Resiliente Produktionsplanung und -steuerung durch den Einsatz von künstlicher Intelligenz (ProsKI)

Resiliente Produktionsplanung und -steuerung durch den Einsatz von künstlicher Intelligenz (ProsKI)

Projektlaufzeit: 01.01.2022 – 31.12.2024
Projektpartner: Lehrstuhl für Produktionsinformatik und Lehrstuhl für Organic Computing der Uni Augsburg, ATR Software, BSH, Seele
Projekthomepage: https://www.uni-augsburg.de/de/fakultaet/fai/informatik/prof/pi/projekte/forschung/proski/

Im Projekt ProsKI wird ein Assistenzsystem für die Produktionsplanung und -steuerung (PPS) im Fehler- oder Störfall entwickelt. Mithilfe von künstlicher Intelligenz (KI) zielt das Vorhaben darauf ab, diesen Prozess analytisch sowohl auf Steuerungs- als auch Planungsebene zu unterstützen und somit die in der Produktion generierten Prozessdaten nachhaltig zu nutzen. Die Daten ermöglichen, detailliertes und umfangreiches Prozesswissen aufzubauen und befähigen die Erstellung eines digitalen Zwillings für eine Überwachung der Produktion. Allerdings werden diese Potentiale heutzutage nicht vollumfänglich genutzt. Störungen führen u.a. zu einer bedeutenden Unterschreitung der geforderten Maschinenauslastung. Bisher werden unter anderem Anlagenausfälle, Wartungsintervalle und prognostizierte Störungen für zukünftige Planungsvorgänge manuell durch Produktionsplaner eingebracht und beruhen auf deren Erfahrungswissen. Die komplexen Steuerungsvorgänge und das Ableiten von Handlungsempfehlungen für laufende und zukünftige Produktionsprozesse stellen einen sehr zeitintensiven Prozess dar. Teil dieser manuellen Schritte sind u.a. Umplanungen im Fehler- oder Störfall sowie die Identifikation und Auswahl einer geeigneten Strategie zur Behebung dieses Zustands. Erkenntnisse der beteiligten Anwender zeigen die hohe Komplexität des Störmanagements.

Die im Projekt entwickelte Lösung soll mittels KI dem Planer beim Finden einer geeigneten Lösungsstrategie im Störfall assistieren. Dadurch wird der Aufwand für die Identifikation von Störungen reduziert und die Agilität erhöht. Die analytisch gestützte Entscheidungsfindung resultiert in einer kürzeren Reaktionszeit und somit robusteren Produktionssteuerung. Durch Analyse von Produktionsdaten mittels maschinellen Lernverfahren (ML) wird auch eine Prognose über zukünftige Störfälle abgeleitet. Diese Vorhersagen werden dann in die Produktionsprogrammplanung eingebunden, um Stabilität und Flexibilität hinsichtlich erwarteter Störungen zu schaffen.

Ein weiteres Ziel des Verbundvorhabens ist es, die Entscheidungen bzw. abgeleiteten Rahmenbedingungen bezüglich Umplanungen durch Verwendung einfach interpretierbarer Modelle für die Mitarbeiter transparent und in geeigneter Detaillierungstiefe bereitzustellen. Dies ist notwendig, da aufgrund der unzureichenden Informationstiefe von PPS-Systemen bei Mitarbeitern nach wie vor eine mangelnde Akzeptanz gegenüber automatisierten Lösungen im PPS-Bereich besteht und in vielen Industrieunternehmen eine manuelle Übersteuerung des Produktionsprogramms infolge der bestehenden Skepsis erfolgt.

Veröffentlichungen

Siehe Publikationen

Nehmen Sie Kontakt auf

Newsletter abonnieren