A memetic ant colony system algorithm for multiple machine scheduling in additive manufacturing with orientation selection of parts and energy costs ​

Stellen Sie sich eine Fabrikhalle vor, in der Maschinen Material nicht wegschneiden, um ein Teil zu formen, sondern es Schicht für Schicht aus einem digitalen Entwurf aufbauen. Dies ist die additive Fertigung, ein Prozess, der oft als 3D-Druck bezeichnet wird und die Art und Weise, wie wir alles von Flugzeugkomponenten bis hin zu medizinischen Implantaten herstellen, revolutioniert hat. Da diese Maschinen komplexe Formen ohne Gussformen erzeugen können, bieten sie eine unglaubliche Flexibilität. Diese Flexibilität bringt jedoch ein logistisches Rätsel mit sich. Wenn eine Fabrik mehrere dieser Maschinen gleichzeitig in Betrieb hat und eine große Bestellung verschiedener Teile produziert werden muss, muss der Manager zwei schwierige Dinge gleichzeitig entscheiden: Welche Teile sollten gruppiert werden, um in einer einzigen Charge gedruckt zu werden, und wie sollten diese Teile auf dem Maschinenbett gedreht werden, um so viele wie möglich unterzubringen. Zudem sind diese Maschinen wahre Energiefresser; die Laser und Heizelemente, die das Material verschmelzen, verbrauchen enorme Mengen an Elektrizität, was die Betriebskosten sowohl für die Umwelt als auch für das Geschäftsergebnis zu einem großen Anliegen macht.

Jahrelang haben Forscher versucht, dieses Planungsrätsel zu lösen, wobei der Fokus meist darauf lag, die Arbeit so schnell wie möglich zu erledigen. Sie haben verschiedene Computerprogramme entwickelt, um den besten Weg zu finden, Teile in Chargen zu packen und Maschinen zuzuweisen. Dennoch blieb eine bedeutende Lücke in der Forschung. Die meisten Studien ignorierten die Tatsache, dass ein einzelnes Teil oft in mehreren verschiedenen Ausrichtungen gedruckt werden kann, wobei jede Ausrichtung beeinflusst, wie viel Platz es beansprucht und wie viel Energie es verbraucht. Zudem priorisierten nur wenige Studien die Energieeinsparung gegenüber der Zeitersparnis, obwohl die Energiekosten steigen und Nachhaltigkeit zu einem kritischen Ziel der modernen Industrie geworden ist.

Ein Forschungsteam der Universität Sevilla in Spanien hat dieses komplexe Problem nun mit einem neuen Ansatz angegangen, der zwei leistungsstarke computergestützte Strategien kombiniert. Sie entwickelten einen hochentwickelten Algorithmus, der darauf ausgelegt ist, die dualen Herausforderungen der effizienten Packung von Teilen und der Minimierung des für den Druck benötigten Energieaufwands zu bewältigen. Ihre Methode, die sie ein „Memetic Ant Colony System“ nennen, ist von der Art und Weise inspiriert, wie echte Ameisenkolonien den kürzesten Weg zur Nahrung finden. In der Natur hinterlassen Ameisen eine chemische Spur namens Pheromone; je mehr Ameisen einen erfolgreichen Pfad beschreiten, desto stärker wird der Duft, der andere zur Nachfolge leitet. Die Forscher übertrugen dieses Verhalten in ein Computerprogramm, in dem virtuelle „Ameisen“ Millionen von Möglichkeiten erkunden, Teile zu gruppieren und auszurichten. Während das Programm läuft, lernt es, welche Kombinationen von Teilen und Rotationen zu den besten Ergebnissen führen, indem es diese erfolgreichen Muster verstärkt und die ineffizienten verwirft.

Um dieses System noch effektiver zu machen, fügten die Forscher eine zweite Ebene der Intelligenz hinzu. Sobald die virtuellen Ameisen einen Lösungsvorschlag unterbreiten, tritt ein lokales Suchverfahren ein, um diesen zu verfeinern. Dieser Schritt fungiert wie ein akribischer Inspektor, der kleine Anpassungen vornimmt – wie etwa das Drehen eines einzelnen Teils oder das Vertauschen zweier Teile zwischen Chargen –, um zu sehen, ob die Energiekosten weiter gesenkt werden können. Durch die Kombination der breiten Exploration der Ameisenkolonie-Methode mit dieser präzisen lokalen Verfeinerung kann der Algorithmus durch die enorme Anzahl an Möglichkeiten navigieren, die bei der Planung dieser Maschinen entstehen, ohne in einer suboptimalen Lösung stecken zu bleiben.

Das Team testete seinen neuen Algorithmus anhand einer Vielzahl von Szenarien, einschließlich Standardtestfällen aus früheren Studien sowie neuer, komplexerer Szenarien, bei denen Teile in zwei oder drei verschiedenen Ausrichtungen gedruckt werden konnten. Sie verglichen ihre Ergebnisse mit den besten bekannten Lösungen bestehender Methoden und mit exakten mathematischen Modellen, von denen bekannt ist, dass sie die perfekte Antwort finden, aber für große Probleme zu langsam sind. Die Ergebnisse waren beeindruckend. In Tests, die darauf abzielen, die durchschnittlichen Produktionskosten zu minimieren, fand der neue Algorithmus in fast der Hälfte der Fälle bessere Lösungen als die bestehenden Methoden und erreichte in den restlichen Fällen die besten Ergebnisse. Wenn das Ziel war, die Arbeit so schnell wie möglich zu erledigen, übertraf der Algorithmus erneut die bisherigen Methoden und fand für viele der Testfälle schnellere Zeitpläne.

Der vielleicht bedeutendste Befund bezieht sich auf die Energie. Als die Forscher dem Algorithmus erlaubten, zwischen mehreren Ausrichtungen für jedes Teil zu wählen, waren die Energieeinsparungen beträchtlich. In Szenarien mit zwei alternativen Ausrichtungen sank die durchschnittliche Energiekostenbelastung um etwa 3,3 Prozent. Bei drei verfügbaren Ausrichtungen stieg die Ersparnis auf fast 6 Prozent. In einigen spezifischen Fällen mit drei Maschinen erreichte die Reduktion sogar 9,5 Prozent. Diese Zahlen mögen auf den ersten Blick klein erscheinen, aber in einem industriellen Umfeld, in dem Maschinen kontinuierlich laufen, übersetzen sich solche Reduktionen in massive Einsparungen bei den Stromrechnungen und eine signifikante Senkung des CO2-Fußabdrucks des Herstellungsprozesses.

Die Studie offenbarte auch einen wichtigen Zielkonflikt. Wenn die Planung strikt darauf ausgerichtet war, die Arbeit so schnell wie möglich zu erledigen, stiegen die Energiekosten oft drastisch an und waren im Durchschnitt um mehr als 20 Prozent höher als bei Zeitplänen, die speziell auf Energieeinsparung ausgelegt waren. In den extremsten Fällen mit sechs laufenden Maschinen konnte die Energiestrafgebühr für die Priorisierung von Geschwindigkeit gegenüber Effizienz 36 Prozent erreichen. Dieser Befund deutet darauf hin, dass der Versuch, einfach nur schneller zu drucken, nicht immer die effizienteste Strategie ist. Stattdessen bietet ein ausgewogener Ansatz, der sowohl Zeit als auch Energie berücksichtigt und die Flexibilität zur Rotation von Teilen nutzt, einen viel klügeren Weg nach vorne.

Die Forscher validierten ihre Ergebnisse, indem sie den Algorithmus auf einem Standard-Prozessor ausführten, wobei die komplexen Berechnungen in Minuten oder Stunden abgeschlossen wurden, während die exakten mathematischen Modelle oft innerhalb eines angemessenen Zeitrahmens keine Lösung fanden. Dies zeigt, dass die neue Methode nicht nur effektiv, sondern auch praktisch für reale Fabriken ist, die Entscheidungen schnell treffen müssen. Indem sie bewiesen haben, dass die Berücksichtigung alternativer Teilorientierungen die Energiekosten signifikant senken kann, ohne die Geschwindigkeit zu opfern, bietet diese Arbeit einen klaren Fahrplan für Hersteller, die ihre additiven Produktionslinien nachhaltiger und kosteneffizienter gestalten wollen. Die Studie kommt zu dem Schluss, dass die Planung dieser Maschinen zwar unglaublich komplex ist, aber die richtige Kombination aus intelligenter Suche und lokaler Verfeinerung Effizienzen freisetzen kann, die zuvor unerreichbar waren.