Refine
Document Type
- Article (2)
- Conference Proceeding (1)
Has Fulltext
- yes (3)
Is part of the Bibliography
- no (3)
Keywords
- Produktionsprozess (3) (remove)
Institute
Eine schnelle Erfassung aller Wartezeiten und Störungen im Produktionsablauf und ihre richtige kostenmäßige Bewertung zu einer wirksamen Kontrolle der Gemeinkosten in der Produktion ist schon seit langem eine betriebliche Forderung. Ihre Erfüllung scheiterte bisher häufig an fehlenden organisatorischen Voraussetzungen und den nicht für diese Zwecke geeigneten EDV-Sachmitteln. Mit Hilfe von online konzipierten, im Dialog arbeitenden BDE-Systemen können diese Mängel jetzt behoben werden. Schwachstellen im Prozess lassen sich aktuell lokalisieren und damit auch rasch beseitigen. Das im folgenden hier vorgestellte Programm zur Erfassung der benötigten Daten ist gleichzeitig die Kernzelle eines zur Planung und Steuerung des Auftragsbearbeitungsprozesses eingesetzten Logistiksystems, mit dem noch eine große Anzahl weiterer organisatorischer Aufgaben gelöst werden kann. Betrachtungsschwerpunkt in diesem Beitrag ist die verursachungsgerechte Erfassung von Gemeinkosten im Prozess.
We present a novel long short-term memory (LSTM) approach for time-series prediction of the sand demand which arises from preparing the sand moulds for the iron casting process of a foundry. With our approach, we contribute to qualify LSTM and its combination with feedback-corrected optimal scheduling for industrial processes.
The sand is produced in an energy intensive mixing process which is controlled by optimal scheduling. The optimal scheduling is solved for a fixed prediction horizon. One major influencing factor is the sand demand, which is highly disturbed, for example due to production interruptions. The causes of production interruptions are in general physically unknown. We assume that information about the future behavior of the sand demand is included in current and past process data. Therefore, we choose LSTM networks for predicting the time-series of the sand demand.
The sand demand prediction is performed by our multi model approach. This approach outperforms the currently used naive estimation, even when predicting far into the future. Our LSTM based prediction approach can forecast the sand demand with a conformity up to 38 % and a mean value accuracy of approximately 99%. Simulating the optimal scheduling with sand demand prediction leads to an improvement in energy savings of approximately 1.1% compared to the naive estimation. The application of our novel approach at the real production plant of a foundry proves the simulation results and verifies the capability of our approach.