass klassische Ansätze auf der qualitativen Bewertung von kaum reproduzierbaren und verifizierbaren Aussagen beruhen.

Aus der Aufgabenstellung werden in Kapitel 4 Systemanforderungen für den Datensatz, den Klassierer, die Lösung und die Evaluation hergeleitet. Dazu werden Anwendungsszenarien genutzt, um die Detailanforderungen durch möglichst hohen Praxisbezug zu erkennen. Die Szenarien sind Proof of Concept, Prognose bei Systemdynamik und Realsystem.

Die Lösung wird in Kapitel 5 hergeleitet. Diese definiert die Struktur des Datensatzes, das Prognosemodell als parametrisierter Baumklassierer und die zugehörigen Optimierschritte. Der Datensatz enthält neben den Auftragseigenschaften die zum jeweiligen Zeitpunkt vorliegenden systembeschreibenden Attribute. Der zentrale Teil der Lösung ist die Vorverarbeitung, Erstellung und Analyse von systembeschreibenden Zeitreihen: Mittels Faltung und Korrelationsanalysen lassen sich die zeitversetzten kausalen Zusammenhänge finden und diese zur Turbulenzbewertung einsetzen.

Kapitel 6 beschreibt die konkrete Umsetzung der Lösung in Python. Genutzt werden dafür Random Forests. Kern der Umsetzung sind die drei Optimierschritte, welche die Prognosegüte bei Turbulenzen in dynamischen Systemen verbessern: Detektion funktionaler Abhängigkeiten zwischen Features und Targets, Latenzbestimmung von auslösender Ursache zu gemessener Wirkung sowie gezielte Auswahl der trotz Systemänderung noch gültigen Samples. Es werden beispielhaft die Turbulenzsteckbriefe für sechs Aufträge mit jeweils sieben Zielkennzahlen grafisch dargestellt.

Die Evaluation in Kapitel 7 ist dreiteilig. Zunächst zeigt die Verifikation, dass der Ansatz sowohl bei Systemüber- und -unterlast als auch im Übergangsbereich plausible Ergebnisse liefert. Danach wird der Ansatz für dynamische Systeme mit synthetischen, realitätsnahen Daten getestet. Es zeigen sich durchgehend Verbesserungen von 10–20 % gegenüber dem herkömmlichen Prognosevorgehen. Abschließend werden am Industrieanwendungsfall die erwartete Turbulenz der Zielkennzahlen DLZ (Produktion und Auftrag), Ausschuss, WIP, Strom- und Gasverbrauch sowie Anteil Krankschreibungen prognostiziert. Kennzahlen mit bereits hoher Vorhersagegüte profitieren kaum von den Optimierschritten. Die mit vergleichsweise niedriger Performance erfahren jedoch Verbesserungen bis zu annähernd 10 %. Die Abschätzung von Aufwand und Nutzen zeigt potenzielle Kostenreduzierungen und Ertragsverbesserungen auf.

Ausblick

Aus den beiden methodischen Kritikpunkten ergeben sich der zukünftige Forschungsbedarf sowie Handlungsvorschläge. Da diese Arbeit in ihrer gesamten Konzeption eine Untersuchung der Machbarkeit ist, sind folgende wissenschaftliche Entwicklungspfade und Möglichkeiten in der industriellen Anwendung denkbar:

Bislang erfolgte noch keine Optimierung des Klassierers an sich. Somit sind die Möglichkeiten hinsichtlich Prognoseleistung bei weitem nicht ausgeschöpft. Potenziale liegen in der Auswahl und Parametrierung der Klassierer und versprechen Performance- und Recheneffizienzsteigerungen. Gerade im identifizierten Grenzbereich, wenn zu hohe Systemdynamik gerichtete Prognosen unmöglich machen, könnte nicht-überwachtes Lernen der nächste Schritt sein. Zudem sind die im Datensatz enthaltenen Zeitabhängigkeiten noch nicht ausreichend beforscht. Völlig offen ist der Umgang mit nicht-konstanten Latenzen zwischen Ursache und Wirkung.

Zentrale Handlungsanweisung für die Industrie ist die Nutzung der in dem speziell strukturierten Datensatz enthaltenen Informationen. So kann die Turbulenzbewertung einzelner Aufträge auf Trendanalysen erweitert werden. Die Korrelationsanalyse wird so mittels Ursache-Wirkungs-Detektion zur Grundlage für die automatisierte Entscheidungsunterstützung. Der Vorteil liegt darin, dass innerhalb solch komplexer – wenngleich klar abgrenzbarer – Produktionssysteme Scheinkorrelationen statistisch höchst unwahrscheinlich sind. Der Einsatz als Detektor für nicht offensichtliche kausale Zusammenhänge kann die Basis für Kennzahlenoptimierungen außerhalb klassischer Verbesserungsprozesse sein.

Die Optimierungen sind leicht auf Kenngrößen wie Energieverbrauch oder Kundenzufriedenheit erweiterbar. Eine Übertragung auf PPS durch die Unterstützung der Entwicklung neuer Planungsregeln ist denkbar und wurde in einer ersten Veröffentlichung bereits angedacht (Bauer, 2021). Der Transfer vom B2B-Bereich auf B2C ist im Hinblick auf Dynamic Pricing vielversprechend. So wären Turbulenzzuschläge bei „unpassenden“ Bestellungen oder entsprechende Rabatte bei Auftragsänderungen, die turbulenzsenkend wirken, möglich. Der Ansatz kann so zu einem Ausgangspunkt auf dem Weg zum tiefen Verständnis komplexer Produktionssysteme werden.

Vollständiger Text und Quellenangaben im herunterladbaren PDF