Predictive Scheduling

Die Disposition von Fertigungsprozessen ist ein komplexes Problem und daher ein zeitintensiver und teurer Prozess. Es handelt sich um eine Koordinationsaufgabe, welche unterschiedliche Informationen verarbeiten und Anforderungen in Einklang bringen muss.

Bereits in einer statischen Situation ist diese Planungsaufgabe herausfordernd. Das Wesen der Planung ist jedoch, dass sie basierend auf Annahmen Aussagen für die Zukunft trifft: Annahmen, die dann aber nicht unbedingt so eintreffen müssen – und damit die Abarbeitung des Plans unmöglich machen. Gründe hierfür sind vielfältig: MitarbeiterInnen melden sich krank, eingeplantes Material ist nicht verfügbar/defekt, der Kunde ändert seinen Auftrag kurzfristig etc. Wir bewegen uns also hier in einer stochastischen Umgebung, in der Entscheidungen unter Unsicherheit zu treffen sind.

In der Praxis reagiert ein Disponent in der Regel auf alltägliche Störungen nach Bauchgefühl, ohne dabei die Gesamtsituation im Blick haben zu können. Insbesondere wenn mehrere Störungen gleichzeitig auftreten wird in einem täglichen „Fire Fighting“ der ursprünglich aufgestellte Plan zur Makulatur. Lange Durchlaufzeiten, ineffiziente Prozesse und Intransparenz sind oftmals die Folgen.

Technisch ist es insbesondere für KMU kaum möglich, die Disponenten zu entlasten. Durch den zunehmenden Einsatz vernetzter Systeme im Kontext von Industrie 4.0 stehen die dazu erforderlichen Daten und Informationen aus der Produktion zwar zur Verfügung, können aber von den eingesetzten Softwaresysteme nicht zielführend verarbeitet werden.

Ziel dieses Projekts ist es eine Entscheidungskompetenz zur vorausschauenden und proaktiven Produktionsplanung und - steuerung mit Hilfe von Methoden der Künstlichen Intelligenz (KI) in einem Smart Service abzubilden.

Dazu wird der/die Studierende zunächst für ein vorgegebenes Produktionsumfeld ein Simulationsmodell erzeugen. Die Zusammenarbeit mit einem externen Projektpartner bietet an dieser Stelle den Vorteil, dass reale Daten aus den Produktionsprozessen zur Verfügung gestellt werden und somit die Erstellung einer realitätsnahen Simulation ermöglicht wird. Dieses Modell dient dann im Weiteren als Grundlage für die Entwicklung und Erprobung von Verfahren des Reinforcement Learning. Es soll ein agentenbasierter Ansatz entwickelt werden, der in der Lage ist, die Disposition von Ressourcen zu erlernen und optimale Entscheidung zu treffen. Das Verfahren des maschinellen Lernens kann hierbei die Simulation als Trainingsumgebung verwenden und über entsprechende Parameteranpassungen in verschiedenen Szenarien trainiert werden. Es erzeugt Eingaben und erhält durch die Simulation Feedback über deren Güte.

Im Rahmen dieses Projektes sollen zur Verifizierung und Bewertung der Ansätze, die Lösungen wiederrum in die Produktivsysteme übertragen werden und entsprechend eine reale Produktionsumgebung durch das KI-basierte System gesteuert werden. Es besteht also ein reales Anwendungsszenario in welchem die Lösungsgüte evaluiert werden kann.

Bezug zum Thema Data Science
Die eigentliche „Intelligenz“ des „Predictive Scheduling“-Services wird als Data-Analytics-Lösung auf der Cloud-Plattform des CfADS realisiert. Die Modellierung von Problemstellungen und Prozessen sowie die anschließende Überführung in Simulationen als Trainingsumgebungen sind Kernbereiche vieler ML-Prozesse. Für die Automatisierung von Entscheidungen werden Methoden des maschinellen Lernens (weiter)entwickelt. Verfahren des Reinforcement Learning sind ebenfalls ein Kernthema der Data Science und werden, ebenso wie Markov-Ketten aus den Wirtschaftswissenschaften, in den Veranstaltungen des Forschungsmasters behandelt.

Verfügbare Ressourcen
Seitens des CfADS bietet dieses eine ganzheitliche Forschungsinfrastruktur, um exemplarische Untersuchungen durchzuführen, die sich auf reale Prozesse übertragen lassen.

Die Infrastruktur besteht aus:

• Data-Analytics-Cluster: Rechenzentrum des CfADS mit leistungsstarken GPU-Maschinen für Deep-Learning-Anwendungen
• Industrial-IoT-Factory: Modellfabrik als Nachbildung einer realen Produktionslinie vom Rohstoff zur Lagerung des fertigen Produkts
• Smart Service Lab: Experimentierfeld zur Entwicklung von Smart Services mit Fokus auf den Anwender, der durch den Einsatz von Smart Devices und unterstützenden/kollaborierenden Systemen gewährleistet wird

Die Datengrundlage ist durch die IoT-Factory sowie den Projektpartner gegeben. Bei Bedarf stehen dem CfADS durch seine Industriepartner auch Real-Daten aus Produktivsystemen zur Verfügung.

Projektplan
Erstes Semester: Formulierung des Forschungsexposees, Einarbeitung in die CfADS Cloud Infrastruktur, Konzeption der Grobstruktur für den Predictive Scheduling Service, Literaturrecherche, Dokumentation vom Stand der Technik

Zweites Semester: Erstellung eines einfachen Simulationsmodells, Recherche zu relevanten Arbeiten in Themenfeld der Kopplung von Simulation und maschinellem Lernen, Einarbeitung in das Themenfeld Produktionsplanung und -steuerung mit maschinellem Lernen, Aufbau eines Demo-Workflows von der Datenerfassung über z.B. über Barcode/RFID in der IoT-Factory des CfADS mit Anbindung an die Cloud- Infrastruktur.

Drittes Semester: Entwicklung von ersten Verfahren des Maschinellen Lernens zur Prognose von Arbeitsbelastungen, Entwicklung einer Schnittstelle zum Simulationsmodell, Auswertung erster Ergebnisse, experimentelle Anbindung von Smart Devices zur Übertragung der Ergebnisse.

Viertes Semester: Produktivtest der automatischen Anpassung der Disposition in realem Produktionsumfeld bei veränderten Erstellungen eines komplexen Optimierungsmodells, Implementierung und Vergleich von weiteren Verfahren, Fine-Tuning und Optimierung der Verfahren, Verbesserung der Ergebnisse, finale Evaluierung.

Eignungskriterien
Zwingend:

• Programmierkenntnisse in einer Hochsprache (z.B. Java, C#, C++, idealerweise Python)
• Grundlagen der Statistik und mathematischer Optimierungsmethoden (Operations Research)
• Theoretische betriebswirtschaftliche Grundlagen im Kontext von Produktion und Logistik (z.B. Produktionsplanung und -steuerung, Geschäftsprozessmodellierung, Supply Chain Management usw.)

Optional:

• Programmierkenntnisse in einer Hochsprache (z.B. Java, C#, C++, idealerweise Python)
• Grundlagen der Statistik und mathematischer Optimierungsmethoden (Operations Research)
• Theoretische betriebswirtschaftliche Grundlagen im Kontext von Produktion und Logistik (z.B. Produktionsplanung und -steuerung, Geschäftsprozessmodellierung, Supply Chain Management usw.)

Erwerbbare Kompetenzen