Im Fokus der Forscher*innen steht die optimale Planungslösung für kleinere Produktionsmengen. „Eine große Herausforderung liegt darin, dass für die Erfüllung von höchsten Qualitätsansprüchen bei gleichzeitig kleinen Stückzahlen klassische Skaleneffekte nicht realisiert werden können. Die Automatisierung und digitalisierte Planung von Arbeitsprozessen mit gängigen Verfahren aus der Linienfertigung, wie sie beispielsweise vielfach Anwendung in der Automobilfertigung finden, rentiert sich nicht“, erklärt Tilo van Ekeris, Wissenschaftlicher Mitarbeiter am Wuppertaler Lehrstuhl und Projektbetreuer.

Aufgrund dessen erfolgt die Organisation, Planung und Steuerung von Fertigungsprozessen und Einzelteilproduktionen häufig papierbasiert und greift auf manuelle Prozesse und Vorgänge zurück. Informationen und Kennzahlen werden in der Produktion manuell erfasst und in regelmäßigen Besprechungen zur Steuerung der Produktion genutzt. „Daraus ergibt sich die Schwierigkeit, dass vorausschauendes Handeln nur bedingt möglich ist. Aus den vorliegenden Informationen lässt sich nur schwer absehen, wann ein Eingreifen in die Produktion notwendig wird“, so van Ekeris.

Zur Erfüllung der Qualitätsansprüche erweisen sich Methoden des maschinellen Lernens und ihre Nutzung für die prädiktive, also vorhersagbare, Analyse der Produktionsdaten als vielversprechend. Hierbei kommen Technologien aus dem Bereich des Deep Reinforcement Learning zum Einsatz, bei dem effiziente Algorithmen selbstständig lernen, die beste Vorgehensweise für ein definiertes Planungsziel zu entwickeln. Das Ergebnis: eine automatisierte und adaptive Fertigungssteuerung und Produktionsplanung „Die Methode zielt sozusagen auf ein strategisches Denken von Maschinen ab. Es geht darum, den optimalen Kompromiss zwischen Bauteilqualität, Produktivität und Liefertreue zu ermitteln und so die Steuerungs- und Planungsaufwände in der Produktion nachweislich und nachhaltig zu reduzieren“, erklärt van Ekeris.

Kontakt:
Tilo van Ekeris, Wissenschaftlicher Mitarbeiter
Lehrstuhl für Technologien und Management der digitalen Transformation
E-Mail vanekeris[at]uni-wuppertal.de