SmartFactoryOWL
Optimierung der Auftragsplanung
Bei der CUNA-Realproduktion in der SmartFactoryOWL wird kontinuierlich eine breite Palette von Bechern in verschiedenen Konfigurationen produziert. Mit einer Vielfalt an verfügbaren Ausgangsmaterialien und Farboptionen bietet sie die Möglichkeit, maßgeschneiderte Produkte für Kunden in kleineren Losgrößen herzustellen. Allerdings können beim Wechsel des Ausgangsmaterials oder der Farbe zusätzliche Rüstaufwände entstehen, die mit Kosten und möglicherweise Qualitätsproblemen verbunden sind.
In unserer CUNA-Produktion in der SmartFactoryOWL haben wir nun ein leistungsstarkes Optimierungsverfahren entwickelt, das darauf abzielt, diese Rüstaufwände zu minimieren.
Dieses Verfahren basiert auf bewährten mathematischen Optimierungsmethoden und berücksichtigt nicht nur die individuellen Rüstaufwände, sondern auch die gewünschten Fertigstellungszeitpunkte der Aufträge. Das Ergebnis ist eine optimierte Abfolge, die sowohl die Kundentermine im Blick behält als auch die Effizienz steigert, selbst bei großen Auftragsmengen.
Mit dem Ziel zusätzlicher Effizienzsteigerung und der Einbeziehung von Nachhaltigkeitsaspekten knüpfen wir damit im Projekt Smart-E-Factory direkt an die Ergebnisse eines früheren Projekts an. Konkret werden Aspekte wie Energieeffizienz und die Reduzierung von CO₂-Emissionen in das Optimierungsverfahren integriert, um sicherzustellen, dass wir nicht nur die besten Produkte, sondern auch nachhaltige Lösungen bieten.
Mehr Informationen
Weitergehende Forschungsbereiche
In der Veröffentlichung betrachten wir eingehend das Problem der Planung von Produktionsaufträgen auf einer einzigen Maschine mit sequenzabhängigen Rüstzeiten und individuellen Auftragsfristen. Bei einer Menge von Aufträgen besteht das Ziel darin, die Gesamtzeit für die Bearbeitung aller Aufträge zu minimieren, wobei jeder Auftrag seinen Termin einhält. Wir untersuchen Algorithmen, die eine exakte Lösung des Problems berechnen. Motiviert durch ein Anwendungsbeispiel machen wir uns eine natürliche strukturelle Beobachtung zunutze, die in vielen Produktionsumgebungen auftritt: Die Anzahl der Produktkonfigurationen kann deutlich kleiner sein als die Gesamtzahl der Aufträge. Wir identifizieren einen Algorithmus, der in dieser Umgebung hinsichtlich der Leistung effizient ist. Wir evaluieren experimentell seine Laufzeit und vergleichen ihn mit zwei anderen natürlichen Ansätzen der exakten Auftragsplanung.
In diesem Paper geht es darum, wie automatisierte Lager- und Abrufsysteme (ASRS) in Verteilungszentren und Lagern optimiert werden können, um Kosten oder CO2-Emissionen zu reduzieren. Wir stellen ein zweiphasiges Optimierungskonzept vor, das sich auf zwei wichtige Aufgaben in ASRS konzentriert. Zuerst ordnen wir mehrere Umsortierungsaufgaben so an, dass die Gesamtfahrstrecke der Kräne minimiert wird. Anschließend verbessern wir die Energieeffizienz unserer Kranbewegungen, indem wir optimale Trajektorien berechnen. Wir beschreiben unsere Algorithmen für eine komplexe ASRS-Architektur mit zwei Kränen auf parallel verlaufenden Schienen.
Forschungslinienkoordinator
Dr. Niels Grüttemeier
Dr. Niels Grüttemeier ist wissenschaftlicher Mitarbeiter in der Gruppe “Symbolische Verfahren und Optimierung” am Fraunhofer IOSB-INA. Zu seinen Forschungsinteressen gehören Algorithmen für schwere Probleme aus dem Bereich der kombinatorischen Optimierung. Diese finden direkte Anwendung im Bereich der Produktionsplanung und der Lagerlogistik von Industrieunternehmen. In dem Projekt Smart-E-Factory bearbeitet er die Energieoptimierung sowie die Reihenfolgeplanung bei der CUNA-Produktion. Dr. Niels Grüttemeier studierte Mathematik an der Uni Jena und promovierte an der Uni Marburg auf dem Gebiet der Algorithmik.
Forschungslinienkoordinator
Dr. Andreas Bunte
Dr. Andreas Bunte ist Forschungsgruppenleiter der Gruppe Symbolische Verfahren und Optimierung beim Fraunhofer IOSB-INA. Die Forschungsgruppe beschäftigt sich mit datenbasierter Planung und Optimierung sowie Wissensrepräsentation im industriellen Kontext. Er hat an der Bauhaus Universität Weimar im Bereich der Wissensmodellierung promoviert, einem Teilbereich der Informatik. Zuvor absolvierte er ein Studium der Elektrotechnik mit der Vertiefung Automatisierungstechnik an der Hochschule Düsseldorf.
