Fraunhofer Austria
Im Projekt „MLinPPC“ wurde die Vorhersage von Produktionszeiten perfektioniert und in eine smarte und flexible, durch eine KI optimierte Reihenfolgeplanung mit einbezogen
Wie realistisch sind die angenommenen Prozesszeiten, die in der Produktionsplanung in Unternehmen derzeit zum Einsatz kommen? Ist es möglich, auf Basis der in Produktionsbetrieben üblicherweise verfügbaren Daten und mittels Maschinellen Lernens genauere Prognosen abzugeben? Und wie lassen sich diese dynamisch in die zukünftige Planung einbeziehen? Das waren die grundlegenden Fragen, die im Projekt „MLinPPC“ adressiert wurden – mit beeindruckendem Ergebnis: Dem Forschungsteam gelang es, präzisere Vorhersagen zu treffen und diese für eine Erhöhung der Planungsqualität und für optimierte und anpassungsfähige Reihenfolgeplanung zu nutzen.
Das von der Österreichischen Forschungsgesellschaft FFG geförderte Projekt schloss damit an eine Serie von erfolgreichen Forschungsinitiativen an. Die Innovationsfelder Industrial Data Science sowie Industrie 4.0 in Produktion und Logistik bilden schon lange einen wesentlichen Schwerpunkt bei Fraunhofer Austria, und das Team um Lukas Lingitz startete im Rahmen der internen Vorlaufforschung erste Experimente. 2016 folgte ein EU-Projekt mit einem Partner aus der Halbleiterindustrie zur Abschätzung von Prozesszeiten mit Hilfe von Machine Learning.
Wie viel Zeit wirklich für einen Durchlauf benötigt wird, hängt von vielen Faktoren ab, zum Beispiel vom aktuellen Bestand in der Fertigung, davon, welcher Lieferant die Ware in welcher Qualität liefert, oder davon, welche Anlage in Betrieb ist. Häufig sind aber im Unternehmen nicht die Mittel vorhanden, um die hinterlegten Daten ausreichend zu pflegen – das lässt die Planung ungenau werden. „Ein Plan ist immer nur so gut wie die Daten, auf denen er beruht. Leider sind die Daten in den Systemen in der Regel veraltet. In vielen Fällen wurden sie einmal in der Vergangenheit eingepflegt und dann sehr selten, wenn überhaupt, aktualisiert“, erklärt Viola Gallina von Fraunhofer Austria, die an den Projekten maßgeblich beteiligt war.
Die Erkenntnisse aus dem EU-Projekt – es war gelungen, genauere Durchlaufzeiten zu prognostizieren – wurden danach in einem weiteren internen Vorlaufforschungsprojekt vorangetrieben. Die dafür nötigen Produktionsdaten stellte dankenswerter Weise ein früherer Projektpartner zur Verfügung. Darauf folgte der Projektantrag für MLinPPC. Das Forschungsteam setzte sich zum Ziel, die prognostizierten Prozesszeiten in die Produktionsplanung und -steuerung einzubeziehen.
Bei den Daten, die das Forschungsteam für ihre Prognosen verwendet, handelt es sich um sogenannte Rückmeldedaten, und damit um Daten, wie sie in fast jedem Unternehmen vorliegen. Sie besagen, zu welchem Zeitpunkt, an welcher Anlage und für welchen Kunden ein Auftrag fertiggestellt wurde und wie viel Ausschuss dabei entstand. Obwohl die Startzeit des Auftrags nicht mit abgespeichert wird, lassen sich aus Daten dieser Art wertvolle Informationen extrahieren. Die Forscherinnen und Forscher können erkennen, welche Prozesse instabiler sind als andere, und sie können aus impliziten Informationen herausfinden, welche Prozesse mit einer gewissen Regelmäßigkeit länger dauern als erwartet. Es zeigte sich: die anhand der Rückmeldedaten ermittelte Zeitschätzung war besser als die bisherige.
„Die Tatsache, dass unsere Methode auf der alleinigen Basis der Rückmeldedaten funktioniert, macht sie besonders interessant für Unternehmen. Die Digitalisierung des Betriebes muss nicht außergewöhnlich weit fortgeschritten sein, und dennoch lässt sich bereits Machine Learning anwenden. Das macht die Methode zu etwas Besonderem“, erklärt Lukas Lingitz.
Während die ersten Ergebnisse es aber nur erlaubten, eine Warnung auszugeben, wenn die vom Unternehmen erwartete Durchlaufzeit nicht mit den verbesserten Prognosen übereinstimmte, so sollte im Projekt MLinPPC der nächste Schritt gemacht werden: „Wir wollten prüfen ob es möglich ist, unsere verbesserten und dynamischen Zeitschätzungen wieder in die Planung zurückfließen zu lassen um dadurch die Planungsqualität zu verbessern. Dafür haben wir das Projekt MLinPPC gestartet“, erklärt Lukas Lingitz. Gemeinsam mit der voestalpine BÖHLER Bleche GmbH & Co KG, dem Institute For Computer Science And Control – SZTAKI und der AT&S Austria Technologie & Systemtechnik Aktiengesellschaft nahm das Forschungsteam die Aufgabe in Angriff, ein evolutionäres Modell zu entwickeln, dass die Planzeiten ständig aktualisieren und im Fall einer Abweichung dynamisch in eine verbesserte Planung übertragen kann. So nähert sich das Modell von Runde zu Runde einer immer „besseren“ – realistischeren Lösung. In einem zweiten Ansatz widmeten sich die Forscherinnen und Forscher einem sogenannten „function besed approach“. Dieser bezieht die Reihenfolgeplanung mit ein. Nach der Abschätzung der zu erwartenden Dauer wird dann berücksichtigt, dass auch die Reihenfolge der Prozesse geändert werden kann, um ein Optimum zu erreichen.
Beim Projektpartner voestalpine Böhler Bleche ist man von den Ergebnissen begeistert: „Mit MLinPPC konnten wir zeigen, wie wir die Produktionsplanung unseres Duo Walzgerüstes auf eine völlig neue Ebene heben können“, sagt Matthias Karner, Leitung IT-Systeme, Digitalisierung, Automatisierung und Data Science bei voestalpine Böhler Bleche.
Lukas Lingitz und Viola Gallina denken bereits über weitere Entwicklungsmöglichkeiten nach. Synergien könnten sich aus der Zusammenführung mit den Ergebnissen andere Fraunhofer Austria-Projekte ergeben, so könnten beispielsweise die Methoden zur Energieeffizienzsteigerung aus dem Forschungsprojekt „Leopold“ (siehe Jahresbericht 2021) oder auch die im Projekt „Smile“ gewonnenen Erkenntnisse zum Arbeiten mit verschlüsselten Daten mit den Methoden aus „MLinPPC“ kombiniert werden.