Seit langem ist die Automobilindustrie vom Trend der Mass Customization geprägt. In der Fahrzeugendmontage führt die damit verbundene Variantenvielfalt zwangsläufig zu einer nicht vermeidbaren Prozessvarianz, die wiederum aufgrund der schwankenden Bearbeitungszeiten der einzelnen Fahrzeugaufträge die Auslastungsnivellierung erschwert. Unter Anwendung des üblichen Perlenkettenprinzips führt dies in der Folge zu Über- und Unterlastungssituationen. Diese werden in der Fahrzeugendmontage durch Springereinsatz oder Wartezeiten der Werker kompensiert, welche wiederum als Modell-Mix-Verluste einen signifikanten Einfluss auf die Montagekosten haben.
Bestehende Ansätze zur Reduzierung von Modell-Mix-Verlusten in der Fahrzeugendmontage konzentrieren sich auf die Verringerung der Varianten- bzw. Prozessvielfalt oder auf die Glättung der Auslastungsschwankungen durch eine optimierte Austaktung und Reihenfolgeplanung. Dabei folgt die Reihenfolgeplanung in der Regel dem Prinzip der starren Perlenkette, d.h. es liegt eine einheitliche Fahrzeugreihenfolge in der gesamten Endmontage vor. Eine geplante Veränderung der Auftragsreihenfolge innerhalb der Endmontage zur Verbesserung der Werkerauslastung wurde bislang nur unzureichend betrachtet.
Die vorliegende Arbeit verfolgt das Ziel, diese Theorielücke zu schließen. Dabei basiert die Lösung auf der bewussten Abkehr vom Prinzip der starren Perlenkette bei Beibehaltung der üblichen Linienstruktur. Unter Nutzung zusätzlich installierter Resequenzierungspuffer wird die Auftragsreihenfolge montagesegmentspezifisch mit dem Ziel optimiert, den notwendigen Springereinsatz und somit Modell-Mix-Verluste zu reduzieren. Dafür wurde in dieser Arbeit ein Entscheidungsmodell für den Einsatz dieses als proaktive Resequenzierung in der Fahrzeugendmontage bezeichneten Konzepts entwickelt. Dabei findet eine Unterteilung in zwei Teilmodelle statt: die strategische Pufferplanung mit langfristigem Charakter und die operative Reihenfolgeplanung auf kurzfristiger Ebene.
Beide Planungsprobleme werden im Rahmen der entwickelten Lösung jeweils zunächst als mathematische Optimierungsmodelle formuliert. Aufgrund der enormen Problemkomplexität werden anschließend Optimierungsalgorithmen entwickelt, die sich spezifische Eigenschaften der jeweiligen Problemformulierung zunutze machen, um den Rechenaufwand zu reduzieren. Abschließend findet eine Operationalisierung bzw. Integration dieser Lösungsverfahren in übergeordnete Planungs- und Steuerungsansätze statt.