Die Herausforderung
von Patrick Kirchhof (BearingPoint)
Vorgestellt auf der Winter Simulation Conference 2016
Die automatische Modellgenerierung, die konsequente Verkürzung von Problemlösungszyklen und die Notwendigkeit eines höheren Grades an Datenintegration werden seit langem als wesentliche Herausforderungen im Bereich der Simulation von Fertigungssystemen bezeichnet. Insbesondere betrieblich genutzte Fertigungssimulationsmodelle erfordern einen hohen Detaillierungsgrad der Modellierung und sind daher auf eine große Menge an Eingangsdaten angewiesen. In vielen Fällen ist der Aufwand, ein solch detailliertes Modell manuell zu erstellen und aktuell zu halten, unerschwinglich. In diesem Beitrag wird ein Praxisfall beschrieben, in dem komplette Simulationsmodelle einer komplexen und großflächigen Automobil-Fließfertigung automatisch aus den SAP- und MES-Systemen eines Automobilunternehmens erstellt wurden, um betriebliche Planungszwecke zu unterstützen und betrieblich-logistische Risiken, wie z.B. Produktionsunterbrechungen durch Stock-Out-Situationen an der Fertigungslinie, zu reduzieren.
Einführung
Fowler und Rose (2004) stellen fest, dass eine Verkürzung der Problemlösungszeit um eine Größenordnung und das Fehlen einer Echtzeit-Problemlösungsfähigkeit zu den größten Herausforderungen bei der Modellierung und Simulation von Fertigungssystemen gehören. Ihrer Meinung nach ist die Zeit für den Entwurf eines Simulationsmodells, die Datenerfassung, den Aufbau und die Ausführung des Modells sowie die Interpretation der Ergebnisse zu lang, insbesondere für den betrieblichen Einsatz der Simulation. Darüber hinaus stellen sie fest, dass die automatische und bedarfsgerechte Generierung vollständiger Simulationsmodelle aus Unternehmensdatenquellen die Anwendbarkeit der Simulation für betriebliche Planungszwecke erheblich steigern würde.
Im Einklang mit diesen Erkenntnissen wird in diesem Beitrag ein Praxisfall beschrieben, in dem komplette Simulationsmodelle komplexer und großflächiger Automobil-Fließfertigungslinien automatisch aus den SAP- und MES-Systemen des Unternehmens erstellt wurden, um die operative Planung zu unterstützen. Dazu wurden nicht nur die benötigten Stammdaten (z.B. Stücklisten, Arbeitspläne etc.) und aktuelle Bewegungsdaten (z.B. Auftragsdaten) in eine vordefinierte Simulationsmodellvorlage geladen, sondern auch Strukturinformationen (z.B. Arbeitsplätze, Verknüpfungen etc.) automatisch aus den IT-Systemen des Unternehmens abgerufen und zur automatischen Generierung des Simulationsmodells verwendet.
Umfang und Anforderungen des Simulationsmodells
In der Automobilindustrie sind die Prinzipien der schlanken Produktion weit verbreitet, so dass die Unternehmen gezwungen sind, kostensparende Maßnahmen zur Bestandsreduzierung und betriebliche Risiken, wie z. B. Stock-Out-Situationen an der Fertigungslinie, gegeneinander abzuwägen. Der Zweck des beschriebenen Simulationsmodells ist es, als Frühwarnsystem zu fungieren und potenzielle Stock-Out-Situationen zu erkennen, bevor sie auftreten, so dass Gegenmaßnahmen bewertet und eingeleitet werden können. Der Geltungsbereich des Modells umfasst daher die gesamten innerbetrieblichen Logistikprozesse des Unternehmens von der Teilebereitstellung im Lager bis zum Verbrauch an der Fertigungslinie.
Der Bedarf an operativer Planungsunterstützung durch Simulation ergibt sich aus der Komplexität des Planungsprozesses und der hohen Anzahl von Systemparametern, die täglich von einer begrenzten Anzahl von Planungspersonal kontrolliert werden müssen. Aufgrund der häufigen Änderungen sowohl der Stamm- als auch der Bewegungsdaten und sogar der strukturellen Änderungen des Linienlayouts bestanden zwei technische Anforderungen. Erstens sollte das Modell innerhalb kürzester Zeit einsatzbereit sein und dennoch die neuesten Daten enthalten. Zweitens sollte der Prozess der Einbeziehung der Unternehmensdaten und der Erstellung des Modells keine manuellen Aufgaben beinhalten, die potenzielle Fehler, Zeitverzögerungen und Ineffizienz verursachen.
Die Lösung
Technischer Ansatz
Um die oben genannten Anforderungen zu erfüllen, wurde mit SIMIO eine generische Modellvorlage für die Fließbetriebssimulation entwickelt, die die Besonderheiten des Unternehmens abbildet. Dem objektorientierten Modellierungsansatz von SIMIO folgend, wurden Simulationsmodellobjekte erstellt, die spezifische Elemente des realen Systems repräsentieren. Die spezifischen Instanzen der Modellierungselemente wurden dann mit Hilfe einer speziell entwickelten SIMIO-Erweiterung nach Bedarf in ein leeres Modell eingefügt. Diese Erweiterung ermöglicht es, komplette Flow-Shop-Modelle durch automatisches Platzieren, Verbinden und Parametrisieren dieser vordefinierten Modellobjekte in einem Simulationsmodell zu generieren. Die für die Erstellung des Modells erforderlichen Daten wurden aus den SAP- und MES-Systemen des Unternehmens extrahiert, und zwar mithilfe einer speziell entwickelten Datenextraktionssoftware, die die relevanten Daten direkt aus den Datenbanken der jeweiligen Systeme abruft. Das SAP-System liefert die Informationen für die Modellierung der Fertigungslinie, wie z. B. Details zu Arbeitsplätzen, Arbeitsplänen, Stücklisten, Schichtplänen, Fertigungsaufträgen, Lagerbeständen, Materialstammdaten usw. Das MES-System liefert detaillierte Informationen über Produktionsabläufe und den aktuellen und geplanten Produktionsfortschritt pro Arbeitsplatz und Fertigungsauftrag.
Abbildung 1 beschreibt vier Stufen der Datenintegration von Simulationsanwendungen. Der gewählte Ansatz stellt die vierte Stufe der Datenintegration dar.
Die geschäftlichen Auswirkungen
Ergebnisse und Nutzen
Die Verfolgung des beschriebenen Ansatzes führte zu einer Simulationslösung, die vollständig in den betrieblichen Planungsprozess und die IT-Architektur des Unternehmens integriert war. Sie half dem Planungspersonal des Unternehmens, logistische Probleme und Produktionsunterbrechungen zu vermeiden. Die Simulationsergebnisse wurden so dargestellt, dass operative Risiken hervorgehoben wurden und die Probleme vom Planungspersonal leicht erkannt werden konnten. Im Laufe eines einzigen Strukturveränderungsprojekts wurden mehr als hundert kritische Punkte identifiziert und präventiv korrigiert, was dazu beitrug, Produktionsstörungen erheblich zu reduzieren. Aufgrund der Automatisierung der Modellerstellung wird der Problemlösungszyklus im Vergleich zur manuellen Erstellung von Simulationsmodellen erheblich verkürzt. Darüber hinaus eignet sich der Ansatz für groß angelegte Modelle mit einem hohen Grad an Modellierungsdetails, die für die Unterstützung der Betriebsplanung erforderlich sind.