SPECTRUM – APPLIED RESEARCH 50 / UdZ 01.25 sowohl artikelspezifische als auch prozessbezogene Merkmale in die Analyse einzubeziehen. Dies gewährleistet, dass die Clusteranalyse auf einer fachlich fundierten Datenbasis durchgeführt wird und relevante Merkmale für die Gruppierung einbezieht. Durch die finale standardisierte und fehlerbereinigte Datenstruktur wird eine solide Grundlage für den Einsatz maschineller Lernverfahren geschaffen. Einsatz maschineller Lernverfahren zur Analyse der Fertigungsprogrammvarianz Auf der Grundlage qualitativ hochwertiger Daten ermöglichen maschinelle Lernverfahren die Modellierung und Analyse der Fertigungsprogrammvarianz. Dabei kommen insbesondere Methoden des unüberwachten Lernens, wie k-Means- und hierarchisches Clustering, zum Einsatz. Der k-Means-Algorithmus teilt Datenpunkte iterativ in k Gruppen ein, wobei die Distanz innerhalb der Gruppen minimiert wird. Das hierarchische Clustering organisiert die Daten hingegen in einer Baumstruktur, die die Beziehungen zwischen den Gruppen hierarchisch darstellt und visualisiert. Gerade das hierarchische Clustering bietet den Vorteil, dass die Ähnlichkeiten und Verbindungen zwischen Bauteilen anschaulich dargestellt werden. In der Baumstruktur werden Bauteile entsprechend ihrer Ähnlichkeit so angeordnet, dass die eng verwandten Elemente nahe beieinander liegen. Je nachdem, an welcher Stelle die Struktur geschnitten wird, entstehen größere oder kleinere Clustergruppen. Diese grafische Darstellung ermöglicht es Anwendern, Gemeinsamkeiten schnell zu erkennen und gezielt für die Analyse sowie Entscheidungsfindung zu nutzen. Die Ergebnisse dieser Analysen liefern wertvolle Einblicke in die Struktur der Fertigungsprogrammvarianz und dienen als Ausgangspunkt für die Ableitung spezifischer Maßnahmen zur Reduzierung der Fertigungsprogrammvarianz. Ergebnis und Nutzen für die Praxis Das Forschungsprojekt PrEvelOp wird von einem projektbegleitenden Ausschuss unterstützt, der sich aus Forschungseinrichtungen und Industrieunternehmen zusammensetzt. Zur Sicherstellung der Praxisnähe und Anwendungsorientierung sind verschiedene Unternehmen aus dem produzierenden Gewerbe beteiligt. Diese Unternehmen unterstützen die Entwicklung und Optimierung der einzelnen Projektbausteine, indem sie nicht nur Daten liefern, sondern auch ihr branchenspezifisches Fachwissen aktiv in die Entrelated characteristics to be included in the analysis. This ensures that the cluster analysis is carried out on a technically sound database, incorporating relevant characteristics for accurate grouping. The final standardized and error-corrected data structure forms a solid foundation for applying machine learning methods. Analyzing Production Program Variance with Machine Learning With high-quality data, machine learning methods enable the effective modeling and analysis of production program variance. Specifically, unsupervised learning methods such as k-means and hierarchical clustering are employed. The k-means algorithm iteratively partitions data points into k groups, minimizing intra-group distance. Hierarchical clustering organizes the data into a tree structure, visually representing the relationships between the groups. Hierarchical clustering has the advantage of clearly illustrating the similarities and connections between components. In the tree structure, components are arranged according to their similarity, with closely related items placed close to each other. Depending on where the structure is cut, larger or smaller clusters can be formed. This graphical representation enables users to quickly identify similarities and leverage them for targeted analysis and decision-making. The results of these analyses provide valuable insights into the structure of production program variance and serve as a starting point for developing specific measures to reduce it. Results and Benefits for Practice The PrEvelOp research project is supported by a project committee consisting of research institutions and industrial companies. Various manufacturing industry companies are involved in ensuring practical relevance and applicationoriented outcomes. These companies contribute to the development and optimization of the individual project modules not only by providing data, but also by actively sharing their industry-specific expertise in the development and validation of the project solutions. The order and article data provided serve as the foundation for developing the data processing and analysis functions. The goal is to create an open-source library that provides functions for the machine learning-based reduction of production program variance. This library will be made
RkJQdWJsaXNoZXIy NzcyMw==