Optimierung der Produktionslogistik durch fortgeschrittene Techniken des maschinellen Lernens: Eine Studie zur Ressourcenallokation für Kleinserien- und Sortenvielfalt-Herausforderungen

Angesichts der steigenden Kaufkraft der Verbraucher und der wachsenden Diversifizierung der Anforderungen hat das Auftreten von Kleinserien- und Sortenvielfalt-Anforderungen erhebliche Herausforderungen für die Produktionsfertigung, insbesondere im Management der Produktionslogistik vor Ort, mit sich gebracht. Diese Studie zielt darauf ab, die Probleme des effektiven Materialflusses und der Ressourcenallokation im Management der Produktionslogistik zu adressieren, indem eine Methode zur schnellen und genauen Zuweisung von Ressourcen in der Logistik des Nachschubs untersucht wird. Durch die Nutzung der umfangreichen Daten zur Ressourcenallokation in der Plan For Every Part-System wird der Term Frequency-Inverse Document Frequency-Algorithmus verwendet, um weniger differenzierende Daten herauszufiltern. Zusätzlich wird ein Empfehlungssystem, basierend auf maschinellem Lernen, insbesondere das Recsys (Recommender System), das Ähnlichkeitsalgorithmen verwendet, eingesetzt, um ein Modell für die Empfehlung der Ressourcenallokation in der Logistik zu erstellen. Die Wirksamkeit dieses Ansatzes wird durch eine Fallstudie validiert, die Empfehlungen zur Ressourcenallokation in einem spezifischen Fernsteuerungsproduktionswerkstatt umfasst. Die Validierungsergebnisse zeigen, dass, im Vergleich zu traditionellen Prozessen der Ressourcenallokation in der Logistik, das vorgeschlagene Modell die Empfehlungen zur Ressourcenallokation in der Produktionslogistik optimiert, was zu einer signifikanten Verbesserung der Pünktlichkeit der Materiallieferung und der gesamten Betriebseffizienz in Unternehmen führt.