Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter December 30, 2021

Hybride Lieferzeitprognose

Verbesserte Termin- und Auftragsplanung im volatilen MRO-Umfeld

Hybrid Lead Time Prediction Method for Improved Order Planning in the Highly Volatile MRO Business
Tobias Hiller

Tobias Hiller, M. Sc., geb. 1990, ist seit 2019 wissenschaftlicher Mitarbeiter der Forschungsgruppe Produktionsmanagement am Institut für Fabrikanlagen und Logistik (IFA) der Leibniz Universität Hannover.

EMAIL logo
, Torben Lucht

Torben Lucht, M. Sc, geb. 1991, ist seit 2018 wissenschaftlicher Mitarbeiter der Forschungsgruppe Produktionsmanagement am IFA der Leibniz Universität Hannover.

, Tim Kämpfer

Tim Kämpfer, M .Sc, geb. 1992, ist seit 2019 wissenschaftlicher Mitarbeiter der Forschungsgruppe Produktionsmanagement am IFA der Leibniz Universität Hannover.

, Lea Vinke

Lea Vinke, M. Sc., geb. 1993, arbeitet seit 2020 als Mitarbeiterin in der Produktionsplanung und -steuerung der MTU Maintenance Hannover GmbH.

, Patrick Holtsch

Dr. Patrick Holtsch, Dipl.-Wi.-Ing., geb. 1973, arbeitete als wissenschaftlicher Mitarbeiter am IPH – Institut für Integrierte Produktion Hannover gGmbH in der Abteilung Logistik und ist seit 2007 bei der MTU Maintenance Hannover GmbH tätig, seit 2019 leitet er die Produktionsplanung und -steuerung am Standort Hannover.

and Peter Nyhuis

Prof. Dr.-Ing. habil. Peter Nyhuis, geb. 1957, arbeitete bis 1991 als wissenschaftlicher Mitarbeiter am IFA. Nach seiner Promotion zum Dr.-Ing. wurde er habilitiert, bevor er als Führungskraft im Bereich Supply Chain Management in der Elektronik- und Maschinenbaubranche tätig war. Seit 2003 leitet er das IFA.

Abstract

Die Produktionsplanung und -steuerung in MRO-Unternehmen unterliegt starken Unsicherheiten hinsichtlich des Regenerationsumfangs und -zeitpunkts. Aufgrund einer hohen Informationsunschärfe infolge unterschiedlichster Schadensfälle sowie einer Vielzahl interner und externer Einflüsse ist die Vorhersage von Lieferzeiten sowie deren möglichen Ausprägungen zu komplex, um sie vollständig in der Planung und im Auftragsmanagement zu berücksichtigen. Logistische Modelle bieten durch die Verknüpfung verschiedener Ansätze das Potenzial, das logistische Verhalten eines Produktionssystems einfach und dennoch genau zu beschreiben. Eine hybride Modellierung durch die Verzahnung logistischer Modelle mit Methoden aus dem Bereich des Process und Data Mining bietet die Möglichkeit, die Vorteile logistischer Modellierung und datenbasierter Prognosen zu verbinden. Mit dem Ziel, die Planstabilität und Planungsgenauigkeit für MRO-Unternehmen zu erhöhen, forscht das Institut für Fabrikanlagen und Logistik (IFA) gemeinsam mit der MTU Maintenance Hannover GmbH an einem hybriden Ansatz zur modellgestützten Prognose von Lieferzeiten.

Abstract

Production planning and control in MRO companies is subject to strong uncertainties regarding scope and timing of regeneration. Due to a high degree of information uncertainty as a result of a wide variety of damage events and a large number of internal and external influences, the predictability of delivery times and their possible characteristics is too complex to be fully considered in planning and order management. Logistic models offer the potential to describe the logistic behavior of a production system in a simple yet accurate way by combining different types of statistical approaches. Hybrid modelling by linking logistic models with methods from the field of process and data mining offers the possibility to combine the advantages of logistic modelling and data-based predictive analytics. With the aim of increasing planning stability and accuracy for MRO companies, the Institute of Production Systems and Logistics (IFA) is conducting research together with MTU Maintenance Hannover GmbH on a hybrid approach for a model-based prediction method for lead times.


Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).



Tel.: +49 (0) 511 762-19809

About the authors

Tobias Hiller

Tobias Hiller, M. Sc., geb. 1990, ist seit 2019 wissenschaftlicher Mitarbeiter der Forschungsgruppe Produktionsmanagement am Institut für Fabrikanlagen und Logistik (IFA) der Leibniz Universität Hannover.

Torben Lucht

Torben Lucht, M. Sc, geb. 1991, ist seit 2018 wissenschaftlicher Mitarbeiter der Forschungsgruppe Produktionsmanagement am IFA der Leibniz Universität Hannover.

Tim Kämpfer

Tim Kämpfer, M .Sc, geb. 1992, ist seit 2019 wissenschaftlicher Mitarbeiter der Forschungsgruppe Produktionsmanagement am IFA der Leibniz Universität Hannover.

Lea Vinke

Lea Vinke, M. Sc., geb. 1993, arbeitet seit 2020 als Mitarbeiterin in der Produktionsplanung und -steuerung der MTU Maintenance Hannover GmbH.

Dr. Patrick Holtsch Dipl.-Wi.-Ing.

Dr. Patrick Holtsch, Dipl.-Wi.-Ing., geb. 1973, arbeitete als wissenschaftlicher Mitarbeiter am IPH – Institut für Integrierte Produktion Hannover gGmbH in der Abteilung Logistik und ist seit 2007 bei der MTU Maintenance Hannover GmbH tätig, seit 2019 leitet er die Produktionsplanung und -steuerung am Standort Hannover.

Prof. Dr.-Ing. habil. Peter Nyhuis

Prof. Dr.-Ing. habil. Peter Nyhuis, geb. 1957, arbeitete bis 1991 als wissenschaftlicher Mitarbeiter am IFA. Nach seiner Promotion zum Dr.-Ing. wurde er habilitiert, bevor er als Führungskraft im Bereich Supply Chain Management in der Elektronik- und Maschinenbaubranche tätig war. Seit 2003 leitet er das IFA.

Danksagung

Das diesem Bericht zugrunde liegende Vorhaben wurde mit Mitteln des Bundesministeriums für Bildung und Forschung, im Rahmen des Luftfahrtforschungs- und Technologieprogramms des Niedersächsischen Ministeriums für Wirtschaft, Arbeit, Verkehr und Digitalisierung, unter dem Förderkennzeichen ZW 1 – 80157862 gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autor:innen.

Literatur

1 Eickemeyer, S. C.: Kapazitätsplanung und -abstimmung für die Regeneration komplexer Investitionsgüter. Dissertation, Leibniz Universität Hannover, 2014Search in Google Scholar

2 Eickemeyer, S. C.; Mische, V.; Goßmann, D.: Regenerationsplanung mit belastbarem Prognosewert. ZWF 110 (2015) 11, S. 706–709 DOI: 10.3139/104.11141610.3139/104.111416Search in Google Scholar

3 Koppold, N.; Lödding, H.: Bestimmung der Arbeitsumfänge in der Instandhaltungsproduktion. ZWF 110 (2012) 12, S. 795–798 DOI: 10.3139/104.11144310.3139/104.111443Search in Google Scholar

4 Remény, C.; Staudacher, S.: MRO: Organisation der Produktion sowie von Produktionsplanung und -steuerung. wt Werkstatttechnik online 101 (2011) 4, S. 242–248Search in Google Scholar

5 Spafford, C.; Hoyland, T.; Lehman, R.: State of the MRO Industry 2009: Competitive Shifts and Curtailed Growth. New York 2009Search in Google Scholar

6 Berlec, T.; Starbek, S.: Forecasting of Production Order Lead Time in Sme‘s. In: Fuerstner, I. (Hrsg.): Products and Services; from R & D to Final Solutions. IntechOpen 828, 2010 DOI: 10.5772/1038410.5772/10384Search in Google Scholar

7 Chien, C.-F.; Hsu, C.-Y.; Hsiao, C.-W.: Manufacturing Intelligence to Forecast and Reduce Semiconductor Cycle Time. Journal of Intelligent Manufacturing 23 (2012), S. 2281–2294 DOI: 10.1007/s10845-011-0572-y10.1007/s10845-011-0572-ySearch in Google Scholar

8 Buckhage, C.; Fürnkranz, J.; Paaß, G.: Vertrauenswürdiges, transparentes und robustes Maschinelles Lernen. In: Görz, G.; Schmid, U.; Braun, T. (Hrsg.): Handbuch der Künstlichen Intelligenz. De Gruyter, Berlin 2020Search in Google Scholar

9 Dombrowski, U.; Sendler, M.; Heimberg, T.: Auftragsregelung in Reparaturwerkstätten. ZWF 111 (2016) 4, S. 199–203 DOI: 10.3139/104.11149110.3139/104.111491Search in Google Scholar

10 Vieira, G. E.; Herrmann, J. W.; Lin, E.: Rescheduling Manufacturing Systems: A Framework of Strategies, Policies and Methods. Journal of Scheduling 6 (2003), S. 39–62 DOI: 10.1023/A:102223551995810.1023/A:1022235519958Search in Google Scholar

11 Rangsaritratsamee, R.; Ferrell, W. G.; Kurz, M. B.: Dynamic Rrescheduling that Simultaneously Considers Efficiency and Stability. Computers & Industrial Engineering 46 (2004), S. 1–15 DOI: 10.1016/j.cie.2003.09.00710.1016/j.cie.2003.09.007Search in Google Scholar

12 Campbell, K. L.: Scheduling is not the Problem. Production and Inventory Management 12 (1971), S. 53–60Search in Google Scholar

13 Schuh, G.; Stich, V.: Produktionsplanung und -steuerung 1: Grundlagen der PPS. 4. Aufl., Springer Verlag, Berlin, Heidelberg 2012 DOI: 10.1007/978-3-642-25423-910.1007/978-3-642-25423-9Search in Google Scholar

14 Nyhuis, P.; Wiendahl, H.-P.: Logistische Kennlinien. 3. Aufl., Springer-Verlag, Berlin, Heidelberg 2012 DOI: 10.1007/978-3-540-92839-310.1007/978-3-540-92839-3Search in Google Scholar

15 Bechte, W.: Steuerung der Durchlaufzeit durch belastungsorientierte Auftragsfreigabe bei Werkstattfertigung. Dissertation, Universität Hannover, 1984Search in Google Scholar

16 Mayer, J.; Nyhuis P.: Describing the Influence of Set-up Optimised Sequencing on Output Lateness of Workstations. Production Planning & Control 28 (2017) 10, S. 791–801 DOI: 10.1080/09537287.2017.131403810.1080/09537287.2017.1314038Search in Google Scholar

17 Trzyna, D.: Modellierung und Steuerung von Eilaufträgen in der Produktion. Disseration, Universität Hamburg-Harburg, 2015Search in Google Scholar

18 Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.: From Data Mining to Knowledge Discovery in Databases. AI Magazine 17 (1996) 3 DOI: 10.1609/aimag.v17i3.123010.1609/aimag.v17i3.1230Search in Google Scholar

19 Schuh, G.; Reinhart, G.; Prote, J.-P.; Sauermann, F.; Horsthofer, J.; Oppolzer, F.; Knoll, D.: Data Mining Definitions and Applications for the Management of Production Complexity. Procedia CIRP 81 (2019), S. 874–879 DOI: 10.1016/j.procir.2019.03.21710.1016/j.procir.2019.03.217Search in Google Scholar

20 Mannila, H.: Data Mining: Machine Learning, Statistics, and Databases. In: Proceedings of 8th International Conference on Scientific and Statistical Data Base Management (1996), S. 2–910.1109/SSDM.1996.505910Search in Google Scholar

21 Alpar, P.; Niedereichholz, J.: Data Mining im praktischen Einsatz: Verfahren und Anwendungsfälle für Marketing, Vertrieb, Controlling und Kundenunterstützung. Vieweg+Teubner Verlag, Wiesbaden 200010.1007/978-3-322-89950-7Search in Google Scholar

22 Guyon, I.; Elisseeff, A.: An Introduction to Feature Extraction. In: Guyon, I.; Nikravesh, M.; Gunn, S.; Zadeh, L. (Hrsg.): Feature Extraction: Foundations and Applications. Springer-Verlag, Berlin, Heidelberg 2006 DOI: 10.1007/978-3-540-35488-810.1007/978-3-540-35488-8Search in Google Scholar

23 Zheng, A.; Casari, A.: Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. 1. Aufl., O‘Reilly Media, Kalifornien, USA 2018Search in Google Scholar

24 Wang, J.; Zhang, J.; Wang, X.: A Data Driven Cycle Time Prediction With Feature Selection in a Semiconductor Wafer Fabrication System. IEEE Trans. Semicond. Manufacturing 31 (2018) 2, S. 173–182 DOI: 10.1109/TSM.2017.278850110.1109/TSM.2017.2788501Search in Google Scholar

25 van der Aalst, W.: Process Mining: Data Science in Action. Springer-Verlag, Berlin, Heidelberg 2016 DOI: 10.1007/978-3-662-49851-410.1007/978-3-662-49851-4Search in Google Scholar

26 van der Aalst, W. et al.: Process Mining Manifesto. In: Daniel, F.; Barkaoui K.; Dustdar S. (Hrsg.): Business Process Management Workshops, Lecture Notes in Business Information Processing. Springer-Verlag, Berlin, Heidelberg 2012Search in Google Scholar

27 Choueiri, A. C.; Sato, D. M. V.; Scalabrin, E. E.; Santos, E. A. P.: An Extended Model for Remaining Time Prediction in Manufacturing Systems Using Process Mining. Journal of Manufacturing Systems 56 (2020), S. 188–201 DOI: 10.1016/j.jmsy.2020.06.00310.1016/j.jmsy.2020.06.003Search in Google Scholar

28 Backus, P.; Janakiram, M.; Mowzoon, S.; Runger, G. C.; Bhargava, A.: Factory Cycle-Time Prediction With a Data-Mining Approach. IEEE Trans. Semicond. Manufacturing 19 (2006) 2, S. 252–258 DOI: 10.1109/TSM.2006.87340010.1109/TSM.2006.873400Search in Google Scholar

29 Schuh, G.; Gützlaff, A.; Sauermann, F.; Kaul, O.; Klein, N.: Databased Prediction and Planning of Order-specific Transition Times. Procedia CIRP 93 (2020), S. 885–890 DOI: 10.1016/j.procir.2020.04.02610.1016/j.procir.2020.04.026Search in Google Scholar

30 Chapman, P.; Clinton, J.; Kerber, R.; Khabaza, T.; Reinartz, T.; Shearer, C.; Wirth, R.: CRISP-DM 1.0 Step-by-Step Data Mining guide. SPSS Inc., Chicago, Illinois, Vereinigte Staaten 2000Search in Google Scholar

31 Niggemann, O.; Biswas, G.; Kinnebrew, J. S.; Khorasgani, H.; Volgmann, S.; Bunte, A.: Datenanalyse in der intelligenten Fabrik. In: Vogel-Heuser, B.; Bauernhansl, T.; ten Hompel, M. (Hrsg.): Handbuch Industrie 4.0 Bd.2: Automatisierung. Springer-Verlag, Berlin, Heidelberg 2017 DOI: 10.1007/978-3-662-53248-5_7310.1007/978-3-662-53248-5_73Search in Google Scholar

32 Härtel, L.: Modellbasierte Datenanalyse zur Identifikation logistischer Schwachstellen in Produktionsbereichen. Dissertation, Leibniz Universität Hannover, 2021Search in Google Scholar

33 Lucht, T.; Mütze, A.; Kämpfer, T.; Nyhuis, P.: Model-Based Approach for Assessing Planning Quality in Production Logistics. IEEE Access 9 (2021), S. 115077–115089 DOI: 10.1109/ACCESS.2021.310471710.1109/ACCESS.2021.3104717Search in Google Scholar

34 Conway, R. W.; Maxwell, W. L.; Miller, L. W.: Theory of Scheduling. Dover Publications, Newburyport 2012Search in Google Scholar

Published Online: 2021-12-30

© 2021 Walter de Gruyter GmbH, Berlin/Boston

Downloaded on 6.12.2022 from frontend.live.degruyter.dgbricks.com/document/doi/10.1515/zwf-2021-0197/html
Scroll Up Arrow