Ein Ansatz für ein Predictive-Monitoring-System zur Identifikation von Störungswirkungen in der Produktionslogistik mittels künstlichen neuronalen Netzen

Abstract

Unerwartet auftretende logistische und produktionsbezogene Störungen gehören zum betrieblichen Alltag von Unternehmen und wirken sich negativ auf deren Prozess der Leistungserstellung aus. Die prädiktive Identifikation von potentiellen Störungen kann in Form einer Frühwarnung dazu beitragen den Handlungszeitraum für Gegenmaßnahmen zu verlängern, um somit der eigentlichen Störungswirkung rechtzeitig entgegenzuwirken. Im Zeitalter zunehmend umfangreicheren Datenmengen über betriebliche Abläufe sowie Informationsbereitstellung in Echtzeit erscheint der Einsatz prädiktiver Methoden besonders vielversprechend. Im Rahmen dieses Beitrags wird ein Ansatz für ein Predictive-Monitoring-System (PMS) zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt. Die Kernfunktion des Systems basiert auf künstlichen neuronalen Netzen.