Grundlegende Problemstellung und Zielsetzung

Allgemein:

In der industriellen Produktion werden Waren oft auf speziellen Warenträgern durch die gesamte Produktion transportiert. Im Bereich der Oberflächentechnik besteht dieser Warenbestand aus den zu beschichtenden Bauteilen.

Problem:

Fehlende Planbarkeit der benötigten Warenträger auf Basis der Auftragslage.

Ziel:

Verbesserung des Produktionsprozesses mittels moderner Methoden der Selbstoptimierung.

Keywords / Stichworte:

Datengetriebene Optimierung

Technisches System

Die ML-Lösung wurde auf Grundlage des Materialflusses im Produktionsprozess entwickelt.

Welche Daten werden erhoben?

Höhe und Breite der Bauteile
Kapazität der Warenträger

Lösungsansatz

Methode:

Berechnung der optimalen Behängung der Warenträger. Dabei wurde deren Auslastung als mathematisches Bin-Packing-Problem mit zusätzlichen Zwischenräumen modelliert.

Nach welchen allgemeinen inhaltlichen Kriterien werden Entscheidungen getroffen? Wie ist deren Gewichtung?

Kriterien für die Optimierung ist die effiziente Behängung der Warenträger mit Bauteilen, die durch die Produktion transportiert werden.

Werden neue Merkmale erarbeitet, die nicht speziell erfasst werden (z.B. Kombination erhobener Merkmale)?

Ja, die Lösung ermittelt datengetrieben die benötigte Anzahl Träger und Zeit pro Auftrag.

Nach welchen allgemeinen inhaltlichen Kriterien wird gelernt?

Die Lösung basiert auf der Formalisierung des Problems des Behängens als mathematisches Bin-Packing-Problem mit zusätzlichen Zwischenräumen. Ein entworfener Algorithmus gibt effiziente Behängungen für einen Auftrag an und sorgt so für ein Einsparpotentialgemessen an der Anzahl der Träger von bis zu 10%.

Präsentationen und Publikationen

Brinkrolf, J., Mittag, T., Joppen, R., Pietsch, K. H., & Hammer, B. (2016). Virtual optimisation for improved production planning. New Challenges in Neural Computation.