In einer fertigungsorientierten Lieferkette ist die Beschaffung eine kritische Entscheidung, die den Durchsatz und die termingerechte Lieferung bestimmt. Wenn mehr als ein Standort für die Produktion eines Produkts zur Verfügung steht, ist es wichtig, die Last auf die einzelnen Produktionsstandorte innerhalb der Lieferkette zu verteilen, um sicherzustellen, dass die verfügbare Kapazität optimal genutzt wird, um eine termingerechte Lieferung zu erreichen. Diese Beschaffungsentscheidung wird in der Regel mithilfe von Master Production Scheduling (MPS)-Software getroffen, um jeden Produktionsauftrag einem Zeitfenster (z. B. wöchentlich) an einem bestimmten Standort zuzuordnen, Die Ausgabe der MPS-Software ist eine Liste von Aufträgen, die in jedem Zeitraster an jedem Produktionsstandort zu produzieren sind. Das Feinplanungswerkzeug verwendet dann die Ausgabe der Leitteileplanung und erstellt einen Feinplan innerhalb des aktuellen Zeitfensters für einen bestimmten Standort.
Die Leitteileplanung geht von einer festen Produktionsvorlaufzeit aus und verwendet einen Grobkapazitätsplanungsansatz (RCCP), der auf einem einfachen Kapazitätsmaß basiert (z.B., Gesamtstunden der zugewiesenen Arbeit pro Zeitraster), um das geeignete Zeitraster auszuwählen und die Arbeit zu begrenzen, die jedem Zeitraster an jedem Produktionsstandort zugewiesen wird, wobei bei Bedarf sekundäre Standorte genutzt werden, um eine Überlastung des bevorzugten Produktionsstandorts zu vermeiden. Bei seinem RCCP-Ansatz und der vereinfachten Messung der verfügbaren Kapazität ignoriert die MPS jedoch viele wichtige Kapazitätsbeschränkungen wie Umrüstungen, Werkzeuge, Arbeitskräfte, Materialhandhabung und Produktionsregeln. Die MPS verwendet dann einen heuristischen Solver (z. B., Obwohl ältere Systeme ihre Lösung als optimal darstellen, findet der heuristische Löser in der Regel nicht die optimale Lösung, sondern einfach die beste Lösung, die der Suchalgorithmus in der für die Lösung des Problems vorgesehenen Zeit (in der Regel einige Stunden) finden kann.)Darüber hinaus führt die grobe Annäherung an Kapazität und Zeit zu Ergebnissen, die in der Regel im realen System nicht umsetzbar sind und daher nicht mit dem tatsächlichen Produktionsplan übereinstimmen, der alle relevanten Einschränkungen berücksichtigen muss. Diese Fehlanpassung zwischen dem Masterplan und den detaillierten Fabrikplänen wird im Folgenden veranschaulicht und ist eine der Hauptursachen für schlechte Leistungen innerhalb der Lieferkette.
Diese Fehlanpassung führt zu Inkonsistenzen in der gesamten Lieferkette und kann dazu führen, dass die falschen Materialien geplant, eingekauft und zu den einzelnen Standorten transportiert werden. In vielen Fällen sendet das MPS-System mehr Arbeit und zugehörige Materialien an einen Produktionsstandort, als innerhalb des Zeitfensters unter Berücksichtigung der tatsächlichen Produktionseinschränkungen am Produktionsstandort produziert werden kann.
Wie unten dargestellt, entzieht die Verwendung künstlicher Zeitfenster dem System Kapazität, selbst wenn das MPS eine realisierbare Liste von Produktionsaufträgen erzeugt, da die Produktion für die Menge der zugewiesenen Aufträge am Ende jedes Zeitfensters hoch- und runtergefahren werden muss, um alle zugewiesenen Arbeiten innerhalb des Zeitfensters abzuschließen. Um diesen Kapazitätsverlust zu vermeiden, wird der Fabrikplan manchmal durch ungeplante Ad-hoc-Arbeitsaufträge ergänzt, die nicht Teil des Gesamtplans der Lieferkette sind. Diese Ad-hoc-Aufträge stimmen in der Regel nicht mit der Kundennachfrage überein, wodurch der Bestand mit den falschen Produkten aufgebläht wird.
Im Gegensatz dazu erfasst Simios Solution Platform für werksübergreifende Lieferketten alle kritischen Randbedingungen an jedem Lager- und Produktionsstandort über einen echten Zeithorizont und erstellt einen konsistenten, optimierten und umsetzbaren Plan für die gesamte Lieferkette. Diese Lösung kombiniert detaillierte Simulationsmodelle jedes Standorts, um den sich entwickelnden Zustand des Systems genau zu erfassen, DDMRP-Auffülllogik zur Generierung von Auffüllaufträgen und neuronale Netze zur dynamischen Schätzung der Produktionsvorlaufzeiten an jedem Produktionsstandort, die dann zur Optimierung der Zuordnung von Produktionsaufträgen zu den Standorten verwendet werden. Durch diese synergetische Nutzung von DDMRP zur Planung der Wiederbeschaffungszeit und von neuronalen Netzen zur Optimierung der Auswahl zwischen den in Frage kommenden Produktionsstandorten entfällt die Notwendigkeit des separaten und langwierigen MPS-Softwaremoduls für die Vorabzuweisung von Arbeit zu künstlichen Zeitfenstern an den Standorten, und die Produktion kann in einem kontinuierlichen Zeitrahmen geplant werden.
Wie bereits erwähnt, wird DDMRP innerhalb des Lieferkettenmodells verwendet, um Nachschubaufträge zu generieren, die wiederum Produktionsaufträge erzeugen können. Wenn es mehr als einen Kandidatenstandort gibt, der den Nachschubauftrag liefern kann, ist eine Beschaffungsentscheidung erforderlich. Wenn der bevorzugte Standort immer über ausreichende Bestandspuffermengen verfügt, dann gewährleistet die entkoppelte Vorlaufzeit (DLT), die zur Bemessung der DDMRP-Puffer verwendet wird, dass der Nachschub vom bevorzugten Standort rechtzeitig erfolgt, um verspätete Bestellungen zu vermeiden. Allerdings können Nachfrageschwankungen dazu führen, dass die Bestände am bevorzugten Nachschubstandort niedrig oder nicht mehr vorrätig sind, und eine Überlastung eines bevorzugten Produktionsstandorts kann zu einer längeren Vorlaufzeit als geplant führen, um einen Nachschubauftrag zu erfüllen, was zu verspäteten Aufträgen führt. In diesem Fall müssen alternative Nachschubstandorte in Betracht gezogen werden, um die Produktionslast auf die Standorte zu verteilen.
Jeder Standortkandidat hat eine eingeschränkte Durchlaufzeit (CLT), die sich von der DLT unterscheidet, die für die DDMRP-Planung verwendet wird. Bei der CLT handelt es sich um die Durchlaufzeit, die auf den tatsächlichen Einschränkungen im System unter Berücksichtigung des aktuellen Zustands des Standorts basiert. Die CLT wird von den Lagerbeständen, dem Produktmix und den Umstellungen, den Arbeitskräften, den Werkzeugen usw. beeinflusst. Im Gegensatz zur DLT ändert sich die CLT dynamisch, wenn neue Aufträge am Standort eintreffen und die Produktion fortschreitet. Wenn zum Beispiel ein Produktionsstandort keine Bestände hat und viel Ware in Arbeit mit einem hohen Produktmix, der lange Umstellungen erfordert, kann die CLT für einen neuen Auftrag deutlich länger sein als die für die DDMRP-Planung verwendete DLT. In diesem Fall kann ein alternativer Lieferant mit einer kleineren CLT wünschenswert sein.
Die CLT für einen Kandidatenstandort hängt vom aktuellen Bestand, der erwarteten Ankunftszeit von bereits in Bearbeitung befindlichen Wiederbeschaffungsaufträgen und der erwarteten Wiederbeschaffungszeit ab, wenn ein neuer Wiederbeschaffungsauftrag abgeschlossen werden muss, bevor der Auftrag erfüllt werden kann. Handelt es sich um einen neuen Nachschub aus der Produktion, ist die Wiederbeschaffungszeit die erwartete Produktionszeit unter Berücksichtigung des aktuellen Zustands der Produktionsstätte. Wenn der Nachschub von einem Zulieferer kommt, ist die Wiederbeschaffungszeit die Wiederbeschaffungszeit des ausgewählten Zulieferers, die durch die Lieferkette zurückverfolgt werden kann und schließlich einen Produktionsstandort erreicht.
Die einzige schwierige Komponente bei der Berechnung der CLT ist die Schätzung der Produktionsvorlaufzeit an einem Produktionsstandort auf der Grundlage des aktuellen Zustands des Standorts. Die Funktionen des neuronalen Netzes von Simio bieten jedoch eine ideale Lösung für dieses Problem. Die Beschaffungsentscheidung kann dann auf der Grundlage der vorhergesagten CLT für jeden Kandidatenstandort optimiert werden, wobei der kostengünstigste Standort, der pünktlich liefern kann, ausgewählt wird.
Obwohl sich die KI bei der Lösung schwieriger Regressionsprobleme als äußerst effektiv erwiesen hat, besteht eine der größten Herausforderungen der KI darin, über die für das Training des Algorithmus erforderlichen beschrifteten Trainingsdaten zu verfügen. Viele KI-Anwendungen scheitern, weil es an guten, beschrifteten Trainingsdaten mangelt. Beschriftete Trainingsdaten sind nie verfügbar, wenn ein neues System evaluiert wird, und selbst in Fällen mit bestehenden Anlagen werden alle historischen Daten ungültig, sobald ein neues Teil oder eine Änderung im Ablauf in das System eingeführt wird. Die in Simio integrierten Funktionen zur automatischen Erfassung und Kennzeichnung synthetischer Trainingsdaten lösen dieses Problem. Der Supply Chain Process Digital Twin kann alle erforderlichen Daten für das Training der neuronalen Netze selbst generieren, um die Produktionsvorlaufzeit unter Berücksichtigung des aktuellen Zustands des Standorts genau vorherzusagen.
Die in Simio integrierten KI-Funktionen unterstützen die Definition, das Training und die Verwendung des klassischen neuronalen Feed-Forward-Regressionsnetzwerks. Wie unten dargestellt, sind Sie jedoch nicht auf diesen Algorithmus beschränkt, da Sie in Simio auch jedes beliebige Regressionsmodell von über 50 Drittanbietern importieren und verwenden können, darunter Google und Microsoft, die das ONNX-Modellaustauschformat unterstützen. Sie können Modelle in Tools von Drittanbietern erstellen und trainieren und sie dann in Simio importieren, um komplexe Entscheidungen in Ihrem Modell zu treffen. Der Export in das ONNX-Dateiformat wird ebenfalls unterstützt. Sie können Simio-Modelle auch verwenden, um synthetische, beschriftete Trainingsdaten zu erzeugen, die Sie dann in Tools von Drittanbietern exportieren können.
Die Vorteile der Simio Solution Platform für die werksübergreifende Planung beginnen mit dem präzisen Kapazitätsmodell, dem kontinuierlichen Zeithorizont, der KI-basierten Optimierung der Fabrikbeschaffung und der schnellen Ausführung, um umsetzbare Pläne zu erstellen, die über die gesamte Lieferkette hinweg abgestimmt sind. Die Vorteile der Simio Solution Platform kulminieren jedoch in der Fähigkeit, ihre Struktur, ihre Modelllogik und die daraus resultierenden Produktionspläne allen Beteiligten zu vermitteln. Simio bietet im Vergleich zu herkömmlichen statischen MPS-Ausgaben mehr operative Einblicke durch interaktive 3D-Animationen des Plans, die den Benutzern eine Vorschau des geplanten Workflows ermöglichen. Detaillierte Animationen zeigen die Bewegung von Teilen, Arbeitern, Materialhandhabungsgeräten und anderen kritischen Randbedingungen, während sich der geplante Zeitplan entfaltet. Simio zeichnet auch detaillierte Transaktionsdaten aller Nebenbedingungen in Planungsprotokollen auf, die angezeigt und gefiltert werden können. Diese Daten können zur Erstellung von benutzerdefinierten Berichten und Dashboards verwendet werden, die über das Simio-Portal unternehmensweit zugänglich sind. Die Daten in diesen Protokollen enthalten Informationen über Materialien, Ressourcen, Aufträge und Materialhandhabungsgeräte sowie über die nicht wertschöpfende Zeit, die für die vom System gebundenen Aufträge aufgewendet wurde. Diese Informationen sind nicht nur von unschätzbarem Wert für die Beurteilung der Qualität des Zeitplans, sondern auch für die Verbesserung des Zeitplans, da sie Informationen über die Ursachen von Zeitplanverzögerungen liefern.
Die DDMRP-, KI- und Process Digital Twin-Technologien, die der Simio Solution Platform für die werksübergreifende Terminplanung zugrunde liegen, haben sich weiterentwickelt und setzen sich zunehmend durch. Weitere Informationen über die Simio Solution Platform finden Sie in diesem White Paper: Wie sich Simio-Objekte von anderen objektorientierten Modellierungswerkzeugen unterscheiden. Weitere Informationen zu Simios DDMRP-Funktionen finden Sie in diesem Whitepaper: Demand Driven Material Requirements Planning Powered by Simio. Es ist an der Zeit, Ihr altes MPS durch einen KI-gesteuerten digitalen Zwilling der Lieferkette zu ersetzen.