MCP als Algorithmus Lieferant für die Produktionsplanung
Stellen Sie sich vor…
…Sie planen zehn Vorgänge auf einer Ressource, dies entspricht 3.628.800 Kombinations-Möglichkeiten!
Wir übernehmen das gerne für Sie!
Unsere Vision ist es, mathematische Optimierung in praxistauglicher Form bereitzustellen.
MCP entwickelt Algorithmen, um industrielle Problemstellungen optimiert zu lösen. Gemeinsam mit zwei Partnern aus der Industrie, betreiben wir als Hauptinvestor ein Labor der Christian Doppler Forschungsgesellschaft. Hierbei betreiben wir Grundlagenforschung zur Entwicklung neuer Algorithmen und leisten Pionierarbeit zur praktischen Anwendbarkeit von Methoden der künstlichen Intelligenz für komplexe Problemstellungen innerhalb der Produktionsplanung.
Wir haben uns als Ziel gesetzt, mit Hilfe solcher Kooperationen die Lücke zwischen akademischem Know-How und der tatsächlichen, praktischen Anwendung in der Industrie zu schließen.
Zusätzlich arbeiten wir mit verschiedenen Universitäten eng zusammen, welche den wissenschaftlichen Zugang, ein internationales akademisches Netzwerk sowie das Wissen zur Lösung algorithmischer Aufgabenstellungen bereitstellen.
Neben der Lösung von hochkomplexen individuellen Anwendungsfällen liegt unser Fokus auf der Bereitstellung einer Bibliothek an Algorithmen zur Lösung häufig vorkommender Problemstellungen wie Batchoptimierung, Ressourcen-Zuteilungsproblemen und diversen Scheduling Aufgaben.
Sprechen wir über Ihre Planungsherausforderungen!
Forschungsnetzwerk
Am Institut für Logic und Computation an der TU Wien ist unser Christian Doppler-Labor eingerichtet und wir betreiben mit drei Forschern gezielte Grundlagenforschung zur Entwicklung neuer Algorithmen und dem Einsatz von „Artificial Intelligence“ in der Produktionsplanung.
Gemeinsam mit unseren Partnern Bosch und Ximes leisten wir Pionierarbeit zur Erforschung der praktischen Anwendung von Methoden der künstlichen Intelligenz für komplexe Problemstellungen innerhalb der Produktionsplanung.
Auszug Forschungsgebiete
- nichtlineare dynamische Systeme
- Operations Research
- Multikriterielle Optimierung
- Metaheuristische Optimierungsverfahren
- Business Process Management
- Artificial Intelligence
Auszug Forschungsgebiete
- Anwendung quantitativer Methoden in der BWL
- Implementierung von quantitativen Modellen zur Entscheidungsunterstützung
Auszug Forschungsgebiete
- stochastische Modellierung von Produktions- u. Logistiksystemen
- Konfiguration von flexiblen Fließproduktionssystemen, Kapazitätsplanung
Auszug Forschungsgebiete
- Human Factors: taktische und operative Planung in Produktion
- Industrie 4.0: Planung vernetzter Systeme sowie Optimierung von Datenerhebung und Datenpflege
- Entscheidungsanalyse
- Projektmanagement
Unsere Algorithmus-Lösungen
Bei der Produktionsnivellierung geht es um eine gleichmäßige Aufteilung des Produktionsvolumens (gesamt und je Produkt) auf einzelne Perioden. Eine Periode kann dabei zum Beispiel eine Schicht, ein Tag, eine Woche oder ein Monat sein. Produktionsnivellierung ist ein wichtiger Teil in der Umsetzung des Heijunka-Prinzips.
Nivellierung der Produktionsmengen über Perioden und Produkttypen, gleichzeitig Berücksichtigung von Prioritäten/Bedarfsterminen und Sekundäreinschränkungen.
Eine Nivellierung der Produktion ist z.B. in der Elektronikfertigung oftmals notwendig, um einen ausgeglichenen Produktmix auf Tagesebene zu erreichen und eine optimale Nutzung der Produktionskapazitäten im Scheduling zu ermöglichen. Darüber hinaus spielt die Nivellierung oder Glättung in der langfristigen Kapazitäts-/ Produktionsplanung oftmals eine entscheidende Rolle.
Batch Optimierung
Das Oven Scheduling Problem (OSP), ist ein paralleles Batchplanungsproblem. Aufträge müssen für einen von mehreren Öfen eingeplant werden und können gleichzeitig mit anderen Aufträgen in einer Charge verarbeitet werden, wenn sie kompatible Anforderungen haben. Bei der Einplanung der Aufträge müssen verschiedene Einschränkungen hinsichtlich der Eignung und Verfügbarkeit der Öfen, der Freigabetermine der Aufträge, der Rüstzeiten zwischen den Chargen sowie der Ofenkapazitäten berücksichtigt werden.
Reduzierung der Ofenlaufzeit durch Formung von geeigneten „Batches“, bei gleichzeitiger Berücksichtigung von Bedarfsterminen und Minimierung der Durchlaufzeit.
Beispielsweise bei Wärmebehandlungen im Rahmen der Herstellung elektronischer Komponenten.
Dieser Algorithmus dient dazu das vorhandene Kapazitätsangebot (Mitarbeiterverfügbarkeit) den Kapazitätsbedarfen unter Berücksichtigung verschiedener Einschränkungen und unter parametrierbaren Optimierungszielen zuzuordnen. Der Algorithmus wird beispielsweise aus dem MCP Workforce Management aufgerufen. Die Mitarbeiter werden Arbeitsplätzen zugeteilt.
Innerhalb einer Zeitperiode Mitarbeiter auf Arbeitsplätze zu verteilen, so dass die geplante Aufträge bestmöglich abgearbeitet werden können.
Es gibt verschiedene Optimierungsziele die durch Priorisierung und Gewichtung miteinander kombiniert werden können (Priorität von Mitarbeitern bzw. Arbeitsplätzen, Einsatz bestqualifizierter Mitarbeiter, …).
Mitarbeitereinsatzplanung auf Schichtebene.
Portfolio an Lösungsmethoden
- Konstruktionsheuristik
- Metaheuristik: Simulated Annealing
- Exakte Optimierungsverfahren
Personenunabhängige, standardisierte Plangeneration unter Berücksichtigung komplexer Restriktionen und Optimierungsziele.
In den Lackierereien der Automobilzulieferindustrie muss täglich eine große Anzahl von Kunststoffteilen lackiert werden, um die große Vielfalt der für die Automobilherstellung benötigten Artikel bereitzustellen. Aufgrund des oftmals ausgeklügelten, automatisierten Produktionsprozesses und der von den Automobilherstellern geforderten knappen Fristen, wird die Suche nach einem optimierten Produktionsplan zu einer anspruchsvollen Aufgabe.
Rüstzeitminimierung
Portfolio an Lösungsmethoden
- Machine Scheduling mit Rüstzeitminimierung
- Simulated Annealing Metaheustriik
- MCP Setup-Time-Optimization
Das Ziel besteht in der Minimierung der Gesamtsumme an Rüstaufwänden unter Berücksichtigung von Fälligkeitsterminen.
Produktionsanlagen mit reihenfolgeabhängigen und stark schwankenden Rüstzeiten.
Artificial Teeth Scheduling
Portfolio an Lösungsmethoden
- Kontruktionsheuristik
- Metaheuristik
- Exakte Verfahren
Single Machine Scheduling mit Auftragserstellung.
Effiziente Bestückung der Anlage und Kombination verschiedener Zahnlinien.
Ressourcenzuordnung
Die Ausführbarkeit eines Produktionsplans hängt meist von weiteren Ressourcen, wie Fertigungshilfsmittel oder Zwischenlagerkapazitäten ab. Bei der konkreten Zuteilung übersteigt die Anzahl der Möglichkeiten sehr schnell das von einem Menschen bewältigbare Ausmaß. Durch mathematische Optimierung können in Sekunden viel bessere Ergebnisse erzielt werden, als dies ein Mensch durch lange eigene Überlegungen erreichen kann. Lösung mittels Simulated Annealing (Metaheuristik-Framework).
Auf Basis eines bestehenden Produktionsplans werden im Rahmen des Produktionsprozesses benötigte Sekundärressourcen (z.B. Kessel, Tanks, Werkzeuge,…) den Aufträgen zugeteilt.
Produktionen mit Zwischenlagerung in Behältern.
Automatische Parametrisierung der MCP Gewichtungsregel (Machine Learning)
Durch ein trainiertes Modell schlägt eine künstliche Intelligenz auf Basis der aktuellen Planungssituation eine Gewichtung der einzelnen Optimierungsparameter vor.
Verbesserte Planungsergebnisse in dynamischem Umfeld durch KI unterstützte Gewichtung der Ziefaktoren.
Industrielle Fertigungen, deren Planung von mehreren Optimierungsfaktoren abhängen, wobei sich die Wichtigkeit der Faktoren, im Verhältnis zueinander, im Zeitverlauf immer wieder verändert (z.B. schwankende Auslastung, saisonale Effekte).