Transferzentrum für Digitalisierung,
Analytics & Data Science Ulm

Suche

Suchen

Projektbeispiel

KI-basierte Planung des Teilebedarfs für variantenreiche Produktionsprogramme

Zur Projektübersicht

Automatische Modellauswahl und -konfiguration

Für einen PKW-Hersteller ist die Planung des Produktionsprogramms einer der wesentlichen Geschäftsprozesse. Dieses Programm legt fest, welche Fahrzeuge mit welchen Eigenschaften in welchem Zeitraum produziert werden sollen. Die Planung erfolgt meist für einen mittelfristigen Zeithorizont von einem Jahr bei wöchentlicher Aktualisierung. Dadurch soll sowohl eine ausreichende Flexibilität gegenüber Schwankungen in der Kundennachfrage als auch eine möglichst genaue Vorausplanung der verschiedenen Fahrzeugeigenschaften erreicht werden. Kleine Fehler und eine vorrausschauende Vorplanung sollen zu geringeren Schwankungen in der Supply Chain und zu einer optimalen Produktionsplanung beitragen, nicht zuletzt um Kosten für Fehlmengen (d.h. es sind nicht alle zu verbauenden Teile eines zu fertigenden PKW vorrätig) und Überkapazitäten (d.h. es werden unnötig viele Teile auf Lager gehalten) möglichst zu reduzieren.

In der Praxis schwankt die Vorplanung aufgrund hoher Unsicherheiten in der realen Kundennachfrage allerdings stark und weist daher oftmals große Abweichungen zu den später tatsächlich benötigten Stückzahlen (z. B. der zu verbauenden Fahrzeugteile bzw. -komponenten) auf. Aus diesen Abweichungen resultieren wiederum hohe Kosten aufgrund von Überkapazitäten oder Fehlmengen.

Im Projekt sollten daher durch systematische Analysen und Korrekturen im Programmplanungsprozess die Güte dieser Vorplanungen für einen Zeithorizont von 6-15 Wochen verbessert werden. Konkret wurden Methoden bzw. Modelle des Maschinellen Lernens angewendet, um die Vorplanungen des Produktionsprogramms systematisch und kontinuierlich zu korrigieren. Eine zentrale Herausforderung war dabei die enorme Variantenvielfalt des betrachteten Fahrzeugmodells infolge mehrerer hundert Fahrzeugeigenschaften. Da die Zeitverläufe der Fahrzeugeigenschaften unterschiedliche Charakteristika aufwiesen, mussten zudem verschiedene Vorhersagemodelle entwickelt bzw. berücksichtigt werden.

Zur Bewältigung dieser Komplexität wurde ein Konzept zur automatisierten Modellauswahl und -konfiguration entwickelt. Die Auswertung der Datenanalyse zeigte, dass mit dem gewählten Konzept eine systematische Fehlerkorrektur zur Verbesserung des Vorplanungsprozesses möglich ist und damit hohe Kosten infolge von Fehlmengen oder Überkapazitäten eingespart werden können. Eine automatisierte Modellauswahl ist insbesondere geeignet, um auch bei einer hohen Variantenvielfalt Methoden des Maschinellen Lernens einsetzen zu können.