Motivation
Vor dem Hintergrund der Entwicklung zur kundenindividuellen Produktion, bekannt unter dem Schlagwort „Losgröße 1“, und der zunehmenden Autonomisierung von Produktionsprozessen (z.B. Selbstverwaltung von Produkt- und Materialflüssen durch autonome mobile Roboter) werden die Zeitspannen für die Produktionsplanung und -steuerung immer geringer. Der Bedarf an echtzeitfähigen Lösungsverfahren nimmt kontinuierlich zu. Die Planung von Auftragsreihenfolgen und Maschinenbelegungen ist dabei eine der Hauptaufgaben der Produktionsplanung und -steuerung in produzierenden Unternehmen. Es handelt sich hierbei grundsätzlich um Optimierungsprobleme, welche in der Regel nicht mit exakten analytischen Lösungsverfahren zeit- und kosteneffizient berechnet werden können. Stattdessen kommen bisher problemspezifische, heuristische Verfahren zum Einsatz, welche sich einer optimalen Lösung schrittweise nähern (wie bspw. trial and error – Versuch und Irrtum). Diese Verfahren beanspruchen in der Regel eine lange Berechnungszeit, wodurch sie sich nicht für die kurzfristige Auftragsreihenfolge- und Maschinenbelegungsplanung in hochdynamischen Produktionsumgebungen eignen.
Ziele und Vorgehen
Methoden des Maschinellen Lernens sind in der Lage, basierend auf Daten (z.B. Auftragscharakteristiken, Systemzustände) Entscheidungen in Echtzeit zu treffen (z.B. Zuordnung von Aufträgen zu Maschinen, Reihenfolgebildung von Aufträgen). Vor diesem Hintergrund wird im Vorhaben SENECA ein selbstlernendes Assistenzsystem entwickelt, um eine Auftragsreihenfolge und eine Maschinenbelegung planen zu können. Der Aufbau und das Funktionsprinzip sind in der Abbildung dargestellt. Als Unterstützungssystem in Form eines digitalen Assistenten bleibt der Mensch jedoch stets die letzte Entscheidungsinstanz. Der auf der Kombination verschiedener ML-Strategien basierende Prototyp soll in einer realen Testumgebung implementiert und evaluiert werden. Neben der Software- wird es auch eine entsprechende Hardwareentwicklung im Projekt geben.
Innovationen und Perspektiven
Die am Projekt beteiligeten KMU und die Otto-von-Guericke-Universität Magdeburg profitieren durch den Transfer von KI-Kompetenzen und durch eine Effizienzverbesserung ihrer Produktion. Produzierenden Unternehmen können damit ihr Servicelevel erhöhen, ungenutzte Produktionskapazitäten freisetzen und kostspielige Rüstprozesse reduzieren.