Adaptive Feinplanung der Produktion auf Basis von Realzeit
Werbung
Adaptive Feinplanung der Produktion auf Basis von Realzeitmeldungen Michael Baumann Berghausen, 29.03.2012 Ettlingen © Fraunhofer IOSB Karlsruhe Ilmenau 1 Lemgo Gliederung Motivation Anforderungen Was heißt „Real-Time“ für die Produktionsfeinplanung? Algorithmen und Simulation Zusammenfassung © Fraunhofer IOSB 2 Navigation Kartenübersicht und Routenverlauf Anzeige Navigationsziel und der vorausberechneten Ankunftszeit Aktuelle Position des Fahrzeugs Vorlieben kürzeste Strecke, schnellste Strecke, Mautstraßen meiden… Verkehrsinformationen in Echtzeit, stockender Verkehr, Staus… Straße = Maschine © Fraunhofer IOSB Fahrzeug = Auftrag 3 Situation in der Produktion Bis wann können 550 weitere Getriebetypen 4711 geliefert werden? Wo liegt denn das zu gesägte Stangenmaterial? Liefern Sie die für nächste Woche zugesagte Ware fristgerecht? Herr Färber ist diese Woche krank, wer kann das Drehzentrum noch bedienen? Haben wir noch genügend Rollen? Können wir den Auftrag für die Müller AG um 200 Stück aufstocken? © Fraunhofer IOSB Wann muss ich die Kinder abholen? 4 Die Lackieranlage ist schon wieder ausgefallen, sollen wir verschieben? Können wir mit einer weiteren Schicht am Wochenende den Termin halten? Feinplanungsproblem Gegeben: Maschinen, Personen, Werkzeuge, Materialien, etc., allgemein Ressourcen, mit spezifischer Charakteristik wie Bearbeitungszeiten, Rüstzeiten, Geschwindigkeiten, Wartungsintervalle, Bestände, ggf. weitere Eigenschaften. Aufträge mit Fälligkeitsterminen, Arbeitsvorgänge mit Ressourcenbedarfen und Alternativen, Materialanforderungen, etc. Restriktionen und Regeln für einen durchführbaren Produktionsplan z.B. Kapazitätsverfügbarkeiten, minimale und maximale Übergangszeiten. Ziele: Verteile die Aufträge/Arbeitsvorgänge so auf die Ressourcen, dass die vorgegebenen Ziele optimiert und die Restriktionen eingehalten werden. © Fraunhofer IOSB 5 Ziele der Produktionsfeinplanung hohe Flexibilität hohe Transparenz kurze Durchlaufzeiten hohe Planungssicherheit (Robustheit) hohe Lieferbereitschaft hohe und gleichmäßige Kapazitätsauslastung hohe Termintreue © Fraunhofer IOSB niedriger Rüstaufwand niedrige Lagerbestände 6 Bedarf/Wunsch Produktionssimultane, kontinuierliche Optimierung ohne komplette Neuplanung „Navigationssystem“ © Fraunhofer IOSB für die Produktion 7 Anforderungen • Flexible Modellbildung zur Handhabung unterschiedlicher Problemstellungen • Ein Verfahren für Fein- und Grobplanung • Nicht unbedingt optimale, stattdessen gute, machbare Lösung • Ungenauigkeit der Vorgabedaten berücksichtigen/korrigieren • “adhoc” Anpassung an Umgebungsbedingungen • Keine “Nervosität” in der Produktion durch wiederholte Neuplanung • Kooperative manuelle und automatische Planung, nachvollziehbar © Fraunhofer IOSB 8 Real-Time Faktor Zeit: Zeitliche Abstand zwischen einem Ereignis und der Reaktion darauf möglichst klein. (Plan, KPIs, …) Faktor Daten und Information: Aus Daten entstehen Informationen. Beispiel Datum: Maschinenausfall 10:00 Uhr Information: Auswirkung auf Auftrag XY Entscheidung: Umplanung auf Alternativmaschine © Fraunhofer IOSB 9 Real-Time Faktor Automatisierung: Report-Erstellung Mensch ist limitierender Faktor Was kann automatisiert ablaufen, was nicht? • Veränderungen in Realzeit visualisieren, Störungen etc. • Handlungsoptionen im Rahmen von Simulationen vorbereiten Prognose der Auswirkungen in Realzeit erfordert • Adaptive, schnelle Feinplanung • Warnmeldungen bei Überschreiten von Schwellwerten © Fraunhofer IOSB 10 Real-Time Planung • Frühzeitiges Erkennen von Trends und Verspätungen • Treffen von schnellen Entscheidungen in Echtzeit • Anpassung an veränderte Bedingungen • Zeitnahe Ereignisse ad-hoc, zeitferne Ereignisse Optimierungszeit nutzen Feinplanung Steuerung Dauer einstellbar Dauer einstellbar Ressourcenberücksichtigung variabel Ressourcenberücksichtigung variabel Aktueller Zeitpunkt © Fraunhofer IOSB Grobplanung Ressourcenberücksichtigung variabel t 11 Beschreibung • • Advanced Planning and Scheduling System zur simultanen Planung aller Produktionsressourcen und Ermittlung von Start-/Endterminen für Aufträge und Arbeitsvorgänge verdichtete Aufträge Anfragen Baut geschlossenen Regelkreis zur Produktion auf außerplanmäßige Aufträge Auftragsrückmeldungen ProVis.APS Ressourcenbelegung • Produktionsmonitor • KPI Überwachung von Produktion und Planung in „Real“-Zeit Ressourcen • ProVis.APS Client läuft im Web-Browser und wird über Data-Push aktualisiert • Plattform zur Durchführung von Simulationsprojekten © Fraunhofer IOSB 12 Maschinenebene BDE, SPS, CNC Störungen Rückmeldungen Endprodukte Visualisierung in der Plantafel Aktueller Zeitpunkt Zeitskala Selektion Ausgewählte Elemente Anzeige Plugins für die Elemente (Im Beispiel: Gantt Charts) Stufenlos Zoomen (1Sekunde – 1Jahr) © Fraunhofer IOSB Durch Schieben oder Doppelklick: Sprung auf gewünschte Position 13 Aktueller Zeitausschnitt Scrollen in großen/kleinen Schritten Scheduling-Algorithmen Auswahl aus vielen am IOSB entwickelten Algorithmen Regelbasierte Algorithmen: Über 50 einfache Prioritätsregeln (mehr als 600 Kombinationen) Agentenbasierte Algorithmen Branch & Bound-Verfahren Spezielle Heuristiken Genetische Algorithmen Simulation des Fertigungsablaufs © Fraunhofer IOSB 14 Simulationsumgebung Ersetzung der Kommunikationspartner ERP und BDE durch Nachbildung ERP-Substitut Nachbildung der für die Feinplanung relevanten Teile von ERP und BDE Für die Feinplanung nicht erkennbar, dass nicht mit ERP und BDE kommuniziert wird Standardkonform ISA-95 Level 4 Auftragsbestand/ Änderungen Zielfunktion Einstellparameter Datenmodell Scheduler Fertigungszustand/ -fortschritt Produktionsplan/ Änderungen Analyse Bewertungskriterien (Kennzahlen) Level 3 BDE-Substitut Levels 2, 1, 0 © Fraunhofer IOSB 15 Leistungsfähigkeit anhand zweier Beispiel Anwendungsfall 1: 70 Maschinen 2223 Aufträge, 13184 Prozesse (Produktionszeitraum 3 Monate) Zielfunktion: Termintreue und Rüstaufwand Anwendungsfall 2: 25 Maschinen, 6 Mitarbeiter 88 Aufträge, 12000 Prozesse Zielfunktion: Mittlere Durchlaufzeit © Fraunhofer IOSB 16 Anwendungsfall 1 TOP Pläne Ist Ablauf © Fraunhofer IOSB 17 Anwendungsfall 2 Fall Mittlere Netto DLZ [Tage] (Verbesserung) Ist 18,39 Scheduler XXX 14,83 (19,34%) ProVis.APS 11,88 (19,93%) Lower Bound* * Wert [Tage] Mittlere Netto DLZ 11,88 Maximale Netto DLZ 19,19 Mittlere Terminverfrühung 5,03 5,08 Maximale 13,47 Terminverfrühung Für nicht angefangene Aufträge Bei unbegrenzter Kapazität © Fraunhofer IOSB KPI 18 Funktionen • Planungskomponente, Optimierungsalgorithmen, Bewertungskomponente, Import/Export Schnittstellen für Stammund Bewegungsdaten und Planungsergebnisse, Arbeitszeitverwaltung, Szenarienverwaltung • Web-GUI, Sprachumschaltung, Data-Push, Diverse Oberflächenelemente wie Gantt-Charts, Kapazitätsgebirge, Histogramme, Materialverlauf, gruppierund sortierbare Tabelle, Live-Messages, etc. • Stärke: Produktionssynchrone Optimierung im Szenario mit automatischer oder manueller Übernahme der Ergebnisse zur Produktionssteuerung © Fraunhofer IOSB 19 GUI Lauffähig im Web-Browser Vielen mobilen Geräte Synchronisierung in Echtzeit Streaming von Produktionskameras Data-Push statt Polling Produktionsfortschritt / Planungsergebnisse auch anderer Benutzer unmittelbar sichtbar Kein Klick auf Refresh / Reload nötig Modularer Aufbau aus konfigurierbaren Komponenten © Fraunhofer IOSB 20 = Zusammenfassung • „Navigationssystem“ für die Produktion • Produktionssimultane Optimierung • Realzeitinformationen über Produktionszustand und –fortschritt • Simulationsumgebung und Algorithmenbibliothek • Eigene Lösung: ProVis.APS © Fraunhofer IOSB 21 Vielen Dank für Ihre Aufmerksamkeit! © Fraunhofer IOSB 22 Architektur GUI Web Browser via Flash Player / AIR Application Native Applications Windows, OS X, Linux, Solaris, Android Blackberry, IOS, Android Gantt Histogramm Message Queue Workload Material Capability Editor Reporting KPI Planboard TomCat Data Push Services Adobe LiveCycle DS Heuristics Evaluation Genetic Algorithm Scenario Management ProVis.APS Data modell EclipseLink (JPA 2 Ref. Impl.) ISA-95 B2MML OPC-UA Custom DB PDC: Real Time Production Data Own DB MySQL, MS SQL Server © Fraunhofer IOSB CSV ERP: Master & Transaction data 23
