Müller, Marvin (2022)
Verbesserung des Abweichungsmanagement im digitalen Shopfloor Management durch Natural Language Processing.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00021514
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

Shopfloor Management (SFM) ist ein verbreiteter Ansatz zur Bearbeitung von Abweichungen in der Produktion. Aktuell geht die Entwicklung hin zu digitalen SFM-Systemen (dSFM), um den manuellen Aufwand in der Aktualisierung der Informationen zu reduzieren. Während aktuelle Softwarelösungen vor allem die bestehenden Prozesse digital nachbilden, liegt die Zukunft in der Verbesserung der Prozesse durch die Analyse und Verarbeitung der entstehenden Daten. Im Abweichungsmanagement handelt es sich dabei im Wesentlichen um Freitexte, in denen Abweichungen, Ursachen und Maßnahmen dokumentiert sind. In diesen Daten steckt so das bisher ungenutzte, aber wertvolle domänenspezifische Wissen der Beschäftigten. Daher bearbeitet diese Arbeit das folgende Ziel: Gestaltung von Assistenzsystemen für die Verbesserung des Abweichungsmanagement im dSFM und einer Methode zu deren situationsspezifischen Einführung in Unternehmen. Für die Gestaltung der Assistenzsysteme wird ein menschzentrierter Ansatz gewählt und es werden kontinuierlich Anforderungen und Feedback von insgesamt 104 Personen aufgenommen. So wird gezeigt, dass sich die Assistenzsysteme „Empfehlungssysteme zur Verstetigung des Wissens“, „Document Clustering zur Identifikation der Top-Themen“ und „Chat-Apps mit Extraktion von Informationen“ positiv auf die Erfolgsfaktoren des Abweichungsmanagement im dSFM auswirken. Dafür wird auch die Leistungsfähigkeit der Assistenzsysteme gemessen. Die verwendeten Ansätze aus dem Bereich des Natural Language Processing (NLP) sind dabei anfällig gegen einige der typischen Eigenschaften von Abweichungsbeschreibungen im dSFM: kurze Texte, zahlreiche Synonyme und Rechtschreibfehler. Daher werden die relevanten Eigenschaften von dSFM-Textdaten für die Leistungsfähigkeit der Assistenzsysteme anhand von drei Datensätzen aus der Industrie quantifiziert. Auf dieser Basis wird anschließend ein synthetischer Datensatz von dSFM-Textdaten erzeugt, mit dem Test zur weiteren Verbesserung der Assistenzsysteme durch eine produktionsspezifische Aufbereitung der Daten durchgeführt werden. Abschließend wird anhand der erzielten Erkenntnisse eine Methode zur Konfiguration eines Anwendungssystems für Unternehmen gestaltet. Mit dieser ist es möglich, die notwendigen Assistenzsysteme und die Schritte zu deren Einführung auf Basis einer einfachen Selbstbewertung des Unternehmens abzuleiten. Damit wird Unternehmen die Umsetzung der Assistenzsysteme erleichtert. Auf Basis einer Verbreitung der Assistenzsysteme in der Praxis können zukünftig weitere Fragen zur deren Wirkung im Unternehmen beantwortet werden. Des Weiteren ist es mit dem erstellten synthetischen Datensatz möglich, weitere vergleichende Studien über verschiedene NLP-Ansätze zur Verarbeitung von dSFM-Textdaten durchzuführen. Langfristig wird so eine weitere Datenquelle, die der Textdaten, für Anwendungen wie z.B. Digitale Zwillinge in der Produktion erschlossen.

Frage zum Eintrag

Redaktionelle Details anzeigen