INFORM startet Machine-Learning-Initiative im Maschinen- und Anlagenbau

zurück zur Übersicht

​​​​​​​INFORM setzt erfolgreich Maschinelles Lernen bei fertigenden Unternehmen ein, um die Wiederbeschaffungszeiten von Bauteilen besser zu planen und Produktionsstillstände zu vermeiden.

Um Unternehmen aus dem Maschinen- und Anlagenbau dabei zu helfen, Ihre Vielzahl an Daten in konkrete Mehrwerte zu verwandeln, startete der Optimierungsspezialist INFORM eine Initiative zur Nutzung von Machine Learning (ML). Dieses Verfahren aus dem Bereich Künstliche Intelligenz kommt nun bei Unternehmen wie Aliaxis Deutschland GmbH (ehem. Friatec), Liebherr Aerospace und Benz Werkzeugsysteme GmbH in Pilotprojekten zum Einsatz. Es soll bisher statische Planungsdaten wie Wiederbeschaffungszeiten verbessern.

In ERP-Systemen hinterlegte Planungsdaten werden in der Praxis oft falsch eingeschätzt, was eine unpräzise Planung zur Folge hat. Die starken Abweichungen zwischen kalkulierten und realen Zeiten führen u. a. zu einer niedrigen Maschinenauslastung, da die Materialien regelmäßig nicht zum erwarteten Termin eintreffen. Insgesamt nimmt die Ungenauigkeit der Prozessplanung so deutlich zu, was beispielsweise auch die Liefertreue gegenüber den Kunden negativ beeinflusst. Darüber hinaus ist auch der Einkauf gezwungen, deutlich höhere Bestände aufzubauen als es mit zuverlässigen Wiederbeschaffungszeiten nötig wäre. Diese und weitere Effekte lassen sich durch das maschinelle Lernen präziserer Prognosen enorm verbessern.

Mithilfe spezieller ML-Algorithmen kann nun auf Grundlage der vorhandenen Daten präzise vorhergesagt werden, wie lange die Lieferung eines benötigten Bauteils tatsächlich dauert. Mithilfe der INFORM-Software lassen sich Fehler in der Schätzung von Wiederbeschaffungszeiten um bis zu 42 Prozent reduzieren.

„Die Prognose von Wiederbeschaffungszeiten ist im Maschinen- und Anlagenbauhäufig schlichtweg unrealistisch. Oft werden seit mehreren Jahren falsche Pauschalwerte genutzt, entweder weil die Stammdatenpflege keine Priorität hat oder weil es sich um eine schlicht unlösbare Aufgabe handelt. Dementsprechend werden unrealistische Termine an den Kunden weitergegeben und Terminverschiebungen sind vorprogrammiert“, so Björn Heinen, Data Scientist bei INFORM. „Durch eine automatisierte Bereinigung solcher Daten können wir intelligente Planungssysteme wesentlich präziser und entsprechend den realen Gegebenheiten in der Produktion steuern.“

Aktuell bestehen bereits Ansätze, auch weitere Vorhersagen über Montagedauern oder Fehlererkennung in der Galvanik mithilfe von Machine Learning zu präziseren, um Kunden dabei zu unterstützen, ihre Planung langfristig realistisch abbilden und optimal planen zu können.

 

 

Kontakt

Haben Sie Fragen, Anregungen oder benötigen Sie weitere Informationen? Wir freuen uns auf Ihr Feedback!

Nehmen Sie Kontakt auf!

Nach oben