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

In het bruisende hart van een moderne fabriek wordt het ritme van de productie vaak bepaald door de onzichtbare hand van een planning. Deze planning is een plan dat bepaalt welke machine aan welk onderdeel werkt en wanneer, met als doel producten zo snel en goedkoop mogelijk af te ronden. Decennialang hebben deze plannen vertrouwd op een reeks aannames: dat elk werkstuk een strikt, onveranderlijk pad door de fabriek volgt, en dat de tijd die nodig is om een taak te voltooien een vooraf bekend, vaststaand getal is. De werkelijkheid is echter zelden zo ordelijk. Machines gaan kapot, arbeiders nemen pauzes en de snelheid van de productie verschuift met het tijdstip van de dag of de dag van de week. Wanneer een planning deze schommelingen negeert, creëert dit knelpunten, verspilde tijd en vertraagde leveringen. De uitdaging voor ingenieurs is om een systeem te creëren dat deze veranderingen ziet terwijl ze plaatsvinden en het plan direct aanpast, waardoor een rigide blauwdruk verandert in een flexibele, levende strategie.

Om dit op te lossen, wendde een team onderzoekers van de Universiteit van Hong Kong zich tot een echte fabriek in Huaiji, China, waar een bedrijf dat automotordelen voor motorventielen maakt, al een netwerk van radiofrequentie-identificatie-, of RFID-, tags had geïnstalleerd. Deze kleine elektronische chips, bevestigd aan de onderdelen die door de assemblagelijn bewegen, fungeren als digitale paspoorten die automatisch elke stap registreren die een product aflegt, wie het heeft verwerkt en exact wanneer het een taak heeft voltooid. Door meer dan 413.000 records van deze activiteiten te verzamelen, kregen de onderzoekers een zeldzaam, hoogwaardig beeld van hoe de fabriek daadwerkelijk functioneert, in plaats van hoe deze theoretisch zou moeten werken. Ze gebruikten deze enorme stroom gegevens om twee cruciale waarheden te ontdekken die traditionele planningsmethoden missen. Ten eerste ontdekten ze dat de volgorde waarin arbeiders bepaalde stappen uitvoeren niet vaststaat. Voor een specifiek motorventiel ontdekte het team dat arbeiders vaak de volgorde van operaties, zoals frezen en boren, omdraaiden zonder dat dit invloed had op de uiteindelijke kwaliteit. Ten tweede realiseerden ze zich dat de tijd die nodig is om een taak te voltooien geen enkel getal is, maar een variabele die verschuift op basis van factoren zoals het tijdstip van de dag, of het weekend is en de specifieke machine die wordt gebruikt.

Gewapend met deze inzichten bouwden de onderzoekers een nieuw soort planningssysteem dat niet leunt op statische regels, maar in plaats daarvan leert van de gegevens. Ze voerden de gevonden patronen — de flexibele sequenties en de variabele snelheden — in een computerprogramma gebaseerd op deep reinforcement learning. Dit is een vorm van kunstmatige intelligentie die leert door middel van vallen en opstaan, vergelijkbaar met een speler die een complex computerspel onder de knie krijgt. In dit geval is het "spel" de fabrieksvloer. De AI-agent werd geplaatst in een virtuele simulatie van de Huaiji-fabriek, waar deze de realtime status van machines en taken kreeg. De agent mocht beslissingen nemen, zoals het toewijzen van een specifieke taak aan een specifieke machine of wachten op een betere gelegenheid. Elke keer dat de agent een keuze maakte, ontving deze feedback op basis van hoe goed die keuze hielp om alle taken in de kortste totale tijd te voltooien. Over duizenden gesimuleerde proeven leerde het systeem een geavanceerde strategie om door de chaos van de echte fabriek te navigeren, waarbij het zijn beslissingen aanpaste aan de veranderende omstandigheden die het observeerde.

De resultaten van deze aanpak werden getest tegenover de methoden die momenteel in de industrie worden gebruikt, inclusief eenvoudige regels zoals "first in, first out", waarbij taken worden verwerkt in de volgorde waarin ze arriveren, en meer geavanceerde computeralgoritmen. In de simulaties presteerde het nieuwe systeem, gestuurd door de RFID-gegevens en het leermodel, consequent beter dan de andere. Het slaagde erin om een batch van twintig taken te voltooien in 476 minuten, waarmee het de op één na beste methode versloeg, die 485 minuten nodig had. Hoewel het verschil klein lijkt, vertaalt het besparen van zelfs maar enkele minuten per batch in de hoogvolumewereld van de productie zich in aanzienlijke winsten in efficiëntie en kostenbesparingen. De studie toonde aan dat door het planningssysteem de werkelijke, rommelige realiteit van de fabrieksvloer te laten zien via gegevens, in plaats van te vertrouwen op geïdealiseerde aannames, het mogelijk is om een productieplan te creëren dat zowel slimmer als sneller is. Dit werk suggereert dat de toekomst van slimme productie niet alleen ligt in het automatiseren van de machines, maar in het automatiseren van het besluitvormingsproces zelf, waardoor fabrieken kunnen meebewegen met de natuurlijke eb en vloed van de productie in plaats van ertegen te vechten.