22. März 2022 von Annika Hauptvogel und Bastian Franzkoch, Jan Meißner und Niklas Hering
Die Beherrschbarkeit stetig individueller werdender Prozessketten bei gleichzeitig steigender Marktdynamik ist eine aktuelle Herausforderung produzierender Unternehmen. Der Steuerung von Produktionsprozessen kommt in diesem Zusammenhang eine immer größere Bedeutung zu. Jedoch mangelt es an geeigneten Lösungsansätzen, die den Anforderungen einer schnellen Produktionsanpassung gewachsen sind.
Die zunehmende Marktdynamik erschwert es produzierenden Unternehmen, ihre sukzessiv individueller werdenden Prozessketten beherrschbar zu machen [1]. Des Weiteren fordern Kunden eine gesteigerte Kundenfokussierung, was dazu führt, dass immer kürzere Lieferzeiten trotz hoher Fertigungs- und Montageprozessvarianzen gewährleistet sein müssen. Besonders der Auftragsabwicklungsprozess sowie der Kapazitätsflexibilitätsbedarf werden durch die Verminderung der Lieferzeiten erheblich beeinflusst. Im Maschinen- und Anlagenbau haben sich diesbezüglich die Lieferzeiten in den letzten Jahren halbiert [2]. Aufgrund der Tatsache, dass der Kunde als Differenzierungsmerkmal und Entscheidungskriterium wahrgenommen wird, gewinnen die logistischen Leistungsmerkmale Liefertermintreue und Lieferzeit stetig an Bedeutung [3].
Die aktuelle Problematik verdeutlicht, dass Unternehmen ihr Produktionssystem umgestalten müssen. Es sollte zum einen robust und prozessstabil sein und gleichzeitig flexibel und wandlungsfähig auf marktseitige Dynamiken reagieren können. Zusätzlich muss das Produktionssystem Anpassungsnotwendigkeiten selbstständig antizipieren [4]. Die beiden Hauptziele Prozessstabilisierung und Flexibilisierung verlaufen jedoch gegensätzlich und ermöglichen somit auf Basis aktueller Softwarelösungen keine optimale Unterstützung in Bezug auf die Produktionssteuerung. Bild 1 veranschaulicht die Schwachstellen heutiger Produktionssysteme [5].
Die bisher konzipierten Steuerungskonzepte bauen nicht auf einem konsistenten Zielsystem auf und agieren somit auf unterschiedlichen Unternehmensebenen kontraproduktiv. Die fehlende Abstimmung zwischen den eingesetzten Systemen und die geringe Prozesskommunalität erzeugt dementsprechend starke Turbulenzen auf der Shop-Floor-Ebene (z. B. starke Streuung der Durchlaufzeiten). Eine ausschließlich lokale Optimierung führt nicht zu dem gewünschten Ziel einer hohen Termintreue, sondern zu einem signifikanten Einbruch der Gesamtleistung der Produktion. Die Folge ist eine Erhöhung der Systemdynamik sowie eine Verschlechterung der Vorhersagbarkeit der Produktionsleistung als auch der Aussagefähigkeit dem Kunden gegenüber bezüglich des Liefertermins.
Chancen durch cyberphysische Systeme
Produzierende Unternehmen versuchen zurzeit das Problem der direkten Verbindung zwischen realer und softwareseitiger Produktion mit Hilfe cyberphysischer Systeme (CPS) zu realisieren. Diese eignen sich in diesem Zusammenhang besonders gut, da sie aufgrund ihrer modularen Struktur die Produktion optimal unterstützen können.
Cyberphysische Systeme bilden einen Zusammenschluss aus eingebetteten Systemen, echten physikalischen Systemen sowie Sensorsystemen [7]. Sie verfügen mittels verschiedener Sensoren und Aktoren über eine Schnittstelle zur Außenwelt, anhand derer Daten erfasst und auf physikalische Vorgänge eingewirkt werden kann. Des Weiteren sind solche Systeme mit einer multimodalen Mensch-Maschine-Schnittstelle ausgerüstet, die eine benutzerfreund-liche und visuelle Interaktion mit dem Anwender ermöglicht [8].
Der alleinige Einsatz von CPS führt jedoch nicht zu dem gewünschten Ziel. Erst durch das Zusammenspiel mit einem flexiblen und übergreifenden Organisations- und Managementkonzept ist eine optimale Integration erfolgreich [8]. Das kybernetische Produktionsmanagement bildet hierzu in Kombination mit dem High Resolution Production Management eine ideale Basis (Bild 2).
Bild 2: Cyberphysische Produktionssysteme
Die Management-Kybernetik betrachtet als Wissenschaft nicht nur die Struktur von Systemen sondern auch die Lenkung, Anpassung und Kommunikation ihrer Elemente [9]. Ihre Wirkungsweise kann auf jegliche Art von Systemen übertragen werden und eignet sich aufgrund ihrer besonderen Fähigkeit zur Komplexitätsbewältigung besonders im Bereich hochkomplexer Systeme. Als Vorbild dient dazu das zentrale menschliche Nervensystem, welches sowohl die Regelung einzelner operativer Prozesse als auch die Wandlungsfähigkeit des Gesamtsystems ermöglicht [10].
Die Kernidee des High Resolution Production Managements ist die Absorption der Dynamik im Produktionsablauf durch die Nutzung moderner Technologien zur genaueren Informationsgewinnung und -rückkopplung sowie zur Stabilisierung des Produktionsprozesses [6]. Um diese Anforderungen zu gewährleisten, müssen die bisher rückkopplungsarmen bzw. entkoppelten Steuerungsebenen ähnlich dem Kaskadierungsprinzip vernetzt werden [11].
Steigerung der Produktionseffizienz
Die Zielsetzung des Forschungsvorhabens ProSense liegt in der Entwicklung einer hochauflösenden, adaptiven Produktionssteuerung auf Basis kybernetischer Unterstützungssysteme und intelligenter Sensorik. Der Fokus liegt dabei auf einer benutzerfreundlichen Gestaltung von Steuerungssystemen, so dass der Mensch als Entscheider mit Hilfe hochauflösender Daten optimal bei der Steuerung der Produktion unterstützt werden kann. Das cyberphysische Produktionssystem, welches den Rahmen für eine benutzerfreundliche Produktionssteuerung bildet, kann in vier Aufgaben unterteilt werden. Hierzu zählen die Massendatenerfassung, die Massendatenverarbeitung, das selbstoptimierende Feinsteuerungssystem und die Mensch-Maschine-Interaktion (Bild 3).
Bild 3: Die vier zentralen Aufgaben des cyber-physischen Produktionssystems
Die Erfassung hochauflösender Daten erfolgt über einfache und kostengünstige Sensoren. Um eine schnelle und einfache Austauschbarkeit dieser Sensorsysteme zu gewährleisten, ist es erforderlich modulare Funktionsbausteine einzusetzen. Diese kommunizieren autonom und agieren als intelligente Einheiten bzw. Subsysteme. In Bezug auf die jeweilige Betrachtungsebene kann die Datengranularität bedarfsgerecht angepasst werden. Hierzu ist es jedoch notwendig, dass einheitliche Schnittstellen zu allen übergeordneten IT-Systemen existieren, um eine interoperable Einsatzfähigkeit sicherzustellen.
Alle erfassten Daten werden als Basisdaten unverändert in einer zentralen Datenbank vorgehalten, um sie anschließend für einen selektiven Zugriff weiterzuverarbeiten. Hierdurch wird die Möglichkeit geschaffen hochauflösende Produktionsdaten zum einen einfach, zeit- und kostengünstig zu speichern und zum anderen bedarfsgerecht zu verarbeiten. Auf Basis einer normierten Datenschnittstelle gelangen die aufbereiteten Informationen anschließend in ein modular aufgebautes Feinsteuerungssystem.
Das Feinsteuerungssystem basiert auf einem Simulationsmodell. Damit dieses immer die reale Produktion abbildet, werden die zugrunde liegenden Informationen genutzt, um das Simulationsmodell an die Realität anzupassen. Dieses Modell wird dann für Simulationsläufe eingesetzt, die auf die reale Produktion übertragbar sind. Das Ergebnis dieser Läufe sind Prognosen über zukünftige sinnvolle Steuerungsalternativen der Produktion, die anschließend dem Anwender übermittelt werden. In einem zweiten Schritt obliegt dem Anwender die Aufgabe zwischen den Steuerungsalternativen zu entscheiden.
Neben der Validierung sinnvoller Steuerungsvorschläge ist insbesondere die Interaktion zwischen Mensch und Steuerungssystem von großer Bedeutung für die Entscheidungsunterstützung. Mit Hilfe einer geeigneten Visualisierung können relevante Entscheidungen hervorgehoben und gleichzeitig in einem entsprechenden Kontext betrachtet werden. Der Anwender erhält einen Überblick über die Konsequenzen seiner Entscheidung und kann darauf aufbauend die richtige Entscheidung treffen. Bei jedem neuen Vorschlag greift das System auf die Erfahrungen aus der Vergangenheit zurück. Es optimiert sich selbstständig und verbessert sukzessive mit der Laufzeit des Systems die Qualität der eigenen Steuerungsvorschläge.
Die Ergebnisse aus dem Forschungsvorhaben ProSense werden bei den Anwenderunternehmen des Projektkonsortiums sowie in der Demonstrationsfabrik im Campus-Cluster Logistik der RWTH Aachen praktisch umgesetzt und validiert. Die Demonstrationsfabrik bildet eine ideale Forschungsbasis, da in einer realen Produktionsumgebung (Fertigung verkaufsfähiger E-Scooterkomponenten) Experimente durchgeführt und analysiert werden können. Dieser Beitrag entstand im Rahmen des Forschungsvorhabens ProSense „Hochauflösende Produktionssteuerung auf Basis kybernetischer Unterstützungssysteme und intelligenter Sensorik“, welches mit Mitteln des Bundesministeriums für Bildung und Forschung (BMBF) im Rahmenkonzept „Forschung für die Produktion von morgen“ sowie der Förderinitiative „Intelligente Vernetzung in der Produktion – Ein Beitrag zum Zukunftsprojekt Industrie 4.0“ (Förderkennzeichen 02PJ2490) gefördert und vom Projektträger Karlsruhe (PTKA) betreut wird.
[1] Zäh, M; Schack, R; Müller, S: Ansatz zur Projektierung der Digitalen Fabrik, In: ZwF, Nr. 05, 2005, S. 286–290. [2] Westkämper, E; Zahn, E: Wandlungsfähige Produktionssysteme – Das Stuttgarter Unternehmensmodell, 1. Aufl., Springer-Verlag, Berlin 2009. [3] Schuh, G; Stich, V: Produktion am Standort Deutschland, 1. Aufl., Druckservice Zillekens, Aachen 2011. [4] Abele, E; Reinhart, G: Zukunft der Produktion – Herausforderungen, Forschungsfelder, Chancen, Hanser-Verlag, München 2011. [5] Brackel, T: Adaptive Steuerung flexibler Werkstattfertigungssysteme: Nutzung moderner Informations- und Kommunikationstechnologien zur effizienten Produktionssteuerung unter Echtzeitbedingungen. Gabler-Verlag, Wiesbaden 2009. [6] Schuh, G; Lödding, H; Stich, V; Reuter, C; Schmidt, O; Potente, T; Franzkoch, B; Brosze, T; Thomas, C; Wesch-Potente, C: High Resolution Production Management, In: Brecher; Klocke; Schmitt; Schuh (Hrsg.): AWK 2011 – Wettbewerbsfaktor Produktionstechnik, Apprimus-Verlag, Aachen, S. 61-80. [7] Rajkumar, R; Insup, L; Lui, S; Stankovic, J: Cyberphysical systems: The next computing revolution. In: Proceedings of 47th Design Automation Conference, VDE Verlag, 2010, S. 731-736. [8] Vogel-Heuser, B; Bayrak, G; Frank, U: Agenda CPS: Szenario smart factory, In: Vogel-Heusser (Hrsg.): Erhöhte Verfügbarkeit und transparente Produktion, 2011. [9] Beer, S: Kybernetik und Management, Fischer-Verlag, Frankfurt am Main 1962. [10] Brosze, T: Kybernetisches Management wandlungsfähiger Produktionssysteme, Shaker-Verlag, Aachen 2011. [11] Fleisch, E; Fuchs, S; Gottschalk, S; Güthenke, G; Höhne, T; Jacobs, G; Junker, F; Millarg, K; Narr, C; Nyhuis, P; Schuh, G: High Resolution Production Management – Auftragsplanung und Steuerung in der individualisierten Produktion. In: Brecher; Klocke; Schmitt; Schuh (Hrsg.): AWK 2008 – Wettbewerbsfaktor Produktionstechnik. Apprimus-Verlag, Aachen, S. 451-471.
Das könnte Sie auch interessieren
Assisted Reality richtig umsetzen
Smart Glasses können dem Nutzer zielgerichtet Informationen bereitstellen, ohne dass dieser - weil er andere Dinge in die Hand nehmen muss - bei seiner eigentlichen Arbeit gestört wird. Dadurch können Prozesse effizienter und effektiver gestaltet werden. Für die Auswahl der passenden Brille reicht eine Betrachtung ihrer Datenblätter nicht aus. Stattdessen muss geprüft werden, welche Möglichkeiten sie für den konkreten Anwendungsfall bietet und welcher Nutzen sich hierdurch ergibt.
Für unseren Vergleich haben wir drei Lösungen in 13 praxisrelevanten Szenarien getestet und dabei unter anderem die Inbetriebnahme des Gerätes, die Sprach- und Gestensteuerung, den Offline-Betrieb, die Nutzung von Checklisten sowie die synchrone und asynchrone Zuschalten von Experten unter die Lupe genommen. Sie zeigen die Stärken und Schwächen der Geräte im Bezug auf die konkrete Anwendung in der Werkhalle.
Nicht nur im Kopf – sondern sichtbar
Sich zu entscheiden, fällt oft schwer – besonders, wenn es tausende von Varianten gibt. Keine Seltenheit in der Fabrik, wenn neue Produkte entwickelt werden. Was da hilft: alle Möglichkeiten sichtbar zu machen. Das kann PAVED, ein Tool zur Visualisierung. Ein Gespräch mit Lena Cibulski vom Fraunhofer IGD in Darmstadt, die PAVED mitentwickelt hat. Was macht... [mehr]... [more]
Stabilisierung von Produktionsprozessen
Die Schaffung stabiler Produktionsprozesse gewinnt für Produktionsunternehmen zunehmend an Bedeutung. Die Vielzahl in der Unternehmenspraxis zu berücksichtigenden Faktoren und die große Anzahl an existierenden Verbesserungsmethoden machen den notwendigen Stabilisierungsprozess jedoch häufig zeitaufwendig und komplex. Dieser Artikel stellt eine Studie des Fachgebiets Logistik der Technischen Universität Berlin vor, in der gemeinsam mit der Siemens AG ein... [mehr]... [more]
Optimierte Steuerung von Logistikprozessen Simulationsbasierte Optimierung auf Basis leistungsfähiger Open Source Simulation
Optimierte, an die Besonderheiten eines Logistiksystems angepasste Prioritätsregeln für die Reihenfolgeplanung sind eine neue Möglichkeit für eine bessere Zielerreichung in logistischen Prozessen. Dieser Beitrag stellt die Simulationsbibliothek jasima vor, deren Effizienz und leichte Anpassbarkeit es ermöglicht, auch für komplexe Szenarien derartige Regeln zu erstellen. Es werden die Möglichkeiten der Simulationsbibliothek und Potentiale optimierter Prioritätsregeln am... [mehr]... [more]
Newsletter
Bleiben Sie immer auf dem neuesten Stand des Expertenwissens für die Praxis.
Hier erhalten Sie Zugang zu unseren exklusiven Infobriefen. Wir bedanken uns für Ihre Anmeldung mit einem kostenlosen Marktführer.
Stay up to date with the latest expert knowledge for your ERP practice.
Get access to our exclusive newsletter here. We thank you for signing up with a free ERP market guide (in German).
Wir verwenden Cookies, um die Nutzererfahrung stetig zu verbessern. Mehr Erfahren.
We use cookies to constantly improve our users’ experience. Learn more.
Essentielle Cookies
Essential Cookies
Cookie Settings Speichert Einstellungen, die hier getroffen werden. (1 Jahr)
Cookie Settings Saves selected settings. (1 Year)
Statistik
Statistics
Google Analytics | Google LLC | Datenschutz Cookie von Google für Website-Analysen. Erzeugt statistische Daten darüber, wie der Besucher die Website nutzt. Alle Informationen werden anonymisiert gespeichert. (2 Jahre)
Google Analytics | Google LLC | Privacy Notice Cookie used by Google for web site analysis. Collects statistical data on how visitors use the website. This data does not contain personal information. (2 years)