Die Mehrheit der Produktionsanläufe erreicht nicht die anvisierten Anlaufziele, wie das Beispiel des Model 3 von Tesla zeigt. Dies begründet sich in der Dynamik und Komplexität eines anlaufenden Produktionssystems, weswegen Entscheidungsauswirkungen kaum überblickt oder gar prognostiziert werden können. Auf der anderen Seite eröffnen sich im Zuge von Industrie 4.0 neue Potentiale für das Anlaufmanagement. In diesem Kontext wird das Machine Learning als Ansatz zur Unterstützung der Entscheidungsfindung genannt. Dies motiviert zur Entwicklung eines auf Machine Learning basierenden Gestaltungsmodells zur Unterstützung der Entscheidungsfindung im Produktionsanlauf.
Das Ziel des entwickelten Gestaltungsmodells ist die Sicherstellung der Qualitäts- und Mengenleistungsfähigkeit durch die Planung, Evaluation und Anpassung der Anlaufstrategie. Das implementierte Gestaltungsmodell besteht im Wesentlichen aus dem systemdynamischen Produktionsanlaufmodell und aus dem Machine Learning-Modell, die beide zur Erfüllung ihrer Funktion mit einem Entscheidungsmodell interagieren. Das Produktionsanlaufmodell wird in der Anlaufplanung angewendet und dient zur Ausrichtung der Anlaufaktivitäten und phasenbezogenen Priorisierung von Zielgrößen. Mithilfe des Machine Learning-Modells wird die Anlaufstrategie in Abhängigkeit der priorisierten Zielgrößen in den einzelnen Phasen des Produktionsanlaufs angepasst.
Zur Evaluierung des Gestaltungsmodells wird es in simulierten Produktionsanläufen zur Optimierung der Gesamtanlageneffektivität OEE angewendet. In diesem Zusammenhang wird folgendes, kontraintuitives Ergebnis erzielt: Durch die Priorisierung von Zielgrößen, die in den Phasen des Produktionslaufs fokussiert und durch Anpassung der Anlaufstrategie optimiert werden, wird eine höhere OEE erzielt als durch die explizite Fokussierung und Optimierung der OEE in jeder Phase. Dieses kontraintuitive Ergebnis spricht für die Notwendigkeit aller Teilmodelle und den Lösungsansatz, der eine Planung der Anlaufstrategie zur phasenbezogenen Ausrichtung von Zielgrößen und eine Anpassung der Anlaufstrategie in der Anlaufphase zur Optimierung der fokussierten Zielgrößen in den einzelnen Phasen vorsieht.