Flexibles Referenzmodell zur Planung und Optimierung der Produktion (Teil 2)

Das in [1] erläuterte und in Bild 1 dargestellte generische Referenzmodell sieht die Implementierung von Daten aus betrieblichen Informationssystemen in Produktions-unternehmen vor. Über Schnittstellen werden die Daten aus den betrieblichen Informations­systemen extrahiert, entsprechend transformiert und stehen dann für eine automatische Modellgenerierung für diverse Expertentools wie z. B. für ein Produktionssimulationsprogramm zur Verfügung. Nach der Simulation können die Ergebnisse von Fachexperten ausgewertet werden.

Im Verlauf des Forschungsprojekts VIRTFac wurde das Referenzmodell zu einem funktions- und leistungsfähigen Demonstrator weiterentwickelt und ausführlichen Tests unterzogen. Zur Prüfung der Robustheit wurde der Demonstrator mit industriellen Produktionsdaten getestet und verifiziert.

Unternehmen haben jedoch unterschiedliche betrieblichen Informationssysteme im Einsatz, die aus diversen ERP-, MES- und PLM-Softwarekombinationen bestehen können. Um den Demonstrator nicht nur für eine unternehmensspezifische Softwarekonstellation anwenden zu können, wurde eine Fortentwicklung des Demonstrators durchgeführt.

Generelle Weiterentwicklung des generischen Referenzmodells

1. Die Fort-/Weiterentwicklung besteht aus drei grundsätzlichen Arbeitsinhalten:
2. Fortentwicklung hinsichtlich der besseren Anbindung unterschiedlicher betrieblicher Informationssysteme wie beispielsweise verschiedener ERP- und MES-Systeme
3. Flexible Erweiterung hinsichtlich der Einbindung von zusätzlichen Planungstools und verschiedene Tools der statischen Layout-
Analyse sowie der dynamischen Simulation
4. Überführung sowie Harmonisierung der Ergebnisse der Planungstools in eine gemeinsame Datenbank zur weiteren Auswertung und Erkenntnisgewinnen durch BI-Anwendungen und künstlicher Intelligenz

Flexible Erweiterung von diversen betrieblichen Informationssystemen

Das generische Referenzmodell bietet in dieser Weiterentwicklungsstufe die Möglichkeit, unterschiedliche Datenstrukturen aus den heterogenen betrieblichen Informationssystemen durch eine entsprechende Auswahl zu erfassen, und in die Plattform automatisch zu implementieren (Bild 2). Dadurch bleibt die Nutzung des Referenzmodells nicht auf einzelne bzw. spezifische betriebliche Informationssysteme von einzelnen Anbietern begrenzt und ist damit eine flexible anbieterneutrale Plattform.

Flexible Erweiterung von zusätzlichen Planungstools

Genauso erweiterungsfähig ist die Plattform hinsichtlich der Planungstools gestaltet. Auch hier sieht die Plattform grundsätzlich die Möglichkeit der Einbindung von weiteren Tools vor. Damit ist auch hier eine Modellerweiterung in der zusätzlichen Einbindung und Anwendung von weiteren Planungstools gegeben. Zum gegenwärtigen Stand kann durch die Plattform auf das statische Layoutwerkzeug visTABLE sowie die Simulationsumgebungen Plant Simulation und auf das Open-Source-Simulationswerkzeug Simpy zugegriffen werden.

Hier kommen nun der modulare Aufbau des Modells und der Vorteil der Verwendung einer Kollaborationsplattform in Form von einer zentralen Datendrehscheibe in Erscheinung. Durch die Vielzahl vorliegender standardisierter Schnittstellen können weitere Quell- und Zielsysteme miteinander verbunden werden. Wobei die Kollaborationsplattform die technische Umsetzung durchführt, während das Referenzmodell die sachlogische Verknüpfung herstellt. Für die Umsetzung des Datenmanagements und der Kollaboration wird das BI-Tool KNIME verwendet. Der Zusammenhang der einzelnen Bausteine ist dabei in Bild 2 ersichtlich.

Rückführung von Daten und Überführung der Simulationsergebnisse in BI-Anwendungen

Mit dieser grundlegenden Erweiterung besteht die Möglichkeit Ergebnisse aus den einzelnen Planungstools weiter zu verarbeiten und zu nutzen. So können die Ergebnisse aus einem Planungstool wieder in die Input-Datenbank zurückgeschrieben werden, welche als neue Ausgangsdaten für weitere Simulationen den Fachexperten zur Verfügung stehen (Bild 3). Somit können spezifizierte Simulationsergebnisse im ersten Loop vom jeweiligen Planungstool durch die Durchführung von weiteren Experimenten verfeinert und optimiert werden. Es werden somit spezifische aber jeweils für sich isolierte Expertenergebnisse erzielt.

Um dies zu verdeutlichen, werden hier zwei konkrete und im Rahmen von VIRTfac publizierte Anwendungsfälle gelistet. In [2] wurde durch die Kopplung von systematischen Experimenten in automatisiert generierten Simulationsmodellen und genetischen Algorithmen die Optimierung der Auftragsreihenfolge mit dem Ziel eines guten Balancing und einer möglichst hohen Auslastung für eine Montagelinie durchgeführt.

In [3] wurden durch die systematischen Experimente große Datenmengen erzeugt und diese durch die Methoden von Big-Data ausgewertet. So konnten in einem industriellen Fall eines Remanufacturing-Systems die Durchlaufzeit und Produktivität für ein gegebenes Set von Produkten durch eine intelligente Auftragsterminierung wesentlich verbessert werden.

Beide Arbeiten wurden auf Basis der in [1] beschriebenen Datenbasis und Methoden zur automatisierten Modellgenerierung durchgeführt. Die Analysen fanden unabhängig voneinander statt. Im zweiten Loop, wie in Bild 3 zu sehen ist, können die Daten einer BI-Anwendung überführt werden. Hier können die Stärken der BI-Anwendungen zu Nutzen gemacht werden, indem Datenanalysen und -visualisierungen auf die Ergebnisdaten angewendet werden, um Korrelationen zwischen den Ergebnissen der verschiedenen Planungstools zu erkennen.

Mithilfe einer den Planungstools übergreifenden simulationsbasierten Optimierung können Kennzahlen unter Einbeziehung der Zusammenhänge zwischen den Ergebnissen verschiedener Planungstools ausgewertet und optimiert werden. Mit den bisherigen Methoden ist es üblich Experimentreihen durchzuführen, indem Simulationen mit verschiedenen Eingangsparametern durchgeführt werden und deren Einfluss auf die Ergebnisdaten analysiert werden. Bei vielen Eingangsparametern und großen Parameterintervallen stoßen Experimentreihen oft an ihre Grenzen, da die Anzahl der Simulationsvarianten exponentiell ansteigt und die benötigte Dauer für alle Simulationsreihen gegen unendlich strebt.

Um optimale Eingangsparameter zu finden, integriert das Forschungsprojekt VIRTFac verschiedene Algorithmen. Je nach Wahl des Algorithmus wird sich einer optimalen Lösung iterativ angenähert, indem die Ergebnisse jedes Simulationsdurchlaufs mit den eingesetzten Eingangsparametern neu bewertet und dementsprechend ausgerichtet werden. Genetische Algorithmen und das Reinforcement-Learning sind zwei geeignete Algorithmen, die in dieser Problemstellung eingesetzt werden können.

Anwendungsszenarien

Konnten die Ergebnisse einer Produktionssimulation beispielsweise die Durchlaufzeiten, Bestände und Variantenflexibilität (EPEI-Kennzahl) generiert und einzeln optimiert werden, so sind diese jedoch mit den Ergebnissen aus dem Fabrikplanungstool nicht in Beziehung gesetzt. Somit finden sich die Ergebnisse aus Layoutänderungen nicht in dem Produktionssimulationstool wieder und umgekehrt auch nicht. Es sind voneinander unabhängige isolierte Einzelergebnisse. Hier können dann durch das BI-Tool isolierte Ergebnisse aus zwei Expertentools miteinander kombiniert und in sinnvolle Beziehungen gesetzt werden.

Damit können Forschungsfragen beantwortet werden, wie z. B. was die kürzeste Durchlaufzeit bei niedrigsten Beständen, bei maximaler Variantenflexibilität und bei einer geringsten Materialtransportintensität aus dem Fabriklayouttool ist. Solche neuen Ergebnisse konnten bisher aus den isolierten Expertenergebnissen nicht zusammenhängend generiert werden. Es entsteht eine neue Planungsmöglichkeit in Form einer kombinierten dynamischen Produktions- und Fabrikplanungsoptimierung auf einem wesentlichen höheren Engineering Level.

Durch das flexible Referenzmodell können aus den in [4] erwähnten Offline-Modellen Near-Time-Modelle erzeugt werden. Somit kann dem schleichenden Veränderungsprozess, dem ein Produktionsunternehmen ja permanent unterliegt, planerisch bereits in einer frühen Phase entgegengewirkt werden. Beispielsweise in Form einer Layoutanpassung, die zu diesem Zeitpunkt noch nicht erkannt wird. Weiterhin wird das Engineering von einer zeitaufwändigen Ist-Daten-Erfassung und Neuaufbereitung in den Simulationsmodellen weitgehend entlastet. Durch den Loop 3 ist es auch wieder möglich optimierte Daten aus den Planungstools in die betrieblichen Informationssysteme zurückzuschreiben. Außerdem ist durch die Möglichkeit sich zu jeder Zeit wieder an die betrieblichen IT-Systeme andocken zu können, die Erstellung von Simulationsmodellen in Near-Time und auch in Echtzeit möglich.

Ausblick

Der entwickelte Demonstrator wird mit realen Industriedaten weiter validiert und zu einer robusten Kollaborationsplattform weiterentwickelt. Weiterhin sollen auch mit den KI-Tools zahlreiche Experimente durchgeführt werden, um hier die Wechselwirkung zwischen den isolierten Expertenergebnissen aus den einzelnen Planungstools miteinander kombinieren zu können und ein dynamisches intelligenteres Engineering zu ermöglichen. Diese Forschung wird im Rahmen des Projekts Nr. 3.11 “Virtual Innovative Real Time Factory” (VIRTFac) der Science Offensive durchgeführt, das durch das Programm Science Offensive der trinationalen Metropolregion Oberrhein, das Programm INTERREG V Oberrhein und den Europäischen Fonds für regionale Entwicklung (EFRE) der Europäischen Union finanziell unterstützt wird. Schlüsselwörter:

Das könnte Sie auch interessieren

Motion-Mining im Vergleich zu traditionellen Lean-Tools Sensorgestützte Analyse manueller Prozesse in Produktion und Logistik Carsten Feldmann, Christopher Borgmann, Hendrik Appelhans

Motion-Mining® ist eine Technologie, die mittels Bewegungssensoren und Mustererkennung eine automatisierte Prozessabbildung und Analyse manueller Arbeit ermöglicht. Dieser Beitrag bewertet die Vorteile und Grenzen ihres Einsatzes in Produktions- und Logistikprozessen. Dazu wird Motion-Mining® mit traditionellen Lean-Management-Tools zum Analysieren manueller Tätigkeiten verglichen. Erfahrungen aus vier Use Cases bieten Entscheidungsunterstützung bei der Auswahl der geeigneten Methode für einen bestimmten Anwendungsfall.

Industry 4.0 Science | 40. Jahrgang | 2024 | Ausgabe 2 | Seite 24-31

Kosteneffiziente Digitalisierungslösung im Kühlgeräterecycling Der Weg zu einer nachhaltigen Zukunft mit Digitalen Zwillingen Christian Thiehoff, Georgii Emelianov, Jochen Deuse, Jochen Schiemann, Mikhail Polikarpov

Das fachgerechte Recycling von ausgedienten Kühlgeräten spielt eine wichtige Rolle beim Schutz der Umwelt und des Klimas. Recyclinganlagen unterliegen regelmäßigen Audits, um die Einhaltung strenger Umweltvorschriften zu gewährleisten. Die Erhebung von prüfungsrelevanten Daten stellt jedoch eine anspruchsvolle und zeitaufwändige Aufgabe dar, da sie überwiegend manuell erfolgt und fehleranfällig ist. Ein Lösungsansatz für eine nachhaltigere und effizientere Überwachung ist die automatisierte digitale Datenerfassung mithilfe von Sensoren und Künstlicher Intelligenz. Dies ermöglicht eine direkte Schätzung vom erwarteten Umfang der enthaltenen Schadstoffe. Damit ebnet sie den Weg für eine kontinuierliche Leistungsüberwachung und ein effizientes Management von Kühlgeräte-Recyclinganlagen.

Industry 4.0 Science | 40. Jahrgang | 2024 | Ausgabe 1 | Seite 76-82

Die Digitalisierung der Textilproduktion Entwicklung und Einsatz Experimentierbarer Digitaler Zwillinge Florian Mews, Guido Grau, Heiko Matheis, Lukas Schüller

Die Entwicklung von Textilprodukten ist mit hohem Material-, Zeit-, Personal- und Kostenaufwand verbunden. Bisher ist der Entwicklungsprozess geprägt von einer empirischen Vorgehensweise, die auf dem Knowhow langjähriger Fachkräfte beruht. Dieses Expertenwissen ist kaum dokumentiert und damit nicht beliebig abrufbar und reproduzierbar. Aufgrund des Fachkräftemangels und der Altersstruktur der Beschäftigten in der Textilbranche ist der langfristige Wissenstransfer gefährdet. Eine verlässliche Dokumentation der Prozesse durch digitale Zwillinge würde dem entgegenwirken. Der vorliegende Beitrag beschreibt die Entwicklung Experimentierbarer Digitaler Material-(EDMZ) und Prozesszwillinge (EDPZ) sowie deren Einsatz zur Realisierung eines digitalen Produktentwicklungsprozesses, was die Ramp-Up-Phase beschleunigt und die Entwicklungskosten um bis zu 60 % reduzieren kann.

Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 5 | Seite 37-41 | DOI 10.30844/IM_23-5_37-41

Die komprimierte Automatisierungs­pyramide im Zeitalter der Industrie 4.0 Wie der Digitale Steuerungszwilling die betrieblichen Anwendungen und die Integration der IT-Systeme im Unternehmen verändert Wilmjakob Herlyn

Die Integration der betrieblichen Anwendungen wird in der DIN IEC-62264 beschrieben und auch als Automatisierungspyramide bezeichnet [1]. Dieses Integrationsmodell wurde auf der Basis des Wasserfall Modells von MRP-II entwickelt, das für die damalige Zeit bahnbrechend war [2, 3, 4]. Hier werden die betrieblichen Anwendungen hierarchisch-sequenziell durchlaufen mit den bekannten Nachteilen: viele Schnittstellen, Zeitverzögerungen, Datenverluste, Inkonsistenzen. Das Modell wird den aktuellen informatorischen Möglichkeiten der Industrie 4.0 nicht mehr gerecht.

Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 5 | Seite 42-47

Potenziale und Anwendung des Industrial Metaverse Konvergenz von der Simulation bis zur Realität Christian Brecher, Oliver Petrovic, Yannick Dassen

Der vorliegende Beitrag behandelt das Konzept des Industrial Metaverse und seine potenziellen Auswirkungen auf die produzierende Industrie. Dabei werden zunächst die Möglichkeiten des Industrial Metaverse allgemein erläutert und anschließend mögliche resultierende Funktionalitäten für die Produktionstechnik entlang des Lebenszyklus dargestellt. Für die beiden Themenfelder „Synthetische Datengenerierung“ und „Virtuelle Qualifizierung“ werden die Implikationen des Industrial Metaverse intensiver betrachtet.

Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 5 | Seite 27-32 | DOI 10.30844/IM_23-5_27-32

Vom Energiedatenmanagement zum Digitalen Zwilling Wie die Nutzung von Energiedaten am Beispiel einer Härterei die Modellierung eines Digitalen Zwillings vereinfachen kann Alexander Blinn, Henrik te Heesen, Joachim Brinkmann, Julius Herzog

Bedingt durch globale Entwicklungen hinsichtlich der Preise und Versorgungssicherheit im Energiesektor stehen besonders energieintensive Unternehmen vor großen Herausforderungen. Zusätzlich fordern Kunden mehr Informationen über Energiekennzahlen und CO₂-Emissionen sowie ressourcenschonendere Prozesse. Mit einer energiedatenbasierten Simulationsmethode werden die Ressourceninformationen direkt aus dem Energiedatenmanagementsystem (EDMS) extrahiert und weiterverarbeitet. Hierbei werden sowohl aktuelle als auch stetig aktualisierte historische Daten verwendet, die automatisiert abgeglichen werden. Die digitale Abbildung der vorhandenen Prozesse ist lediglich auf Seiten der Energiedaten notwendig, ohne die technischen Prozesse in ihrer Gänze analysieren zu müssen. Mit dem so erstellten energetischen digitalen Schatten lassen sich Energiebedarfe für bevorstehende Produktionen und Produkte simulieren und können durch automatisierte Vorschläge in der Produktionsplanung positiv ...

Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 5 | Seite 33-36 | DOI 10.30844/IM_23-5_33-36