Projekt SUPPORT: Neue Form der künstlichen Intelligenz optimiert Produktionsplanung

Die Produktionsplanung und -steuerung (PPS) in Unternehmen beeinflusst sowohl die Wirtschaftlichkeit als auch die Materialströme, die Maschinenbelegungen sowie den konkreten Einsatz der Mitarbeiter:innen. Aktuelle Verfahren zur Planungsoptimierung stoßen bei der hohen Komplexität an ihre Grenzen und fokussieren sich zumeist nur auf die Steigerung der Produktivität eines Fertigungsprozesses.

Das Ziel des Projekts ist es, die komplexe Produktionsplanung zu vereinfachen. Das soll durch Reinforcement Learning (bestärkendes Lernen) erreicht werden. Reinforcement Learning ist eine Form des maschinellen Lernens und damit der künstlichen Intelligenz (KI) zuzuordnen. Der Vorteil von Reinforcement Learning ist, dass es auch für sehr komplexe Probleme Lösungen finden kann. Dazu wird der KI nicht gezeigt, welche Aktion in welcher Situation die beste ist, sondern sie erhält zu einer bestimmten Zeit eine Belohnung, die auch negativ sein kann. Zum Training wird allerdings ein Simulationsmodell benötigt. Da die manuelle Erstellung aufwendig ist, soll das Modell in SUPPORT automatisiert erstellt werden. Neben den bisherigen Optimierungsgrößen soll auch die Belastung der Mitarbeiter:innen berücksichtigt werden, sodass eine Steigerung der Produktivität im Einklang mit den Mitarbeitenden stattfindet. So soll es möglich sein, mit geringem Aufwand komplexe PPS-Aufgaben effizient und nachhaltig zu lösen.

Beschreibung des Problems 

Die Produktionsplanung und -steuerung ist die zentrale Instanz zur Beeinflussung der operativen Prozesse in produzierenden Unternehmen. Sie beeinflusst sowohl die Wirtschaftlichkeit und somit die ökonomische Nachhaltigkeit des Betriebs als auch die Materialströme, die Maschinenbelegungen und -auslastungen sowie den konkreten Einsatz aller in der Fertigung beteiligten Mitarbeiter:innen. Diese Vielzahl an zu steuernden Elementen bestimmt die Komplexität der Planungsaufgabe. Hinzu kommen marktbedingte Herausforderungen, wie eine hohe Variantenvielfalt der Produkte, kurze Produktlebenszyklen, verkürzte Planungshorizonte und fehlendes Fachpersonal. Aktuelle Verfahren zur Planungsoptimierung stoßen bei einer hohen Komplexität an ihre Grenzen und fokussieren sich zumeist eindimensional auf die Steigerung der Produktivität eines Fertigungsprozesses. Insbesondere soziale und menschliche Aspekte, die durch den Produktionsplan und die Steuerungsregeln mit beeinflusst werden, bleiben alleine aus Komplexitätsgründen unberücksichtigt. Weiterhin gibt es hohe Aufwände in der Erstellung von Produktionsplänen sowie mangelnde Anpassungs- und Reaktionsfähigkeit bei geänderten oder neuem Produktionsumfeld sowie bei Störungen und äußeren Einflüssen.

Zielsetzung & Vorgehen

Im Rahmen dieses Projektes sollen die Herausforderungen der Produktionsplanung bewältigt werden, indem hochkomplexe Produktionsplanungs- und -steuerungsaufgaben mit Methoden des Reinforcement Learning (RL) aus dem Themenbereich Maschinelles Lernen (ML) und Künstliche Intelligenz (KI) durchgeführt werden. Dabei soll eine hohe Güte der Optimierung erzielt werden, bei gleichzeitiger Abbildung sowohl ökonomischer und ökologischer als auch humanzentrierter Zielgrößen. Aufgrund der besonderen Bedeutung von hochqualifizierten Mitarbeiter:innen am Hochkostenstandort Deutschland werden insbesondere physische und psychische Einflussgrößen auf das Wohlbefinden und die dauerhafte Leistungsfähigkeit der operativen Mitarbeiter:innen im Produktionsprozess direkt in den Planungsprozess mit einbezogen.

Das Projekt besteht aus der Entwicklung zweier Kernkomponenten. Zunächst sollen die in einer Produktion vorliegenden Daten anhand von Digitalen Zwillingen modelliert und im Anschluss zur Erstellung eines automatisierten Simulationsmodells genutzt werden. Nachfolgend sollen diese Simulationsmodelle zum Training der RL-Agenten eingesetzt und hierdurch eine Optimierung der Produktionsplanung vorgenommen werden. Dabei werden die Vorarbeiten der Anwendungsunternehmen in den Bereichen der Produktionsoptimierung, der Produktionssimulation sowie des Digitalen Zwillings aufgegriffen und in die zu entwickelnden Komponenten integriert.

Projektergebnis & Mehrwerte

Für eine Wiederverwendbarkeit der Ergebnisse wird die Datenmodellierung mittels digitaler Zwillinge sowie der Datenaustausch zu bestehenden IT-Systemen durch standardisierte Schnittstellen vorgenommen. Darüber hinaus wird eine Toolbox erstellt, welche es fachlichen Endanwendern ermöglicht die generierten Simulationen und Produktionspläne zu überprüfen und gemäß ihrer Expertise anzupassen. So kann Unternehmen ein niederschwelliger Einstieg in die KI-gestützte Produktionsplanung ermöglicht werden. Der Mehrwert liegt in einer hohen Produktivität und Entlastungen für Produktionsplaner und Mitarbeiter.

Die praktische Umsetzung dieses Ansatzes erfolgt in zwei Pilotprojekten, welche unterschiedliche Produktionsumgebungen umfassen: Auf der einen Seite soll eine Just-in-Time-Produktion betrachtet werden, welche eine hohe zeitliche Verfügbarkeit der in Auftrag gegebenen Produkte bedingt. Auf der anderen Seite werden die Verfahren auf eine Lagerfertigung angewendet, sodass eine möglichst breite Übertragbarkeit auf andere Unternehmen und Branchen gewährleistet wird.

Steckbrief