Unsere umfassenden Lösungen und Services begleiten Sie auf Ihrem Weg zur Digitalisierung.
Wie können wir Ihnen helfen:
Wir sprechen Ihre Sprache! Unsere branchenspezifischen Lösungen sind perfekt auf Ihre Bedürfnisse zugeschnitten.
Wie der Mittelstand die Wirtschaft verändert. Und welche Rolle dabei ERP-Systeme in der Cloud spielen.
Tipps und Updates zu unseren Lösungen, informative Blogposts, überzeugende Case Studies und Neuigkeiten über unser Unternehmen.
BE-terna erhält den Microsoft Business Applications Inner Circle Award 2023-2024
9 min read • Mar 15, 2020
Das Unternehmenswachstum hinsichtlich der Produktion hängt von der Fähigkeit eines Unternehmens ab, mehr Produkte zu produzieren. Wenn die Anzahl der Aufträge steigt und die Produktionskapazität sich der maximalen Betriebskapazität nähert, muss das Managementteam beginnen, Investitionen in neue Produktionskapazität in Betracht zu ziehen.
Dies ist nicht immer eine leichte Entscheidung, da die Investitionskosten hoch und Flächen in Produktionsanlagen begrenzt sind. Unternehmen investieren stark in neue Maschinen, mit denen sie die Produktionskapazität der Anlage erhöhen wollen. Wenn wir einen Weg finden könnten, die Arbeitsprozesse intelligenter zu gestalten, würden wir nicht nur unser Produkt schneller produzieren, sondern auch unsere Arbeitskapazität erhöhen, ohne teure neue Maschinen anschaffen zu müssen.
Eine effektive Arbeitsplanung ist entscheidend für die rechtzeitige Lieferung von Aufträgen, die Zuteilung von Material und Arbeitskräften und letztlich für die Optimierung der Gewinne. Es stellt sich jedoch heraus, dass die Arbeitsplanung ein anspruchsvoller Prozess mit vielen verschiedenen Optionen ist und dass sich die Anforderungen auch in Produktionsstätten schnell ändern. In diesem Artikel stellen wir ein System vor, das für einen unserer Kunden - ein Produktionsunternehmen - eine wichtige Änderung einführte, die seinen Planungsprozess optimierte und eine erhebliche Auswirkung auf den Umsatz hatte. Das Unternehmen beschäftigt sich mit dem Druck verschiedener Produkte, und daher ist Tinte eines ihrer Hauptmaterialien. Vor dem Projekt überprüften wir ihren Arbeitsprozess und stellten fest, dass ein Engpass genau in der Planung des Arbeitsprozesses lag. Wir implementierten ein System, das die Produktion auf allen Maschinen in Echtzeit überwacht, den aktuellen Status jeder Maschine visualisiert und kommuniziert und die optimale Reihenfolge der Arbeitsaufgaben berechnet.
In der Arbeitsauftragsdatenbank erhalten wir eine Reihe von Arbeitsaufgaben, die jeweils unterschiedliche Elemente haben. Abhängig von den Eigenschaften der aufeinander folgenden Arbeitsaufträge wird ein Auftrag schneller ausgeführt als ein anderer. Betrachten wir das Beispiel der Reinigung der mit Tinte gefüllten Brennkammern. Wenn wir eine blaue Farbe in die Kammer einführen und in der nächsten Iteration in derselben Kammer eine orange Farbe verwenden wollen, werden wir mehr Zeit mit der Reinigung der Kammer verbringen, als wenn wir den Auftrag zunächst mit einer grünen Farbe drucken würden, da die grüne Farbe eine Mischung aus Blau und Gelb ist, während Orange eine Mischung aus Gelb und Rot ist
Interessant wird es, wenn wir versuchen, Arbeitsaufgaben mit drei bis acht Farben auf drei Maschinen mit 6 Brennkammern zu planen, die jeweils mit einer anderen Geschwindigkeit arbeiten und von denen nur eine die Technologie zum Drucken einer bestimmten Art von Drucksachen besitzt. Wir wählen zwischen mehr als 200 verschiedenen Farbnuancen. Das Wichtigste ist - bei jeder Arbeitsaufgabe müssen wir dafür sorgen, dass der versprochene Liefertermin eingehalten werden kann und nicht verpasst wird.
Wir haben bereits viele Parameter erwähnt, die wir sorgfältig beachten und entsprechend koordinieren müssen. Da es eine große Anzahl von Kombinationen gibt, würden wir viel Zeit benötigen (es wäre praktisch unmöglich), jede einzelne manuell zu berechnen. Die zeitliche Komplexität des Problems mit 3 Maschinen ist n!3^n. Interessanterweise gibt es bei 42 Ordnungen so viele verschiedene mögliche Ordnungskombinationen, wie es Atome auf der Erde gibt; bei 59 Ordnungen ist diese Zahl gleich der Anzahl aller Atome im Universum. Probleme dieser Größenordnung werden in der Informatik als NP-Vollprobleme bezeichnet. Das bedeutet, dass es sehr schwierig ist, nach allen möglichen Lösungen zu suchen und die beste zu finden, weil es einfach zu viele Möglichkeiten gibt, selbst mit dem Computer. Wenn man alle möglichen Aufträge für 190 Arbeitsaufgaben finden müsste, müsste man mehr als 190! inspizieren.
Ein Arbeitsauftrag wird gemacht, gedruckt, das Produkt wird erstellt, es wird also nicht mehr für die Planung berücksichtigt. Auf der anderen Seite werden ständig neue Arbeitsaufträge bestellt, die alle im aktuellen Plan zugeordnet werden müssen. Deshalb brauchen wir ein System, das den Plan in Echtzeit mit neuen Arbeitsaufgaben aktualisiert. Wir brauchen eine Methode, die in der Lage ist, jederzeit eine bessere Reihenfolge zu finden, wenn ein Arbeitsauftrag entfernt oder hinzugefügt wird. Wir können den Plan im Hinblick auf den lebenden, sich ständig verändernden Organismus betrachten. Darwin sagte, dass das Überleben einer Spezies nicht von ihrer Kraft oder ihrer Intelligenz abhängt, sondern von ihrer Fähigkeit, auf Veränderungen zu reagieren. Wir betrachten eine Lösung des Plans als ein Glied in der Kette. Mehrere Individuen können miteinander verglichen werden, so dass wir in einer bestimmten Population dasjenige auswählen, das am besten geeignet ist, das Problem zu lösen. Aufgrund des Veränderungsprozesses wird das beste Individuum der Bevölkerung jedoch nicht immer dasselbe sein und sich häufig ändern. Deshalb wird die von Darwin inspirierte Methode, der so genannte genetische Algorithmus, verwendet.
Um zu verstehen, wie der Algorithmus funktioniert, stellen Sie sich vor, dass wir die beste Fußballmannschaft der Welt aus elf Personen bilden wollen. Nehmen wir an, wir hätten eine Möglichkeit, die Qualität der Mannschaft zu messen, wenn alle 11 Spieler spielen. Dies wird als Fitnessfunktion bezeichnet und liefert einen bestimmten Wert. Die Funktion besteht aus unterschiedlichen Komponenten für die Bewertung des Spiels bei Verteidigung und Angriff, den Preis der Fußballspieler zu erfassen, misst die persönlichen Verbindungen zwischen ihnen, wägt dann all diese Attribute ab und liefert eine Zahl, die ein Ergebnis darstellt.
Da es zu viele Optionen und zu viele Menschen auf der Welt gibt, wir nur begrenzte Möglichkeiten haben, verschiedene Mannschaften zu bewerten, müssen wir verschiedene Methoden zum Wechsel der Spieler anwenden. In der ersten Runde stellen wir einige Teams auf und ordnen sie nach unserer Fitnessfunktion ein. In der nächsten Runde wollen wir neue Mannschaften aufstellen und einige der alten behalten, um die Mannschaft mit der besten Punktzahl zu finden. Natürlich werden einige der bestplatzierten Teams in die nächste Runde aufgenommen (diese Methode wird als "Elitismus" bezeichnet). Wir nehmen zwei beliebige Mannschaften und tauschen einige der Spieler aus, um zwei neue Mannschaften zu erhalten. Wir nennen dies die Crossover-Methode, und sie bietet die Möglichkeit, dass sich einige Spieler in einer anderen Mannschaft besser fühlen. Die Methode wird mehrmals wiederholt. Manchmal kommt es vor, dass wir mit den vorgestellten Methoden einfach keine bessere Mannschaft finden können und so das lokale Optimum erreichen. Das ist dann der Fall, wenn wir eine Mutationsmethode anwenden, die zufällig einen Spieler in der Welt findet und ihn mit einem Spieler in einer Mannschaft austauscht. Es stellt sich heraus, dass durch diese Methode der genetische Algorithmus dem lokalen Optimum "entkommt" und bessere Ergebnisse findet. Nach ein paar Iterationen erhalten wir ein sehr gutes Team, aber wir können nie wissen, ob es das Beste ist. Irgendwann werden auch die Spieler älter, und es kommen neue, jüngere Spieler mit anderen Fähigkeiten hinzu, weshalb wir immer wieder evaluieren, die Mannschaft auswechseln und nach besseren Mannschaftsoptionen suchen müssen.
Das Unternehmen reduzierte auch die Anzahl der verspäteten Aufträge.
Die rote Linie veranschaulicht die aktuelle Zeit, das rote Quadrat steht für eine Arbeitsaufgabe, deren Ausführung zu lange dauerte, die dunkelblaue Farbe vor der roten Linie steht für eine Aufgabe, die rechtzeitig ausgeführt wurde. Das System verfolgt den Aufgabenstatus, wobei die aktuelle Aufgabe blau (wenn noch Zeit für die Erledigung der Aufgabe vorhanden ist) oder rot (wenn nicht) blinkt. Für die geplanten Aufgaben (rechts von der roten Linie) wird angezeigt, ob
zuvor erforderliche Vorgänge abgeschlossen wurden.
Dadurch wurden mehrere Hunderttausend Euro an zusätzlichen Einnahmen geschaffen, was im Vergleich zur Größe dieser Produktionsstätte eine erhebliche Steigerung darstellt. Mit der Implementierung modernster Algorithmen ist es uns gelungen, zu zeigen, dass es möglich ist, Erkenntnisse aus dem akademischen Bereich in kleinen und mittleren Produktionsanlagen zu nutzen und auf reale Probleme anzuwenden. Solche Probleme sind nicht nur lösbar, sondern optimale Lösungen können sich auch direkt auf den Gewinn auswirken und in sehr kurzer Zeit sichtbar werden.
Die Erfahrung hat gezeigt, dass in vielen Unternehmen noch viel Potential für Verbesserungen besteht und dass es nicht genügend bereits vorhandene Systeme und Algorithmen gibt, die in alltäglichen Aufgaben und Prozessen implementiert und angewendet werden, die Menschen noch manuell erledigen.
Mit diesem Projekt haben wir mehrere Prozesse im Produktionszyklus aktualisiert und optimiert und gezeigt, mit welcher Kraft die Wissenschaft der Industrie helfen kann.
Melden Sie sich zu unserem Newsletter an und bleiben Sie up-to-date.
