Predictive Quality sagt auf Basis von Prozesswerten und einem ausführbaren Modell die Qualität vorher (Bildquelle: MPDV, Alterfalter – Adobe.Stock.com)

Predictive Quality sagt auf Basis von Prozesswerten und einem ausführbaren Modell die Qualität vorher (Bildquelle: MPDV, Alterfalter – Adobe.Stock.com)

Ein Sprichwort besagt sinngemäß: „Gut geplant ist halb gewonnen.“ Übertragen auf die Kunststoffverarbeitung bedeutet dies, dass eine gute Fertigungsplanung die beste Voraussetzung für eine effiziente Produktion ist. Betrachtet wird zunächst, wie Künstliche Intelligenz die Fertigungsplanung unterstützen kann, und welche weiteren Anwendungsgebiete für KI existieren.

Fertigungsplanung ohne Künstliche Intelligenz

Die Komplexität einer Fertigungsplanung ist seit jeher enorm. Soll ein Fertigungsplaner 500 Arbeitsgänge einplanen, so stehen ihm 101000 Möglichkeiten zur Verfügung, die Arbeitsgänge in eine Reihenfolge zu bringen. Das sind mehr Anordnungsmöglichkeiten, als es Atome schätzungsweise im gesamten Universum gibt. Weitere Faktoren, welche die Produktion beeinflussen, sind beispielsweise Werkzeuge, Material- und Farbwechsel sowie das Personal. Hier müssen ebenfalls entsprechende Restriktionen für eine optimale Auslastung berücksichtigt werden.

Bereits heute bieten Manufacturing Execution Systeme (MES) Funktionen zur automatischen Planung von Fertigungsaufträgen an. Auf Basis von Heuristiken kann eine automatische Zuweisung von Aufträgen und deren Arbeitsgänge auf die Maschinen  beziehungsweise Arbeitsplätze erfolgen. Heuristiken haben das Ziel, mit begrenztem Wissen und wenig Zeit ein praktikables Ergebnis zu erzielen. Aufgrund der in der Vergangenheit verfügbaren Rechnerleistungen war die heuristische Planung lange Zeit die beste mathematische Herangehensweise, die für die automatische Planung einsetzbar war. Die Heuristik setzt dabei im Wesentlichen auf eine Schritt-für-Schritt-Planung. Demnach wird ein Arbeitsgang nach dem anderen bestmöglich gemäß feststehender Vorgaben eingeplant. Hierbei wird nur bedingt berücksichtigt, welche Arbeitsgänge noch einzuplanen sind und wie sich die Planungsaktion des aktuellen Arbeitsgangs auf zukünftige Arbeitsgänge auswirkt. Auch werden bereits getroffene Planungsentscheidungen nur unter bestimmten Bedingungen hinterfragt oder rückgängig gemacht. Das resultierende Planungsergebnis kennzeichnet sich oftmals durch hohe Rüstaufwände und lange Durchlaufzeiten, woraus sich unsichere Terminvorhersagen ergeben.

KI-basierte Fertigungsplanung

Mit Reinforcement Learning effizienter ans Ziel – erst bester Weg vs. globale Optimierung (Quelle: MPDV)

Mit Reinforcement Learning effizienter ans Ziel – erst bester Weg vs. globale Optimierung (Quelle: MPDV)

In der heutigen Zeit sind jedoch deutlich leistungsfähigere Computersysteme verfügbar als früher, mit denen signifikant größere Datenmengen verarbeitet und immer bessere Algorithmen entwickelt werden können. Mit der technologischen Weiterentwicklung kann nun ein entscheidender Schritt in Richtung optimale Fertigungsplanung gemacht werden.

Durch die Integration von KI in die Fertigungs-IT kann eine Automatisierung von intelligentem Verhalten umgesetzt werden. Reinforcement Learning als Vertreter der Künstlichen Intelligenz ermöglicht eine ganzheitliche Planung der Fertigung. Im Gegensatz zum schrittweisen Vorgehen der Heuristik, werden mittels Reinforcement Learning zahlreiche Entscheidungsmöglichkeiten geprüft, bevor eine endgültige Planungsentscheidung getroffen wird. Der Algorithmus lernt mit jeder getroffenen Entscheidung, bewertet diese und setzt dieses Wissen bei zukünftigen Planungen ein. Dabei hinterfragt der Algorithmus getroffene Entscheidungen und prüft nicht automatisch alle Möglichkeiten, sondern nur die mit den besten Ergebnissen. Mit jeder Entscheidung sammelt das System also neue Informationen über die vorhandenen Daten, was Schritt für Schritt die Qualität der Planungsentscheidung weiter verbessert. Letztendlich geht Reinforcement Learning den global gesehen optimalen Weg – im Gegensatz zum erstbesten Weg, den die Heuristik einschlagen würde.

Dieses Vorgehen einer intelligenten Fertigungsplanung birgt enorme Potenziale. Alle ausschlaggebenden Faktoren wie Aufträge, Arbeitsplätze, Transportwege, Rüstzeiten und Farbwechsel, begrenzte Ressourcen sowie Personalverfügbarkeiten, et cetera werden bereits bei der Entscheidungsfindung berücksichtigt und führen zu einer globalen Optimierung. Auf diese Weise lassen sich Rüstzeiten minimieren, Durchlaufzeiten verkürzen und Termintreue erhöhen. Bei Einsatz einer solchen KI-basierten Lösung, beispielsweise im Advanced Planning and Scheduling System (APS) FEDRA von MPDV, kann der Anwender zudem selbst modellieren, welche planungsrelevanten Faktoren von der Künstlichen Intelligenz berücksichtigt werden sollen und in welchem Maße. Das Ergebnis kann sich sehen lassen: In einem realen Auftragsszenario kann die KI-basierte Planung deutlich mehr Lücken schließen und so die Gesamtbearbeitungszeit signifikant verkürzen.

Weitere Anwendungsgebiete für Künstliche Intelligenz

Die KI-basierte Planung im Advanced Planning & Scheduling System (APS) schließt Lücken besser und verbessert die Gesamtbearbeitungszeit signifikant. (Quelle: MPDV)

Die KI-basierte Planung im Advanced Planning & Scheduling System (APS) schließt Lücken besser und verbessert die Gesamtbearbeitungszeit signifikant. (Quelle: MPDV)

Die Methoden der Künstlichen Intelligenz lassen sich allerdings auch hervorragend zur Vorhersage nutzen: Zum Beispiel können Vorhersagen im Vorfeld der Fertigungsplanung von Vorteil sein.

In diesem Fall werden exemplarisch die Rüstzeiten betrachtet. Um die wachsende Zahl der möglichen Kombinationen aus Werkzeugen, Material, Personal und sonstigen Einflussfaktoren gerecht zu werden, kann KI die Rüstzeitvorhersage unterstützen. Dazu wird auf Basis historischer Daten aus einem MES ein Modell erstellt, das alle Faktoren berücksichtigt, wie etwa die Länge der Rüstzeit, bezogen auf die Kombinationen aus Artikel, Farbe, Maschine und Werkzeug. Eine herkömmliche Rüstwechselmatrix kommt dabei schnell an ihre Grenzen, da es einfach zu viele mögliche Kombinationen gibt.

Der eigentliche Clou besteht jedoch in der Verwendung des erzeugten Modells und somit in der Vorhersage der Rüstzeit. Wird etwa ein Arbeitsgang auf einer Maschine zu einem bestimmten Zeitpunkt mit einem bestimmten Werkzeug eingeplant, werden diese und gegebenenfalls weitere Daten verwendet, um auf Basis des zuvor erstellten Modells die wahrscheinliche Rüstzeit vorherzusagen. Auch für neue Kombinationen können Rüstzeiten auf Basis von Ähnlichkeitserwägungen abgeschätzt werden. Die KI agiert dabei im Wesentlichen so, wie die manuelle Pflege erfolgen würde: Ein Fachexperte schließt von vergleichbaren Artikeln, Werkzeugen etc. auf die neue Kombination. Die Prognose wird damit nicht die Genauigkeit erreichen, die bei Kenntnis aller Faktoren möglich wäre, liegt jedoch sicherlich auch nicht hinter den herkömmlichen manuellen Schätzungen zurück.

Was die Rüstzeitvorhersage im Vergleich mit der herkömmlichen Methode leisten kann, wurde auf Basis von mehreren realen Produktionsszenarien untersucht. Es zeigte sich, dass die KI-basierte Vorhersage den herkömmlichen Vorgabemechanismen deutlich überlegen ist. So entfallen unnötige Pufferzeiten. Erste Analysen zeigen, dass durch den Einsatz von KI-Systemen rund 20 Prozent neue Kapazitäten in der Produktion frei werden können.

Predictive Quality

Auch die Vorhersage der Qualität ist von Interesse – insbesondere dann, wenn diese nicht sofort überprüft werden kann. Gerade bei Kunststoffteilen ist das bekanntermaßen der Fall, da der Abkühlungsprozess je nach Geometrie des Teils auch mal länger dauern kann. Mit Predictive Quality ist eine verlässliche Vorhersage möglich, was sowohl Zeit als auch Kosten spart, die ansonsten bei der Weiterverarbeitung von vermeintlichen Ausschussteilen oder deren Nutzung in weiteren Prozessschritten anfallen würden.

Grundannahme für die Vorhersage der Qualität ist, dass es auch zu Ausschuss oder Nacharbeit kommen kann, wenn sich alle typischen Prozessparameter wie Einspritzzeit, -druck oder -temperatur innerhalb der jeweils gültigen Toleranzen bewegen. Grund dafür sind komplexe Zusammenhänge und Wechselwirkungen, die oftmals auf die eigentliche Fertigungstechnologie (zum Beispiel Spritzgießen) zurückzuführen sind. Predictive Quality berücksichtigt diese Zusammenhänge und gibt Mitarbeitern in der Fertigung die Möglichkeit, sofort zu sehen, ob der aktuell produzierte Artikel Ausschuss oder ein gutes Teil ist – und das unter Angabe der Eintrittswahrscheinlichkeit. Mitarbeiter können also frühzeitig entscheiden, ob es sich lohnt, weiter in ein Teil zu investieren, oder ob sie es direkt wieder einschmelzen, was Zeit spart und Kosten senkt, da potenziell fehlerhafte Teile frühzeitig ausgeschleust werden können. Predictive Quality basiert auf der Ausführung eines Modells, das beispielsweise mittels Machine Learning erstellt wurde und erfasste Prozessdaten in Echtzeit verarbeitet.

Fazit und Ausblick

Die Nutzung von KI in der Fertigung ist ein grundlegender Schritt in die Zukunft und kann Unternehmen der Kunststoffindustrie den entscheidenden Wettbewerbsvorteil bieten. Mit Hilfe von Fertigungs-IT kann dieser enorme Vorteil genutzt werden und Unternehmen dabei helfen, ihr Ziel von Industrie 4.0 und der Smart Factory zu erreichen.

Über den Autor

Markus Diesner

ist Marketing Specialist Products bei MPDV in Mosbach.