Diese Fallstudie untersucht die Implementierung einer fortschrittlichen Planungslösung durch McKinsey & Company für einen großen Automobilhersteller unter Verwendung der Simulationstechnologie von Simio. Der Kunde stand vor großen Herausforderungen bei der Optimierung von Produktionsabläufen über mehrere Fertigungslinien hinweg, da herkömmliche Planungsmethoden nicht in der Lage waren, den riesigen Lösungsraum möglicher Planungen effizient zu durchsuchen. McKinsey entwickelte ein intelligentes digitales Zwillingssystem, das die Simulationsfähigkeiten von Simio mit maßgeschneiderten genetischen Algorithmus-Optimierungstechniken kombinierte. Die Implementierung erzielte Durchsatzverbesserungen von bis zu 13 Prozent ohne zusätzliche Investitionen und demonstrierte damit die Leistungsfähigkeit simulationsbasierter Optimierung in Fertigungsumgebungen. Diese Fallstudie beschreibt den technischen Ansatz, die Herausforderungen bei der Implementierung und die quantifizierbaren Geschäftsergebnisse dieser erfolgreichen Initiative zur digitalen Transformation.
Die rasante Entwicklung digitaler Technologien hat mit dem Aufkommen von Industrie 4.0 die Fertigungsabläufe verändert. Innerhalb dieses neuen Paradigmas hat sich die digitale Zwillingssimulation als entscheidende Technologie zur Optimierung komplexer Produktionsumgebungen herauskristallisiert. McKinsey & Company, eine weltweit tätige Unternehmensberatung, verfügt über umfangreiche Erfahrungen bei der Implementierung intelligenter digitaler Zwillingssysteme, die Daten aus der realen Welt, Simulationen nach ersten Prinzipien, künstliche Intelligenz und mathematische Optimierung kombinieren.
Für einen großen Automobilhersteller ermittelte McKinsey eine Möglichkeit, den Produktionsdurchsatz durch fortschrittliche Planungsoptimierung erheblich zu verbessern. Der Kunde betrieb drei parallele Fertigungslinien, die mehrere Artikel mit komplexen Abhängigkeiten produzierten. Bei der Verwendung traditioneller First-in-First-out (FIFO)-Planungsansätze verzeichnete der Kunde erhebliche Ineffizienzen aufgrund einer suboptimalen Produktionsreihenfolge.
"Die Simulation des digitalen Zwillings revolutioniert die Industrie 4.0, indem sie Echtzeitüberwachung, vorausschauende Wartung und fortschrittliche Simulationen ermöglicht, die fundierte Entscheidungen ermöglichen", erklärt Benjamin Braverman, Produktmanager - QuantumBlack, McKinsey & Co. Die Herausforderung bestand darin, ein System zu entwickeln, das Millionen möglicher Produktionssequenzen effizient durchsuchen kann, um optimale Zeitpläne zu ermitteln, die den Durchsatz maximieren, ohne zusätzliche Investitionen zu erfordern.
Der Automobilhersteller stand vor einer komplexen Planungsaufgabe für drei parallele Produktionslinien. Jede Linie produzierte mehrere verschiedene Artikel, wobei die Linien zwei und drei Abhängigkeiten aufwiesen, die den Planungsprozess zusätzlich erschwerten. Der Kunde musste ein zweistündiges Produktionsfenster optimieren, in dem etwa 65 Artikel auf den drei Linien verarbeitet werden sollten.
Die grundlegende Herausforderung bestand in der schieren Größe des Suchraums. Bei durchschnittlich 32 Einzelartikeln, die an den Linien produziert werden, errechnete das Team, dass eine zufällige, zusammenhängende Menge von 65 Artikeln aus dem Auftragsbuch etwa 10^59 verschiedene mögliche Zeitpläne ergeben könnte. Jede Simulation dauerte etwa eine Minute, was bedeutet, dass eine erschöpfende lineare Suche etwa 10^53 Tage dauern würde - etwa die Hälfte der Lebensdauer des Universums.
Die Lösung zur Optimierung der Produktionsplanung musste folgende Aufgaben erfüllen
"Die optimierte Geschwindigkeit wird zum größten Engpass bei der Suche im Suchraum", erklärt Wim de Villiers, Senior Data Scientist - QuantumBlack, McKinsey & Co. Das Team benötigte einen intelligenten Ansatz, der den riesigen Lösungsraum effizient erforschen konnte, ohne eine erschöpfende Bewertung aller Möglichkeiten zu erfordern.
McKinsey entwickelte eine umfassende Lösung, die die Fertigungssimulationssoftware von Simio mit fortschrittlichen Optimierungstechniken kombinierte. Die Lösungsarchitektur bestand aus drei Schlüsselkomponenten:
Die digitale Zwillingssimulation bildete die Grundlage der Lösung und bestand aus zwei entscheidenden Schichten:
"Wir haben für unsere Kunden Dutzende skalierbarer digitaler Zwillinge mit einer Vorhersagegenauigkeit von bis zu 99 % erstellt, indem wir kommerzielle Lösungen wie Simio nutzten, aber auch kundenspezifische Lösungen in Python entwickelten", so Braverman.
Die zweite kritische Komponente war die Optimierungsschicht, die für die "Intelligenz" des intelligenten digitalen Zwillings sorgt. Nach der Evaluierung verschiedener Optimierungstechniken, darunter Bayes'sche Optimierung, stochastischer Gradientenabstieg, Reinforcement Learning und genetische Algorithmen, entschied sich das Team für die Optimierung mit genetischen Algorithmen als den am besten geeigneten Ansatz für diese Herausforderung.
Der Ansatz der genetischen Algorithmus-Optimierung bot mehrere Vorteile:
Der genetische Algorithmus funktioniert wie folgt:
"Dieser Ansatz ermöglicht uns eine parallele Exploration, da bei jedem Schritt nach vorne, wenn wir eine neue Population erhalten, alle Mitglieder dieser Population parallel bewertet werden können", erklärt Developers.
Die letzte Komponente war die Integrationsschicht, die die Simulations- und Optimierungskomponenten mit den Live-Produktionssystemen verband. Dies ermöglichte:
Die technische Architektur nutzte Simio Portal, das das Simio-Modell über eine REST-API bereitstellte. Das Team entwickelte einen benutzerdefinierten Simio Portal Python-Client, der es dem genetischen Algorithmus ermöglichte, die Simio API aufzurufen, Zeitpläne in eine Datenbank zu schreiben, Simulationen auszulösen und Ergebnisse abzurufen.
Der Implementierungsprozess erforderte eine sorgfältige Integration mehrerer technischer Komponenten:
Die Implementierung wurde so konzipiert, dass sie modular und interoperabel ist, so dass verschiedene Optimierungstechniken ausgetauscht werden können, ohne dass die zugrunde liegende Simulation überarbeitet werden muss. Dieser Ansatz ermöglichte es dem Team, verschiedene Methoden zu vergleichen und den effektivsten Ansatz für die jeweilige Herausforderung auszuwählen.
Die Implementierung führte zu erheblichen Verbesserungen in allen Produktionslinien:
Bei Linie 1, in deren Optimierung und Balancierung der Kunde zuvor erhebliche Anstrengungen investiert hatte, erzielte die Lösung immer noch Durchsatzverbesserungen zwischen 0,35 % und 5 %. Dies war besonders beeindruckend, wenn man bedenkt, dass die Linie 1 unabhängig vom SKU-Mix leistungsfähig sein sollte.
Bei den Linien 2 und 3, die weniger optimiert worden waren und erst kürzlich mit der Produktion neuer Artikel begonnen hatten, waren die Verbesserungen noch deutlicher:
Die Lösung demonstrierte mehrere Schlüsselfähigkeiten:
"Die Durchsatzsteigerung wurde durch einen reinen Blackbox-Optimierer erreicht, der sich in Verbindung mit den beim Kunden bereits vorhandenen Simio-Modellen leicht auf die übrige Produktion übertragen ließ", so Developers.
Bei einem Stahlhersteller, bei dem McKinsey einen ähnlichen Ansatz implementierte, reduzierte die Lösung den Ertragsverlust um 1-2% pro Anlage, was zu Einsparungen von etwa 30 Millionen Dollar pro Anlage führte.
Die Implementierung des genetischen Algorithmus wurde speziell für die Optimierung der Produktionsplanung entwickelt. Der Ansatz wurde von der natürlichen Selektion inspiriert und verwendete eine populationsbasierte Methodik:
Der Optimierungsansatz des genetischen Algorithmus erwies sich für diese Aufgabe als besonders effektiv, weil:
Die Integration mit Simio wurde über das Simio Portal implementiert, das eine REST API für die Interaktion mit dem Simulationsmodell bereitstellte. Der Arbeitsablauf folgte diesen Schritten:
Diese Architektur ermöglichte eine effiziente parallele Bewertung mehrerer Zeitpläne und maximierte die Anzahl der Kandidaten, die innerhalb der betrieblichen Zeitvorgaben bewertet werden konnten.
McKinseys Implementierung einer fortschrittlichen Planungslösung mit der Simulationstechnologie von Simio demonstriert das transformative Potenzial der Simulation des digitalen Zwillings in Fertigungsumgebungen. Durch die Kombination hochentwickelter Simulationsfähigkeiten mit intelligenten Optimierungstechniken erzielte die Lösung erhebliche Durchsatzverbesserungen, ohne dass zusätzliche Kapitalinvestitionen erforderlich waren.
Die modulare, interoperable Architektur stellt sicher, dass die Lösung problemlos auf andere Produktionslinien und -anlagen erweitert werden kann. Der prozessunabhängige Optimierungsansatz bedeutet, dass dieselbe Methodik auf verschiedene Fertigungsprozesse angewandt werden kann, ohne dass das Optimierungsprogramm spezifisches Prozesswissen enthalten muss.
Zukünftige Entwicklungen können Folgendes umfassen:
Benjamin Braverman merkt an: "Ich vermute, dass die größten Gewinner diejenigen sein werden, die diese Systeme nicht nur für einzelne Anwendungsfälle, sondern in ihrer gesamten Wertschöpfungskette einsetzen und sie wirklich als eine Art der Betriebsführung betrachten."
Diese Fallstudie zeigt, wie simulationsbasierte Optimierung die Fertigungsabläufe umgestalten und einen erheblichen Geschäftswert durch verbesserte Effizienz und Durchsatz liefern kann. Durch die Nutzung der leistungsstarken Simulationsfähigkeiten von Simio und deren Integration mit fortschrittlichen Optimierungstechniken hat McKinsey eine Lösung geschaffen, die es Herstellern ermöglicht, ein neues Maß an operativer Exzellenz zu erreichen.