Methodik für die Entwicklung einer datengetriebenen Prozesszeitprognose für manuelle Montagesysteme von hochvariablen Produkten

• Antragsteller: Professor Dr.-Ing. Bernd Kuhlenkötter; Dr.-Ing. Sascha Wischniewski
• Fachliche Zuordnung: Produktionsautomatisierung und Montagetechnik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 570596910

Die industrielle Montage hat eine hohe volkswirtschaftliche sowie betriebliche Bedeutung. Insbesondere Bereiche mit hohen manuellen Tätigkeitsanteilen und den damit assoziierten erheblichen Prozesskosten sind in Deutschland kaum mehr wirtschaftlich darstellbar. Der Fachkräftemangel sowie eine hohe Marktdynamik erschweren die Organisation der Tätigkeiten und den effizienten Personal- und Materialeinsatz. So bestehen hohe Anforderungen an die Montageplanung und einer damit verbundenen möglichst genauen Prozesszeitprognose. Diese ist essenziell für eine wirtschaftlich Montagearbeit, denn nur so können Wartezeiten vermieden und Lieferdaten gehalten werden. Gleichzeitig ist die Prozesszeitprognose in diesem volatilen Umfeld besonders schwierig. Industriell etablierte Vorgehensweisen stoßen wegen des erheblichen Anpassungsaufwands aufgrund von kundenindividuellen Produktkonfigurationen sowie varianten Auftragsumfängen an ihre Grenzen. In der (teil-) automatisierten Serienproduktion werden heute bereits ML-Verfahren zur Produktionsplanung eingesetzt, sodass eine Übertragung auf die manuelle Montage naheliegend und erfolgversprechend ist. Während hier die Datenerfassungstechnologien bereits entwickelt wurden, stellen sich die Erfassung und Auswertung von Daten noch als Desiderat dar. Die Gründe sind der oft geringe Standardisierungsgrad, die menschlichen Einflüssen sowie eine oftmals geringe Akzeptanz bei den Mitarbeitenden. Eigene Vorarbeiten zeigen, dass die Auswertung rein produktionsbezogener Daten nicht ausreicht, um eine hinreichend genaue Aussage über die Produktionszeiten abzuleiten. So haben die menschbezogenen Aspekte einen maßgeblichen Einfluss auf die Prozesszeiten, sodass deren Berücksichtigung notwendig ist. Dadurch ergibt sich ein System, bei dem die Abhängigkeiten der Einflussgrößen untereinander kaum in einem analytischen Modell abzubilden sind. Methoden des Maschinellen Lernens bieten hier immer bessere Prognosemöglichkeiten. Daher soll im Projekt während der Datenaufnahme der Einsatz von ML-Verfahren fortlaufend untersucht werden. So wird bereits in der Labor- und später in der Betriebsphase zur Datenaufnahme die Datenlage hinsichtlich der Eignung von ML-Verfahren bewertet. Basierend darauf wird ein Modell zur Prädiktion der Prozesszeiten entstehen. Dieses Modell berücksichtigt die Zusammenhänge zwischen dem Einflussfaktor Mensch und den Produktivitätskennzahlen des Montagesystems und wird iterativ fortlaufend mit Daten aus dem realen Montagebetrieb verbessert. Das Wissen über die Zusammenhänge im Arbeitssystem liefert damit nicht nur die Möglichkeit, anhand einer genaueren Prognose der Prozesszeiten die Auslastung des Personals zu glätten, sondern auch die Montagearbeit generell menschzentrierter zu gestalten. Damit verfolgt das Projekt 3 Entwicklungsziele: 1) Messmethodik zur regelmäßigen subjektiven Beanspruchungsmessung; 2) Modell für die Prognose von Prozesszeiten; 3) Methode zur Einführung einer menschzentrierten Arbeitsplanung.

• DFG-Verfahren: Sachbeihilfen