Machine Learning bringt Mehrwert für Produktionsplanung bei Liebherr-Aerospace

von Stipo Nad
A380 jumbo jet in close front view.
(c) Getty Images - iwikoz6

Ein Bericht des VDMA aus dem Frühjahr letzten Jahres zeigt, welche Bedeutung Machine Learning im Maschinen- und Anlagenbau hat: Aktuell zeigt sich bei den Befragten der Studie vor allem in den Anwendungsbereichen Kundendienst (64 Prozent), Konstruktion und Entwicklung (54 Prozent) und in der Produktion (50 Prozent) eine mittlere bis hohe Relevanz für Machine Learning basierte Lösungen zur Unterstützung der Unternehmensprozesse.

Und zusätzlich steigt die Erprobung der intelligenten Lösungen in der Praxis: Rund 46 Prozent der Unternehmen haben schon eine entsprechende Lösung für Prozesse oder in den Produkten im Einsatz. Im Wesentlichen liegt laut der Befragung der heutige Anwendungsfokus dabei auf der Konstruktion und Entwicklung (14 Prozent), dem Kundendienst (13 Prozent), der Produktion (13 Prozent), dem Rechnungswesen und Controlling (10 Prozent) sowie dem Condition Monitoring (13 Prozent) und dem Remote Service (13 Prozent). Allerdings planen die befragten Unternehmen in den kommenden drei Jahren den Einsatz in den Prozessen und Produkten deutlich zu verstärken.

Ein Machine-Learning-Erfolg aus der Praxis

Ein Beispiel, wie ein Unternehmen bereits Machine Learning erfolgreich einsetzt, zeigt Liebherr-Aerospace, ein Systemlieferant für die Luftfahrtindustrie. Das Unternehmen optimiert beispielsweise seine Wiederbeschaffungszeiten und Bestellterminierung mithilfe von Machine Learning. Denn die Ermittlung der Wiederbeschaffungszeit von Zukaufteilen ist eine Herausforderung, die vielen produzierenden Unternehmen bekannt ist. Und so sah auch Liebherr-Aerospace Optimierungsbedarf bei der Ermittlung realistischer Wiederbeschaffungszeiten für die rund 300.000 Artikel aus dem Angebotsspektrum.

Das Unternehmen setzt bereits ein APS-System ein, mit dem es die Produktionsplanung und -steuerung dynamisch optimiert. Die Software-Lösung bietet umfassende Planungstransparenz für die über 2.200 Ressourcen wie Fräsmaschinen, Schleifmaschinen, Montageabteilungen oder Wärmebehandlung und bildet über eine Million fein geplante Arbeitsgänge ab. Dennoch waren die Planungsdaten im ERP-System aus dem Materialstamm zu ungenau: Die Schätzungen und Ist-Werte für Lieferdauern waren wie bei vielen anderen Unternehmen nur selten identisch. Die Abweichungen zwischen kalkulierten und realen Zeiten führten zu einer niedrigen Maschinenauslastung, wenn die Materialien zu spät geliefert wurden. Treffen Lieferungen andererseits zu früh ein, hat dies ebenfalls negative Auswirkungen, da hohe Bestände entstehen. Daher sollte die Genauigkeit der Prozessplanung erhöht werden, indem die Vorhersagen über die Wiederbeschaffungstermine und dementsprechend die Bestelltermine präzisiert werden.

Mehrwert durch Daten schaffen

Machine Learning ist eine Schlüsseltechnologie für präzisere Prognosen. So können mit dem neuen Machine-Learning-Modul, das vollständig in das APS-System integriert ist, die Anwender bei Liebherr-Aerospace nun per Klick auf Ebene der einzelnen Bestellung, des einzelnen Lieferanten oder generell für alle Bestellungen festlegen, ob sie die Prognosedaten nur als Information nutzen oder in die Planung miteinbeziehen möchten.

Der Einsatz des Moduls und dessen Erfolg wurden durch eine Datenvalidierung überprüft. Der konkrete Mehrwert wird durch die Differenz zwischen dem Planwert und dem Ist-Wert für das Lieferdatum deutlich, ganze fünf Tage lagen zwischen den beiden Daten. Im Testbetrieb erfolgte dann zusätzlich eine vierwöchige Datenvalidierung, in der ausgewählte Lieferanten von großen Bauteilmengen geprüft wurden, und ein noch deutlicheres Ergebnis zeigte. Die Machine-Learning-Prognose der Wiederbeschaffungszeiten war 19-mal genauer als die Vorhersage aus dem Artikelstamm. Der konkrete Mehrwert für Liebherr-Aerospace: reduzierte Bestände und wesentliche präziser geplante Produktionsprozesse.

Fazit

Machine Learning nimmt nach und nach vermehrt Einzug in Branchen wie den Maschinen- und Anlagenbau. Denn der Optimierungsbedarf durch intelligente Technologien ist weit verbreitet. So sind die Optimierung von Prognosen wie die der Wiederbeschaffungszeiten und Bestellterminen nur eins vieler Anwendungsbeispiele, wo Künstliche Intelligenz Daten und Prozesse verbessern kann, um effizienter produzieren zu können. In der Praxis entstehen durch die genauen Vorhersagen unter anderem effizientere Prozesse und eine genauere Planung. Der Mensch kann dabei weiterhin entscheiden, wie viel Einfluss die Künstliche Intelligenz haben soll und kann sie gezielt für die Entscheidungsfindung nutzen.

Welche Vorteile sehen Sie in dem Einsatz von Künstlicher Intelligenz in der Produktion? Haben Sie bereits Erfahrung mit konkreten Anwendungsfällen?

Sie wollen mehr über den Einsatz von Machine Learning bei Liebherr-Areospace erfahren? Dann fordern Sie hier die komplette Success Story an.

 

 



Diese Beiträge könnten Sie auch interessieren

Grüne Produktionsplanung - Ressourcenschonend und nachhaltig produzieren

Lesen

Traditionsbranche Maschinen- und Anlagebau – aktuelle Situation und Aussichten

Lesen

Ist der Maschinen- und Anlagenbau eine zukunftssichere Branche?

Lesen

Über den Autor

  • Stipo Nad

    Stipo Nad ist seit 2001 bei der INFORM GmbH tätig und beschäftigt sich hauptsächlich mit den Themenschwerpunkten Advanced Planning & Scheduling, Produktionsplanung sowie Business Intelligence.

    Alle Beiträge dieses Autors

    Mehr über diesen Autor unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben