Open Access

Stefano Repolust

• Durch Trends wie die Digitalisierung, immer verfügbare Online-Shops und Bestellsysteme, die Nutzung von neuen Technologien und größer werdende Datenmengen, gab es in den letzten Jahren eine massive Veränderung der Logistik. Dem hinzukommend verursachte eine weltweite Pandemie einen immensen Druck auf die Logistikbranche . Szenarien wie Ausfälle der Lieferketten, verursacht durch Maschinen oder Softwaresysteme, müssen vermieden werden. Deswegen versucht die Logistikwirtschaft neue Technologien wie Predictive Maintenance und Data Mining in deren Warehouse Management Systeme einfließen zu lassen, um eine nahezu unterbrechungsfreie Logistiklieferkette gewährleisten zu können. Aus diesem Grund werden in der vorliegenden Arbeit die Einflussfaktoren und Potentiale des Data Minings auf Predictive Maintenance in einem Warehouse Management System evaluiert. Um diese Einflussfaktoren des Data Minings zu finden, wurden im ersten Schritt Data Mining Verfahren und deren Einsatzzwecke in der Logistik mit Hilfe einer Literaturrecherche elaboriert. Des Weiteren wurden die Einsatzgebiete von Predictive Maintenance in einem Warehouse Management System seitens Hardware aber auch Software näher betrachtet. Die im Theorieteil der Arbeit erkannten Einflussfaktoren und Potentiale des Data Minings auf Predictive Maintenance in einem Warehouse Management System wurden mittels Interviews mit Experten und Expertinnen aus der Logistikbranche durchgeführt, ausgewertet und evaluiert. Der zentrale Einflussfaktor ,welcher von allen Experten und Expertinnen genannt wurde, ist das aktive Benutzen und Verwerten des Wissens sowie die gewonnenen Erkenntnisse durch das Data Mining. Schließlich konnten, durch die Auswertung der Interviews konnten, folgende Einflussfaktoren und Potentiale erarbeitet werden: ▪Mittels IOT Geräten, welche an Maschinen und Fördertechnik angebracht werden, können frühzeitig Störungen mittels Data Mining Techniken erkannt und aufgezeigt werden. ▪Der Einsatz der Regression auf den Durchsatz eines Systems mittels historischer Daten, um eine Veränderung der Durchlaufzeiten zu erkennen und somit frühzeitig eine Störung oder ein Problem vorauszusagen.
• Due to trends such as digitalization, increasingly available online stores and ordering systems, use of new technologies and increasing amounts of data, there has been a massive change in logistics in recent years. In addition, a worldwide pandemic put immense pressure on the logistics industry, and scenarios such as supply chain failures caused by machines or software systems were hardly allowed to occur. Therefore, the logistics industry is trying to incorporate new technologies such as predictive maintenance and data mining into their warehouse management systems to ensure an almost uninterrupted logistics supply chain. For this reason, this thesis evaluates the influencing factors and potentials of data mining on predictive maintenance in a warehouse management system. In order to identify the factors that influence data mining, a literature search was first conducted to investigate data mining methods and their application in logistics. Furthermore, the application areas for predictive maintenance in a warehouse management system were examined more closely in terms of both hardware and software. The influencing factors and potentials of data mining for predictive maintenance in a warehouse management system identified in the theoretical part of the thesis were then evaluated by means of interviews with experts from the logistics industry. One important finding which all of the experts recognized as an influencing factor is the active utilization of the knowledge and insights gained through data mining. An evaluation of the interviews yielded the following influencing factors and potentials: • IOT devices attached to machines and conveyor systems can be used to detect malfunctions at an early stage by means of data mining techniques. • Use of regression on the throughput of a system using historical data to detect a change in throughput times and thus predict a disruption or problem at an early stage.