A Shop Floor Production Scheduling Case based on RFID-supported Smart Factory

Im geschäftigen Herzen einer modernen Fabrik wird der Rhythmus der Produktion oft durch die unsichtbare Hand eines Zeitplans diktiert. Dieser Zeitplan ist ein Plan, der entscheidet, welche Maschine an welchem Teil arbeitet und wann, mit dem Ziel, Produkte so schnell und kostengünstig wie möglich fertigzustellen. Seit Jahrzehnten verlassen sich diese Pläne auf eine Reihe von Annahmen: dass jeder Auftrag einem strengen, unveränderlichen Pfad durch die Fabrik folgt und dass die Zeit, die zum Abschluss einer Aufgabe benötigt wird, eine im Voraus bekannte, feste Zahl ist. Das wahre Leben ist jedoch selten so geordnet. Maschinen fallen aus, Arbeiter machen Pausen und die Produktionsgeschwindigkeit verschiebt sich mit der Tageszeit oder dem Wochentag. Wenn ein Zeitplan diese Schwankungen ignoriert, entstehen Engpässe, Zeitverschwendung und Lieferverzögerungen. Die Herausforderung für Ingenieure besteht darin, ein System zu schaffen, das diese Veränderungen sieht, während sie geschehen, und den Plan sofort anpasst, um einen starren Bauplan in eine flexible, lebendige Strategie zu verwandeln.

Um dies zu lösen, wandte sich ein Forscherteam der Universität Hongkong an eine reale Fabrik in Huaiji, China, in der ein Unternehmen, das Motorventile für Autos herstellt, bereits ein Netzwerk aus Radiofrequenzidentifikation oder RFID-Tags installiert hatte. Diese kleinen elektronischen Chips, die an den Teilen befestigt sind, die sich durch die Montagelinie bewegen, fungieren wie digitale Reisepässe, die automatisch jeden Schritt eines Produkts aufzeichnen, wer es bearbeitet hat und wann genau es eine Aufgabe abgeschlossen hat. Durch das Sammeln von über 413.000 Datensätzen dieser Aktivitäten erhielten die Forscher eine seltene, hochauflösende Sicht darauf, wie die Fabrik tatsächlich arbeitet, statt wie sie theoretisch arbeiten sollte. Sie nutzten diesen massiven Datenstrom, um zwei kritische Wahrheiten aufzudecken, die traditionelle Planungsmethoden übersehen. Erstens entdeckten sie, dass die Reihenfolge, in der Arbeiter bestimmte Schritte ausführen, nicht feststeht. Für ein spezifisches Motorventil fanden die Forscher heraus, dass Arbeiter oft die Sequenz der Operationen, wie etwa Fräsen und Bohren, vertauschten, ohne die Endqualität zu beeinträchtigen. Zweitens erkannten sie, dass die Zeit, die zum Abschluss einer Aufgabe benötigt wird, keine einzelne Zahl ist, sondern eine Variable, die sich basierend auf Faktoren wie der Tageszeit, ob es ein Wochenende ist und der spezifischen Maschine verschiebt.

Bewaffnet mit diesen Erkenntnissen bauten die Forscher ein neues Arten von Planungssystem, das nicht auf statischen Regeln basiert, sondern stattdessen aus den Daten lernt. Sie speisten die gefundenen Muster – die flexiblen Sequenzen und die variablen Geschwindigkeiten – in ein Computerprogramm auf Basis von Deep Reinforcement Learning ein. Dies ist eine Art künstliche Intelligenz, die durch Versuch und Irrtum lernt, ähnlich wie ein Spieler, der ein komplexes Videospiel meistert. In diesem Fall ist das „Spiel“ der Fabrikboden. Der KI-Agent wurde in einer virtuellen Simulation der Huai-Ji-Fabrik platziert, in der er den Echtzeitstatus von Maschinen und Aufträgen erhielt. Es war erlaubt, Entscheidungen zu treffen, wie etwa die Zuweisung eines bestimmten Auftrags zu einer bestimmten Maschine oder das Warten auf eine bessere Gelegenheit. Jedes Mal, wenn es eine Entscheidung traf, erhielt es Feedback darüber, wie gut diese Entscheidung half, alle Aufträge in der kürzesten Gesamtzeit abzuschließen. Über tausende simulierte Versuche hinweg lernte das System eine ausgeklügelte Strategie, um durch das Chaos der realen Fabrik zu navigieren, indem es seine Entscheidungen an die beobachteten sich ändernden Bedingungen anpasste.

Die Ergebnisse dieses Ansatzes wurden gegenüber den derzeit in der Industrie verwendeten Methoden getestet, einschließlich einfacher Regeln wie „First In, First Out“, bei denen Aufträge in der Reihenfolge ihrer Ankunft bearbeitet werden, sowie fortgeschrittener Computeralgorithmen. In den Simulationen übertraf das neue System, das durch die RFID-Daten und das Lernmodell geleitet wurde, die anderen Methoden konsequent. Es schaffte es, eine Charge von zwanzig Aufträgen in 476 Minuten abzuschließen und schlug damit die nächstbeste Methode, die 485 Minuten benötigte. Obwohl der Unterschied klein erscheinen mag, bedeutet die Ersparnis auch nur weniger Minuten pro Charge in der Hochvolumenwelt der Fertigung erhebliche Gewinne an Effizienz und Kosteneinsparungen. Die Studie zeigte, dass es möglich ist, durch das Zulassen des Systems, die tatsächliche, chaotische Realität des Fabrikbodens durch Daten zu sehen, anstatt sich auf idealisierte Annahmen zu verlassen, einen Produktionsplan zu erstellen, der sowohl intelligenter als auch schneller ist. Diese Arbeit legt nahe, dass die Zukunft der intelligenten Fertigung nicht nur in der Automatisierung der Maschinen liegt, sondern in der Automatisierung des Entscheidungsprozesses selbst, wodurch Fabriken mit dem natürlichen Ebbe und Flut der Produktion fließen können, anstatt gegen sie anzukämpfen.