Entscheidungsunterstützung in datengetriebenen Organisat ... / 4.2.3 Optimierung des Auftragsmanagements und der Anlagenbelegung

Im dritten Beispiel handelt es sich um eine generische Zielstellung der Produktionssteuerung.

Ein stahlverarbeitendes Unternehmen realisiert in ca. 2000 individuellen Aufträgen je Monat kundenspezifische Produkte. Für eine Produktion in Stückzahl 1 ist sowohl in Vorbereitung (Konstruktion, Technologie, Produktionsplanung, etc.) als auch Fertigung ein sehr hohes Maß an Flexibilität erforderlich.

Im Unternehmen gibt es mehrere Anlagen mit einer gewissen technologischen Redundanz, d. h. dass Produkte auf unterschiedlichen Anlagen zwar in gleicher Qualität erstellt werden können, sich die Herstellung je Anlage in Rüstaufwand, Dimensionen, Energieverbrauch, Produktionsgeschwindigkeit unterscheiden. So können z. B. kleinere Produkte auch auf Anlagen für größere Produkte hergestellt werden. Das wird man aber nur tun, wenn ein Liefertermin drängt oder die Anlage nicht ausgelastet ist.

Erfolgte bisher die Zuordnung zu Anlagen sowie die Festlegung der Produktionsreihenfolge nach Aufträgen im ERP nach "Bauchgefühl", lässt sich der Anlagendurchsatz pro Schicht durch Optimierung und Zuordnung {Auftrag, Anlage} erhöhen. Gleichzeitig reduzieren sich Umbauzeiten, die immer zulasten der Produktivität gehen.

Im Projekt werden die Grenzen bestehender betrieblicher Kennzahlensysteme deutlich. So ist die Gesamtanlageneffektivität (OEE) nicht ausreichend, um die Produktion auf unterschiedlichen Anlagen zu vergleichen. Für die Optimierung der Aufträge ist es unerlässlich, Effektivität und Effizienz gemeinsam zu betrachten, wofür "produktionsnahe" Daten und "Finanzdaten" erforderlich sind. Die Auftragssteuerung erfordert ein Gesamtsystem, wofür manuelle Möglichkeiten hinsichtlich Qualität und Flexibilität nicht ausreichend sind. Es wird kompliziert, da Auftragsdaten mit erforderlichem Technologiebedarf, Dringlichkeit, Personalbedarf und Personalverfügbarkeit, vorgelagerte Produktionsprozesse, Kapazitäten, Ist-Zustand und reale Produktionszeit auf der Anlage, Ressourcenverbrauch (Energie), usw. zu berücksichtigen sind. Das System wird durch multikriterielle Optimierung komplex. Erforderlich für die Erarbeitung einer Lösung sind:

1. Sammlung von Produktionsdaten als Trainingsmenge zu Aufträgen. Viele Prozessparameter werden, wenn überhaupt, erst bei der Nachkalkulation erfasst. Hier benötigt man sie aber bereits vor der Bearbeitung.
2. Klassifikation von Aufträgen in Stückzahl 1.
3. Zuordnung jedes neuen Auftrags zu Auftragsklasse mit Schätzung der Produktionsparameter je Anlage,
4. Multikriterielle Optimierung der Zuordnung,
5. KI-Einsatz auf Echtzeit-Daten.

Das KI-System übernimmt dynamisch Ist-Zustände der Anlagen und ordnet diesen optimiert anstehende Aufträge zu. Es erkennt in Echtzeit Änderungen von Produktionsparametern, um unmittelbar darauf zu reagieren. Wenn z. B. durch Personalausfall eine Maschine nicht mehr zur Auswahl steht, müssen noch nicht angearbeitete Aufträge automatisch auf verbleibende mögliche Anlagen verteilt werden, damit der Anlagendurchsatz möglichst hoch bleibt und Termine gehalten werden.

Fazit: Der Nutzen des KI-Einsatzes ist ein um 20 % höherer Anlagendurchsatz pro Schicht. Die Optimierung schafft Termintreue: 97 % der Liefertermine werden. Das wirkt sich positiv auf die Kundenzufriedenheit aus. Die Produktionsdaten werden für präzisere Nachkalkulationen und dynamisch zur Anpassungen der Algorithmen genutzt.