EPOS

Für die Produktionsplanung und das Supply Chain Management bedienen sich viele Firmen funktionsbezogener Informationssysteme wie z.B. SAP/R3, SAP APO oder i2. Diese Systeme versuchen, die quantitativen und zeitlichen Aspekte der Produktion in Einklang zu bringen, indem sie turnusmäßig sämtliche im System vorhandenen Aufträge entsprechend ihrer Endtermine zeitlich aneinanderreihen und den im Planungszeitraum verfügbaren Ressourcen zuordnen. Der Ablaufplan suggeriert Transparenz und Pünktlichkeit, die allerdings verlorengehen, sobald ein Auftrag an einer Maschine mehr Zeit verbraucht, als ihm in der Planung zugestanden wurde, eine Maschine ausfällt oder ein Werkstück nachgearbeitet werden muß. Da die Systeme die veränderliche Umwelt nicht berücksichtigen können, hinken die Berechnungen oft der Realität hinterher.

Im EPOS-System werden die Zufallseinflüsse der Produktion als Parameter der Produktionsplanung berücksichtigt und ihre Auswirkungen auf die Durchlaufzeiten, Bestände und Kosten berechnet. Das dem System zugrundeliegende mathematische Modell profitiert von einer Analogie zur Brownschen Molekularbewegung. Die mathematischen Zusammenhänge führen zu dem Ergebnis, daß der zufallsbedingte Anteil der Produktion eine Folge der inneren Variabilität der Produktion ist, die sich in den Abweichungen zwischen den Soll- und Ist-Werten der logistischen Parameter äußert. Aus diesen Erkenntnissen lassen sich neue Regeln zur effizienten Planung und Steuerung von großen Fließfertigungssystemen ableiten.

Für die Produktionssteuerung müssen alle wichtigen Kenngrößen (Durchlaufzeiten, Bestände, Maschinenauslastungen) laufend erfaßt und mit den aus den mathematischen Rechnungen stammenden Sollwerten verglichen werden. Die hiermit einhergehenden Geschäftsprozesse werden von EPOS durch eine aus mehreren Softwarekomponenten bestehende e-business Lösung unterstützt. Diese Komponenten basieren auf Datenbanktechnologien, offenen Standards und Internet-Technologien, wobei aber auch bereits vorhandene Systeme und Datenbanken eingebunden werden können.

EPOS ist ein Gemeinschaftsprojekt der TU Clausthal und der IBM Deutschland GmbH. Die Vermarktungsrechte wurden inzwischen an IBM Deutschland GmbH übertragen. 

Integrierte Simulation

Immer kürzer werdende Produktlebenszyklen und ein zunehmend härter werdender Wettbewerb erfordern Planungsmethoden, mit denen unmittelbar und effizient auf Änderungen von Produktionsparametern reagiert werden kann. Produktionssysteme, für die eine Planung durchgeführt werden soll, sind oft sehr komplex und vielfältigen Zufallseinflüssen ausgesetzt. Um dennoch Aussagen über das Verhalten und die Kenngrößen derartiger Produktionssysteme treffen zu können, werden Simulationsmodelle erstellt, die entweder auf den Methoden der stochastischen ereignisorientierten Simulation oder auf denen der analytischen Leistungsbewertung basieren. Mit steigender Komplexität der Produktionsprozesse wird es zunehmend schwieriger, Simulationsmodelle manuell auf der Basis von Maschinen-Indexblättern und mit Hilfe von Simulationssoftware auf Einzelplatzrechnern zu erstellen und zu warten. Weiterhin liegt in vielen Unternehmen der Großteil der für die Simulation erforderlichen Daten, wie z. B. die Produktdaten oder die Arbeitspläne, verstreut in diversen Datenbanken und den Systemen zur Betriebsdatenerfassung (BDE) vor. Um Redundanz bei der Wartung der Parameter zu vermeiden, sollen diese Daten direkt zur Generierung der Simulationsmodelle herangezogen werden. Parameter, die nicht den vorhandenen Datenbanken entnommen werden können, wie z. B. geplante Produktionsvolumen und detaillierte Maschinenparameter, müssen manuell gepflegt werden. Aus den derart bereitgestellten Eingabeparametern werden die Simulationsmodelle automatisch generiert. Die mit Hilfe der Simulation berechneten Kenngrößen sollen unternehmensweit direkt den Verantwortlichen präsentiert werden, die die gewonnen Erkenntnisse zu einer genaueren Produktionsplanung auf taktischer und operativer Ebene verwenden können. Es ergibt sich somit eine dreistufige Vorgehensweise: 1. Bereitstellung der Parameter (Eingabe) 2. Generierung von Simulationsmodellen (Verarbeitung) 3. Distribution der Ergebnisse (Ausgabe). Diesen Ansatz bezeichnen wir als Integrierte Simulation.

Zielsetzung

Unser Ziel ist es, ein skalierbares und universelles System zur schnellen Bereitstellung von Informationen als Grundlage für betriebliche Entscheidungen zu entwickeln. Es soll den Anwender in die Lage versetzen, zeitnah, d. h. möglichst sofort nach Bekanntwerden neuer Bedarfe und Restriktionen, die daraus resultierenden Auswirkungen auf das Leistungsverhalten der Produktionslinie festzustellen. Um den hochkomplexen Abhängigkeiten eines Produktionssystems gerecht zu werden, sollen die Entscheidungen auf Grundlage der Simulation getroffen werden. Der Anwender soll die Simulation mit einem aktuellen Modell der Produktionslinie unabhägig von einem Simulationsexperten verwenden können. Letzterer unterstützt die Implementation eines Systems, daß dem Anwender ein auf seine Problemstellung zugeschnittenes Werkzeug zur Verfügung stellt. Dabei wird die aufwendige Modellierung und die Modellerstellung vor dem Anwender versteckt. Dieser Ansatz steht im Gegensatz zu herkömmlichen Simulationssystemen, bei denen der Simulationsexperte als Bindeglied zwischen Anwender und Simulation agiert und somit ein höherer Kommunikationsaufwand anfällt als bei der Integrierten Simulation. Den Zusammenhang zwischen den beiden Ansätzen zeigt diese Abbildung. 

Eingabe

Aufgrund der sich ständig ändernden Produktionsparameter ist die manuelle Wartung von Simulationsmodellen im Allgemeinen nicht durchführbar. Außerdem sollen soweit wie möglich die Informationen aus BDE-Systemen verwendet werden. Die heutige IT-Infrastruktur ermöglicht es darüber hinaus, alle übrigen Parameter direkt von den dafür verantwortlichen Mitarbeitern einzufordern.

Verarbeitung

Die beiden Stufen der Verarbeitung sind die automatische Modellgenerierung und die Simulation selbst, d. h. die Anwendnung der mathematischen Methoden. Die automatische Modellgenerierung vollzieht sich über vier Stufen, wobei objektorientierte Methoden die Erstellung von hochkomplexen Abbildungen der Produktionsanlagen auf Simulationskomponenten ermöglichen. Die Reale Welt

Diese Ebene ist die Welt der Anwender. Hier werden die Einga-beparameter (Bedienzeiten, Maschinenausfallzeiten etc.) mit Begriffen erfasst, die dem Ingenieur und dem Planer vertraut sind. Auch die Ergebnisse werden im direkten Kontext des Unternehmens interpretiert, d. h. mit den korrekten Namen der Maschinen und Produkte, unabhängig von einer bestimmten Modellierung für die Simulation. Die Klassenstruktur der Realen Welt

Um die Eigenschaften der Realen Welt automatisch zu verarbeiten, ist deren Beschreibung durch Klassen in einer bestimmten (Programmier-)Sprache notwendig. Nach der Entscheidung, welche Aspekte der Realen Welt in welcher Art und Weise darzustellen sind und einer entsprechenden Modellierung z. B. mit UML (Universal Modelling Language), liegt die Klassenstruktur der Realen Welt vor. Klassen sind z. B. Produkte, Arbeitsstationen, Arbeitsfolgen etc. In Abbildung 3 wird diese Klassenstruktur durch ein UML-Diagramm dargestellt. Dieses kann automatisch in Klassenstrukturen verschiedener Programmiersprachen, wie z. B. Java oder C++ umgewandelt werden. Die Klassenstruktur des AMS

Diese Klassenstruktur kapselt die mathematischen Formeln der Warteschlangentheorie und stellt die Objekte des AMS (Analytical Modelling System) wie Arbeitsstationen, Arbeitsfolgen, Produkte und ,Transportwege zur Verfügung. Formelwerk der Warteschlangentheorie Innerhalb des AMS werden aus den Daten der AMS-Klassenstruktur mit Hilfe mathematischer Formeln und Algorithmen die Kenngrößen der Produktion berechnet. Abbildungen zwischen den Schichten

Bei der Integrierten Simulation wird eine Instanz der Klassenstruktur der Realen Welt, d. h. die Objektstruktur einer Produktionslinie, automatisch in eine AMS-Objektstruktur überführt. In diesem Schritt kommen Modellierungstechniken aus dem Erfahrungsschatz des Simulationsexperten zum Einsatz. Dabei werden z. B. komplexe Maschinen, die mehrere verschiedene Arbeitsschritte durchführen können, in ihre Bestandteile aufgelöst und durch entsprechende Untermodelle im AMS-Modell repräsentiert. Oftmals ist die Einführung von Hilfsarbeitsstationen notwendig. Im nächsten Schritt werden die Daten der AMS-Objektstruktur in den Datenstrukturen (Matrizen, Vektoren) organisiert, mit denen die Ergebnisse der Warteschlangen-Analyse des Modells berechnet werden können. Die berechneten Leistungsgrößen werden anschließend über die vier Schichten zurückpropagiert. Zunächst werden die Ergebnisse in der AMS-Objektstruktur zur Verfügung gestellt. Dabei werden den einzelnen Objekten ihre jeweiligen Leistungsgrößen zugeordnet. Daraufhin müssen die Ergebnisse des AMS-Modells im Kontext der Objekstruktur der Realen Welt erklärt werden: Die Leistungsgrößen komplexer, auf Subnetze abgebildeter Arbeitsstationen, müssen z. B. aggregiert werden, damit das Ergebnis für die Arbeitsstationen in der Objektstruktur der Realen Welt interpretierbar wird. Außerdem müssen die Warteschlangen an den eingeführten Hilfsarbeitssationen den entsprechenden Maschinen zugeordnet werden. Der letzte Schritt besteht dann in der Aufbereitung der gewonnen Erkenntnisse, so dass die Ingenieure und Planer die direkt in den Kontext der Realen Welt übersetzten Simulationsergebnisse abrufen können.

Ausgabe

Die mittels der Integrierten Simulation berechneten Ergebnisse sollen für alle Entscheidungsträger, vom Liniensteuerer über den Kapazitätsplaner bis hin zum Manager, aufbereitet und im Intranet zur Verfügung gestellt werden. Dazu müssen die Simulationsergebnisse auf verschiedene Aggregationsstufen verdichtet werden: Je weiter der Nutzer von der eigentlichen Produktion entfernt ist, desto größer ist die Verdichtung der Simulationsergebnisse für seine Präsentation.

Ergebnisse und Ausblick

Das beschriebene Konzept wird in der IBM Deutschland Speichersysteme GmbH in Mainz entwickelt. Zur Evaluierung der Praxistauglichkeit wird ein Prototyp implementiert, der sich im fortgeschrittenen Testbetrieb befindet. Weiterhin ist geplant, einen Optimierer in das Konzept einzubeziehen, der es den Anwendern erlaubt, nicht nur naheliegende Szenarien manuell zu analysieren, sondern auch im jeweiligen Kontext optimale Entscheidungen zu berechnen. 

 

Sitemap  Datenschutz  Kontakt  Impressum
© TU Clausthal 2017