Datenbasierte Erstellung und Überprüfung von Modellen zur Produkt- und Prozesskonfiguration

Konfigurationssysteme ermöglichen Industrieunternehmen die Automatisierung und damit Rationalisierung der Arbeitsablaufplanung im Rahmen des Auftragsabwicklungsprozesses. Großes Potenzial besteht hierbei insbesondere in der automatischen Konfiguration von Stücklisten und Arbeitsplänen, d. h. für die Produkt- und Prozesskonfiguration. Bisher werden Konfigurationssysteme hierfür nicht umfassend eingesetzt. Wesentliche Hinderungsgründe sind der Aufwand für die Erstellung sowie die hohe Fehleranfälligkeit der hinterlegten Konfigurationsmodelle, die die Rahmenbedingungen und Regeln der Konfiguration festlegen. ... mehrDiesen Herausforderungen kann mit datenbasierten Methoden, wie z. B. Verfahren des maschinellen Lernens, begegnet werden. Hiermit können Modelle für die Produkt- und Prozesskonfiguration zum einen auf Basis zurückliegender Aufträge erstellt und zum anderen durch Mustererkennung überprüft werden. Dadurch kann ein Beitrag zu einem weitergehenden Einsatz von Konfigurationssystemen in der Arbeitsablaufplanung und damit zu einer höheren Effizienz des Auftragsabwicklungsprozesses in Industrieunternehmen geleistet werden. Nach Stand der Forschung sind jedoch datenbasierte Methoden im Zusammenhang mit Konfigurationsmodellen nur rudimentär erforscht.

Ziel der vorliegenden Arbeit ist es deshalb, die wissenschaftlichen Grundlagen für den Einsatz datenbasierter Methoden zur Erstellung und Überprüfung von Modellen für die Produkt- und Prozesskonfiguration zu legen. Es werden die Fragen beantwortet, welche Methoden hierfür geeignet sind und wie effektiv deren Einsatz ist. Hierfür werden geeignete Methoden entwickelt und im Rahmen einer Demonstration aus technischer Sicht bewertet. Dies umfasst die datenbasierte Erstellung der Bestandteile von industrieüblichen Modellen der Produkt- und Prozesskonfiguration: Maximalstücklisten, Maximalarbeitspläne sowie Abhängigkeiten in Form von Regeln zwischen den Variablen der Modelle. Darüber hinaus werden die Erweiterung der Datenbasis und die datenbasierte Überprüfung von Regeln betrachtet. Die Demonstration der entwickelten Methoden zeigt, dass sowohl die datenbasierte Erstellung, als auch die datenbasierte Überprüfung von Produkt- und Prozesskonfigurationsmodellen grundsätzlich möglich ist und in vielen Fällen zu genauen Ergebnissen führt.

Configuration systems enable industrial companies to automate and thus rationalize production process planning within the orderfulfilment process. Particularly great potential lies in the automatic configuration of bills of materials and routings, i.e., in product and process configuration. To date, configuration systems have not been implemented comprehensively for this purpose. The main obstacles are the effort required to create the configuration models that define the framework conditions and rules for configuration, as well as the high probability of errors in these models. ... mehrThese challenges can be overcome with data-driven methods such as machine learning techniques. These methods can be used to create models for product and process configuration based on past orders and to validate them through pattern recognition. This can contribute to the wider use of configuration systems in production process planning and thus to greater efficiency in order processing in industrial companies. However, according to the current state of research, data-driven methods in connection with configuration models have only been researched rudimentarily.

The aim of this thesis is therefore to lay the scientific foundations for the use of datadriven methods for creating and validating models for product and process configuration. It answers the questions of which methods are suitable for this purpose and how effective their use is. To this end, suitable methods are developed and evaluated from a technical perspective as part of a demonstration. This includes the data-based creation of the elements of industry-standard models for product and process configuration: super bills of materials, super routings, and dependencies in the form of rules between the variables of the models. In addition, the expansion of the data base and the datadriven validation of rules are considered. The demonstration of the developed methods shows that both the data-driven creation and the data-driven validation of product and process configuration models are fundamentally possible and in many cases lead to accurate results.