SPECTRUM – APPLIED RESEARCH 48 / UdZ 01.25 Increasing product diversity poses growing challenges for medium-sized enterprises (SMEs) in the mechanical and plant engineering sector1. As product diversity expands, batch sizes shrink, and production complexity rises, with companies increasingly relying on flexible, but often economically inefficient workshop production and cellular manufacturing (or production island) methods.2 Overall, the variety of articles and production processes resulting from high product diversity, collectively referred to as production program variance (see Fig. 1 for terminology definitions), drives up per-unit manufacturing costs and reduces transparency regarding cost origins.3 To address these challenges, the PrEvelOp research projecters develop innovative, data-driven approaches to reduce production program variance. As part of the project, functions are being developed that identify similarities in order data (comprising article and production process information) using unsupervised learning methods. These functions enable orders to be grouped according to item- and/or process-specific characteristics. Based on these groupings, suitable measures for reducing production program variance are proposed through decision support tools. The project is led by FIR e. V. an der RWTH Aachen in collaboration with the Laboratory for Machine Tools and Production Engineering (WZL) at RWTH Aachen University. Data Preparation Procedure A key step in the PrEvelOp project is the structured preparation and integration of data, including both CAD component data and process data (see Fig. 2). Component data is extracted from CAD files and converted into a machine-readable, structured format. At the same time, process data is prepared to generate uniform and consistent data records. The aim of these steps is to merge and consolidate both data types using a common reference – typically the component number. This process results in a cleaned and standardized table that integrates both Die zunehmende Produktvielfalt stellt kleine und mittlere Unternehmen (KMU) im Maschinen- und Anlagenbau vor wachsende Herausforderungen1. Durch die Steigerung der Produktvielfalt sinken Losgrößen und die Komplexität der Produktion steigt, da sich Unternehmen vermehrt für flexible, aber nur bedingt ökonomisch effiziente Werkstatt- und Inselfertigungen entscheiden2. In Summe führt die durch eine hohe Produktvielfalt entstehende Artikel- und Fertigungsprozessvielfalt, im Folgenden zusammengefasst unter dem Begriff der Fertigungsprogrammvarianz (siehe zur Abgrenzung der Begriffe auch Figure 1), somit zu steigenden Herstellkosten pro Stück und sinkender Transparenz über deren Entstehung3. Vor diesem Hintergrund adressiert das PrEvelOp- Projektteam diese Problematik, indem es innovative datengetriebene Ansätze zur Reduktion der Fertigungsprogrammvarianz entwickelt. Im Rahmen des Projekts werden Funktionen entwickelt, die in Auftragsdaten (bestehend aus Artikel- sowie Fertigungsprozessdaten) Ähnlichkeiten mithilfe von Methoden des unüberwachten Lernens (eng. unsupervised learning) identifizieren. Die Funktionen ermöglichen die Gruppierungen von Aufträgen nach artikelspezifischen und/oder prozessspezifischen Merkmalen. Je nach Gruppierungen werden durch eine Entscheidungsunterstützung passende Maßnahmen zur Reduzierung der Fertigungsprogrammvarianz vorgeschlagen. Das Projekt wird federführend vom FIR e. V. an der RWTH Aachen in Kooperation mit dem Werkzeugmaschinenlabor (WZL) der RWTH Aachen durchgeführt. Vorgehen zur Datenvorbereitung Ein wesentlicher Schritt im Projekt PrEvelOp ist die strukturierte Aufbereitung der Daten, die sowohl CAD-Bauteildaten als auch Prozessdaten umfassen (siehe Bild 2). Die Bauteildaten werden aus CAD-Dateien extrahiert und in ein maschinenlesbares, strukturiertes Format überführt. Parallel dazu werden die Prozessdaten aufbereitet, um einheitliche und konsistente Datensätze zu erzeugen. Das Ziel dieser Maßnahmen besteht darin, beide Datentypen über einen gemeinsamen Nenner – in der Regel die Bauteilnummer – zusammenzuführen und zu konsolidieren. Das Ergebnis dieses Prozesses ist eine bereinigte und standardisierte Tabelle, die sowohl CAD- als auch Prozessdaten integriert und damit die Grundlage für weiterführende Analysen bildet. Product variety Variety of articles Manufacturing process diversity Manufacturing program variance 1 s. Koether u. Meier 2020, S. 69 2 s. Esmaeilian et al. 2016, S. 86 3 s. Krause u. Gebhardt 2018, S. 43 Figure 1: Terminology Definition 1 see Koether and Meier 2020, p. 69 2 see Esmaeilian et al. 2016, p. 86 3 see Krause and Gebhardt 2018, p. 43
RkJQdWJsaXNoZXIy NzcyMw==