KI‑gesteuerte, neue Generation der intelligenten Entscheidungsfindung und Bestandsoptimierung im gesamten Lebenszyklus komplexer Produktfertigung durch Integration von LSTM und Q‑Learning

Klügere Fabriken für die Alltagstechnik

Von Smartphones und Laptops bis hin zu Autos und Flugzeugen hängen viele Produkte, auf die Menschen täglich angewiesen sind, von komplexen Bauteilen ab, die durch lange, empfindliche Fertigungsketten entstehen. Diese Fabriken müssen entscheiden, wie viel in jedem Schritt produziert wird, wie viel im Lager gehalten werden soll und wie sie reagieren, wenn die Nachfrage plötzlich steigt oder fällt. Diese Studie untersucht einen neuen Ansatz, mit dem künstliche Intelligenz diese Entscheidungen intelligenter treffen kann, um Verschwendung und Engpässe zu reduzieren und gleichzeitig den Fluss wertvoller Produkte aufrechtzuerhalten.

Warum die Herstellung fortschrittlicher Produkte so schwierig ist

Komplexe Produkte wie Halbleiterchips und Luft- und Raumfahrtkomponenten durchlaufen viele eng verknüpfte Stufen, vom Schneiden und Verbinden bis hin zu Tests und Verpackung. Die Nachfrage nach diesen Produkten ist häufig volatil: Bestellungen schießen in die Höhe, wenn ein neues Gerät populär wird, und brechen ein, wenn sich die Märkte verschieben. Traditionelle Planungsmethoden haben Schwierigkeiten, mit diesen Schwankungen umzugehen. Sie produzieren entweder zu viel und binden Kapital in Lagern oder zu wenig, was schmerzhafte Fehlbestände verursacht, sodass Kunden warten müssen oder anderswo kaufen. Gleichzeitig erzeugen Fabriken enorme Datenmengen aus Sensoren, Qualitätsprüfungen und Lieferaufzeichnungen, die menschliche Planer in Echtzeit nur schwer verarbeiten können.

Kombination zweier KI‑Arten in einer geschlossenen Schleife

Die Autoren schlagen ein integriertes KI‑Rahmenwerk vor, das zwei komplementäre Techniken verbindet: ein Prognosemodul und ein Entscheidungsmodul. Die Prognoseseite nutzt einen Typ neuronaler Netze namens Long Short‑Term Memory (LSTM), um Muster in vergangenen Bestellungen und Sensorsignalen zu erkennen, etwa saisonale Nachfrageanstiege oder Verlangsamungen durch Geräteprobleme. Anstatt diese Prognose als fest anzusehen, verfeinert das System sie kontinuierlich mit neuen Daten. Die Entscheidungsseite verwendet Q‑Learning, eine Form des verstärkenden Lernens, bei dem ein virtueller Entscheidungsträger in einer simulierten Umgebung mit verschiedenen Produktionsentscheidungen experimentiert und lernt, welche zu geringeren Kosten und weniger Engpässen führen. Entscheidend ist, dass diese beiden Module in einer Rückkopplungsschleife verbunden sind: Prognosen leiten Entscheidungen, und die Ergebnisse dieser Entscheidungen fließen zurück, um zukünftige Prognosen zu verbessern.

Abwägung von Kosten, Bestand und Unsicherheit

Echte Fabriken müssen mehrere Kostenarten gleichzeitig austarieren: die Produktionskosten pro Einheit, die Kosten für das Vorhalten zusätzlicher Bestände und die oft deutlich höheren Kosten bei Ausfällen und Nichterfüllung von Bestellungen. Das Rahmenwerk modelliert eine Produktionslinie mit mehreren Stufen und erfasst explizit Bestände und Rückstände in jeder Stufe. Zudem fügt es eine Schutzschicht gegen Unsicherheit mittels einer robusten Optimierungstechnik hinzu, die auf plötzliche Nachfrageverschiebungen vorbereitet statt davon auszugehen, dass sich vergangene Muster immer fortsetzen. Praktisch bedeutet das, dass das System weniger wahrscheinlich von Extremereignissen überrascht wird, wie plötzlichen Marktbooms oder Störungen in der Lieferkette, während es zugleich die Tendenz zum Überproduzieren „nur für den Fall“ vermeidet.

Was die Experimente in realen Fabriken zeigen

Um den Ansatz zu testen, wendeten die Forscher ihn auf reale Daten aus einem Halbleiter‑Verpackungs‑ und Testwerk mit fünf Produktionsstufen an. Sie verglichen ihr Rahmenwerk mit traditionellen Materialbedarfsplanungssystemen und mehreren fortgeschrittenen KI‑basierten Konkurrenzmethoden. Die LSTM‑Prognosen reduzierten den Vorhersagefehler um etwa 40 Prozent im Vergleich zu einer klassischen statistischen Methode, und das vollständige Rahmenwerk senkte die Gesamtkosten um 15,7 Prozent gegenüber dem Altsystem und um 8,3 Prozent gegenüber einem starken modernen Benchmark. Bemerkenswert ist, dass es eine Null‑Fehlbestand‑Rate erreichte, während es den Lagerumschlag auf 4,2 Mal pro Jahr erhöhte, was bedeutet, dass Teile nicht lange ungenutzt lagen. Weitere Analysen zeigten, dass das System stabil blieb, selbst wenn die Nachfrage unbeständiger wurde, Prognosen weniger genau waren oder Sensordaten verrauscht waren — Bedingungen, die die industrielle Realität des Alltags widerspiegeln.

Hochskalierung und Übertragbarkeit auf andere Branchen

Die Studie untersuchte auch, wie gut das Rahmenwerk skaliert, wenn Fabriken wachsen oder in anderen wertintensiven Sektoren eingesetzt werden. Simulationen mit mehr Produktionsstufen führten nur zu moderaten Steigerungen der Rechenzeit, was nahelegt, dass größere Werke den Ansatz übernehmen könnten, ohne ihre digitale Infrastruktur zu überlasten. Bei Anpassung auf die Fertigung von Luftfahrtkomponenten senkte die Methode erneut die Kosten und hielt Engpässe selten, indem lediglich Kosten‑ und Kapazitätsparameter an die jeweilige Branche angepasst wurden. Die Autoren argumentieren, dass das Rahmenwerk mit Unterstützung durch Edge‑Computing‑Hardware und sorgfältiger Systemintegration in die heute von vielen Herstellern verwendete Fabriksoftware eingebettet werden kann.

Was das für die zukünftige Produktion bedeutet

Einfach gesagt demonstriert die Studie, dass die Ausstattung von Fabriken mit einem „digitalen Co‑Pilot“, der sowohl die Nachfrage prognostiziert als auch lernt, darauf zu reagieren, die Produktion reibungsloser, kostengünstiger und zuverlässiger machen kann. Indem Prognosen eng mit den Entscheidungen vor Ort verknüpft und das System so gestaltet werden, dass es mit realem Rauschen und Überraschungen umgehen kann, verwandelt das Rahmenwerk Rohdaten in praktikable Hinweise dazu, wie viel an jedem Schritt produziert und gelagert werden sollte. Für Verbraucher könnte diese Intelligenz hinter den Kulissen kürzere Verzögerungen bei neuen Geräten und eine widerstandsfähigere Versorgung mit den fortschrittlichen Komponenten bedeuten, die das moderne Leben antreiben.

Zitation: Jiang, Z., Dan, W. & Yu-fei, C. New-generation AI-driven intelligent decision-making and inventory optimization in the full lifecycle of complex product manufacturing integrating LSTM and Q-learning. Sci Rep 16, 11077 (2026). https://doi.org/10.1038/s41598-026-41629-6

Schlüsselwörter: intelligente Fertigung, Bestandsoptimierung, Halbleiterproduktion, verstärkendes Lernen, Nachfrageprognose