KIbaroP - KI-basierte robuste Produktionsplanung
Motivation
In produzierenden Unternehmen spielt die Verbesserung der Störungsvermeidung vor dem Hintergrund einer zunehmenden Störungsanfälligkeit der Produktion eine zentrale Rolle. In der industriellen Praxis erfolgt die Berücksichtigung von Störungen in der Produktionsplanung derzeit nicht oder nur durch geschätzte Aufschläge (z. B. 10 bis 20 % der Durchlaufzeit) auf die geplante Durchlaufzeit. Durch diese Aufschläge wird versucht, die Termintreue trotz eventuell auftretender Störungen zu erhöhen. Dabei besteht jedoch die Gefahr, dass zu lange Durchlaufzeiten zu einer verringerten Kundenzufriedenheit, höheren Lagerkosten und einer verminderten Produktivität führen.
Zielsetzung
Unter besonderer Berücksichtigung der spezifischen Herausforderungen von kleinen und mittleren Unternehmen (KMUs), wie z. B. der eingeschränkten Datenverfügbarkeit, wird ein robuster künstlicher Intelligenz (KI)-basierter Ansatz zur Produktionsplanung entwickelt und validiert. Dabei werden Störungen aus den Bereichen Personal, Material, Betriebsmittel, Lager, Prozess und IT situativ und präventiv in der Produktionsplanung berücksichtigt. Dazu sollen in der Regel vorhandene Daten aus der Produktion (z. B. Bewegungsdaten, Maschinendaten) berücksichtigt und mit Daten aus der betrieblichen Systemlandschaft so aggregiert werden, dass die Informationsbasis über Störungen des Produktionssystems in der Produktionsplanung genutzt werden kann. Dazu sollen sowohl historische als auch aktuelle Rückmeldedaten (z. B. Qualitätsdaten, Echtzeitdaten, aktuelle Produktionsreihenfolge) zur Bewertung des Störungsrisikos einzelner Arbeitsgänge herangezogen werden. Darauf aufbauend werden Zeitpuffer für Aufträge so dimensioniert, dass mögliche Störungen vorausschauend kompensiert werden können. Die gewonnenen Informationen werden mittels KI-Ansätzen verarbeitet, um u. a. Aussagen über kritische Aufträge oder Arbeitsplätze hinsichtlich ihrer Störanfälligkeit treffen zu können. Die Ergebnisse der Modellierung werden für eine robuste Produktionsplanung genutzt.
Vorgehen
Der Lösungsansatz orientiert sich am industrienahen Prozess CRISP-DM (Cross Industry Standard Process for Data Mining), um eine praxisnahe Lösung als Software-Demonstrationsanwendung für KMUs zu entwickeln. Diese Anwendung berücksichtigt Auftragsdaten, Rückmeldedaten und weitere Daten aus der betrieblichen Systemlandschaft sowie dem sozio-technischen Umfeld. Grundlage für die Anwendung von KI-Ansätzen sind die verfügbaren Daten für das Training der KI-Algorithmen. Daher sieht der Lösungsansatz vor, verschiedene Datenquellen miteinander zu kombinieren, um eine möglichst umfassende Datenbasis zu erhalten. Zunächst werden literaturbasierte Zusammenhänge zwischen Rückmeldedaten aus der Produktion und verschiedenen Störungsarten identifiziert. Diese Korrelationen werden anschließend in Zusammenarbeit mit den beteiligten KMUs validiert und zum Aufbau eines generischen Simulationsmodells verwendet, das die Zusammenhänge zwischen Störungsarten und Rückmeldedaten abbildet. Mit dem generischen Simulationsmodell werden dann synthetische Rückmeldedatensätze erzeugt, die zusammen mit den Rückmeldedaten der KMUs als Trainingsdatensatz für die KI-Algorithmen verwendet werden können. Basierend auf diesem Datensatz wird im nächsten Schritt ein KI-Modell zur Vorhersage von Ausfällen entwickelt und in die bestehende PPS der KMUs integriert. Anschließend werden die Ergebnisse evaluiert und für die Entwicklung eines Demonstrators genutzt. Die Bewältigung von Herausforderungen bei der Produktionsplanung, die sich aus einer geringen Datenmenge ergeben, wird durch die Kombination der von den KMU bereitgestellten Daten mit synthetischen Daten erreicht, da somit auch eine geringe Datenbasis bei den KMUs ausreichend ist.