Maschinelles Lernen in der Nachschubsteuerung - Verbesserung der Nachschubsteuerung durch den Einsatz von maschinellem Lernen in der Bedarfsprognose

Publikationen: Thesis / Studienabschlussarbeiten und HabilitationsschriftenMasterarbeit

Standard

Bibtex - Download

@mastersthesis{b844b9b72d814f0a925e94c3971da72d,
title = "Maschinelles Lernen in der Nachschubsteuerung - Verbesserung der Nachschubsteuerung durch den Einsatz von maschinellem Lernen in der Bedarfsprognose",
abstract = "In Distributionslagern kommen bei der Kommissionierung von Kleinteilen oft automatische Kleinteilelager (AKL) zum Einsatz. Geringe Mengen der auf Paletten angelieferten Artikel werden in Beh{\"a}lter umgepackt und in das AKL eingelagert, um diese Artikel sp{\"a}ter schnell f{\"u}r die Kommissionierung bereitzustellen. Die {\"u}brigen Mengen werden in ein Palettenlager (Nachschublager) gebracht. Unterschreitet der Bestand im AKL einen festgelegten Wert, wird Nachschub angefordert. Thema der vorliegenden Arbeit ist die Optimierung der Nachschubsteuerung f{\"u}r ein solches AKL. Insbesondere wird {\"u}berpr{\"u}ft, ob dabei Methoden des maschinellen Lernens eingesetzt werden k{\"o}nnen. Nach einer kurzen theoretischen Einf{\"u}hrung in die Lagerung und Kommissionierung wird auf die Grundlagen f{\"u}r den praktischen Teil eingegangen. Dazu werden das betrachtete Lager und die relevanten Prozesse beschrieben sowie die Beschaffung und Aufbereitung der Daten geschildert. Danach wird die aktuelle Vorgehensweise bei der Nachschubsteuerung im betrachteten AKL vorgestellt und einer kritischen Pr{\"u}fung unterzogen. Dabei zeigt sich, dass die {\"u}ber die statistische Verteilung der Bedarfsmengen getroffene Annahme nicht g{\"u}ltig ist. Daher wird abschlie{\ss}end versucht, mithilfe von maschinellem Lernen eine gute Bedarfsprognose zu erzielen. Zus{\"a}tzlich werden f{\"u}r diese Schritte jeweils zun{\"a}chst die theoretischen Grundlagen erl{\"a}utert.",
keywords = "replenishment control, machine learning, demand forecasting, Nachschubsteuerung, maschinelles Lernen, Bedarfsprognose",
author = "Jasmin Labner",
note = "gesperrt bis 17-02-2025",
year = "2020",
language = "Deutsch",
school = "Montanuniversit{\"a}t Leoben (000)",

}

RIS (suitable for import to EndNote) - Download

TY - THES

T1 - Maschinelles Lernen in der Nachschubsteuerung - Verbesserung der Nachschubsteuerung durch den Einsatz von maschinellem Lernen in der Bedarfsprognose

AU - Labner, Jasmin

N1 - gesperrt bis 17-02-2025

PY - 2020

Y1 - 2020

N2 - In Distributionslagern kommen bei der Kommissionierung von Kleinteilen oft automatische Kleinteilelager (AKL) zum Einsatz. Geringe Mengen der auf Paletten angelieferten Artikel werden in Behälter umgepackt und in das AKL eingelagert, um diese Artikel später schnell für die Kommissionierung bereitzustellen. Die übrigen Mengen werden in ein Palettenlager (Nachschublager) gebracht. Unterschreitet der Bestand im AKL einen festgelegten Wert, wird Nachschub angefordert. Thema der vorliegenden Arbeit ist die Optimierung der Nachschubsteuerung für ein solches AKL. Insbesondere wird überprüft, ob dabei Methoden des maschinellen Lernens eingesetzt werden können. Nach einer kurzen theoretischen Einführung in die Lagerung und Kommissionierung wird auf die Grundlagen für den praktischen Teil eingegangen. Dazu werden das betrachtete Lager und die relevanten Prozesse beschrieben sowie die Beschaffung und Aufbereitung der Daten geschildert. Danach wird die aktuelle Vorgehensweise bei der Nachschubsteuerung im betrachteten AKL vorgestellt und einer kritischen Prüfung unterzogen. Dabei zeigt sich, dass die über die statistische Verteilung der Bedarfsmengen getroffene Annahme nicht gültig ist. Daher wird abschließend versucht, mithilfe von maschinellem Lernen eine gute Bedarfsprognose zu erzielen. Zusätzlich werden für diese Schritte jeweils zunächst die theoretischen Grundlagen erläutert.

AB - In Distributionslagern kommen bei der Kommissionierung von Kleinteilen oft automatische Kleinteilelager (AKL) zum Einsatz. Geringe Mengen der auf Paletten angelieferten Artikel werden in Behälter umgepackt und in das AKL eingelagert, um diese Artikel später schnell für die Kommissionierung bereitzustellen. Die übrigen Mengen werden in ein Palettenlager (Nachschublager) gebracht. Unterschreitet der Bestand im AKL einen festgelegten Wert, wird Nachschub angefordert. Thema der vorliegenden Arbeit ist die Optimierung der Nachschubsteuerung für ein solches AKL. Insbesondere wird überprüft, ob dabei Methoden des maschinellen Lernens eingesetzt werden können. Nach einer kurzen theoretischen Einführung in die Lagerung und Kommissionierung wird auf die Grundlagen für den praktischen Teil eingegangen. Dazu werden das betrachtete Lager und die relevanten Prozesse beschrieben sowie die Beschaffung und Aufbereitung der Daten geschildert. Danach wird die aktuelle Vorgehensweise bei der Nachschubsteuerung im betrachteten AKL vorgestellt und einer kritischen Prüfung unterzogen. Dabei zeigt sich, dass die über die statistische Verteilung der Bedarfsmengen getroffene Annahme nicht gültig ist. Daher wird abschließend versucht, mithilfe von maschinellem Lernen eine gute Bedarfsprognose zu erzielen. Zusätzlich werden für diese Schritte jeweils zunächst die theoretischen Grundlagen erläutert.

KW - replenishment control

KW - machine learning

KW - demand forecasting

KW - Nachschubsteuerung

KW - maschinelles Lernen

KW - Bedarfsprognose

M3 - Masterarbeit

ER -