TU Darmstadt / ULB / TUbiblio

Verbesserung des Abweichungsmanagement im digitalen Shopfloor Management durch Natural Language Processing

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.

Typ des Eintrags: Dissertation
Erschienen: 2022
Autor(en): Müller, Marvin
Art des Eintrags: Erstveröffentlichung
Titel: Verbesserung des Abweichungsmanagement im digitalen Shopfloor Management durch Natural Language Processing
Sprache: Deutsch
Referenten: Metternich, Prof. Dr. Joachim ; Anderl, Prof. Dr. Reiner
Publikationsjahr: 2022
Ort: Darmstadt
Kollation: XI, 152 Seiten
Datum der mündlichen Prüfung: 27 April 2022
DOI: 10.26083/tuprints-00021514
URL / URN: https://tuprints.ulb.tu-darmstadt.de/21514
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.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Shop floor management (SFM) is a common approach for handling deviations in production. Currently, the development is moving towards digital SFM systems (dSFM) to reduce the manual effort in updating the information. While current software solutions mainly digitally replicate existing processes, the future lies in improving processes by analyzing and processing the resulting data. In deviation management, the data is mainly free text in which deviations, causes and measures are documented. Thus, this data contains the previously unused but valuable domain-specific knowledge of the employees. Therefore, this thesis works towards the objective: Design of assistance systems for the improvement of deviation management in dSFM and a method for their situation-specific implementation in companies A human-centered approach is chosen for the design of the assistance systems and requirements and feedback from a total of 104 people are continuously recorded. Thus, it is shown that the assistance systems "Recommendation systems for knowledge perpetuation", "Document clustering for identification of top issues" and "Chat apps with extraction of information" have a positive impact on the success factors of deviation management in dSFM. For this purpose, the performance of the assistance systems is also measured. In this context, the Natural Language Processing (NLP) approaches used are vulnerable to some of the typical characteristics of deviation descriptions in dSFM: short texts, numerous synonyms, and spelling errors. Therefore, the relevant properties of dSFM text data for the performance of assistance systems are quantified using three datasets from companies. On this basis, a synthetic dataset of dSFM text data is generated, which is used to perform tests to further improve the assistance systems by processing the data in a production-specific manner. Finally, a method for configuring an application system for companies is designed based on the findings obtained. With this it is possible to derive the necessary assistance systems and the steps for their implementation based on a simple self-assessment of the company. This makes it easier for companies to implement the assistance systems. Based on a dissemination of the assistance systems in practice, further questions about their effect in the company can be answered in the future. Furthermore, with the created synthetic data set it is possible to conduct further comparative studies on different NLP approaches for processing dSFM text data. In the long run, this will open up another data source, that of text data, for applications such as digital twins in production.

Englisch
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-215141
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
600 Technik, Medizin, angewandte Wissenschaften > 650 Management
600 Technik, Medizin, angewandte Wissenschaften > 670 Industrielle und handwerkliche Fertigung
Fachbereich(e)/-gebiet(e): 16 Fachbereich Maschinenbau
16 Fachbereich Maschinenbau > Institut für Produktionsmanagement und Werkzeugmaschinen (PTW)
TU-Projekte: EU/EFRE|20005482|TexPrax - Gurevych
Hinterlegungsdatum: 17 Jun 2022 10:27
Letzte Änderung: 18 Nov 2022 10:28
PPN: 49656871X
Referenten: Metternich, Prof. Dr. Joachim ; Anderl, Prof. Dr. Reiner
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 27 April 2022
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen