Firmen im Artikel
Die Komplexität ist enorm: Muss ein Fertigungsplaner 500 Arbeitsgänge einplanen, steht ihm die astronomische Anzahl möglicher Reihenfolgen für diese Arbeitsgänge zur Verfügung. Konkret sind es 10 hoch 1000. Wer sich mit Zehnerpotenzen auskennt, weiß, diese Zahl ist unvorstellbar hoch. Faktoren wie Werkzeuge, Material Personal oder Rüstzeiten müssen überdies berücksichtigt werden. Bereits heute bieten Manufacturing Execution Systeme (MES) Funktionen zur automatischen Planung von Fertigungsaufträgen an. Sie weisen den Maschinen Aufträge und deren Arbeitsgänge auf Basis von Heuristiken zu. Heuristiken haben das Ziel, mit begrenztem Wissen und wenig Zeit ein praktikables Ergebnis zu erzielen. Aufgrund der in der Vergangenheit verfügbaren Rechnerleistungen war die heuristische Planung lange Zeit die beste mathematische Herangehensweise für die automatische Planung. Die Heuristik setzt dabei im Wesentlichen auf eine Schritt-für-Schritt-Planung. Demnach wird ein Arbeitsgang nach dem anderen bestmöglich gemäß feststehender Vorgaben eingeplant. Hierbei wird allerdings nur bedingt berücksichtigt, welche Arbeitsgänge noch einzuplanen sind und wie sich die Planungsaktion des aktuellen Arbeitsgangs auf zukünftige Arbeitsgänge auswirkt. Auch werden bereits getroffene Planungsentscheidungen nur unter bestimmten Bedingungen hinterfragt oder rückgängig gemacht. Das resultierende Planungsergebnis kennzeichnet sich daher oftmals durch hohe Rüstaufwände, lange Durchlaufzeiten und unsichere Terminvorhersagen.
KI-basierte Fertigungsplanung
Heute sind jedoch deutlich leistungsfähigere Rechner verfügbar als früher. Mit ihnen lassen sich signifikant größere Datenmengen verarbeiten und immer bessere Algorithmen entwickeln. Durch die Integration von KI ins MES kann intelligentes Verhalten automatisiert werden. Reinforcement Learning ermöglicht dabei eine intelligente und ganzheitliche Planung der Fertigung. Im Gegensatz zum schrittweisen Vorgehen der Heuristik, werden nun zahlreiche Entscheidungsmöglichkeiten geprüft, bevor eine endgültige Planungsentscheidung getroffen wird. Reinforcement Learning, was mit verstärkendem Lernen übersetzt werden kann, bewertet die getroffenen Entscheidungen, hinterfragt diese und lernt daraus. Der Algorithmus lernt somit mit jeder Entscheidung etwas Neues über die vorhandenen Daten und kann bei jeder durchzuführenden Planungsentscheidung bessere Entscheidungen treffen. Hierbei werden jedoch nicht alle Planungsentscheidungsmöglichkeiten geprüft, sondern aktiv nur diejenigen, die gute Ergebnisse liefern werden. Daraus resultiert eine weitsichtige Entscheidungsfindung unter Berücksichtigung von noch durchzuführenden Planungsaktionen.
Dem Computerprogramm ein menschliches Verhalten antrainieren
Beim Reinforcement Learning soll einem Computerprogramm quasi ein „menschliches“ Verhalten antrainiert werden. Das funktioniert über Belohnungen und Bestrafungen – je nachdem welche Handlungsweise das Programm aus verschiedenen Möglichkeiten wählt. Dadurch soll das Programm lernen, wie es sich in bestimmten Situationen verhalten sollte. Die Vorgehensweise kann im weitesten Sinne mit der Hundeerziehung verglichen werden: Immer wenn das Tier etwas richtig gemacht hat, und nur dann, bekommt es ein Leckerli. Der Hund wird folglich versuchen, so viel wie möglich richtig zu machen. Auf ähnliche Weise funktioniert Reinforcement Learning: Es nähert sich sukzessive einem Optimum an – nur eben ohne Leckerli.
Dieses Vorgehen einer solchen intelligenten Fertigungsplanung bringt enorme Vorteile mit sich. Faktoren wie Aufträge, Arbeitsplätze, Transportwege, Rüstzeiten, begrenzte Ressourcen sowie Personalverfügbarkeiten werden bereits bei der Entscheidungsfindung berücksichtigt. Auf diese Weise werden Rüstzeiten minimiert, Durchlaufzeiten gekürzt und die Termintreue erhöht. Bei Einsatz einer Lösung wie der kognitiven Planung und Optimierung von MPDV kann der Anwender zudem selbst modellieren, welche planungsrelevanten Faktoren von der KI berücksichtigt werden sollen.
Beispiel: Prozesse am Engpass ausrichten
Ein fiktives Praxisbeispiel soll den Nutzen verdeutlichen: Bei einem Fertigungsunternehmen befindet sich in der Mitte des Fertigungsprozesses ein Ofen, der den Engpass der gesamten Fertigung darstellt. Ziel der Fertigungsplanung ist es, den Ofen selbst optimal auszulasten, sowie die vor- und nachgelagerten Prozessschritte optimal an ihm auszurichten. Die zur Planung eingesetzte KI wird bei der Suche der optimalen Planungsentscheidungen früh erkennen, dass der Ofen das Nadelöhr der Fertigung ist. Und sie wird diese Erkenntnis bei allen späteren Entscheidungsfindungen berücksichtigen. Alle weiteren Planungsprüfungen werden den Ofen bestmöglich auslasten und anschließend die vor- und nachgelagerten Fertigungsbereiche verbessern.
Kontakt zum Hersteller
MPDV Mikrolab GmbH
Gewerbepark Hardtwald 6
68723 Oftersheim
