ForschungAktuelle Projekte
Technologieinitiative Triebwerksinstandsetzung (TinTin) - Modellgestützte Lieferzeitprognose für das Auftragsmanagement in der Regeneration

Technologieinitiative Triebwerksinstandsetzung (TinTin) - Modellgestützte Lieferzeitprognose für das Auftragsmanagement in der Regeneration

E-Mail:  hiller@ifa.uni-hannover.de
Jahr:  2021
Förderung:  Ministerium für Wirtschaft, Arbeit, Verkehr und Digitalisierung Niedersachsen vertreten durch die nBank
Laufzeit:  01/2021-12/2022

Ausgangssituation

Die Planung von Regenerationsaufträgen (Instandhaltungs- und Reparaturmaßnahmen) unterliegt einer starken Dynamik hinsichtlich des Umfangs sowie des Zeitpunkts notwendiger Maßnahmen. Die Vorhersagbarkeit von Auftragsdurchlaufzeiten wird von einer Vielzahl interner und externer Einflussfaktoren beeinflusst und ist durch die resultierende Komplexität stark eingeschränkt. Diese Unschärfe führt zu einem regelmäßigen Änderungsbedarf in der Produktionsplanung und -steuerung (PPS). Mit Hilfe von Data und Process Mining kann eine modellgestützte Betrachtung der Einflussfaktoren und eine Vorhersage des Durchlaufverhaltens einzelner Aufträge unterstützt und damit die Planungsentscheidung vereinfacht werden. Faktoren, die durch auf allgemeingültigen Wirkbeziehungen basierende logistische Modelle nicht abgebildet werden können, können so explizit innerhalb eines Prognoseansatzes berücksichtigt werden.

Zielsetzung

Vor diesem Hintergrund besteht das Kernziel des Forschungsvorhabens in der Verzahnung der Forschungsdisziplinen Data Mining, Process Mining sowie der logistischen Modellierung zu einem hybriden Ansatz zur Durchlaufzeitprognose in der Regeneration komplexer Investitionsgüter. Systematisch sollen sämtliche Auftragsmerkmale und Eigenschaften des Produktionssystems nach wesentlichen Einflussgrößen auf die Durchlaufzeiten untersucht und vorliegende Datensätze mittels Process Mining und logistischen Modellen aufbereitet und analysiert werden. Mithilfe von Massendatenanalysen sollen nicht über allgemeingültige Wirkbeziehungen erklärbare Durchlaufzeitanteile beschrieben und somit ebenfalls einer auftragsspezifischen Durchlaufzeitprognose zugänglich gemacht werden. Ziel ist es, das betrachtete System möglichst genau zu beschreiben, um eine präzise Prognose mittels Ansätzen des Data Mining (bspw. Regressionen oder künstliche neuronale Netze) zu generieren. Diese Methoden stellen oft eine „Black-Box“ dar, deren interne Vorgänge für die Anwender nicht nachvollzogen werden können. Durch die Verbindung insbesondere mit logistischen Modellen soll die Erklärbarkeit dieser Anwendungen verbessert sowie die finale Einplanung der Prognosen in den Prozess gestaltet werden. Hierbei werden verschiedene Anwendungsszenarien innerhalb der PPS definiert. Abschließend sollen die entwickelten Modelle für ausgewählte Anwendungsszenarien prototypisch innerhalb der PPS-Systeme beim Anwendungspartner implementiert werden.

 

Vorgehensweise

Das gewählte Vorgehen orientiert sich am CRISP-DM-Prozess. Den Phasen des CRISP-DM sind 6 Arbeitspakete zugeordnet.

·         Arbeitspaket 1: Systematisierung der Auftragsstrukturen

·         Arbeitspaket 2: Datenidentifikation und –aufbereitung

·         Arbeitspaket 3: Modellierung von Auftragsdurchlaufzeiten

·         Arbeitspaket 4: Evaluation der entwickelten Prädiktionsmethode

·         Arbeitspaket 5: Datenstrukturen und –infrastrukturen

·         Arbeitspaket 6: Prototypische Einbindung und Rollout innerhalb der PPS-Systeme

 

Partner

Das Forschungsvorhaben wird in Kooperation mit der MTU Maintenance Hannover durchgeführt.

 

Förderung

Dieses Vorhaben wird mit Mitteln des Bundesministeriums für Bildung und Forschung, im Rahmen des Luftfahrtforschungs- und Technologieprogramms des Niedersächsischen Ministeriums für Wirtschaft, Arbeit, Verkehr und Digitalisierung, unter dem Förderkennzeichen ZW 1 – 80157862 gefördert.