Anwendungen des maschinellen Lernens in der Produktion aus Auftrags- und Produktsicht

Einleitung

Produzierende Unternehmen stehen durch den globalen Handel unter einem steigenden Konkurrenzdruck und sind so gezwungen, Produktionsprozesse so effizient wie möglich auszulegen. Zudem steigt der Bedarf an innovativen, wertsteigernden Produkten und Dienstleistungen, welche sich in einer steigenden Komplexität von Produktionssystemen widerspiegeln [1]. Gleichzeitig werden durch die zunehmende Sensorintegration im Zuge der Industrie 4.0 zunehmend Daten gesammelt [2]. So wurden in der Vergangenheit sensorische Komponenten entwickelt, mit deren Hilfe Fertigungsprozesse überwacht und Daten akquiriert werden können. Hierzu gehören beispielsweise fühlende Spindelschlitten, fühlende Werkzeugaufnahmen oder fühlende Spannsysteme [3, 4]. Aufgrund der Masse an verfügbaren Daten und der steigenden Komplexität der Produktionsprozesse ist eine Analyse der Daten mithilfe konventioneller Methoden nicht mehr durchführbar [5]. In diesem Kontext können Verfahren des maschinellen Lernens dazu beitragen, dass Produktionssysteme lernen und sich veränderten Umweltbedingungen anpassen [5]. Diese Methoden ermöglichen es, komplexe Muster in hochdimensionalen Daten zu extrahieren und beispielsweise für Vorhersagen einzusetzen [6]. In der Vergangenheit wurden zahlreiche freie Softwareumgebungen entwickelt, die die einfache Implementierung dieser Methoden erlauben [7]. Mithilfe dieser Programme ist ein schneller Vergleich verschiedener Methoden möglich, ohne einzelne Methoden programmieren zu müssen. Ein weiterer Treiber der Anwendung dieser Modelle ist die stetig steigende Rechnerleistung [5].

Nach der Art des Trainings der Modelle werden drei Kategorien des maschinellen Lernens unterschieden. Beim Überwachten Lernen ist ein Datensatz mit den richtigen Ergebnissen vorhanden. Zu dieser Kategorie gehören Regressionsmethoden zur Vorhersage eines kontinuierlichen Ausgabewertes, während im Rahmen der Klassifikation ein diskreter Ausgabewert vorhergesagt wird. Das Unüberwachte Lernen verfügt im Gegensatz zum Überwachten Lernen nicht über bekannte Ausgabewerte. Es handelt sich daher um ein Vorgehen zur Kategorisierung bzw. Segmentierung von Daten. Im Rahmen des Verstärkenden Lernens erlernt ein Agent eine Strategie anhand von Belohnungen oder Bestrafungen für die Ausführung bestimmter Aktionen [6, 7, 8].

Es existieren zahlreiche Reviews, die spezifische Einsatzfelder von Methoden des maschinellen Lernens in der Fertigung isoliert aufzeigen [5, 9, 10, 11, 12, 13, 14, 15]. Allerdings mangelt es an einer übergeordneten Betrachtungsweise des Implementierungsfortschritts dieser Methoden in der Produktion. Ziel des Beitrags ist es daher, einen systematisierten Überblick über Anwendungen des maschinellen Lernens für produkt- und auftragsbezogene Prozesse zu geben. Die produktbezogene Sichtweise betrachtet dabei die Arbeitsvorbereitung sowie die Überwachung der eigentlichen Fertigung, während die auftragsbezogene Sichtweise Prozesse wie die Produktionsplanung und -steuerung einschließt. Der vorliegende Überblick soll produzierende Unternehmen dabei unterstützen, Einsatzfelder datenbasierter Ansätze gezielt zu identifizieren und Wertschöpfungspotenziale zu erschließen.

Auftrags- und produktbezogene Prozesse in der Produktion

Zur Systematisierung der Einsatzfelder des maschinellen Lernens in der Fertigung sind zunächst sämtliche Prozesse zu betrachten, die von Produktionsunternehmen in der Regel durchzuführen sind. In Bild 1 werden produktbezogene und auftragsbezogene Prozesse unterschieden. Die produktbezogenen Prozesse beinhalten diejenigen Schritte die ein spezifisches Produkt betreffen. Nach der Entwicklungsphase erfolgt im Rahmen der Konstruktion die Erstellung einer Konstruktionszeichnung. Auf dieser Grundlage wird im Zuge der Prozessplanung (auch Arbeitsplanung genannt) ein Arbeitsplan erstellt, auf dessen Basis die eigentliche Fertigung durchgeführt wird [16]. Während des Fertigungsprozesses findet die Prozessüberwachung zur Detektion von Anomalien sowie die Zustandsüberwachung zur Überwachung einzelner Maschinenkomponenten statt. Schließlich erfolgt die Qualitätskontrolle in der die vom Kunden vorgegebenen Qualitätskriterien überprüft werden.

Bild 1

Überblick über auftrags- und produktbezogene Prozesse in der Fertigung [16, 17, 18]

In der Praxis sowie in der Wissenschaft werden die dem Auftragsdurchlauf zugehörigen Aufgaben unterschiedlich beschrieben [17, 18]. Bild 1 stellt in Anlehnung an das Hannoveraner Lieferkettenmodell einen groben Ablauf als Referenz dar. Die auftragsbezogene Prozesskette beginnt mit der Produktionsplanung, in der beispielsweise Fragestellungen zu dem erwarteten Artikelabsatz oder dem Fremdbeschaffungs- und Eigenfertigungsanteil beantwortet werden. Darauf aufbauend bzw. ab einer gewissen Planungsbasis parallel zur Planung, erfolgt die Beschaffung von Zukaufteilen. Die Produktionssteuerung beinhaltet die Steuerung der Eigenfertigung mit dem Ziel, auf von der Planung abweichende Faktoren (z. B. Lieferverzögerung von Material, Anlagenstörung) unter bestmöglicher Einhaltung produktionslogistischer Zielgrößen zu reagieren. Das Produktionscontrolling umfasst schließlich den Abgleich zwischen Plan- und Ist-Werten der Betriebsrückmeldedaten aus der unternehmensinternen Lieferkette, um Maßnahmen für eine optimierte Produktionsplanung und -steuerung ableiten zu können. Ist der Produktionsauftrag fertiggestellt, wird der Artikel nach einer eventuellen Einlagerung an den Kunden versandt [18].

Produktbezogene Prozesse und zugehörige Einsatzfelder des maschinellen Lernens

Im Rahmen der produktbezogenen Prozesse sind verschiedene Einsatzfelder des maschinellen Lernens vorzufinden. Im Folgenden wird die Zerspanung als beispielhafter Fertigungsprozess angeführt und somit die verschiedenen Anwendungsfelder für produktspezifische Prozesse konkreter skizziert (Bild 2).

Bild 2

Produktspezifische Einsatzfelder maschinellen Lernens am Beispiel der spanenden Fertigung

Ein Einsatzfeld umfasst die Prozessplanung, die zwischen der Konstruktion und der Fertigung angesiedelt ist. Die Prozessplanung umfasst Aktivitäten zur Planung der Fertigung von Bauteilen auf Basis vorgegebener Spezifikationen [16]. In der Prozessplanung werden mithilfe von maschineller Lernverfahren offline industrierelevante Qualitätszielgrößen vorhergesagt. Zu den industrierelevanten Zielgrößen gehören in der Zerspanung u. a. die Werkzeugstandzeit, die Oberflächenrauheit, der Formfehler, Schnittkräfte sowie die Stabilität [13, 19, 20]. Die realisierten Zielgrößen werden nach der eigentlichen Fertigung im Rahmen der Qualitätskontrolle erfasst. Für die Vorhersage werden Regressionsmodelle wie Künstliche Neuronale Netze oder Support Vector Machines eingesetzt. Liegen Qualitätsklassen vor, so kommen Klassifikationsmodelle zum Einsatz [21]. Eine weitere Aufgabenkategorie der Prozessplanung beschäftigt sich mit der Bestimmung optimaler Prozessstellgrößen bei vorgegebener Zielgröße [21, 22]. Prozessstellgrößen in der Zerspanung umfassen die Schnittgeschwindigkeit, Vorschub, Schnitttiefe etc. Eine häufig zu minimierende Zielgröße ist beispielsweise die Oberflächenrauheit. Dabei beschränken sich diese Ansätze nicht nur auf eine Zielgröße, sondern beziehen teilweise mehrere Zielgrößen wie die Werkzeugstandzeit oder das Zeitspanvolumen mit ein [23, 24, 25]. Für die Bestimmung optimaler Prozessstellgrößen werden beispielsweise Optimierungsverfahren wie Genetische Algorithmen, Simulated Annealing oder die Partikelschwarmoptimierung eingesetzt [23]. Im technischen Fertigungsprozess finden maschinelle Lernverfahren im Bereich der Prozess- und Zustandsüberwachung Anwendung. Bei der Prozessüberwachung eignen sich Regressionsmodelle für die Vorhersage von Qualitätszielgrößen anhand von Prozessstellgrößen und Sensordaten. Zudem können anhand von Sensordaten Prozessanomalien erkannt werden, wie beispielsweise Schneidkanten und -schaftbrüche sowie Prozessinstabilitäten [26, 27]. Die Zustandsüberwachung hingegen ist die Voraussetzung für eine zustandsorientierte Wartung von Maschinen und Anlagen. In der Literatur ist eine Vielzahl von Ansätzen zur Überwachung von Komponenten wie Lager, Getriebe, Wellen, Pumpen etc. zu finden. Ansätze des maschinellen Lernens werden beispielsweise zur Prognose der Restnutzungsdauer von Komponenten sowie zur Diagnose von Ausfallursachen eingesetzt [28]. Deep-Learning Ansätze haben in den letzten Jahren an Popularität in der Zustandsüberwachung gewonnen. Diese Methoden sind in der Lage, im Gegensatz zu traditionellen Lernverfahren natürliche Daten wie Bilder, Sprache oder Videos verarbeiten, ohne das Merkmale manuell extrahiert werden müssen [29]. Liegen in der Prozess- und Zustandsüberwachung Fehlerklassen vor, werden Klassifikationsmodelle zur Evaluation von Fertigungsprozessen oder des Komponentenzustands eingesetzt. Konkrete Fehlerklassen sind in der Fertigung jedoch nicht immer verfügbar. Alternativ bestehen Ansätze in der Literatur, die der Gruppe der semi-überwachten Anomalieerkennung zuzuordnen sind. So können mithilfe eines „Fingerabdrucks“ Zustände von Maschinenkomponenten auch bei fehlenden Fehlerzuständen überwacht werden [30].

Auftragsbezogene Prozesse und zugehörige Einsatzfelder des maschinellen Lernens

Bei den auftragsbezogenen Prozessen existieren ebenfalls zahlreiche Einsatzfelder des maschinellen Lernens. In der Regel beziehen sich diese Anwendungen auf die Erfüllung oder Unterstützung spezifischer Teilaufgaben mit dem übergeordneten Ziel einer effizienten und effektiven Auftragsorganisation. Gängige Anwendungsfelder sind bei der Produktionsplanung, Beschaffung, Produktionssteuerung, Produktionscontrolling und Versand vorzufinden [14, 15]. Bild 3 stellt dies übersichtlich dar.

Bild 3

Auftragsspezifische Einsatzfelder des maschinellen Lernens

Im Rahmen der Produktionsplanung wird das maschinelle Lernen insbesondere zur Absatzprognose, Bestandsdimensionierung und der Eigenfertigungsplanung eingesetzt [14]. Bei der Absatzprognose dienen Verfahren des Überwachten Lernens zur Absatzprognose von Produktgruppen, Produkten oder Teilen [31]. Das Ergebnis kann wiederum bei nachgelagerten Produktionsplanungsaufgaben berücksichtigt werden und die Planungsqualität bei der Beschaffung, Bestandsdimensionierung und Eigenfertigungsplanung positiv beeinflussen. Beispielsweise kann das Zeitfenster prognostiziert werden bei dem ein Artikel von einem Schnelldreher zu einem Langsamdreher wird und demzufolge die Bestellpolitik anzupassen ist [32]. Ferner kann mittels Unüberwachter Verfahren das Kundenverhalten untersucht werden. Eine Kundensegmentierung kann zum Beispiel Kundenbedürfnisse herausstellen, welche bei der Produktentwicklungsphase berücksichtigt werden. Im Produktionsumfeld gibt es hierzu jedoch nur wenige Fallbeispiele [15]. Des Weiteren sind maschinelle Lernverfahren bei der Eigenfertigungsplanung zur Bestimmung von Zeitkomponenten (z. B. Störzeiten, Übergangszeiten) oder Produktionslosgrößen einzusetzen. Die Prognose von Zeitkomponenten präzisiert die Bestimmung von Plan-Auftragsdurchlaufzeiten und ermöglicht demnach eine verlässlichere Durchlaufterminierung [33]. Bei der Beschaffung können maschinelle Lernverfahren zur Bestimmung der Bestellmenge als auch beim Lieferanten-Sourcing und Monitoring eingesetzt werden. Beispielsweise können in komplexen Supply Chain Strukturen Anomalien hinsichtlich der Rückmeldedaten der Lieferanten untersucht, voraussichtliche Lieferzeiten prognostiziert oder Lieferantenausfallwahrscheinlichkeiten berechnet werden [33, 35]. In einem weiteren Aufgabenfeld, der Produktionssteuerung, liegt der Forschungsschwerpunkt auf der Reihenfolgebildung [14]. Es sollen die Arbeitsvorgänge der Aufträge auf der richtigen Maschine zum richtigen Zeitpunkt unter Berücksichtigung definierter Kriterien eingeplant werden. Lösungsansätze nutzen das Prinzip des Verstärkten Lernens und trainieren einen Agenten mittels einer Zielfunktion (z. B. Gewinnmaximierung). Resultierend kann die Reihenfolgeplanung dynamisch an die Situation in der Fertigung angepasst werden [36, 38]. Das Produktionscontrolling kann durch Verfahren des Unüberwachten Lernens unterstützt werden, indem Anomalien und spezifische Muster erkannt werden. Es lassen sich Abweichungen von den Rückmeldedaten im Vergleich zu den Plan-Werten identifizieren und diese hinsichtlich ihrer Ursachen untersuchen (z. B. Abweichung aufgrund eines Eingabefehlers) [5, 14, 39]. Im letzten auftragsbezogenen Prozessschritt, dem Versand, können maschinelle Lernverfahren ebenfalls bei der Aufgabenerfüllung (z. B. bei der Ausfertigung von Versanddokumenten oder Auswahl der Verpackungsart) unterstützen [37].

Zusammenfassung

Die Beschreibung der produkt- und auftragsbezogenen Prozessschritte verdeutlicht die enge Verzahnung dieser Prozesse und dessen gemeinsame Auswirkung auf die Erreichung der Unternehmensziele. Die Methoden des maschinellen Lernens bieten vielfältige Einsatzfelder in der Fertigung. Domänen-Experten müssen in die Lage versetzt werden, Einsatzfelder zu identifizieren und Wertschöpfungspotenziale zu bewerten. In diesem Beitrag wurden daher Einsatzfelder des maschinellen Lernens für produkt- und auftragsbezogene Prozesse vorgestellt und systematisiert. In zukünftigen Forschungsvorhaben sollte die enge Vernetzung der auftrags- und produktbezogenen Prozesse näher untersucht werden. Beispielsweise kann die Implementierung einer Prozessüberwachung dazu beitragen, fehlerhafte Bauteile zu erkennen. Auf Basis dieser Erkenntnis können Prozessparameter im Rahmen der Prozessplanung angepasst werden. Die Auftragsorganisation profitiert wiederum von verkürzten Auftragsdurchlaufzeiten, da der Nachbearbeitungsaufwand reduziert werden kann [19]. Wie das Beispiel illustriert, trägt ein übergreifendes Prozessverständnis dazu bei, die Auswirkungen auf unterschiedliche Bereiche zu erkennen und ganzheitliche Wertschöpfungspotenziale zu identifizieren.