UdZForschung 1/2020

16 UdZForschung – Unternehmen der Zukunft 1/2020 FIR-Forschungsprojekte – Leitthema: Industrie & Umwelt Projekt: CoE IoP Konzept für ein Entscheidungs- unterstützungssystem im Störungsmanagement Nutzung von Process-Mining und Machine- Learning zur schnellen Reaktion auf Störungen in der Produktionssteuerung Die sich ständig ändernden Kundenanforderungen sorgen für eine immer komplexere und dynamischer werdende Produktionsumgebung. In diesemUmfeld ist es die Aufgabe der Produktionssteuerung, die Erfüllung der Nachfrage des Kunden in der richtigen Qualität zum richtigen Zeitpunkt und mit mög- lichst geringen Kosten sicherzustellen. Abweichungen vom Soll-Zustand sollen dabei im Rahmen des Störungsmanagementsmöglichst früherkannt und schnell durchdieWahl der richtigenGegenmaßnahme beseitigt werden. In der Praxis stehen demEntscheider dafür jedoch nur selten entsprechende Tools zur Verfügung, sodass Entscheidungen häufig auf Basis der Erfahrung der Mitarbeiter getroffen werden. Daher wird im Folgenden ein Referenzmodell für die Entwicklung eines Decision-Support-Systems, das eine schnelle Erkennung potenzieller Störungen und eine datenbasierte Entscheidung bezüglich ein- zuleitender Gegenmaßnahmen ermöglicht, vorgestellt. Das Projekt wird gefördert durch die Deutsche Forschungsgemeinschaft (DFG) imRahmen der Exzellenzstrategie des Bundes und der Länder – EXC-2023 Internet of Production – 390621612. ie Nutzung von Process-Mining- und Machine-Learning-Ansätzen im Störungsmanagement ver- spricht die automatisierte Identifikation potenzieller Störungen und unterstützt somit die datenbasierte Entscheidungs- findung in der Produktionssteuerung. Im Rahmen des Exzellenzclusters „Internet of Produc tion“ wird ein Decision - Support-System (DSS) entwickelt, das Störungen im Produktionsumfeld in Echtzeit erkennen soll und dem Ent- scheider mögliche Gegenmaßnahmen in der Benutzeroberfläche präsentiert. Die Produktionssteuerung muss im Rahmen des Störungsmanagements auf unge- plante und unvorhersehbare Abweichun- gen vom vorgegebenen Soll-Zustand entsprechend reagieren, um eine Ver- schlechterung der Performance des Pro- duktionssystems zu verhindern 1 . Das Treffender richtigenEntscheidungbzw. die Auswahl der richtigen Gegenmaßnahmen kurz nach Auftreten der Störung ist demnach von sehr großer Bedeutung². D Im entwickelten DSS werden Störungen mittels Process-Mining erkannt und auf Basis von Machine-Learning klas- sifiziert. Schließlich lassen sich eben- falls durch Machine-Learning geeignete Gegenmaßnahmen ableiten. Auf diese Weise kann die Zeitspanne zwischen Störungsidentifikation und Entscheidung deutlich verringert werden. Das DSS kann über das Nutzerfeedback kontinuierlich lernen, sodass es auf Änderungen im Produktionsumfeld entsprechend rea- gieren kann. Die Entscheidung über die durchzuführenden Gegenmaßnahmen liegt dabei weiterhin bei denMitarbeitern. Decision -Suppor t-Systeme sind auf einer Informationstechnologie basie- rende Systeme zur Auswer tung von Daten³. Ziel solcher Systeme ist es, die Entscheidungsqualität und die Reaktionsfähigkeit des Nutzers zu ver- bessern 4 . Ein DSS kann nach Sauter 5 in drei Komponenten unterteilt werden: Daten, Modell und Benutzeroberfläche. In der Datenkomponente werden die vor- handenen Daten gesammelt und struktu- riert. ImModell werden die Daten anhand verschiedener Szenarien analysiert und ausgewertet. Die Ergebnisse werden dem Nutzer dann auf der Benutzeroberfläche zugänglich gemacht. Auf dieseWeise kann eine Validierung der Ergebnisse und ggfs. eine Anpassung des Modells erfolgen. Basierend auf dem Aufbau nach Sauter wurde die in Bild 1 (s. S. 17) dargestellte Referenzarchitektur für ein DSS mit Process-Mining- und Machine-Learning- Komponenten entwickelt. Das DSS erhält die Rückmeldedaten aus der Produktion von einem Enterprise- Resource-Planning-System (ERP) oder 1 s. Schwartz 2004, S. 11; s. Meissner 2017, S. 13 ² s. Leitão 2011, S. 1275 ³ s. Power 2008, S. 127 4 s. Walterscheid 1996, S. 22 f. 5 s. Sauter 2010, S.14 f.