Methode zur Senkung der Durchlaufzeiten auch in kleinen und mittleren Unternehmen 29.09.2017, 00:00 Uhr

Betriebsbegleitende adaptive Arbeitsplanung und Fertigungssteuerung

In der Arbeitsplanung werden derzeit statische Bedingungen angenommen und vermeintlich optimale Fertigungsabfolgen vor dem Produktionsstart festgelegt. Dynamische Einflüsse erfordern kurzfristige, manuelle Umplanungen in der Fertigungssteuerung, wobei zumeist eine systematische Bewertung der Vielzahl möglicher alternativer Arbeitspläne unterbleibt. Die Folge ist ein ineffizientes Planungsergebnis.

Die Arbeitsplanung mithilfe der aufwendigen Erfassung von Daten aus dem Fertigungsumfeld ist für kleine und mittlere Unternehmen (KMU) häufig nicht umsetzbar. Bild: IWF

Die Arbeitsplanung mithilfe der aufwendigen Erfassung von Daten aus dem Fertigungsumfeld ist für kleine und mittlere Unternehmen (KMU) häufig nicht umsetzbar. Bild: IWF

Methoden zur Integration von Arbeitsplanung und Fertigungssteuerung wirken diesem Problem entgegen, basieren jedoch auf der aufwendigen Erfassung von Daten aus dem Fertigungsumfeld. Die hierfür erforderliche Integration umfang­reicher Maschinendatenerfassungssysteme sowie zusätzlicher Sensorik ist für kleine und mittlere Unternehmen (KMU) häufig nicht umsetzbar. Nachfolgend wird ein KMU-gerechter Ansatz zur adaptiven Arbeitsplanung vorgestellt, dessen Datenbasis sich ausschließlich aus Manufacturing-Execution-Systemen (MES) und Systemen der Betriebsdatenerfassung (BDE) generiert.

Ausgangssituation

Im Bereich der Einzel- und Kleinserienfertigung hat sich die Trennung von Arbeitsplanung und Fertigungssteuerung im Zuge zunehmender dynamischer Einflüsse und gestiegener Anforderungen an die Flexibi­lität als zu starr erwiesen [1–3]. Dies liegt im Wesentlichen an den folgenden Gründen [2; 4]:

  • Generierung nicht durchführbarer Arbeitspläne durch die Vernachlässigung aktueller Zustände (zum Beispiel Maschinenauslastung, Werkzeugzustand) in der Fertigung,
  • eingeschränkter Entscheidungsraum der Fertigungssteuerung durch fehlende Zuweisung alternativer Fertigungsressourcen,
  • Fokussierung auf einzelne Optimierungskriterien in der Arbeitsplanung und der Fertigungssteuerung.

Folge der Trennung sind verlängerte Durchlaufzeiten, Qualitätsmängel, Intransparenz und eine geringe Reaktionsfähigkeit beim Auftreten von Störungen und ungeplanten Ereignissen. Am Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) wurden daher Methoden zum automatischen Erzeugen alternativer Arbeitsvorgangsfolgen und zur integrierten Arbeitsplanung und Fertigungssteuerung entwickelt. Prototypische Umsetzungen haben gezeigt, dass die Durchlaufzeit gegenüber der Nutzung line­arer Arbeitspläne unter Laborbedingungen um circa 4 % gesenkt werden kann [5].

Für die Überführung der Methoden in die praktische Anwendung ist es notwendig, den Aufwand bei der Generierung der Referenzdatenbasis zu reduzieren. Die bisher erforderliche Integration umfangreicher Maschinendatenerfassungssysteme sowie zusätzlicher Sensorik ist für KMU häufig nicht umsetzbar. Gleichzeitig setzt die Großzahl von KMU einfache Systeme zur Fertigungsplanung und BDE ein. Fehlende Auswerteroutinen führen jedoch dazu, dass eine Datenanalyse zeit- und kostenintensiv wird und die generierten Betriebsdaten somit ungenutzt bleiben.

Im DFG-Transferprojekt „Betriebsbegleitende, adaptive Arbeitsplanung und Ferti­gungssteuerung“ wird daher ein KMU-gerechter Ansatz zur adaptiven Arbeitsplanung erforscht, dessen Datenbasis sich ausschließlich aus MES- und BDE-Systemen generiert. Bild 1 gibt einen Überblick über die einzelnen Bausteine der Methode und die wesentlichen Eingangsdaten.

Bild 1. Bausteine und Datenbasis der betriebsbe­gleitenden, adaptiven Arbeitsplanung und Fertigungssteuerung. Bild: IWF

Bild 1. Bausteine und Datenbasis der betriebsbe­gleitenden, adaptiven Arbeitsplanung und Fertigungssteuerung. Bild: IWF

Die vorgesehene Integration der Methode in ein kommerzielles MES überführt den neuen Ansatz in die Praxis und gestattet eine Überprüfung seiner Funktionalität.

Entwicklung und Bewertung alternativer Arbeitspläne

Zunächst werden alternative Arbeitspläne für alle Produkte einer Fertigung erstellt. Hierbei wird auf die Ontologie-basierte Logik von Lorenzen zurückgegriffen. Dabei werden in Klassen und Instanzen strukturierte Informationen (zum Beispiel die im Unternehmen vorkommenden Arbeitsschritte, Werkzeugmaschinen, Werkzeuge und Vorrichtungen) durch die Verwendung semantischer Zusammenhänge verknüpft (zum Beispiel für Fräsprozesse eignen sich nur Werkzeugmaschinen der Klasse Fräsmaschinen) [6]. In der Praxis geschieht dies über die Beschreibung der Planungsobjekte mittels ausgewählter Merkmale im MES. Dieses wird somit dazu befähigt, bei Vorgabe eines bestimmten Anforderungsprofils für einen Arbeitsschritt die dazu passenden Maschinen und Werkzeuge automatisiert vorzuschlagen, Bild 2.

Bild 2. Beispielhafte Arbeitsgangspezifikation für das Drehen mittels Arbeitsontologie. Bild: IWF

Bild 2. Beispielhafte Arbeitsgangspezifikation für das Drehen mittels Arbeitsontologie. Bild: IWF

Existieren mehrere Optionen für eine Bearbeitung, werden diese im MES als alternative Arbeitsrouten abgelegt.

Für die Auswahl der am besten geeigneten Arbeitsplankonfiguration in einer Fertigung bewertet das MES im Weiteren die anfallenden Kombinationen. Da die Anzahl dieser allerdings in Abhängigkeit der notwendigen Ressourcen, durchzuführenden Arbeitsschritte und zu fertigenden Produkten exponentiell ansteigt, ist der Einsatz eines genetischen Algorithmus zur Ermittlung einer näherungsweise optimalen Lösung geplant. Bild 3 veranschaulicht die mögliche Vorgehensweise zur Lösung des Kombinationsproblems.

Bild 3. Algorithmus zur ganzheitlich optimierten Arbeitsplanauswahl. Bild: IWF

Bild 3. Algorithmus zur ganzheitlich optimierten Arbeitsplanauswahl. Bild: IWF

Die Bewertung der „Fitness“ (F) einer Kombination beziehungsweise eines Indi­viduums findet in Anlehnung an die in Schmidt entwickelte Zielfunktion zur Bewertung alternativer Arbeitspläne statt. Diese betrachtet jedoch jeden Auftrag individuell und vernachlässigt den Verlust, der aus Umplanungen (zum Beispiel durch die Verzögerung anderer Aufträge) entsteht [5].

Der hier präsentierte Ansatz hingegen zielt auf eine ganzheitliche Optimierung der Fertigung, weshalb für die Bewertung einer Arbeitsplankonfiguration die laut Plantafel realisierbare Summe der Auftragszeiten und Fertigungskosten sowie die insgesamt produzierte Qualität berücksichtigt wird. Diese Zielgrößen können über individuell zu vergebende Gewichtungsfaktoren (w) vom Fertigungsplaner unterschiedlich stark berücksichtigt werden. Die Fitness F einer Arbeitsplankonfiguration ergibt sich letztlich aus der Summennorm der Multiplikation von Zielgrößenmatrix und Gewichtungsvektor, Bild 4.

Bild 4. „Fitnessfunktion“ zur Bewertung von Arbeitsplankonfigurationen. Bild: IWF

Bild 4. „Fitnessfunktion“ zur Bewertung von Arbeitsplankonfigurationen. Bild: IWF

 

Transformieren und Rückführen von Ist-Fertigungsdaten

Zur Reduzierung des Aufwands bei der Generierung und Aktualisierung der Referenzdatenbasis für die Bewertung der alternativen Arbeitspläne werden im Transferprojekt Auswertungsroutinen implementiert. Diese zielen zum einen darauf ab, die Plan-Zeiten für bekannte Arbeitsschritt-Produktionsressourcen-Kombinationen immer weiter den realen Daten aus der Fertigung anzugleichen. Die wachsende Datenbasis der zum Teil stochastischen Daten (zum Beispiel Bearbeitungszeiten an Handarbeitsplätzen) wird dazu mittels statistischer Tests untersucht und erst nach ausreichender Absicherung für eine Verwendung in der Planung freigegeben.

Zum anderen wird über den Einsatz von „Data-Mining“-Methoden – wie Cluster- und Regressionsanalysen – sichergestellt, dass bisher unbekannte Arbeitsschritt-Produktionsressourcen-Kombinationen, die Ähnlichkeiten zu vergangenen Kombinationen haben, ebenfalls mit hoher Genauigkeit planbar sind. Basierend auf dem in Bild 5 dargestellten „Knowledge Discovery in Databases“ (KDD)-Prozess werden anhand von Ressourcenmerkmalen Ähnlichkeitsbetrachtungen (Regressionsanalysen mit mehreren unabhängigen Variablen) durchgeführt und passende Referenzdaten für die vorliegende neue Kombination ausgewählt.

Bild 5. Modell des „Knowledge Discovery in Databases“ (KDD)-Prozesses [7]. Bild: IWF

Bild 5. Modell des „Knowledge Discovery in Databases“ (KDD)-Prozesses [7]. Bild: IWF

Das auf diese Weise generierte Wissen wird im letzten Schritt der Methode wieder zurück in das MES geführt. Die kontinuier­liche Erweiterung und Aktualisierung der Eingangsdatenbasis stellt sicher, dass die Methode zur betriebsbegleitenden, adaptiven Arbeitsplanung und Fertigungssteuerung kontinuierlich bessere Ergebnisse bei gleichzeitig abnehmender Notwendigkeit für manuelle Eingriffe zulässt.

Fazit und Ausblick

Die Integration von Arbeitsplanung und Fertigungssteuerung bietet deutliche Vorteile gegenüber der klassischen Trennung beider Disziplinen. Durch eine automatisierte Berücksichtigung alternativer Arbeitspläne konnte die Durchlaufzeit in einem Testszenario unter Laborbedingungen bereits um circa 4 % gesenkt werden. Für eine Überführung der Methode in die betriebsbegleitende Anwendung wird derzeit am IFW ein KMU-gerechter Ansatz entwickelt, dessen Datenbasis ausschließlich aus MES- und BDE-Systemen generiert wird. Auf diese Weise kann die bisher erforderliche und für KMU häufig nicht umsetzbare Integration umfangreicher Maschinendatenerfassungssysteme sowie zusätzlicher Sensorik vermieden werden. Zu den bedeutsamen Bausteinen der Methode gehören die Erzeugung alternativer Arbeitspläne, deren ganzheit­liche Bewertung auf Basis individueller Schwerpunktsetzungen im Spannungsfeld aus Qualität, Zeit und Kosten sowie die Aufbereitung und Rückführung von Ferti­gungs­daten zur Verbesserung der Plan-­Datenbasis.

Im weiteren Projektverlauf werden die einzelnen Bestandteile der vorgestellten Methode weiter ausdetailliert. Im Fokus der Forschung liegen dabei die valide Vorhersage von Stördauern als Basis für die Entscheidung über die Umplanungsnotwendigkeit und die Umsetzung des genetischen Algorithmus in einem funktionsfähigen Demonstrator. Darüber hinaus wird die Ausgestaltung des KDD-Prozesses zur Nutzbarmachung der Betriebsdaten als Bewertungsgrundlage zur Fertigungssteuerung als zentraler Bestandteil der neuen Methode angestrebt. Hierzu zählt auch die Auswahl geeigneter Schnittstellen für die Rückführung des generierten Wissens.

Danksagung

Die Autoren danken der Deutschen Forschungsgemeinschaft für die Förderung des Projektes „Betriebsbegleitende, adaptive Arbeitsplanung und Fertigungssteuerung“ im SFB 653.

 

Literatur:

[1] Lödding, H.: Verfahren der Fertigungssteuerung. Grundlagen, Beschreibung, Konfiguration. Berlin: Springer Verlag, 2005.[2] Phanden, R. K.; Jain, A.; Verma, R.: Integration of process planning and scheduling: a state-of-the-art review. Int. Journal of Computer Integrated Manufacturing 24 (2011), Nr. 6, S. 517–534.[3] Schuh, G.; Potente, T.; Hauptvogel, A.: Methodology for the evaluation of forecast reliability of production planning systems. Proceedings of the 47th CIRP Conference on Manufacturing Systems, Windsor/GB, 28.–30. April 2014, S. 469–474.[4] Kreutzfeldt, J.: Planen mit Bearbeitungsalternativen in der Teilefertigung. Dissertation, Universität Hannover, 1994.[5] Schmidt, J.: Integrierte Arbeitsplanung und Fertigungssteuerung auf Basis von Zustandsinformationen. Dissertation, Universität Hannover, 2015.[6] Lorenzen, L.-E.: Entwicklung einer Methode zur gentelligenten Arbeitsplanung. Dissertation, Universität Hannover, 2012.[7] Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.: From Data Mining to Knowledge Discovery in Databases. AI Magazine 17 (1996), Nr. 3, S. 37–54.

Von Prof. Dr.-Ing. Berend Denkena, M. Sc. Sören Wilmsmeier, Wolfgang Stock

Prof. Dr.-Ing. Berend Denkena, Jahrgang 1959, leitet das Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) der Leibniz Universität Hannover mit den Forschungsschwerpunkten Fertigungsverfahren, Maschinen und Steuerungen sowie Produktionssysteme. // M. Sc. Sören Wilmsmeier, Jahrgang 1988, studierte Wirtschaftsingenieurwesen an der Leibniz Universität Hannover. Seit 2016 ist er wissenschaftlicher Mitarbeiter im Bereich Produktionssysteme des IFW. Wolfgang Stock, Jahrgang 1977, leitet den Bereich Softwareentwicklung bei Fauser in Gilching, einem führenden Softwarehersteller rund um die Themen ERP, MES und BDE.

Top Stellenangebote

Duale Hochschule Baden Württemberg Ravensburg-Firmenlogo
Duale Hochschule Baden Württemberg Ravensburg Professuren für Elektrotechnik Friedrichshafen
Ostbayerische Technische Hochschule Regensburg-Firmenlogo
Ostbayerische Technische Hochschule Regensburg Professur (W2) Selbstlernende und Adaptive Systeme Regensburg
Technische Hochschule Bingen-Firmenlogo
Technische Hochschule Bingen W2-Professur Mathematik und Data Science (m/w/d) Bingen
THD - Technische Hochschule Deggendorf-Firmenlogo
THD - Technische Hochschule Deggendorf Professur (W2) Network Communication Cham
Hochschule Flensburg-Firmenlogo
Hochschule Flensburg Laboringenieur*in für den Bereich Elektrotechnik und Elektromaschinenbau (d/m/w) Flensburg
Technische Universität Darmstadt-Firmenlogo
Technische Universität Darmstadt Universitätsprofessur (W3) Product Life Cycle Management Darmstadt
Frankfurt University of Applied Sciences-Firmenlogo
Frankfurt University of Applied Sciences Professur (W2) für das Fachgebiet: Hochfrequenztechnik Frankfurt am Main
Technische Hochschule Mittelhessen-Firmenlogo
Technische Hochschule Mittelhessen Professur (W2) mit dem Fachgebiet Life Cycle Assessment und Circular Economy Friedberg
Hochschule Kaiserslautern-Firmenlogo
Hochschule Kaiserslautern W2-Professur - Verfahrenstechnik und Apparatebau Kaiserslautern
Hochschule Osnabrück-Firmenlogo
Hochschule Osnabrück Professur (W2) für Mechatronik Osnabrück
Zur Jobbörse