Historische Daten zur Rüstzeitprognose nutzen

Algorithmen für die Fabrik

Historische Daten zur
Rüstzeitprognose nutzen

Bild: ©Kadmy/stock.adobe.com

Die Planung der Fertigung kann immer nur so gut sein, wie die Vorgaben und Annahmen auf denen sie basiert. Künstliche Intelligenz macht aus starren Vorgaben dynamische Prognosen. Damit wird auch die Planung deutlich realistischer.


Bei vielen Unternehmen bilden Manufacturing-Execution-Systeme zusammen mit ERP-Anwendungen das digitale Rückgrat der Fabrik und der damit verbundenen Produktionsprozesse. Ein zentraler Aspekt in beiden Systemen ist die Planung der Fertigung. Dafür wird im ERP-System auf eine Reihe von Vorgabewerten zurückgegriffen, um eine Grundlage für die zu berücksichtigende Bearbeitungsdauer eines Vorgangs und für die Übergangszeiten zwischen zwei Vorgängen eines Auftrags zu haben. Am Beispiel dieser Vorgabewerte – speziell an der Rüstzeit – lässt sich der Nutzen von künstlicher Intelligenz (KI) im MES verdeutlichen.

Herkömmliches Vorgehen

Im einfachsten Fall wurde die Rüstzeit bisher manuell gemessen (REFA-Vorgehen). Wird bereits ein MES eingesetzt, kann die Rüstzeit natürlich auch aus den erfassten Ist-Zeiten ermittelt werden. Ausreißer sollten dabei stets eliminiert werden bzw. gewichtet einfließen. Die eigentliche Komplexität bei der Rüstzeitermittlung entsteht jedoch durch die Kombination diverser Einflussfaktoren: abhängig vom verwendeten Werkzeug kann die Rüstzeit für ein Produkt variieren, Farbwechsel vergrößern oder verkleinern die Rüstzeit, gegebenenfalls sind weitere Faktoren zu berücksichtigen. Ein MES deckt diese Variabilität oftmals mit integrierten Funktionen ab, in der die Übergänge mit zeitlichen Zu- oder Abschlägen gepflegt und dann bei der Feinplanung berücksichtigt werden können. Abhängig von der Anzahl der Einflussfaktoren resultieren daraus oftmals kaum noch zu überblickende Stammdatenuniversen. Genau an diesem Punkt könnte künstliche Intelligenz die Spielregeln verändern.

Zeitgemäßes Vorgehen mit KI

Durch KI – speziell durch Machine Learning – kann die Rüstzeit auf der Basis historischer Daten vorausgesagt werden. Grundlage hierfür bildet der Paradigmenwechsel zwischen der klassischen Programmierung und Machine Learning. War bei der klassischen Programmierung ein detailliertes Verständnis des abzubildenden Sachverhalts und seiner Einflussfaktoren notwendig, um aus Eingangsdaten mit Hilfe des erstellten Programms Ergebnisdaten zu erzeugen, entfällt das aufwendige und restriktive Verständnis des Sachverhalts und seiner Einflussfaktoren durch den Einsatz von Machine Learning. Auf der Basis historischer Daten aus dem MES (wie lange hat das Rüsten bezogen auf die Kombinationen aus Artikel, Maschine, Werkzeug, ? unter Berücksichtigung der Schicht, ? tatsächlich gedauert) wird das ‚Programm‘ erstellt, welches man bei Machine Learning auch als Modell bezeichnet. Durch die Verwendung historischer Daten bei der Modellerstellung können diese auf ihre Eigenschaft als Einflussfaktor untersucht werden. Eine Dokumentation all dieser Faktoren im MES wäre in den meisten Fällen aufgrund der Komplexität kaum sinnvoll. Für viele Unternehmen würde die Ausweisung der tatsächlichen Einflussfaktoren auf Basis der historischen Daten schon einen Mehrwert darstellen.

Paradigmenwechsel: von der klassischen Programmierung zu Machine Learning (Bild: MPDV Mikrolab GmbH)

Seiten: 1 2Auf einer Seite lesen

MPDV Mikrolab GmbH
www.mpdv.com

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige