Machine Learning in der adaptiven Fertigungssteuerung
Genetischer Algorithmus zur Bewertung alternativer Arbeitspläne

Berend Denkena, Sören Wilmsmeier und Florian Winter

In der Arbeitsplanung werden derzeit zumeist statische Bedingungen angenommen und vermeintlich optimale Fertigungsabfolgen vor dem Produktionsstart festgelegt. Dynamische Einflüsse während der Fertigung führen zu unsystematischen Umplanungen und einem ineffizienten Planungsergebnis. Im Folgenden wird daher ein Ansatz zur adaptiven Fertigungssteuerung mit Hilfe eines Genetischen Algorithmus präsentiert.

Die Trennung von Arbeitsplanung und Fertigungssteuerung hat sich im Bereich der Einzel- und Kleinserienfertigung im Zuge zunehmender dynamischer Einflüsse und gestiegener Anforderungen an die Flexibilität als zu starr erwiesen [1-3]. Dies ist im Wesentlichen auf folgende Gründe zurückzuführen [2, 4]:

  • Vernachlässigung aktueller Zustände (z. B. Maschinenstatus und -auslastung) in der Fertigung und Erzeugung nicht durchführbarer Arbeitspläne
  • Eingeschränkter Entscheidungsraum der Fertigungssteuerung auf Grund fehlender Zuweisung alternativer Fertigungsressourcen
  • Fehlende multikriterielle Optimierungsfunktionen in der Arbeitsplanung und der Fertigungssteuerung

Als Folge dieser Trennung kommt es zu verlängerten Durchlaufzeiten, Qualitätsmängeln, Intransparenz und einer geringen Reaktionsfähigkeit beim Auftreten von Störungen und ungeplanten Ereignissen. Am Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) wurde daher im DFG-Transferprojekt „Betriebsbegleitende, adaptive Arbeitsplanung und Fertigungssteuerung“ ein KMU-gerechter Ansatz zur adaptiven Fertigungssteuerung entwickelt.

Bild 1: Komplexität nicht-linearer Arbeitspläne

Erzeugung und Bewertung alternativer Arbeitspläne
Zunächst werden die Planungsobjekte des Produktionssystems (z. B. Maschinen oder Handarbeitsplätze) mittels ausgewählter Merkmale (z. B. maximal zulässiger Werkstückdurchmesser, maximal zulässige Werkstücklänge) im Manufacturing Execution System (MES) beschrieben. Dieses wird somit dazu befähigt, bei Vorgabe eines bestimmten Anforderungsprofils für einen Arbeitsgang (z. B. Werkstückdurchmesser und Länge) die dazu passenden Maschinen und Werkzeuge automatisiert vorzuschlagen. Existieren mehrere Optionen für eine Bearbeitung, werden diese im MES als alternative, beziehungsweise nicht-lineare Arbeitspläne abgelegt (Bild 1) [5].
Entscheidend für die Bewertung der alternativen Arbeitspläne ist die Berücksichtigung von Wechselwirkungen zwischen den freigegebenen Aufträgen in der Produktion. So kann eine auftragsbezogen schlechtere Lösung für das gesamte Produktionssystem dennoch optimal sein. Auf Grund des exponentiell steigenden Rechenaufwandes bei zunehmender Produktionssystemgröße und höheren Auslastungsgraden der Fertigung handelt es sich hierbei um ein NP-schweres Optimierungsproblem, für welches sich in der Regel keine exakte Lösung in annehmbarer Zeit finden lässt [6].
Die betriebsbegleitende Auswahl der Arbeitspläne erfolgt daher auf Basis aktueller Betriebsdaten aus dem MES und mit Hilfe eines Genetischen Algorithmus (GA) [5]. Dabei bilden die zuvor ermittelten realisierbaren Arbeitsplankombinationen der freigegebenen Fertigungsaufträge die Individuen einer Generation des GA. Durch Selektion, Kreuzung und Mutation erfolgt über mehrere Generationen hinweg eine Optimierung der jeweils bis dahin besten gefundenen Arbeitsplankombination. Bewertet werden können die einzelnen Arbeitsplankombinationen dabei auf Basis einer multikriteriellen Fitnessfunktion. Diese ermöglicht die Berücksichtigung von Fertigungszeiten und -kosten sowie der Produktionsqualität [5]. Um eine Verschlechterung der Lösung zu vermeiden, wird die beste Arbeitsplankombination einer Generation unverändert in die Nachfolgegeneration übernommen.

 
Zum Weiterlesen klicken Sie hier