Maschinelles Lernen in der Nachschubsteuerung - Verbesserung der Nachschubsteuerung durch den Einsatz von maschinellem Lernen in der Bedarfsprognose
Publikationen: Thesis / Studienabschlussarbeiten und Habilitationsschriften › Masterarbeit
Standard
2020.
Publikationen: Thesis / Studienabschlussarbeiten und Habilitationsschriften › Masterarbeit
Harvard
APA
Vancouver
Author
Bibtex - Download
}
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 -
