Wenn Termin und Kapazität nicht ausreichen: KI in der Feinplanung

Feinplanungssysteme, auch als „Leitstand“ bezeichnet, sind in der produzierenden Industrie weit verbreitet. Als besonders wertvoll gilt eine solche MES-Komponente, wenn sie bei Bedarf auch um KI-basierte Methoden ergänzt werden kann. Denn durch sie ist auch die Behandlung von Planungsaufgaben möglich, die sich durch klassische Aspekte wie Termin und Kapazität allein nicht lösen lassen.

Fertigungsaufträge bzw. Arbeitsgänge in eine optimale Reihenfolge bringen: Das ist die Aufgabe von Feinplanungssystemen. Hierfür berücksichtigen sie die tatsächliche Kapazität von Ressourcen. In die Planung beziehen sie vor allem Informationen wie Kapazitätsangebot und –bedarf, einzuhaltende Termine (frühester Start oder spätestens Ende) oder Prioritäten ein. Sind für Planungsszenarien jedoch weitere Aspekte relevant, gerät diese klassische Herangehensweise an ihre Grenzen.

Nicht so der Leitstand PSIpenta/ASM: Die moderne Java-basierte Architektur ermöglicht es, die bestehenden klassischen Planungsregeln, um die KI-basierten Methoden von PSI Deep Qualicision flexibel zu ergänzen, und zwar mit zwei unterschiedlichen Herangehensweisen: eingebunden in die Planungslogik selbst – zur Ermittlung der besten Auftragsreihenfolge oder als zusätzliche Bewertungsebene der Planungsszenarien.

Ein Beispiel aus der Praxis verdeutlicht die Planungsmöglichkeiten: Unternehmen, bei denen in der Produktion Beschichtungs- oder Glühprozesse zum Einsatz kommen, müssen angesichts hoher Energiekosten eine optimale Ofenauslastung anstreben. Hiermit ist aber nicht einfach gemeint, wann der Ofen belegt ist und wann nicht. Dies wäre eine klassische Planungsaufgabe. Entscheidend ist vielmehr die Frage, welche Komponenten für eine optimale Ofenbefüllung zusammengefasst werden können. Die Aufgabe würde folglich lauten:  Aus der Gesamtheit aller zu glühenden Bauteile sind diejenigen auszuwählen, die gemeinsam auf ein Transportgestell gepackt und geglüht werden können. Folgende Überlegungen hinsichtlich dieser Auswahl ließen sich in die KI-gestützte Optimierung mit PSIpenta/ASM einbeziehen:

• Bauform und Größe der Bauteile: Das zu befüllende Volumen (z. B. des Transportgestelles) muss optimal belegt werden. Die Bauteile können unterschiedlichste Formen und Größen aufweisen. Diese Bauteile müssen in einem dreidimensionalen Schachtelungsvorgang das zur Verfügung stehende Bauvolumen optimal ausfüllen.
• Gewichte: Bei hängenden Transportgestellen oder Warenträgern dürfen zulässige Gesamtgewichte nicht überschritten werden. Die Gewichtsverteilung innerhalb des Transportgestells muss möglichst gleichmäßig erfolgen.
• Prozessparameter: Für jedes Bauteil existieren Prozessvorgaben, mit denen die thermische Behandlung erfolgen muss. Dies betrifft Temperaturen, Glühdauern oder Temperaturkurven, die abzufahren sind. Somit dürfen nur Bauteile kombiniert werden, die überlappende Wertebereiche in ihren zulässigen Prozessvorgaben aufweisen.
• Termine: Terminrestriktionen sind für alle beteiligten Komponenten zu beachten: sei es, dass diese Komponenten weiterbearbeitet oder an den Kunden ausgeliefert werden müssen. Diese Termine grenzen die Möglichkeiten einer Zusammenfassung ebenfalls ein.
• Materialverfügbarkeit: Die Einbeziehung von Bauteilen in die Transportgestell-Befüllung macht nur dann Sinn, wenn die Bauteile selbst zum geplanten Zeitpunkt auch verfügbar sind. Die Verfügbarkeitsinformationen stammen aus Materialzugangsterminen (geplanter Zugang aus Beschaffungsvorgang oder aus eigener Vorfertigung).
• Bei Bedarf ließen sich weitere Kriterien einbeziehen.

Als Ergebnis der Optimierung sieht der Werker an seinem Arbeitsplatz, welche Teile er in welcher Form auf das Transportgestell packen muss.

Kombinierbare Sequenzierung

Hier schließt sich eine weitere Planungsaufgabe an, die das Planungssystem PSIpenta/ASM in Verbindung mit PSI Deep Qualicision ebenfalls beantworten kann: In welcher Sequenz lassen sich nun die befüllten Transportgestelle am besten glühen? Insbesondere für Produktionsbereiche, die in einer Linie fertigen, bietet die KI-gestützte Sequenzierung ein hohes Optimierungspotential:

Für die Fertigungsreihenfolgen von Geräten oder Fahrzeugen spielen u. a. die jeweiligen Ausstattungsmerkmale eine wesentliche Rolle: Die Sequenz muss sie so „ausbalancieren“, dass ein gleichmäßiger „Fluss“ in der Linie entsteht. Neben den Ausstattungsmerkmalen können weitere Kriterien wie z. B. Termine, Zufluss von Komponenten aus einer Vorfertigung oder Anliefertermine von Material in die Sequenzierungsberechnung mit einfließen.

Insbesondere für Produktionsbereiche, die in einer Linie fertigen, bietet die KI-gestützte Sequenzierung ein hohes Optimierungspotential

Feinplanungslösung mit multikriterieller Optimierung

Eine optimierte Fertigungsplanung kommt nicht immer mit der Berücksichtigung von Kriterien wie Kapazität und Zeit aus. Oftmals gilt es, zahlreiche Einzelkriterien (multikriterielle Optimierung) zu einem Gesamtoptimum auszubalancieren. PSIpenta/ASM in Verbindung mit PSI Deep Qualicision ist eine der wenigen Feinplanungslösungen am Markt, die genau das beherrschen.