Einsatz von Business-Intelligence basierten Methoden zur Reduktion von Abweichungen zwischen Produktionsplanung und -ausführung

Einsatz von Business-Intelligence basierten Methoden zur Reduktion von Abweichungen zwischen Produktionsplanung und -ausführung

Die Umsetzung von Industrie 4.0 Prinzipien in der Produktionsplanung ist eine Herausforderung insb. für kleine und mittlere Unternehmen (KMUs). Auch wenn eine Kapazitäts- und Grobplanung mittels Enterprise Ressource Planning (ERP) Systemen durchgeführt wird, erfolgt die Feinplanung in diesen Unternehmen auch heute häufig noch manuell, da die verwendeten Softwaresysteme vielfach den Zustand der Produktion nicht echtzeitnah abbilden können und/oder die vorliegenden Prozesse nicht mit ausreichendem Detaillevel berücksichtigen. Tatsächlich sind gedruckte Informationen auch heute noch ein häufig verwendetes Medium für Werker, Maschinenbediener und Fertigungssteuerer, da vielfach keine digitalen Daten vorliegen. Dies gilt insb. für Rückmeldungen des aktuellen Produktionsstands aus dem Shopfloor. Diese Problematik führt final dazu, dass die Abweichungen zwischen den eingeplanten Produktionsprozessen und den tatsächlich ausgeführten Operationen auf dem Shopfloor kontinuierlich steigen.

Bisherige Vorschläge dieses Problem zu lösen basieren primär auf der Idee, durch selbstlernende Systeme das Verhalten der Werker auf dem Shopfloor zu analysieren und die eingesetzten Planungsverfahren automatisiert dahingehend zu adaptieren. Diese Vorgehensweise ist jedoch nicht immer empfehlenswert – handelt ein Werker beispielsweise nach der verbreiteten „First-in, First-Out“ (FIFO) Strategie, so wäre die Konsequenz, dass das Planungsverfahren ebenfalls eine Produktionsreihenfolge nach FIFO bestimmt, anstatt andere, häufig zeit- und kosteneffizientere Reihenfolgen zu bestimmen. Dennoch können diese Methoden eingesetzt werden, um die detaillierten Gründe solcher Planabweichungen zu analysieren, gegebenenfalls andersartige Modifikationen an den Planungsmodellen vorzunehmen, oder auch alternative Maßnahmen wie Schulungen der Werker o.ä. zu initiieren.

Das Ziel der vorliegenden Bachelorarbeit ist es, dass Potenzial dieser Nutzung von Business-Intelligence basierten Methoden im Kontext von Industrie 4.0 zur Reduktion von Abweichungen zwischen Produktionsplanung und –ausführung zu ermitteln. Dazu gilt es zunächst, an Hand von Fachpublikationen und ggf. Interviews mit Praktikern zu ermitteln, wie insb. die Produktionsfeinplanung aktuell in der industriellen Praxis durchgeführt wird und warum es zu Abweichungen in der Ausführung dieser Pläne kommt. Diese Gründe können bspw. von der zu ungenauen Modellierung der Produktionsprozesse bis hin zu externen Störeinflüssen, wie der verzögerten Lieferung von zur Produktion benötigten Materialien, liegen. Abschließend soll analysiert werden, ob diese Problemstellen mittels Informationen, die insb. durch Industrie 4.0 Komponenten sowie deren softwareseitiger Umsetzung durch die Industrie 4.0 Middleware BaSys 4.0 bereitgestellt werden, beseitigt werden können und inwiefern dazu Business-Intelligence basierte Methoden genutzt werden sollten.

 

Literatur:

Heidel, Roland, et al. Basiswissen RAMI 4.0: Referenzarchitekturmodell und Industrie 4.0-Komponente Industrie 4.0. Beuth Verlag, 2017.

Lachenmaier, Jens F., Heiner Lasi, and Hans-Georg Kemper. "Entwicklung und Evaluation eines Informationsversorgungskonzepts für die Prozess-und Produktionsplanung im Kontext von Industrie 4.0." Wirtschaftsinformatik. 2015.

Nyhuis, Peter, Jonas Mayer, and Thorben Kuprat. "Die Bedeutung von Industrie 4.0 als Enabler für logistische Modelle." Industrie 4 (2014): 79-100.

Wagner, Constantin, et al. "The role of the Industry 4.0 asset administration shell and the digital twin during the life cycle of a plant." 2017 22nd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA). IEEE, 2017.

Terzimehic, Tarik, et al. "Towards an industry 4.0 compliant control software architecture using IEC 61499 & OPC UA." 2017 22nd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA). IEEE, 2017.