Reinforced Learning in der Fertigungsplanung
Ablösung für die Heuristik
Wie geht Reinforcement Learning?
Beim Reinforcement Learning soll einem Computerprogramm ein Verhalten antrainiert werden, das dem Verhalten eines Menschen entsprechen könnte. Es funktioniert über Belohnungen und Bestrafungen je nachdem welche Handlungsweise das Programm aus verschiedenen Möglichkeiten wählt. Dadurch soll das Programm lernen, wie es sich in bestimmten Situationen verhalten sollte, ohne dass man ihm direkt für jede Situation sagen muss, wie es reagieren soll. Die Vorgehensweise kann mit dem Erziehen eines Hundes verglichen werden: Immer wenn das Tier etwas richtig gemacht hat, bekommt es ein Leckerli – wenn nicht, dann nicht. Der Hund wird folglich versuchen, so viel wie möglich richtig zu machen, um möglichst viele Leckerlis zu bekommen. Auf ähnliche Weise funktioniert Reinforcement Learning und nähert sich so sukzessive einem Optimum an – nur eben ohne Leckerli.
Anwendung in der Praxis
Dieses Vorgehen einer intelligenten Fertigungsplanung bringt enorme Vorteile mit sich. Faktoren wie Aufträge, Arbeitsplätze, Transportwege, Rüstzeiten, begrenzte Ressourcen sowie Personalverfügbarkeiten werden bereits bei der Entscheidungsfindung berücksichtigt und führen zu einer globalen Optimierung. Auf diese Weise werden Rüstzeiten minimiert, Durchlaufzeiten gekürzt und Termintreue erhöht. Bei Einsatz einer Lösung wie der kognitiven Planung und Optimierung von MPDV kann der Anwender zudem selbst modellieren, welche planungsrelevanten Faktoren von der künstlichen Intelligenz berücksichtigt werden sollen. So können Personalkosten minimiert oder eine Materialverfügbarkeitsprüfung durchgeführt werden.
Beispiel Engpassressource
Ein fiktives Praxisbeispiel soll den Nutzen verdeutlichen: Bei einem Fertigungsunternehmen befindet sich in der Mitte des Fertigungsprozesses ein Ofen, der den Engpass der gesamten Fertigung darstellt. Ziel der Fertigungsplanung ist es, den Ofen selbst optimal auszulasten, sowie die vor- und nachgelagerten Prozessschritte optimal an dem Engpass auszurichten. Die zur Planung eingesetzte KI wird bei der Suche der optimalen Planungsentscheidungen früh erkennen, dass der Ofen den Engpass der Fertigung darstellt. Sie wird diese Erkenntnis bei allen späteren Entscheidungsfindungen berücksichtigen. Alle weiteren Planungsprüfungen werden den Ofen bestmöglich auslasten und anschließend die vor- und nachgelagerten Fertigungsbereiche verbessern.
