Problemstellung
Die Model Group entwickeln, produzieren und liefern intelligente, innovative und hochwertige Display- und Verpackungslösungen aus Voll- und Wellpappe. Das Unternehmen ist an 15 Standorten in sieben Ländern tätig und beschäftigt insgesamt 4.500 Mitarbeiter.
In ihrem Werk in Weinfelden, Schweiz, werden täglich etwa 200 Aufträge auf 19 verschiedenen Maschinen bearbeitet. Die komplette Tagesplanung wurde hierfür von vier Produktionsplanern erstellt, die für jeden Tag den optimalen Ablaufplan zu finden versuchten. Dabei verließen sich die Planer bei ihren Entscheidungen auf ihre Erfahrung, hatten aber keine Möglichkeit, ihre Planungen zu validieren oder zu vergleichen, um herauszufinden, welche Planung besser war.
Die Verantwortlichen wollten ihre Fertigungsplanung verbessern, um sie effizienter zu machen. Das Erstellen der Arbeitspläne war jedoch aufgrund der Abhängigkeiten zwischen den verschiedenen Teilen der Fertigungslinie kompliziert.
Lösung
Das Unternehmen ProSim arbeitet hauptsächlich mit Produktions- und Logistikunternehmen zusammen und unterstützt diese dabei, auf der Grundlage von Daten und Simulationen bessere Geschäftsentscheidungen zu treffen. Sie befassen sich dabei auch mit KI-gesteuerten Simulationen, in denen sie ein erhebliches Potenzial sehen.
Um das von Model gestellte Planungsproblem zu lösen, entwickelte ProSim zunächst ein AnyLogic-Simulationsmodell, das verschiedene Techniken der Auftragsplanung umfasst und dem Planer Feedback liefert.
Die Planer erstellten die Pläne weiterhin manuell und gaben sie dann in das Modell ein, um sie täglich zu vergleichen und zu validieren. Schon dadurch wurden die Arbeitspläne von Tag zu Tag besser.
Anschließend beschloss ProSim, das Simulationsmodell um einen KI-Agenten zu erweitern, der die Arbeitspläne ohne jegliche Eingaben der Planer erstellen sollte.
Dieser Ansatz funktionierte zuverlässig und lieferte überzeugende Ergebnisse. Dennoch wurde beschlossen, diese Methode weiterzuentwickeln und einen genetischen Algorithmus in das Planungsmodell einzubinden.
Ein genetischer Algorithmus löst ein Optimierungsproblem nach dem Prinzip der natürlichen Selektion. Jede Generation produziert dabei Individuen mit individuellen Stärken und Schwächen. Manche Individuen überleben, andere wiederum nicht. Diejenigen, die überleben, versuchen, neue Mutanten hervorzubringen, die wiederum stärker und besser sind als ihre Vorgänger.
Eine Generation folgt der anderen und dieser Prozess wiederholt sich so lange, bis es keine besseren Individuen mehr gibt. In unserem Fall handelt es sich bei diesen Individuen um neue Arbeitspläne.
Der erste Schritt bei der Auftragsplanung ist die zufällige Erstellung von Arbeitsplänen im Modell. Bei diesem Vorgang werden anfangs etwa 200 Pläne generiert. Mithilfe des genetischen Algorithmus werden diese Pläne dann mit jeder Generation besser.
Das Modell durchläuft in der Regel etwa 100 Iterationen, wobei sich die Anzahl der Pläne jedes Mal verringert. Am Ende steht dann der beste Ablaufplan fest. Der Benutzer kann anschließend die gefundene Lösung im Simulationsmodell betrachten, um den Produktionsplan, die Gesamtrüstzeit, die Gesamtproduktionszeit und die Gesamtverzögerungszeit zu untersuchen.
Ergebnisse
Von den implementierten Jobshop-Planungsmethoden hat der genetische Algorithmus nachweislich bessere Ergebnisse erzielt als die KI-basierte Simulation oder die manuelle Planung. Auf der Grundlage der von der Model Group definierten KPIs verbesserte sich der Jobshop-Plan um 18 %. Derzeit gibt es drei Produktionslinien, die mithilfe des genetischen Algorithmus im Simulationsmodell modelliert wurden – für die Zukunft sind weitere in Planung. ProSim untersucht auch weiterhin KI-gestützte Simulationen als auch genetische Algorithmen, um damit weitere Problemstellungen zu lösen.
Die Fallstudie wurde von Patrick Kehrli von ProSim auf der AnyLogic Conference 2022 vorgestellt.
Die Präsentation ist als PDF verfügbar.
