Adaptive Feinplanung der Produktion auf Basis von Realzeit

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