Optimierung des Plattenlagers eines mittelständischen Büromöbelherstellers

Febrü ist ein mittelständisches Unternehmen mit Sitz in Herford, das sich auf die Produktion von Büromöbeln spezialisiert hat. Das Unternehmen beschäftigt rund 250 Mitarbeiter:innen und erzielen einen Jahresumsatz von etwa 45 Millionen Euro. Febrü produziert ausschließlich in Deutschland und setzt auf eine nachhaltige Produktion mit hohem Qualitätsanspruch und individuellen Lösungen für die moderne Arbeitswelt. Ein wichtiger Produktionsschritt der variantenreichen Produktion basiert auf extern angelieferten Holzspanplatten in ca. 90 verschiedenen Dekoren. Hierfür steht neben einem kleinen Außenlager ein Produktionslager mit 64 Stellplätzen bereit auf denen die Platten gestapelt gelagert werden. Ein Einzelzugriff auf die Platten ist also nicht möglich und eine Entnahme der unteren Platten nur mit aufwändigem Umlagern. Um den Zugriff möglichst effizient zu gestalten, müssen die Platten möglichst so eingelagert werden, dass die Teile, die zuerst in der Produktion benötigt werden, oben auf den Stapeln liegen. Die Schwierigkeit ist jedoch, dass zum Zeitpunkt der Einlagerung nicht alle Produktionsaufträge vorliegen.

Die Student:in soll in dem Projekt Verfahren aus dem Bereich des Maschinellen Lernens nutzen, um auf Basis der historischen und der aktuell bereits verfügbaren Aufträge ein fallspezifisches realistisches Lastszenario der Produktion bereits zum Zeitpunkt der Einlagerung zu prognostizieren. Auf Basis dieses Lastszenarios soll dann ein Optimierungsalgorithmus implementiert werden, der eine möglichst gute Einlagerungsreihenfolge und Stapelplatzzuordnung berechnet. Die Lösung soll mit echten Produktionsdaten validiert werden.

Die verwendeten Methoden des Maschinellen Lernens sind Bestandteil der Veranstaltung im Forschungsmaster und Kernbereiche der Data Science.

Verfügbare Ressourcen

-          Daten und Fachexperten aus der Produktion werden von Febrü bereitgestellt

-          Hardware für Maschine Learning ist über das Data Science Lab, das CfADS, sowie dem KI-Rechencluster yourAI der HSBI verfügbar

Erstes Semester: Erstellung eines Forschungsexposés als Prüfungsleistung. Einarbeitung in die Aufgabenstellung im Unternehmen, Sichtung der Daten und Definition der Optimierungskriterien.

Zweites Semester: Literaturreche zur zu Verfahren des maschinellen Lernens insbesondere zu Auftragsprognose. Implementierung und eines ersten Verfahrens. Erstellung eines Papers, das einen Überblick über das Forschungsgebiet gibt, ist Prüfungsleistung.

Drittes Semester: Vergleich unterschiedlicher Verfahren zur Auftragsprognose und Auswertung der Ergebnisse. Veröffentlichung eines Papers mit den ersten Ergebnissen ist Prüfungsleistung.

Viertes Semester: Masterarbeit und Kolloquium. Implementierung des Optimierungsverfahren auf Basis der Prognostizierten Aufträge und Validierung der Ergebnisse mit echten Produktionsdaten.

Zwingend:

-          Programmierkenntnisse (vzw. Python)

Optional:

-          Erfahrung mit Maschinellem Lernen

-          Erfahrung mit Optimierungsverfahren

-          Erfahrung in Produktion und Logistik

-          Maschinelle Lernverfahren zur Auftragsprognose

-          Optimierungsverfahren zur Produktionssteuerung

-          Produktions- und Logistik Knowhow in der variantenreichen diskreten Fertigung

-          Publikation von wissenschaftlichen Veröffentlichungen auf internationalen Konferenzen

-          Kompetenzen in der Arbeit im Team