Programmierwettbewerb ZF Friedrichshafen

Minimiere mittels Machine Learning die Standzeiten von Maschinen

{ABOUT}

Industrie 4.0 ist in aller Munde. Hier kannst Du Deine Fähigkeiten direkt an einem realitätsnahen Case austesten – und eine Menge dabei lernen!

Ausgangssituation:
ZF stellt mit großen Werkzeugmaschinen Bauteile und Maschinen für andere Unternehmen her. Neben Werkzeugmaschinen kommen hierbei Gießereien mit einer begrenzten Anzahl an Gußformen und Öfen zum Einsatz. Werkzeugmaschinen und Gußformen sind also eine begrenzte, aber zur Herstellung notwendige Ressource. Zudem ist der Betrieb der großen Werkzeugmaschinen und Gießereien teuer, sodass eine optimale Auslastung für einen effizienten Betrieb unabdingbar ist.

Die Standzeiten der Werkzeugmaschinen werden heutzutage noch von verschiedenen Lieferanten übermittelt und in eine Excel-Tabelle eingepflegt. Auch die Logistikbteilung übermittelt auf Tagesbasis Abrufzahlen für jede Variante der Rohteilebene (hergestellte Erzeugnisse), welche daraufhin ebenfalls in Exceltabellen eingepflegt werden. Alle Varianten werden auf Grundlage der erfassten Daten in Charts abgebildet und monatlich innerhalb einer abteilungsübergreifenden Planungsrunde diskutiert.
Dieser komplexe Prozess ist für die Mitarbeiter enorm (zeit-)aufwendig und birgt viel Raum für Fehler.

Jetzt kommst DU ins Spiel:
Lass uns diesen Prozess möglichst realitätsnah digitalisieren. Keine mühsame Pflege in einem Excel-File mehr, sondern Dateneingabe über eine zentrale Eingabemaske.
Für die optimale Auslastung von Maschinen können die vorhandenen Daten ausgewertet werden und anhand der Daten Aussagen über Optimierungspotential gegeben werden.
Für die Realisierung einer Lösung bietet sich besonders eine Webanwendung oder ein Server-Client Modell an, sodass eine Art “Cloudlösung” erreicht wird.

{INPUT}

Ziel Deiner Lösung ist es deshalb, ein modernes Planungstool zu entwerfen, dass die Eingabe der entsprechenden Daten ermöglicht, diese aufbereitet und im letzten Schritt sogar Vorhersagen treffen kann.
Optional: Mithilfe von KI-Technologie könnten netzwerkübergreifende Dateninputs auf Echtzeitbasis verarbeitet und Werkzeugdaten managementgerecht dargestellt werden. Zudem könnten Planungsprozesse durch das Tool selbstständig kalkuliert und dadurch verlässliche Prognosewerte ermittelt werden.

Aufgabenstellung: Entwickle eine Lösung, die die relevanten Daten der Maschinen sammelt. Anhand der Daten könnten optimalerweise (mittels Machine-Learnig-Ansätzen) Vorhersagen oder Tipps gegeben werden.

Folgende Features sind optimalerweise enthalten:

• Eingabemaske: Eingabe der relevanten Daten
• Optional: Import von Daten
• Aufbereitung und Analyse der Daten
• Vorhersagen zu Optimierungsmöglichkeiten

Selbstverständlich kannst Du weitere Zusatzfeatures implementieren 😉

{REVIEW}

Worauf achten wir bei der Bewertung Deiner Abgabe?

• Funtionalität: Funktioniert Deine Lösung?
• Dokumentation: Ist der Code sinnvoll dokumentiert und kommentiert?
• Code-Qualität: Ist der Code sinnvoll strukturiert?
• Ausführbarkeit (Kompilierte Fassung)

{POST}

Deine Abgabe soll:

• Den vollständigen lesbaren Sourcecode enthalten
• Eine Anleitung enthalten zum Bauen und Starten des Programms, z.B. als README
• Kompiliertes/Ausführbares Programm

Facts

Win!

1. Platz: 500 €
2. Platz: 400 €
3. Platz: 300 €

Zeitlicher Ablauf

• Abgabetermin:
  31. Dezember 2019 – 23:59Uhr
• Auswertung:
  Januar / Februar 2020
• Siegerehrung:
  März 2020

Abgabe

Programmiersprachen:
Java, Python, Perl, Rust, C, C++, C#, Ruby, Assembler, JavaScript, PHP
Als Form der Lösung ist erlaubt: Webseite, Desktopanwendung oder CLI Konsolen Ein- und Ausgabe.
Die Verwendung von OpenSource Bibliotheken/Frameworks ist erlaubt.

Wir führen diese Code Competition in Zusammenarbeit mit unserem Partner durch:

ZF Friedrichshafen AG