Citation link: https://doi.org/10.1007/978-3-658-45033-5
Files in This Item:
File Description SizeFormat
Dissertation_Steinberg_Fabian.pdf1.32 MBAdobe PDFThumbnail
View/Open
Dokument Type: Doctoral Thesis
metadata.dc.title: Machine learning-based prediction of missing parts for assembly
Other Titles: Auf maschinellem Lernen basierende Vorhersage von fehlenden Teilen für die Montage
Authors: Steinberg, Fabian 
Institute: Institut für Produktionstechnik 
Free keywords: Machine learning, Production planning and control, Prediction methods, Assembly, Supervised learning, Lead time, Maschinelles Lernen, Produktionsplanung und -steuerung, Vorhersagemethoden, Montage, Überwachtes Lernen, Vorlaufzeit
Dewey Decimal Classification: 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten
GHBS-Clases: WFI
Issue Date: 2024
Publish Date: 2024
Source: Wiesbaden: Springer Vieweg, 2024. - 978-3-658-45032-8
Abstract: 
Produzierende Unternehmen stehen vor der Herausforderung, eine stetig wachsende Prozesskomplexität bei gleichzeitig steigenden Anforderungen an Termintreue und Produktkosten zu beherrschen. Insbesondere an Stellen der Wertschöpfungskette wie der Montage, an denen verschiedene Materialflüsse zusammenlaufen, gelingt es häufig nicht, die für einen Auftrag benötigten Komponenten rechtzeitig und synchron bereitzustellen. Das frühzeitige Erkennen von Verzögerungen bis zum Montagebeginn kann helfen, Gegenmaßnahmen einzuleiten, um die geforderten Liefertermine einzuhalten. Um dies zu erreichen, wurden im Rahmen dieser Arbeit maschinelle lernbasierte Prognosemodelle entwickelt, die potentielle Fehlteile zum Montagestart frühzeitig vorhersagen können. Die Entwicklung der Modelle wurde jeweils im Rahmen von Fallstudien bei produzierenden Unternehmen aus dem Maschinen- und Anlagenbau betrachtet.
Als Grundlage für die Entwicklung wurde zunächst eine umfassende systematische Literaturrecherche zu bestehenden Ansätzen zur Vorhersage der Durchlaufzeit von Fertigungsaufträgen durchgeführt. Das Ergebnis war, dass bislang kein Ansatz existiert, der die gesamte Komplexität produzierender Unternehmen berücksichtigt. Insbesondere bei den verwendeten Daten zeigte sich, dass Informationen über das zu fertigende Produkt so genannte Materialdaten bisher nicht genutzt werden. Auf Basis dieser Untersuchungen wurde zunächst ein Modell zur Vorhersage von Fehlteilen aus der eigenen Produktion implementiert. Dabei zeigte sich, dass in diesem Bereich Klassifikationsansätze die bestmögliche Modellgüte erreichen. Mit der gewählten Modellierungsart Klassifikation wurde anschließend ermittelt, dass Materialdaten einen signifikanten Einfluss auf die Modellgüte haben und somit für die Vorhersage von Fehlteilen am Montagestart relevant sind. Schließlich wurde ein Modell zur Vorhersage von Lieferterminverzögerungen im Einkaufsprozess implementiert, mit dessen Hilfe potentielle Fehlteile von Lieferanten bereits zum Zeitpunkt der Bestellung vorhergesagt werden können. Die betrachteten Fallbeispiele zeigen, dass durch den Einsatz von maschinellem Lernen zur Vorhersage von Fehlteilen in der eigenen Fertigung sowie im Einkaufsprozess Ursachen für Verzögerungen des Montagestarts frühzeitig identifiziert werden können. Die entwickelten Modelle eignen sich somit als Assistenzsystem für Produktionsplaner und -steuerer sowie Einkaufsabteilungen, um die Materialverfügbarkeit zum Montagestart zu verbessern.

Manufacturing companies are faced with the challenge of managing increasing process complexity, while at the same time having to meet ever higher demands in terms of on-time delivery and product costs. Especially at points in the value chain such as assembly, where different material flows converge, it is often not possible to provide the components required for an order in a timely and synchronized manner. Early identification of missing parts at the beginning of assembly can help to take countermeasures to meet the required delivery dates. To achieve this, this thesis develops machine learning based prediction models that can predict potential missing parts at the start of assembly at an early stage in the value chain. The development of the models was carried out as case studies at manufacturing companies in the machine industry. As a basis for the development, an extensive systematic literature search was conducted on existing approaches for the prediction of lead times of production orders. The result was that no approach exists that takes into account the full complexity of manufacturing companies. In particular, with regard to the data used, it became clear that information about the product to be manufactured—so-called material data—has not been used up to now. Based on the systemic review, a model for predicting missing parts from inhouse production was implemented. It was shown that classification approaches achieve the best possible model quality for components from in-house production. With the defined modeling approach—classification—it was then verified that material data has a significant influence on the model quality and is therefore relevant for the prediction of missing parts at the start of assembly. Finally, a model for predicting delivery delays in the purchasing process was implemented, which makes it possible to predict potential missing parts from suppliers at the time of ordering. The case studies show that the use of machine learning for the prediction of missing parts in both in-house production and the purchasing process can identify delays in the start of assembly at an early stage. The developed models are therefore suitable as a support system for production planners and controllers as well as purchasing departments to improve material availability at the start of assembly.
DOI: https://doi.org/10.1007/978-3-658-45033-5
http://dx.doi.org/10.25819/ubsi/10549
URN: urn:nbn:de:hbz:467-27639
URI: https://dspace.ub.uni-siegen.de/handle/ubsi/2763
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Appears in Collections:Hochschulschriften

This item is protected by original copyright

Show full item record

Page view(s)

29
checked on Jul 14, 2024

Download(s)

6
checked on Jul 14, 2024

Google ScholarTM

Check

Altmetric


This item is licensed under a Creative Commons License Creative Commons