An einem industriellen Prozess sind in der Regel zahlreiche Personen, IT-Lösungen und technische Objekte beteiligt. In der herkömmlichen, zentralen Produktionssteuerung wird die Planung von einem zentralen Steuerungssystem durchgeführt. Die Entscheidungen werden unidirektional an die ausführenden Einheiten geleitet; diese wiederum geben Statusmeldungen und Rückmeldungen an das Steuerungssystem zurück. Die so erhobenen Daten können dann im nächsten Planungslauf für eine verbesserte Planung genutzt  werden. Die zentrale Steuerung ist durch starre, hierarchische Strukturen, häufig mit einer hohen Anzahl an Hierarchiestufen- und Planungsstufen, gekennzeichnet. Die Entscheidungskompetenz nimmt dabei je Stufe ab (Bild 1).

Kurzfristige Reaktionen auf ungeplante Zwischenfälle und Ereignisse sind häufig aufgrund großer Planungszyklen (mehrere Stunden bis mehrere Tage) nicht möglich. Was daraus folgt: Es entstehen Stillstände, kurzfristige Aufträge können nicht bearbeitet und Liefertermine nicht eingehalten werden. Wichtige Prozesskennzahlen wie die Durchlaufzeit schwanken, wodurch der Prozess selbst schwer beherrschbar wird.

Bei der dezentralen Produktionssteuerung hingehen wird die Entscheidungsfindung auf eine große Anzahl von Beteiligten verteilt. Die strikten, hierarchischen Beziehungen der zentralen Steuerung werden dabei aufgeweicht oder gar aufgelöst. Stattdessen führen die Einheiten die getroffenen Entscheidungen – beispielsweise hinsichtlich optimaler Herstellungsmethoden, Produktqualität oder der zeitlichen Abwicklung von Aufträgen – selbst aus. Was dafür spricht: Entscheidungen können auch kurzfristig und flexibel, d. h. nicht nur nach einem vorgegebenem, starren Planungsprogramm getroffen werden.  Die Vorteile liegen auf der Hand – eine Reaktion auf unvorhersehbare Ereignisse wie Maschinen- oder Lieferausfälle können berücksichtigt und Alternativen zum vorherigen Produktionsplan ermittelt werden. Der Prozess wird robust und beherrschbar. Liefertermine können gehalten und so das Vertrauen der  Kunden gesteigert werden.

Dezentrale Prozesssteuerung

Basis für die dezentrale Prozessteuerung ist alle am Entscheidungsprozess beteiligten Einheiten (technisch) fit zu machen sowie flexible und sichere Kommunikationspfade zwischen ihnen zu etablieren. Eine Möglichkeit das zu erreichen ist, cyberphysische Systeme (Integration von softwaretechnischen, mechanischen und kommunikationstechnischen Komponenten) zur Umsetzung entsprechender Systemelemente einzusetzen. Während neue Maschinen von Anfang an mit entsprechenden Mikrocontrollern, Kommunikationsgeräten, Sensoren und Aktoren ausgestattet werden können (Greenfield), ermöglichen IoT-Gateways [1] eine intelligente Anbindung alter, bereits existierender Anlagen und Maschinen (Brownfield).

Bild 1: zentrales Szenario mit vier Hierarchiestufen und abnehmender Entscheidungskompetenz

Für die angestrebte Bewertung der Dezentralität des Prozesses ist zunächst wichtig festzulegen, was unter Dezentralität zu verstehen ist. Bild 2 (in Anlehnung an [2]) zeigt vier Systeme – links komplett zentral gesteuert mit nur einer Steuerungsinstanz, ganz rechts eine dezentrale Steuerungsstruktur mit einer Verteilung der Entscheidungsfindung. Die hier vorgenommene strikte Trennung von kontrollierender und fertigender Komponente ist allerdings – wie nachfolgend erläutert wird – für die aktuelle Betrachtung nicht mehr sinnvoll, da die beteiligten Einheiten gerade diese beiden Fähigkeiten vereinen. Daher müssen diese „selbstausführenden Akteure“ bei der späteren Berechnung gesondert betrachtet werden.

Bild 2: Verschiedene Hierarchieformen: von links zentral bis rechts dezentral

Autonome Akteure

Zur Übertragung des Ansatzes der sozialen Netzwerkanalyse auf Produktionsprozesse ist es notwendig, die möglichen beteiligten Akteure zu ermitteln. In der dezentralen Produktionssteuerung müssen sie dafür drei grundlegende Eigenschaften erfüllen. Sie müssen selbstständig

• Informationen aufnehmen,
• Entscheidungen finden und
• Entscheidungen ausführen können.

Dafür wurden zunächst mögliche Akteursklassen, deren Instanzen in der späteren Anwendung die konkreten Akteure darstellen, identifiziert und im nächsten Schritt hinsichtlich der grundsätzlichen Fähigkeit zur Erfüllung der genannten Eigenschaften untersucht. Grundlage, um die Akteursklassen sowie das betriebliche Anwendungssystem und die Fabriksoftware abzuleiten, bildet die klassische Automatisierungspyramide nach Siepmann [3] (Bild 3). Weil der Menschen weiterhin eine essentielle Rolle in Produktionsprozessen einnimmt, wird die Akteursklasse Mensch ergänzt.

Betriebliche Anwendungssysteme umfassen die beiden oberen Ebenen der Automatisierungspyramide. Auf dieser Unternehmensleit-ebene wird komplexe Software eingesetzt, die  übergreifende, planerische Aufgaben – insbesondere auf der lang- und mittelfristigen Ebene – übernimmt. Dazu gehören insbesondere MES- und ERP-Lösungen, aber auch spezialisierte Anwendungen für die Betrachtung von beispielsweise Logistik- oder Energiefragen.

Bild 3: Automatisierungspyramide nach [3]

Fabriksoftware umfasst die unteren drei Ebenen des Automatisierungsbereiches. Wesentliche Aufgaben sind die Datenaufnahme und die Prozessdurchführung. Dafür werden software-basierte Technologien dieser Ebenen in die für die Produktion relevante Hardware (z. B. Maschinen, Anlagen, Werkzeuge, Werkstücke, Transportbehälter und Transportfahrzeuge) integriert – die Hardware wird so „intelligent“.

Für die Untersuchung der notwendigen Eigenschaften wurden diese in zehn konkrete Aufgaben unterteilt und die grundsätzliche Fähigkeit untersucht. Dabei wird konkret nicht auf individuelle Kompetenzen geachtet (hat die Person die richtige Ausbildung oder besitzt das Programm die richtige Funktionalität). Das zusammengefasste Ergebnis ist in Bild 4 dargestellt. Für eine ausführliche Beschreibung sei auf einen früheren Beitrag der Autorin verwiesen [4]. Es wird ersichtlich, dass alle drei Akteursklassen für die weitere Betrachtung geeignet sind.

Strukturelle Autonomie

Die Kommunikationsstrukturen sind von enormer Relevanz und  daher  erscheint deren Analyse für eine Klassifizierung dezentraler Produktionsprozesse geeignet. Grundlage soll dabei die soziale Netzwerkanalyse bieten. Diese entstammt der empirischen Sozialforschung und wird dort für die Analyse sozialer Beziehungen und Netze verwendet. Untersuchungsfokus ist dabei stets die Analyse der relativen Positionen einzelner Personen im Netzwerk und nicht deren Eigenschaften.

Dabei werden verschiedene Betrachtungsweisen angewendet. Die drei wesentlichen Kennzahlenhauptgruppen zur Bewertung der Zentralität einer Person sind Betweeness, Closeness und Degree.

Betweenness-Kennwerte klassifizieren die betrachteten Personen hinsichtlich ihres Einflusses auf die Verbreitung von Informationen im Netzwerk. Grundlage bildet die Anzahl der Schnittstellen zwischen zwei sonst unverbundenen Substrukturen. Die Zentralität einer Person steigt, je häufiger sie auf dem kürzesten Weg zwischen zwei anderen Personen liegt. Closeness-Kennwerte bewerten Personen hinsichtlich ihrer Effizienz im Sinne von Unabhängigkeit. Grundlage der Betrachtung sind die kürzesten (geodätischen) Distanzen zwischen dem betrachteten und allen anderen, direkt und indirekt mit ihm verbundenen Personen. Die Zentralität der Akteure steigt bei sinkender Entfernung zu den anderen Akteuren im Netzwerk. Degree-Kennwerte bewerten die Expertise und den Einfluss von Personen auf Basis ein- und ausgehender Verbindungen zu direkt benachbarten Verbindungen. Die Zentralität der Personen steigt bei steigender Anzahl der direkten Nachbarn.

Bild 4: Zusammenfassende Darstellung der Untersuchung der Akteursklassen
hinsichtlich der Erfüllung der notwendigen Fähigkeiten autonomer Objekte.

Die Untersuchung der Kennzahlen zeigt, dass das oben vorgestellte Verständnis von Dezentralität dem der Closeness-Zentralität entspricht. Bei der Auswahl einer konkreten Kennzahl für einen Produktionsprozess muss zudem berücksichtigt werden, dass die betrachteten Kommunikationsbeziehungen gerichtet sind (Anweisungen und eventuelle Rückmeldungen anstelle eines gleichberechtigten „Zwiegespräches“) und nicht jeder Akteur jeden anderen Akteuren erreichen kann (unvollständig verbundenes Netzwerk). Der Kennwert Harmonic Closeness ist dafür geeignet. Eine Erweiterung ist jedoch für die oben erwähnten „selbstausführenden Akteure“ notwendig: Wenn sie selbst keine nachfolgenden Akteure haben, würde ihre Zentralität null sein; wird die Entscheidungsausführung jedoch separiert und an einen nachfolgenden Akteur ausgegliedert, so ist sie positiv (Bild 5). Um das  zu vermeiden, wird die Selbstreferenz bei der Berechnung ergänzt. Die auf diese Weise für jeden Akteur berechnete harmonische Closeness wird als strukturelle Akteursautonomie bezeichnet.

Entscheidungsautonomie

Um eine Unterscheidung von rein ausführenden zu selbstausführenden Akteuren zu ermöglichen, ist es notwendig, die Entscheidungen ebenfalls als Kriterium in die Ermittlung der Akteursautonomie einzubeziehen (Bild 6). Dazu wird der Anteil an Entscheidungen, die ein Akteur treffen kann, an der Gesamtzahl der Entscheidungen im Prozessschritt betrachtet.

Durch die Multiplikation von struktureller und Entscheidungsautonomie ergibt sich die tatsächliche Autonomie, welche die Grundlage für die weiteren Berechnungsschritte darstellt.

Zentralität von Prozessschritten und Prozessen

Auf Basis der tatsächlichen Autonomie-Werte der an einem Prozessschritt beteiligten Akteure wird im nächsten Schritt die Dezentralität des Prozessschrittes ermittelt. Dafür wird die Homogenität der Akteursautonomie-Werte verwendet: je ähnlicher die Werte in einem Prozessschritt sind, desto gleichmäßiger sind die Akteure in den Prozessschritt eingebunden. Oder anders gesagt: Wenn ein Akteur eine sehr hohe und alle anderen eine sehr niedrige strukturelle Autonomie haben (im Extremfall wäre das 1 und 0), dann kann der erste Akteur allen anderen Akteuren Steuerungsanweisungen geben, die anderen selbst können nur ausführen – ein zentrales Szenario in Reinform. Die Bewertung des Prozesses wird durch den Autonomy Index dargestellt. Der ergibt sich aus dem Quotienten der Summe der Prozessschrittwerte und der Summe der maximal möglichen Werte  [5].

Bild 5: Durch die Ausgliederung der Entscheidungsausführung ist eine gesonderte Betrachtung notwendig.

Anwendung im Zentrum Industrie 4.0 Potsdam

Dieses Vorgehen zur Bestimmung der Dezentralität eines Produktionsprozesses, das auf  den Kommunikationsprozessen aller Beteiligten basiert, wurde im Zentrum Industrie 4.0 in Potsdam anhand simultativer Fallstudien erprobt. Die dort verfügbare hybride Simulationsumgebung vereint Vorteile der physischen Modellfabrik (Anschaulichkeit) und der computerorientieren Simulation (Flexibilität hinsichtlich des zu simulierenden Prozesses) mittels  einer Kombination aus physischen und virtuellen Komponenten [6].

Die Demonstratoren bilden sämtliche am Prozess beteiligten Maschinen/Anlagen sowie Werkstücke ab. Unterschieden werden mobile (Ladungsträger bzw. Halbzeug) und stationäre Cubes (Maschinen bzw. Anlagen). Diese Cubes sind physische Quader, in denen Rechen- und Speicherkapazitäten verbaut sind. Über Kommunikationstechnik können die Cubes mit weiteren Instanzen der technischen (nicht-menschlichen) Akteure (Fabriksoftware und betriebliche Anwendungssoftware) kommunizieren. Die Bildschirme, die an den Seiten angebracht sind, ermöglichen eine visuelle Darstellung des Prozessschrittes als Standbild oder Video. So können spezifische Aufgaben durch den Nutzer wie beispielsweise eine  Wartung ausgeführt werden und zudem erhöht sich dessen Immersion hinsichtlich des simulierten Prozesses und damit auch dessen Akzeptanz. Auf der Oberseite eines jeden Cubes ist zudem ein Touchscreen integriert. Dieser ermöglicht neben dem Nutzer Interaktionsmöglichkeiten für die dem Simulationslauf vorgelagerten Konfiguration (beispielsweise Festlegung, welche Maschine in welcher Ausprägung dargestellt werden soll) als auch die „Maschinenbedienung“ während der Simulation. Zudem werden darüber relevante Produkt-, Prozess- und Auftragsinformationen in Form eines Dashboards dargestellt.

Bild 6: Die zusätzliche Entscheidungsfindung motiviert die Einbeziehung der Entscheidungsautonomie.

Alle Kommunikationsbeziehungen werden in einem Kommunikationsprotokoll gespeichert. Es enthält unter anderem Angaben zu Sender, Empfänger und Zeitpunkt. Durch die Anwendung eines R-Skriptes werden die relevanten Kennwerte auf Akteurs, Prozessschritt und Prozess ermittelt und eine graphische Darstellung der Kommunikationsstruktur ausgegeben. Bild 7 zeigt eine beispielhafte Darstellung eines Prozessschrittes.

Bild 7: Beispielhafte Darstellung des Kommunikationsnetzes eines Prozessschrittes

Ausblick

Die beschriebene Methode zur Bestimmung der Dezentralität von Produktionsprozessen wird derzeit mit verschiedenen Szenarien im Zentrum Industrie 4.0 Potsdam erprobt und die entstandenen Ergebnisse analysiert. Die Methodik soll so implementiert werden, dass die Analysen direkt nach jedem Simulationslauf abgerufen werden können. Durch eine langfristige Analyse sollen so Auswirkungen verschiedener Grade an Dezentralität auf definierte Produktionskennzahlen, wie beispielsweise der Durchlaufzeit, ermittelt werden.

Schlüsselwörter:

Kommunikation, Dezentralität, Autonomie, Industrie 4.0, Produktionsprozesse

Literatur:

[1] Lass, S.; Körppen, T.: Dezentrale Taktsteuerung in der Montage. In: Fabriksoftware 2-2020, S. 27-30. https://doi.org/10.30844/FS20-2_27-30
[2] Dilts, D.M.; Boyd, N. P.; Whorms, H. H.: The Evaluation of Control Architectures for Automated Manufacturing Systems. In: Journal of Manufacturing Systems, 10-1991, S. 79-93.
[3] Siepmann, D.: Industrie 4.0 – Technologische Komponenten. In: Roth, A.: Einführung und Umsetzung von Industrie 4.0: Grundlagen, Vorgehensmodell und Use Cases aus der Praxis. Springer-Verlag, 2016, S. 47-72.
[4] Theuer, H.: Autonome Akteure in der dezentralen Produktionssteuerung. In: Industrie 4.0 Management 6-2018. S. 41-44.
[5] Theuer, H.: Extension of Value Stream Design for the Simulation of Autonomous Production Systems. In: ElMaraghy, H.: Proceedings of the 4th International Conference on Changeable, Agile, Reconfigurable and Virtual production (CARV 2011). Springer Verlag. S. 586-591
[6] Lass, S.: Nutzenvalidierung cyber-physischer Systeme in komplexen Fabrikumgebungen. GITO-Verlag, 2017