Kleinere und mittlere Unternehmen (KMU) verfügen in der Produktion häufig noch nicht über eine, ihren Prozessen, Produkten und Produktionssystem entsprechende, Datenerfassungsmethode. Eine stark detaillierte Datenerfassung (hohe Erfassungsauflösung) wird i.d.R. gescheut, da sie meist hohen Aufwand oder hohe Kosten verursacht. Die derzeit in Kauf genommene Alternative erzeugt grob-aggregierte, lückenhafte Datenbestände in denen relevante Soll-Ist-Abweichungen im Prozess häufig nicht erkannt werden. Weiterhin werden erkannte Störungen meist nicht tiefgreifend und systematisch analysiert. Die Lösung dieses Konflikts und Defizits liegt in der bedarfsorientierten Anpassung der Rückmeldeauflösung und -häufigkeit sowie einer gestützten Störungsdiagnose und -prognose. Im Forschungsvorhaben wird daher ein KMU-gerechtes, adaptiv-iteratives Business-Intelligence-System (BIS) entwickelt, welches Problemstellen durch gezielte Datenaufnahmen in der Produktion aufdeckt, analysiert und deren Auftreten im Betrieb und bei neuen Produkten abschätzt. Zugleich werden Verschwendungen aufgrund zu häufiger Rückmeldungen vermieden (Lean-Prinzip). Das BIS soll einen durch künstliche Intelligenz gesteuerten Soll-Ist-Abgleich durchführen und den „Auflösungsgrad der Datenaufnahme“ variabel festlegen, um sich iterativ Problemstellen anzunähern. Mittels Sprachassistenz als Erfassungsmedium erfolgt die Rückmeldung aufwandsarm und parallel zur Haupttätigkeit in der einfachsten Kommunikationsform - der natürlichen Sprache. Auf langfristige Sicht sollen die Methoden des maschinellen Lernens darüber hinaus das BIS befähigen, frühzeitig Abweichungen im Prozessverlauf zu prognostizieren und somit einen störungsarmen Produktionsablauf zu sichern. Um die Projektlaufzeit bestmöglich zu nutzen und zugleich möglichst viele Testiterationen durchzuführen, wird die Systementwicklung durch einen mehrstufigen Entstehungsprozess an das Wasserfallmodell bzw. das Prinzip von Simultaneous Engineering angelehnt.

Schlussbericht:

LeanBI_Schlussbericht_final.pdf