Für die Siemens AG hat der Entwicklungspartner MaibornWolff eine Machine-Learning-Plattform zur multivariaten Zeitreihenprognose von Bauteilbedarfen entwickelt. Das System konsolidiert Produktions- und Verbrauchsdaten aus mehreren Fertigungswerken, um Bedarfe vorauszuberechnen und die Produktionsplanung datengetrieben zu steuern. Dadurch sollen Pufferbestände gesenkt und die Allokation von Fertigungskapazitäten optimiert werden.
Hohe Lagerkosten und starre Disposition belasten die industrielle Fertigung. Die Siemens AG begegnet dieser Herausforderung mit einer ML-Plattform für präzise Zeitreihenprognosen in der Produktionsplanung.
In industriellen Fertigungswerken verursachen hohe Lagerbestände erhebliche Betriebskosten, während fehlende Komponenten den gesamten Fertigungsablauf gefährden. Das Projekt für Siemens nutzt Machine-Learning-Modelle zur multivariaten Zeitreihenanalyse, um den künftigen Bedarf an Bauteilen und Komponenten exakt vorherzusagen. Die technische Plattform basiert auf Azure Machine Learning, PostgreSQL sowie FastAPI und folgt dem standardisierten CRISP-ML(Q)-Vorgehensmodell. Historische Produktions- und Verbrauchsdaten werden strukturiert analysiert, woraufhin die berechneten Prognosen direkt in bestehende Planungssysteme zurückgeführt werden. Dies ermöglicht es den Werken, Engpässe frühzeitig zu erkennen und die Produktionsreihenfolge vorausschauend anzupassen. Die Lösung ist Teil der übergeordneten Industrial-AI-Strategie von Siemens für eine adaptive Fertigung. Durch den kontinuierlichen Datenabgleich lassen sich Sicherheitsbestände reduzieren, ohne die Liefertreue zu gefährden.
Klassische Planungssoftware arbeitet mit starren Schwellenwerten und deterministischen Formeln, die multivariaten Abhängigkeiten und zeitlichen Verschiebungen in komplexen Produktionsabläufen nicht gerecht werden. Machine-Learning-Verfahren hingegen erkennen komplexe Muster und Saisonalitäten in großen Zeitreihendaten, wodurch sie sich kontinuierlich an neue Verbrauchsdaten anpassen. Dies ermöglicht eine dynamische Prognosegüte, die mit starren Wenn-Dann-Regeln herkömmlicher Softwaresysteme nicht erreichbar ist.
Unternehmen, die ihre Produktion adaptiv auf Basis präziser Prognosen steuern, können flexibler auf Marktschwankungen reagieren als Wettbewerber mit starren Planungszyklen. Die Vernetzung von Shopfloor-Daten und intelligenter Bedarfsplanung verkürzt Durchlaufzeiten und festigt die Marktposition als zuverlässiger Lieferant.
Die bedarfsgerechte Beschaffung und Fertigung senkt die Kapitalbindung im Lager signifikant, da hohe Sicherheits- und Pufferbestände abgebaut werden können. Durch verlässlichere Prognosen werden Fehlallokationen von Maschinen- und Personalkapazitäten vermieden, was die Gesamtanlageneffektivität steigert.
Die Konsolidierung von Zeitreihendaten aus mehreren Werken in einer einheitlichen MLOps-Plattform harmonisiert ehemals isolierte Planungsprozesse. Die manuelle Nacharbeit bei der Disposition sinkt, während die Rückmeldung der ML-Modelle in ERP- und Produktionssysteme für standardisierte Abläufe sorgt.
Disponenten und Planer werden von fehleranfälliger manueller Datenaggregation entlastet und erhalten automatisierte Vorschläge, die sie fachlich prüfen und freigeben können. Der Arbeitsalltag wandelt sich von der reaktiven Problembeseitigung hin zur strategischen Steuerung der Fertigung.
Die Rolle verschiebt sich vom manuellen Zahlenverwalter zum vorausschauenden Produktionsstrategen, während reine Dateneingabetätigkeiten vollständig durch die automatisierte Plattform übernommen werden.
Mitarbeitende erweitern ihr Profil um Kenntnisse in der Beurteilung datengetriebener Modelle und lernen, automatisierte Zeitreihenprognosen in den operativen Kontext einzuordnen.
Sie profitieren als Kunde von pünktlichen Lieferungen und transparenten Lieferzeiten, da Verzögerungen durch fehlende Zwischenkomponenten im Vorfeld vermieden werden.
Stabile Produktionsnetzwerke sichern die termingerechte Bereitstellung von Industrieprodukten und Infrastrukturkomponenten, was indirekt die Zuverlässigkeit moderner Versorgungs- und Mobilitätssysteme gewährleistet.