Produktionsfeinplanung 02.03.2022, 12:25 Uhr

So optimieren smarte Algorithmen die Produktionsplanung mit geringem Aufwand

Mit dem richtigen Einsatz von Digitaltechnik wird die Produktionsfeinplanung automatisiert und dadurch optimiert.

Mit dem Einsatz von Digitaltechnik lassen sich in der Produktionsfeinplanung mit geringem Aufwand bessere Ergebnisse erzielen. Foto: panthermedia.net/branex

Mit dem Einsatz von Digitaltechnik lassen sich in der Produktionsfeinplanung mit geringem Aufwand bessere Ergebnisse erzielen.

Foto: panthermedia.net/branex

Digitalisierung ist kein Selbstzweck. Es muss ein Nutzen dahinter stehen. Potenziale sind immer dann gegeben, wenn durch den Einsatz der Digitaltechnik Prozesse automatisiert, manuelle und kognitive Tätigkeiten also ersetzt werden können. Im Ergebnis laufen diese Prozesse dann nicht nur schneller und weniger aufwendig ab, sondern erzielen auch noch eine deutlich bessere Ergebnisqualität. Dies kann man zumindest für die Produktionsfeinplanung behaupten.

Status Quo

Betrachtet man die großen und mittelständischen Unternehmen, so hat die Digitalisierung bereits in fast allen Bereichen Einzug gehalten. Allerdings ist der Grad der Digitalisierung sehr unterschiedlich, das heißt, dass in einigen Bereichen die Prozesse weitgehend digital und damit automatisiert ablaufen (z.B. Finanzen und Controlling), in anderen Bereichen aber immer noch ein sehr hoher Anteil an manuellen Tätigkeiten besteht (z.B. Produktion, Einkauf, Disposition).

Auch die Produktionsplanung und insbesondere die Feinplanung werden in der Praxis nur zu einem geringen Grad durch Digitaltechnik unterstützt. Zwar gibt es zahlreiche Systeme, die hier unterstützen können, aber die Nutzung der Systeme scheitert zum einen häufig daran, dass die Systeme selbst schon so komplex und dadurch intransparent sind, dass sie kaum von einem Menschen bedient werden können. Oft hören wir die Antwort der Planer und Fertigungssteuerer, dass die Ergebnisse nicht nachvollziehbar, nicht optimal oder gar falsch sind. „Da mache ich das doch besser selbst“ – also manuell, heißt es dann.

Zum anderen können selbst diese komplexen Systeme die Komplexität der Produktion heute noch immer nicht hinreichend abbilden. Im Produktionsbetrieb existieren beispielsweise zahlreiche Restriktionen wie Personal-, Material oder Werkzeugverfügbarkeit, die manche Planung schnell obsolet machen kann. Weiterhin sind auch die Freiheitsgrade der Planung abzubilden wie beispielsweise Alternativressourcen und -materialien. Will man nun eine Reihenfolgeplanung mit Berücksichtigung aller Restriktionen und Freiheitsgrade abbilden, ergibt ein nach menschlichem Ermessen nicht mehr beherrschbarer Lösungsraum. Die Vielzahl der Lösungsmöglichkeiten kann nicht ‚mal so eben‘ einfach durchgerechnet werden, da hierfür noch immer nicht genügend Rechenleistung in vertretbarer Zeit zur Verfügung steht.

Der Lösungsweg

Um diesem Dilemma zu entkommen, müssen Feinplanungstools auf smarten Algorithmen aufbauen,. Mit einer solchen KI-gestützten Feinplanung lassen sich erhebliche Verbesserungen erzielen, was sowohl das Management der Restriktionen als auch Freiheitsgrade betrifft. Die Leistung der KI ist es dabei, den schier endlosen Lösungsraum sehr schnell auf vergleichsweise wenige mögliche Planungsoptima zu reduzieren. Dabei werden iterativ nur geringfügige Änderungen an der aktuellen Lösungsvariante vorgenommen; dies solange, bis sich keine Verbesserung mehr ergibt. Anschließend wird eine deutlich andere Lösungsvariante gewählt, um erneut ein lokales Optimum zu ermitteln. Hinterlegt wird hierzu ein sogenannter Hill Climbing Algorithmus. Dieses heuristische Optimierungsverfahren findet seine Analogie beim Bergsteiger, der seine Schritte möglichst steil bergauf lenkt. Geht es nach allen Richtungen nur noch nach unten, ist er auf einem Gipfel angekommen. Jeder einzelne Gipfel wird bezüglich seiner Güte bewertet und, falls dieser höher und damit besser ist, als die bis dahin beste Lösung, wird er als Optimum übernommen. Dabei ist es von besonderer Bedeutung, die richtigen Bewertungskriterien für die Lösungen zu definieren und über Algorithmen in Form von sogenannten Score-Funktionen abzubilden. Jede untersuchte Lösung wird also anhand ausgewählter Kriterien wie beispielsweise Termineinhaltung und Produktivität bewertet und übernommen oder verworfen.

Positionierung des KI-gestützten Optimierungslaufs

Ideal positionieren lässt sich ein solcher KI-gestützte Optimierungslauf hinter einen klassischen MRP-Lauf, wie ihn jedes konventionelle ERP-System bietet. Bei solchen MRP-Läufen werden in der Regel nämlich keine Verfügbarkeiten geprüft, d.h. die Terminierung wird rein bedarfsorientiert vollzogen – egal ob die Maschine, das Werkzeug oder das Material zu dem Zeitpunkt verfügbar ist oder nicht. Dies bedeutet für den KI-basierten Optimierungslauf, dass die Reihenfolgen nicht nur auf Basis der verfügbaren Maschinenkapazität zu ermitteln sind. Es sind vielmehr auch die verfügbaren Materialien, Werkzeuge und Hilfsmittel dynamisch zu allokieren und wieder freizugeben. Bei einem Materialengpass würde der Disponent beispielsweise das verfügbare Material gegebenenfalls auf mehrere Aufträge aufteilen, sodass mehrere Kunden mit ersten Mengen beliefert werden können. Auch dieser Mechanismus stellt einen Freiheitsgrad dar, den moderne Feinplanungstools heute automatisch berücksichtigen sollten. Das KI-System sollte folglich eigenständig entscheidet können, ob und wann Materialien aufgeteilt und die Aufträge gesplittet werden müssen. Trotz massiv erweiterter Funktionalität gegenüber konventionellen PP/DS-Tools lassen sich hier bereits weitere Grenzen der Automatisierung erkennen, denn niemand kann einem Fertigungssteuerer das Menscheln übel nehmen, wenn der eine Kunde dem anderen rein emotional bevorzugt wird. Den Umgang mit den Freiheitsgraden aber am Gesamtoptimum auszurichten und diesen Prozess voll zu automatisieren macht jedoch extrem viel Sinn, da man so bessere Ergebnisse bei geringerem Zeitaufwand erzielt, sodass man sich exakt auf solche Sonderregelungen konzentrieren kann, die man eben nicht automatisieren kann. Und genau an diesem Punkt kommt man auch von der Theorie in die Praxis.

Von der Theorie in die Praxis

Nichts ist nämlich so sicher wie eine Störung im Produktionsbetrieb. Materialien können Qualitätsprobleme haben, Maschinen können ausfallen oder das Personal wird kurzfristig krank. Dies kann auch ein KI-System nicht exakt vorausplanen. Treten die Störungen aber auf, muss vor Ort im Shopfloor reagiert und improvisiert werden, um die Kosten möglichst gering zu halten. Im zweiten Schritt sollten aber die Störgrößen schnellstmöglich dem KI-System bekannt gemacht werden – zum Beispiel durch Einplanung einer Maschinenreparatur sowie durch Anpassung der Material- und Personalverfügbarkeit – und ein neuer Optimierungslauf gestartet werden. Kurze Zeit später gibt es dann nämlich wieder einen optimierte Reihenfolgeplanung für den gesamten Produktionsbereich. Es bedarf also einer gewissen Übung, das KI-Feinplanungstool in den täglichen Arbeitsalltag zu integrieren.

Einführung einer KI-basierten Feinplanung

Aus dieser Anforderung wird deutlich, dass der Anspruch einer KI-gestützten Feinplanung für die Umsetzbarkeit in die Praxis durchaus hoch ist, um auch die Akzeptanz der Fertigungssteuerer zu erreichen – zumal das Zustandekommen der Ergebnisse nicht mehr im Detail nachvollziehbar ist. Anhand von Score-Funktionen lassen sie sich aber gut beurteilen. Passt also die Termineinhaltung und ist die Produktivität zufriedenstellend, steht der Einführung einer KI-basierten Feinplanung nichts im Wege. Zeigt die tägliche Praxis dann, dass die Ergebnisse erfolgreich angewendet werden können, steigt das Vertrauen in die Lösung konstant. Nach einer Pilotphase wird dann eine Überprüfung der Feinplanungsergebnisse nicht mehr erforderlich. So zumindest die ersten Erfahrungen bei der Einführung des neuen KI-basierten Feinplanungsmoduls Diskover SCO DS der Firma SCT GmbH, das derzeit bei ersten Kunden implementiert wird. Die Installation ähnelt dabei einem Supervisor: Die Ergebnisse der neuen Feinplanung, die auf die Daten des MRP-Laufs zurückgreift, wird jeden Morgen an das ERP-System zurückgespiegelt und von dort aus an die Arbeitsplätze zur Fertigungssteuerung gesendet. Die Spezialisten im Shopfloor und die Fertigungssteuerer sind von der gegenüber konventioneller PP/DS-Systemen deutlich besseren Planungsqualität begeistert. Der Produktionsablauf ist nun deutlich reibungsloser, was zur Entlastung im Shopfloor führt. Auch die Fertigungssteuerer haben durch die sehr gute Unterstützung des Systems deutlich mehr Zeit für Störungsbeseitigung und -vermeidung.

Da sich der Aufwand für Einführung und Betrieb eines solchen Systems sehr schnell durch den immensen Nutzen amortisiert, werden KI-basierter Feinplanungssysteme voraussichtlich schnell an Marktbedeutung gewinnen und bisherige konventionelle PP/DS-Systemen disruptiv vom Markt verdrängen. Ihr Einsatz eignet sich übrigens nicht nur für große Fertiger sondern vor allem auch für den Mittelstand.

Folgende Beiträge könnten Sie ebenfalls interessieren:

So werden Kennzahlensysteme für Produktionslogistikbereiche stimmig

Zwei auf einen Streich

Systeme, Software und Modernisierung

Von Dr. Bernd Reineke, Geschäftsführer der Abels & Kemmner GmbH Supply Chain Engineers

Top Stellenangebote

RHEINMETALL AG-Firmenlogo
RHEINMETALL AG Verstärkung für unsere technischen Projekte im Bereich Engineering und IT (m/w/d) deutschlandweit
Stadt Viernheim-Firmenlogo
Stadt Viernheim Stadt- und Bauleitplanung (m/w/d) Viernheim
Fachhochschule Nordwestschweiz FHNW-Firmenlogo
Fachhochschule Nordwestschweiz FHNW Professor*in für Werkstoffwissenschaften Brugg-Windisch
Frankfurt University of Applied Sciences-Firmenlogo
Frankfurt University of Applied Sciences Professur (W2) Werkzeugmaschinen Frankfurt am Main
Hochschule für angewandte Wissenschaften Kempten-Firmenlogo
Hochschule für angewandte Wissenschaften Kempten Professur (m/w/d) Werkstofftechnik und Metallkunde Kempten
Hochschule der Bayerischen Wirtschaft gemeinnützige GmbH-Firmenlogo
Hochschule der Bayerischen Wirtschaft gemeinnützige GmbH Professur (W2) für Aerodynamik, Fluidmechanik, Thermodynamik und Wärmeübertragung München
OOWV Oldenburgisch-Ostfriesischer Wasserverband-Firmenlogo
OOWV Oldenburgisch-Ostfriesischer Wasserverband Ingenieur (w/m/d) Leitungswesen Abwasser Brake (Unterweser)
Carl Zeiss AG-Firmenlogo
Carl Zeiss AG Projekt- und Prozessmanagement in der Halbleiterfertigungstechnik (m/w/d) Keine Angabe
Hochschule Ravensburg-Weingarten-Firmenlogo
Hochschule Ravensburg-Weingarten Professur (W2) elektrische Antriebstechnik Weingarten
Bayernwerk-Firmenlogo
Bayernwerk Mitarbeiter (m/w/d) Keine Angabe
Zur Jobbörse