Die Herausforderung
von Patrick Kirchhof und Tobias Stoehr (BearingPoint GmbH)
Vorgestellt auf der Winter Simulation Conference 2016
Klassische Planungsansätze von Lagerzuordnungsentscheidungen werden oft iterativ und mit hohem manuellem Aufwand durchgeführt. Lagerlayouts werden auf Basis von Erfahrungswerten der Planer erstellt, mit dem Ziel, die Laufwege der Mitarbeiter zu reduzieren und damit die Produktivität zu erhöhen. Durch die Kombination von Optimierung und Simulation in einem softwarebasierten Planungstool kann eine Vielzahl von mathematisch optimierten Lagerzuordnungsszenarien generiert und analysiert werden, um traditionelle Planungsansätze zu verbessern. In diesem Beitrag wird ein praktischer Fall eines Lagerzuordnungsproblems eines deutschen Automobilherstellers beschrieben, der mit Hilfe einer evolutionären Meta-Heuristik angegangen wird. Die besten Lösungen der Optimierung werden in ein groß angelegtes, automatisch generiertes Simulationsmodell geladen und anhand der realen Daten des Unternehmens bewertet.
Einführung
Die Produktivität des Lagerpersonals kann durch eine suboptimale Zuordnung von Teilenummern zu Lagerplätzen verringert werden. Ungeeignete Lagerzuordnungen sind ein häufiges Problem und aufgrund fehlender IT-gestützter Entscheidungshilfen schwer zu erkennen. Im Lager eines deutschen Automobilherstellers gab es keine systematische Optimierung der Zuordnung von Teilenummern zu den jeweiligen Lagerplätzen mit dem Ziel, die Effizienz der internen Prozesse zu verbessern. Dies kann bei einem gegebenen Produktionsprogramm zu einem erhöhten Zeitbedarf für das Materialhandling im Lager und letztlich zu Verzögerungen in allen intralogistischen Prozessen führen.
In diesem Beitrag wird ein praktischer Fall beschrieben, bei dem ein reales Lagerzuordnungsproblem mit Hilfe eines Planungswerkzeugs analysiert wurde, das Optimierung und Simulation kombiniert. Für die Zuordnungsoptimierung wurden mehrere Ziele in einem genetischen Algorithmus berücksichtigt. Das Simulationsmodell wurde automatisch aus den vom Unternehmen zur Verfügung gestellten Strukturdaten generiert. Für die Auswertung wurden aktuelle Stammdaten (z.B. Materialinformationen, Lagerorte etc.) und Bewegungsdaten (z.B. Materialbewegungen) in das automatisch generierte Simulationsmodell geladen.
Die Lösung
Umfang und Anforderungen des Simulationsmodells
Zur Verbesserung der aktuellen Planungspraxis wurde die Entwicklung einer Software zur Optimierung der Lagerzuordnung unter Verwendung von realen Daten von einem deutschen Automobilunternehmen gefordert. Die erste Studie wurde in einem repräsentativen Lager mit etwa 4.000 Lagerplätzen durchgeführt, um die Eignung der Software für andere Lager des Unternehmens zu bewerten. Die potenziellen Produktivitätsverbesserungen im Lager sollten durch den Vergleich der optimierten Lagerzuweisungen mit der aktuellen ursprünglichen Zuweisung bewertet werden. Zu diesem Zweck mussten zwei Wochen realer Materialbewegungen simuliert werden, um die Auswirkungen der vorgeschlagenen Lösungen zu analysieren. Um eine mögliche Anwendung auf andere Lager des Unternehmens zu ermöglichen, musste ein generisches Simulationsmodell erstellt werden, das unternehmensspezifische Prozesse einbezieht und automatisch mit anderen Lagerlayouts aus Strukturdaten befüllt werden kann.
Technische Herangehensweise
Um die oben genannten Anforderungen zu erfüllen, wurde ein genetischer Algorithmus implementiert, der eine Vielzahl von Lösungen mit zwei Zielsetzungen generierte: Erstens sollten Materialien, die häufig nachgefragt werden, an den Lagerorten platziert werden, die den jeweiligen Versorgungsbereichen der Produktionslinien am nächsten liegen. Zweitens sollten Materialien, die häufig zusammen kommissioniert werden, an nahe gelegenen Orten gebündelt werden. Zur Kategorisierung der Materialien wurden historische Bewegungsdaten von sechs Monaten verwendet und die Entfernungen innerhalb des Simulationsmodells berechnet. Mit SIMIO wurde ein generisches Lagermodell entwickelt, das die Besonderheiten des Unternehmens abbildet. Zu diesen Besonderheiten gehörten Pufferungsprozesse von Materialien, physische Beschränkungen von Materialien auf bestimmte Lagerbereiche, Schichtplanungsinformationen und die Zuordnung von Materialien zu den jeweiligen Linienversorgungsbereichen.
Dem objektorientierten Modellierungsansatz von SIMIO folgend, wurden Simulationsmodellobjekte erstellt, die spezifische Elemente des realen Systems darstellen, wie z.B. verschiedene Regaltypen, Schüttgutlagerbereiche und benutzerdefinierte Gabelstaplerobjekte. Die spezifischen Instanzen der Modellierungselemente wurden dann mit Hilfe einer speziell entwickelten Erweiterung von SIMIO in ein leeres Modell eingefügt. Diese Erweiterung ermöglicht es, komplette Simulationsmodelle zu generieren, indem diese vordefinierten Modellobjekte automatisch in einem Simulationsmodell platziert, verbunden und parametrisiert werden. Die vom Unternehmen zur Verfügung gestellten Strukturdaten waren Voraussetzung für die automatische Generierung eines maßstabsgetreuen Modells.
Für einen validen Startpunkt der Simulation wurde der aktuelle Bestand eines bestimmten Tages im Modell platziert und die Lagerbewegungen für einen Zeitraum von zwei Wochen simuliert. Es wurden Experimente für verschiedene Kombinationen von Lagerzuweisungsszenarien und unterschiedliche Szenarien für die Anzahl des Lagerpersonals durchgeführt, um die Fahrstrecken, die Auslastung der Mitarbeiter und den Servicegrad (d. h. die rechtzeitige Bereitstellung von Materialien für die Linienversorgung) zu bewerten.
Abbildung 1 zeigt das Lagermodell, bestehend aus über 4.000 Objekten, mit maximal 20.000 gleichzeitigen Materialbehältern im System.
Die geschäftlichen Auswirkungen
Ergebnisse und Nutzen
Die zehn besten Lösungen der heuristischen Optimierung wurden mithilfe des Simulationsmodells bewertet. Im Vergleich zur ursprünglichen Zuteilung führte die von der Software gefundene beste Lösung zu einer Verringerung der Lagerentfernungen um 7,63 %, zu einer Verringerung der Auslastung der Mitarbeiter um 5,77 % und zu einer Verbesserung des Serviceniveaus um 8,72 %. Durch die Automatisierung der Modellerstellung wird der Problemlösungszyklus im Vergleich zur manuellen Erstellung von Simulationsmodellen erheblich verkürzt. Außerdem ist der Prozess weniger fehleranfällig und kann bei Bedarf mit aktualisierten Daten wiederholt werden, was das Problem der Modellveralterung einschränkt.