Phasenmodell zur Entwicklung einer werkzeug- und maschinenzustandsbedingten Produktionsreihenfolgeoptimierung

Abstract

Die Digitalisierung erobert die Industrie es entstehen neue Datenquellen, die für Predictive Maintenance, Materialtracking, oder andere Funktionen genutzt werden können. Inwiefern verändern diese Daten aber die Paradigmen der Produktionsplanung und -steuerung (PPS)? Basierend auf dieser Fragestellung widmet sich die vorliegende Dissertation dem Thema der Nutzung von Sensordaten in der PPS. Im Speziellen sind es dabei Daten über die Zustände von Produktionswerkzeugen und -maschinen, die für die PPS relevant sind: In Branchen, wie beispielsweise der metallverarbeitenden Industrie, aber auch in der Halbleiter- und Lebensmittelindustrie, spielt der Zustand eines Produktionsmittels eine entscheidende Rolle in der Frage, ob ein Produkt an einem Produktionsmittel gefertigt werden kann oder nicht. Ist der Zustand nicht ausreichend, muss entweder (i) das Produktionsmittel durch Rüsten, Reinigen oder Instandsetzen in den gewünschten Zustand versetzt oder (ii) der Produktionsplan angepasst werden. Kombiniert man die Zustandsabhängigkeiten von Produkten mit dem Megatrend der Produktindividualisierung und dem damit gepaarten Anstieg an Produktvarianten, entstehen in der PPS Nebenbedingungen, die durch gängige Methoden nicht mehr zu bewältigen sind. Dynamische Zustandsänderungen der Produktionsmittel verkomplizieren zudem eine adäquate Abbildung in der kurzfristigen Produktionsreihenfolgeplanung; zur realitätsnahen Abbildung eines Produktionssystems muss daher der Zustand einer Anlage in objektiver Form erfasst und in die Planung integriert werden. Das Ziel der vorliegenden Arbeit besteht darin, eine Möglichkeit zu schaffen, um Werkzeug und Maschinenzustandsinformationen in die Produktionsplanung zu integrieren. Um das definierte Ziel zu erreichen, wird als Ergebnis der vorliegenden Dissertation eine Methode entwickelt, die eine werkzeug- und maschinenzustandsbedingten Produktionsreihenfolgeoptimierung (WMBPRO) ermöglicht. Dazu werden wissenschaftliche Erkenntnisse aus den Bereichen der Ingenieur-, Management- und Informationswissenschaften synthetisiert und in den Kontext der zustandsbedingten Produktionsreihenfolgeoptimierung gebracht. Die Methode kann im Rahmen von Instanziierungen dazu genutzt werden, um für spezifische Anwendungsfälle Produktionsreihenfolgeoptimierungsmodelle zu entwickeln, die Zustandsabhängigkeiten zwischen Produktionsmitteln und Produkten berücksichtigen. Die praktische Anwendbarkeit der Methode wird im Rahmen von zwei Fallstudien in der metallverarbeitenden Industrie demonstriert.

Digitalization is gradually conquering the industrial sector; new data sources are created which can be used for predictive maintenance, material tracking and various others. To what extent does this data change the paradigms of production planning and control (PPC)? Based on this question, this dissertation elaborates on the use of sensor data in PPC. In particular, it is the data on the condition of production tools and machines which is relevant for PPC: In industries such as the metalforming industry, but also in the semiconductor and food industries, the condition of production equipment plays a decisive role in the question of whether a product can be manufactured or not. If the condition is not sufficient, the equipment must (i) either be maintained (to achieve the desired condition) by setting up, cleaning or repairing it or (ii) the production plan must be adapted. If condition dependencies are combined with the megatrend of product individualization and the associated increase in product variants, ancillary conditions arise that can no longer be modelled by existing methods. Dynamic changes in the condition of production equipment also complicate adequate short-term production sequence planning. In order to realistically model a production system, the condition has to be assessed objectively and integrated into PPC. The aim of this dissertation is to create a method for integrating tool and machine condition information into production planning. Therefore, a method is developed which allows a tool and machine condition dependent production sequence optimization (WMBPRO). For this purpose, scientific findings from the fields of engineering, management and information sciences are synthesized and contextualized within the topic condition-related production sequence optimization. The method can be instantiated to develop production sequence optimization models for specific applications that take into account condition dependencies between production equipment and products. The practical applicability of the method is demonstrated in two case studies in the metalforming industry.