AutoML-Supported Lead Time Prediction Enabling Smart Job Scheduling in Make-To-Order Production

Die verarbeitende Industrie steht immer komplexeren Kundenanforderungen in Bezug auf Produktcustomisierbarkeiten und Lieferzeiten gegenüber, während sie gleichzeitig mit Marktunsicherheiten und Störungen innerhalb ihrer Lieferantennetzwerke konfrontiert ist. Insbesondere kleine und mittlere Unternehmen aus dem Bereich der Einzelfertigung suchen nach neuen Ansätzen, um angesichts dieser Herausforderungen ihre Termintreue aufrechtzuerhalten. Durch die Fortschritte in der künstlichen Intelligenz und insbesondere im maschinellen Lernen haben Methoden zur intelligenten Planung von Fertigungsaufträgen an Bedeutung gewonnen. ... mehrDie Grundlage für jeden Ansatz zur intelligenten Auftragsplanung ist jedoch eine Vorhersage der produkt-prozess-ressourcenspezifischen Durchlaufzeit, da diese eine entscheidende Eingangsgröße für den Planungsalgorithmus bildet. Dieser oft manuellen Vorhersage fehlt heute die notwendige Genauigkeit, insbesondere unter Berücksichtigung der hochgradig kundenspezifischen Produkte der Einzelfertigung.

Daher stellt diese Arbeit die erste durchgängige Methodisierung einer produkt-prozess-ressourcenspezifischen Durchlaufzeitvorhersage für kleine und mittlere Unternehmen aus der Einzelfertigung unter Verwendung von künstlicher Intelligenz in Form von automatisiertem maschinellem Online-Lernen vor. Die Methode definiert zwölf notwendige Schritte, welche den gesamten Lebenszyklus des maschinellen Lernens von der Datenaufbereitung über die Modellentwicklung bis hin zur Modellbereitstellung und -pflege umfassen. Als Kerntechnologien nutzt sie das automatisierte maschinelle Lernen, um den Ansatz für Domänenexperten zugänglicher zu machen, sowie das Online-Lernen, um Modelle zu entwickeln, die gegenüber leistungsmindernden Effekten wie Concept Drift robust sind. Die Validierung erfolgt anhand zweier Fallstudien, bei denen die mit der Methode erstellten Modelle eine Verbesserung zwischen 35% und 50% gegenüber manuellen Vorhersagen erzielten. Die bewerteten Modelle zeigten darüber hinaus die Fähigkeit, sich an künstlich in den Datenstrom eingebrachten Concept Drift anzupassen.

Manufacturing industries face increasingly complex customer demands in terms of product customisation and delivery times while simultaneously being met with market uncertainty and disruptions within supply networks. Especially small and medium enterprises from the make-to-order domain seek new approaches to uphold their adherence to schedule in the light of these challenges. As such, methods for the smart scheduling of manufacturing jobs gained traction in recent years due to advances in artificial intelligence, and particularly in machine learning. The basis for any smart job scheduling approach however is a prediction of the product-process-resource-specific lead time as this forms a crucial input variable for the job scheduling algorithm. ... mehrToday, this often manual prediction lacks the necessary accuracy, especially when considering the highly customised products of the make-to-order domain.

Therefore, this thesis provides the first end-to-end methodisation of a product-process-resource-specific lead time prediction for small and medium enterprises from the make-to-order domain using artificial intelligence in the form of automated online machine learning. The method defines twelve necessary steps spanning the entire machine learning lifecycle from data preparation via model development to model deployment and maintenance. As core technologies it leverages automated machine learning as a means to render machine learning more accessible to domain specialists and online machine learning in order to develop models robust toward performance degrading effects such as concept drift. Validation is conducted along two real-world case studies in which the models produced by the method achieved between 35% and 50% improvement over manual predictions. The models under evaluation furthermore showed the ability to cope with concept drift by adapting to adversarial changes artificially introduced to the underlying data stream.