Verfahren zum Optimieren einer Fertigung einer Industrie anlage

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Optimieren einer Fertigung einer Industrieanlage, wobei die Industrieanlage dazu eingerichtet ist, eine vorgebbare Stückzahl N _Pi , N _P2 , ...N _Pn von mindestens einem Produkt PI, ... Pn herzustellen. Vorzugsweise kann die Industrieanlage eine Mehrheit von Produkten bzw. mehrere Produkttypen nach Stück zahl hersteilen.

Außerdem betrifft die Erfindung ein System zur Datenverarbei tung, umfassend Mittel zur Ausführung eines solchen Verfah rens; ein Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veran lassen, ein solches Verfahren auszuführen und ein computer lesbares Medium, umfassend Befehle, die bei der Ausführung durch einen Computer diesen veranlassen, ein solches Verfah ren auszuführen.

Darüber hinaus betrifft die Erfindung ein Medium, beispiels weise ein computerlesbares Speichermedium oder ein Datenträ gersignal.

Für eine termingerechte Belieferung von Kundenaufträgen ist eine ausreichende Verfügbarkeit von Material und Produktions kapazität von großer Bedeutung. Durch die stark schwankenden Kundenbedarfe, sowohl zeit- als auch mengenabhängig, kann es bei Überplanung zu Überbeständen und bei Unterplanung zu Pro duktionsstillstanden kommen. Dies kann beispielsweise zu ei nem Verlust von Kundenaufträgen aufgrund fehlender Lieferfä higkeit führen. Daher wird in der Supply-Chain eine möglichst hohe Prognosegenauigkeit der zukünftigen Kundenaufträge ange strebt. Für entsprechende Vorhersagen können beispielsweise experten- Systeme genutzt werden. Bei expertenbasierten Systemen wird i.d.R. der Kundenansprechpartner oder Marktexperte befragt und aufgrund ihrer Einschätzung eine Prognose abgegeben.

Im heutigen Industrie 4.0. Umfeld kommt es zu häufigen kurz fristigen Änderungen im Kundenverhalten. Die bekannten Syste me können diesem aber nicht schnell genug folgen.

Der vorliegenden Erfindung liegt die Aufgabe zugrunde die Prognosegenauigkeit unter den vorgenannten Bedingungen zu verbessern und dadurch die Fertigung einer Industrieanlage, beispielsweise einer Fertigungsanlage zu optimieren.

Die Aufgabe wird mit einem eingangs genannten Verfahren er findungsgemäß dadurch gelöst, dass zu einem ersten Zeitpunkt ein mittels maschinellen Ler nens trainiertes Modell bereitgestellt wird; zu einem zweiten, nach dem ersten Zeitpunkt tl folgenden Zeitpunkt, das trainierte Modell ausgeführt wird, um ei nen rollierenden Forecast für ein vorgebbares Zeitinter vall zu erzeugen, wobei das vorgebbare Zeitintervall nach dem zweiten Zeitpunkt beginnt und der rollierende Fore cast für jeden beliebigen Zeitpunkt innerhalb des Zeitin tervalls eine zu diesem Zeitpunkt herzustellende Stück zahl des mindestens einen Produkts prognostiziert; der rollierende Forecast mittels eines weiteren Modells weiterverarbeitet wird, um auf Basis des rollierenden Fo- recasts einen Re-Forecast zu berechnen.

In einer Ausführungsform kann in Abhängigkeit von dem berech neten Re-Forecast zumindest ein Fertigungsparameter, bei spielsweise Materialmenge, Personaleinteilung usw. der In dustrieanlage angepasst werden.

Die Weiterverarbeitung des rollierenden Forecasts mittels des weiteren Modells hat zum Vorteil, dass das trainierte Modell seltener trainiert werden muss. Es wurde festgestellt, dass die trainierten Modelle zu träge sind, um für sich sehr dyna misch verhaltende Kundenbedarfe gute Prognosen zu liefern.

Das Neutrainieren des Modells ist zeitaufwändig und findet in dem meisten Fällen nicht öfter als einmal pro Quartal statt. Prognosen, die mit einem trainierten Modell erzielt werden, das mit der oben beschriebenen niedrigen Frequenz trainiert wird, sind verbesserungsfähig.

Das weitere Modell, vorzugsweise ein mathematisches exaktes und somit schnell ausführbares Modell - wird hier auch als „Post-Processor" genannt - trägt den Abweichungen der mit dem trainierten Modell errechneten rollierenden Vorhersage von der beobachteten Realität die Rechnung und korrigiert den zu künftigen Forecast dementsprechend.

Durch Einsatz des Post-Processors kann die Prognosegenauig keit verbessert werden. Der Post-Processor kann die Abwei chungen aus der Vergangenheit und gleichzeitig die bereits bestehenden Kundenbedarfe für die Zukunft nutzen, um die zu künftigen Abweichungen zu minimieren.

In einer Ausführungsform umfasst der Post-Processor (das wei tere Modell) mehrere Parameter, über welche ein bewusstes Über- oder Unterschätzen der zukünftigen, insbesondere der kurzfristig zu erwartenden Aufträge eingestellt werden kann.

Bei einer Ausführungsform kann mit Vorteil vorgesehen sein, dass das erste trainierte Modell auf mindestens einem neuro nalen Netz und/oder auf mindestens einem Entscheidungsbaum und/oder auf mindestens einem linearen Modell basiert.

Darüber hinaus kann es zweckdienlich sein, wenn das weitere Modell ein vorzugsweise heuristisches mathematisches Modell ist und wobei zur Berechnung des Re-Forecasts tatsächliche Werte der herzustellenden Stückzahl und/oder der tatsächli chen Anzahl der Aufträge und/oder des tatsächlichen Auftrags bestands und/oder mindestens eine unter Verwendung von min destens einem der vorgenannten Werten errechnete statistische Größe beziehungsweise mindestens ein unter Verwendung von mindestens einem der vorgenannten Werten errechneter statis tischer Parameter verwendet wird/werden.

Somit können sowohl Vergangenheitswerte als auch zukünftige (prognostizierte) Werte für den Re-Forecast genutzt. Auf kurzfristige Änderungen kann schneller reagiert werden und dadurch eine höhere Prognosegenauigkeit erreicht werden. Dadurch können sowohl kurzfristige Effekte als auch mittel fristige Trends erkannt werden.

Des Weiteren wird die Aufgabe durch ein vorgenanntes Medium, beispielsweise ein computerlesbares Speichermedium oder ein Datenträgersignal, erfindungsgemäß dadurch gelöst, dass das Medium zumindest einen wie oben beschrieben berechneten Re- Forecast umfasst.

Die Erfindung samt weiteren Vorteilen ist im Folgenden an Hand beispielhafter Ausführungsformen näher erläutert, die in der Zeichnung veranschaulicht sind. In dieser zeigt

FIG 1 eine Industrieanlage, die zur Herstellung mehrerer Produkte ausgelegt ist;

FIG 2 ein Ablaufdiagramm eines Verfahrens, und

FIG 3 einen Zeitstrahl zur Berechnung eines Re-Forecasts.

FIG 1 stellt schematisch eine industrielle Fertigungsanlage FA, beispielsweise eine automatisierte oder autonome Ferti gungsanlage dar. Die Anlage ist im Stande eine bestimmte An zahl von Produkten PI, ... Pq hersteilen, die beispielsweise per einen Auftrag bestellt werden können. Dabei werden unter Produkten vor allem materielle Produkte - im Gegensatz zu Dienstleistungen - verstanden. Dafür kann die Fertigungsanla ge FA Fertigungsmaschinen Al, ...Aq umfassen, die jeweils ein bestimmtes Produkt hersteilen. Es ist durchaus möglich, dass eine Fertigungsmaschine mehrere verschiedene Produkte her stellt. Beispielsweise kann vorgesehen sein, dass eine einzi ge Fertigungsmaschine alle Produkte herstellt. Jede Fertigungsmaschine, z.B. Ai, kann so ausgelegt sein, dass sie N _RR Stück von dem Produkt Pi innerhalb einer be stimmten Zeit hersteilen kann.

FIG 2 zeigt ein Beispiel eines Verfahrens zur Optimierung ei ner Fertigung einer Fertigungsanlage FA. Die Optimierung kann basierend auf historischen Daten betreffend die herzustellen de Stückzahl N _Pi , N _P 2, ...N _Pn von bestimmten Produkten PI, ... Pn, wobei n kleiner oder gleich q ist, die die Fertigungsanlage hersteilen kann, durchgeführt werden. Solche historische Da ten können beispielsweise das Kundenverhalten retrospektiv beschreiben .

Bei der Fertigungsanlage FA können Aufträge aufgegeben wer den, bei denen Kunden beispielsweise nach N _Pk Stück vom Pro dukt Pk zum Zeitpunkt tk usw. fragen können. Die Kundenauf träge können aber zurückgezogen oder die herzustellende Stückzahl, z.B. N _Pk , kann reduziert oder erhöht werden. Um das zukünftige Kundenverhalten vorherzusagen, kann maschinel les Lernen verwendet werden.

Zu einem ersten Zeitpunkt tl wird dabei ein mittels maschi nellen Lernens trainiertes Modell M _ti bereitgestellt. Das trainierte Modell kann beispielsweise auf neuronalen Netzen, Entscheidungsbäumen, linearen Modellen o.Ä. basieren. Dabei kann das Modell M auf Trainingsdaten D _t<ti trainiert worden sein, die vor dem ersten Zeitpunkt tl gesammelt wurden - also die das historische Kundenverhalten vor dem ersten Zeitpunkt tl repräsentieren.

Zu einem zweiten Zeitpunkt t2, der vorzugsweise nach dem ers ten Zeitpunkt tl liegt (t2 > tl), wird das trainierte Modell M _ti ausgeführt, um einen rollierenden Forecast F für ein vor- gebbares Zeitintervall T zu erzeugen. Dabei können als Input- Daten für das trainierte Modell M _ti Daten verwendet werden, die das Kundenverhalten zwischen t2 und tl repräsentieren. Es ist durchaus denkbar, dass tl = t2 ist. Dabei beginnt das vorgebbare Zeitintervall T nach, vorzugs weise mit dem zweiten Zeitpunkt t2.

Um dem sich mit der Zeit ändernden Kundenverhalten gerecht zu werden, prognostiziert der rollierende Forecast F für jeden beliebigen Zeitpunkt t' innerhalb des Zeitintervalls T zu diesem Zeitpunkt t' herzustellende Stückzahlen N _Pi , _t v N _P 2, _t' ...N _Pn , _t' von entsprechenden Produkten PI, ... Pn und/oder Anzahl der Aufträge für Produkte PI, ... Pn. Entsprechend dieser Prog nose werden Parameter der Fertigungsanlage FA eingestellt. Diese Parameter können beispielsweise zu einem bestimmten Zeitpunkt zur Verfügung stehende Material- und/oder Personal menge sein.

Es versteht sich, dass die Aufträge fertigungsrelevante Anga ben, z.B. zu der Stückzahl, in der das jeweilige Produkt her gestellt werden soll, und zu der Zeit, in der das jeweilige Produkt hergestellt werden soll, insbesondere zu dem Zeit punkt, zu dem das jeweilige Produkt geliefert werden soll, enthalten.

Um die Prognosegenauigkeit bei stark und innerhalb kurzer Zeit (es können beispielsweise ein Drittel der Aufträge in nerhalb einer Woche storniert werden) schwankenden Kundenbe- darfen zu verbessern, wird der rollierende Forecast F mit tels eines weiteren Modells M' weiterverarbeitet. Dabei wird auf Basis des rollierenden Forecasts F ein Re-Forecast RF berechnet.

Bei der Weiterverarbeitung des rollierenden Forecasts F kön nen weitere Größen, die bereits bekannt sind, berücksichtigt werden. Beispielsweise können zum Berechnen des Re-Forecasts RF Auftragsbestände und/oder Auftragseingänge usw. verwendet werden.

Möchte man den Re-Forecast RF zu einem Zeitpunkt t' inner halb des Zeitintervalls T berechnen, zu dem gemäß dem rollie renden Forecast F N _Pi , _t v N _P2 , _t' N _Pn , _t' Stück von Produkten PI, ... Pn hergestellt werden sollte, kann wie folgt vorgegan gen werden. Ein Beispiel eines entsprechenden Zeitstrahls ist FIG 3 zu entnehmen.

Beispielsweise kann ein weiterer Zeitpunkt t'' zwischen dem Beginn des Intervalls T und dem Zeitpunkt t' gewählt werden. Der Unterschied zwischen t'' und t' kann beispielsweise eine halbe bis zwei Wochen, vorzugsweise eine Woche sein. Der Un terschied zwischen t'' und dem Beginn des Intervalls T, z.B. dem zweiten Zeitpunkt t2 kann beispielsweise zwei bis fünf, insbesondere vier Wochen betragen.

Das weitere Modell M', beispielsweise als ein (heuristisches) mathematisches Modell ausgebildet sein kann, kann dabei auf vorliegenden vor dem weiteren Zeitpunkt t'' gesammelten Daten basieren, wobei die Daten den Verlauf der Auftragseingänge und/oder der Auftragsbestände repräsentieren können.

Das mathematische Modell M' kann Abweichungen einer Prognose gemäß dem rollierenden Forecast F von der tatsächlich beo bachteten Auftragsentwicklung nutzen und in Reaktion auf die se Abweichungen den Re-Forecast RF erstellen. Dabei können Abweichungen mittels verschiedener statistischer Funktionen verarbeitet werden. Dies vereinfacht die Berechnung des wei teren Modells'.

Insbesondere kann die zu dem Zeitpunkt t' herzustellende Stückzahl RN _Pi , _t' von einem der Produkte, z.B. von dem Produkt Pi, an dem Zeitpunkt t'' gemäß dem folgenden mathematischen Modell M' berechnet werden:

RNpi _,t' = max N _P .- mean

Dabei sind:

Np _jp - gemäß dem rollierenden Forecast F vorhergesagte, zu dem Zeitpunkt t' herzustellende Stückzahl von dem Produkt Pi; mean - ein Mittelwert über ein vor dem weiteren Zeitpunkt t"-r<t<t" t'' liegendes Zeitintervall T'. Historische Daten aus dem Zeitintervall T' werden zur Berechnung des Re-Forecasts RF verwendet;

Npo _pit - gemäß dem rollierenden Forecast F vorhergesagte An zahl der Aufträge für Produkt Pi („predicted number of Or ^¬ ders");

N _AOpit ^_ tatsächliche (tatsächlich beobachtete) Anzahl der Aufträge für Produkt Pi („actual number of Orders");

AN _{Pit -} tatsächlich bestellte Stückzahl des Produkts Pi;

0Np _jt ·- tatsächlicher Auftragsbestand (zum Zeitpunkt t'') zur Herstellung des Produkts Pi zu dem Zeitpunkt t'.

Das Zeitintervall T' kann beispielsweise zwei bis fünf Wochen betragen. Insbesondere beträgt das Zeitintervall T' vier Wo chen. Zwischen t'' und t' kann beispielsweise eine halbe Wo chen bis zwei Wochen liegen. Insbesondere liegt zwischen t'' und t' eine Woche.

Somit können in dem Modell M' solche statistischen Funktionen wie Mittelwert und/oder Median verwendet werden, um Abwei chungen des rollierenden Forecasts F von den tatsächlich be obachteten Werten zu glätten.

Das mathematische Modell M' gemäß Formel (1) ergibt den grö ßeren aus zwei Werten. Einer dieser Werte ist der zum Zeit punkt t'' vorliegende Auftragsbestand 0N _Pjt . für das Produkt Pi und den Zeitpunkt t', der nach dem Zeitpunkt t'' liegt (FIG 3). Der zweite Wert repräsentiert eine aufgrund von Ab weichungen der Prognose gemäß dem rollierenden Forecast F von der tatsächlich beobachteten Auftragsentwicklung korri gierte Vorhersage In Abhängigkeit von den berechneten Stückzahlen RN _Pjt ·kann nun Fertigung der Industrieanlage angepasst werden. Bei spielsweise kann noch rechtzeitig benötigte Materialmenge kontrolliert und/oder Einteilung des entsprechenden Personals angepasst werden.

Das weitere Modell M' kann weitere Größen, beispielsweise ge mäß dem rollierenden Forecast F prognostizierte Nachfrage- Rate für alle Pi.

Zusammenfassend betrifft die Erfindung ein Verfahren, bei dem Fertigung einer Anlage durch Erhöhen der Prognosegenauigkeit für die zukünftig herzustellende Stückzahl der jeweiligen Produkte optimiert wird, wobei das Erhöhen der Prognose durch Verwenden eines mittels maschinellen Lernens trainierten Mo dells und eines weiteren, vorzugsweise heuristischen, einfa chen mathematischen Modells, das die Vorhersagen des trai nierten Modells korrigiert, erreicht wird.

Es ist ersichtlich, dass Abänderungen und/oder Hinzufügungen von Teilen an dem zuvor beschriebenen Optimierungsverfahren erfolgen können, ohne dass vom Gebiet und Umfang der vorlie genden Erfindung abgewichen wird. Ebenfalls ersichtlich ist, dass die Erfindung zwar in Bezug auf einige konkrete Beispie le beschrieben worden ist, ein Fachmann jedoch sicher in der Lage sein sollte, viele andere entsprechende Formen eines Op timierungsverfahrens zu erhalten, die die in den Ansprüchen dargelegten Eigenschaften aufweisen und damit alle in den dadurch festgelegten Schutzumfang fallen.

Die Bezugszeichen in den Ansprüchen dienen lediglich zum bes seren Verständnis der vorliegenden Erfindung und bedeuten auf keinen Fall eine Beschränkung der vorliegenden Erfindung.