In einer auf die Fertigung ausgerichteten Lieferkette ist die Fabrikbeschaffung eine wichtige Entscheidung, die den Durchsatz und die pünktliche Lieferung bestimmt. Wenn mehr als ein Standort für die Produktion eines Produkts zur Verfügung steht, ist es wichtig, die Last auf die Produktionsstandorte innerhalb der Lieferkette zu verteilen, um sicherzustellen, dass die verfügbare Kapazität optimal genutzt wird, um eine pünktliche 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 des MPS ist eine Liste von Aufträgen, die in jeder Zeitspanne an jedem Produktionsstandort zu produzieren sind. Das Tool für die detaillierte Produktionsplanung verwendet dann die Ausgabe der MPS und erstellt einen detaillierten Zeitplan innerhalb des aktuellen Zeitfensters für einen bestimmten Standort.
Verwendung des Ansatzes der groben Kapazitätsplanung
Die MPS geht von einer festen Produktionsvorlaufzeit aus und verwendet einen Grobkapazitätsplanungsansatz (RCCP) auf der Grundlage eines einfachen Kapazitätsmaßes (z.B. die Gesamtzahl der zugewiesenen Arbeitsstunden pro Zeitraster), um das geeignete Zeitraster auszuwählen und die Arbeit zu begrenzen, die jedem Zeitraster an jedem Produktionsstandort zugewiesen wird, wobei bei Bedarf Sekundärstandorte genutzt werden, um eine Überlastung des bevorzugten Produktionsstandorts zu vermeiden. Bei seinem RCCP-Ansatz und der vereinfachten Messung der verfügbaren Kapazität ignoriert das MPS jedoch viele wichtige Kapazitätsbeschränkungen wie Umrüstungen, Werkzeuge, Arbeit, Materialhandhabung und Produktionsregeln. MPS setzt dann einen heuristischen Solver (z.B. CPLEX) ein, dessen Ausführung in der Regel Stunden dauert, um nach einer guten machbaren Lösung für diese vereinfachte Darstellung des Systems zu suchen. Obwohl ältere Systeme ihre Lösung als optimal darstellen, findet der heuristische Solver 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 ein paar 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.
Das Problem mit einem falsch ausgerichteten MPS-System
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 schickt das MPS mehr Arbeit und die dazugehörigen Materialien an einen Produktionsstandort, als innerhalb des Zeitfensters angesichts der tatsächlichen Produktionsbeschränkungen 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 generiert, 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 mit ungeplanten Ad-hoc-Arbeitsaufträgen ergänzt, die nicht Teil des Masterplans 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.
Verbessern Sie das Modell mit einer detaillierten Simulation
Im Gegensatz dazu erfasst die Lösungsplattform von Simio für die werksübergreifende Lieferkette alle kritischen Beschränkungen 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-Nachschublogik, um Nachschubaufträge zu generieren, und neuronale Netze, um die Produktionsvorlaufzeiten an jedem Produktionsstandort dynamisch zu schätzen, die dann zur Optimierung der Zuordnung von Produktionsaufträgen zu den Standorten verwendet werden. Durch diese synergetische Nutzung von DDMRP zur Planung des Zeitpunkts der Wiederauffüllung und von neuronalen Netzen zur Optimierung der Auswahl zwischen den in Frage kommenden Produktionsstandorten entfällt die Notwendigkeit des separaten und langwierigen MPS-Softwaremoduls zur Vorabzuweisung von Arbeit an künstliche Zeitfenster an den Standorten. Die Produktion kann so in einem kontinuierlichen Zeitrahmen geplant werden.
Wie bereits erwähnt, wird DDMRP im Rahmen 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 stellt die entkoppelte Vorlaufzeit (DLT), die für die Größe der DDMRP-Puffer verwendet wird, sicher, dass der Nachschub vom bevorzugten Standort rechtzeitig erfolgt, um verspätete Bestellungen zu vermeiden. Allerdings können Nachfrageschwankungen dazu führen, dass der Bestand am bevorzugten Nachschubstandort niedrig oder nicht vorrätig ist, und eine Überlastung des bevorzugten Produktionsstandorts kann zu einer längeren Vorlaufzeit als geplant führen, um einen Nachschubauftrag zu erfüllen, was zu verspäteten Bestellungen führt. In diesem Fall müssen alternative Nachschubstandorte in Betracht gezogen werden, um die Produktionslast auf die Standorte zu verteilen.
Wie die eingeschränkte Vorlaufzeit in das Modell einfließt
Jeder Kandidatenstandort hat eine eingeschränkte Vorlaufzeit (CLT), die sich von der DLT unterscheidet, die für die DDMRP-Planung verwendet wird. Die CLT ist die Durchlaufzeit, die auf den tatsächlichen Einschränkungen im System basiert, die sich aus dem aktuellen Zustand des Standorts ergeben. 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 eine Produktionsstätte beispielsweise keine Bestände mehr hat und viele unfertige Erzeugnisse mit einem hohen Produktmix hat, 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 Nachschubaufträgen und der erwarteten Wiederbeschaffungszeit ab, wenn ein neuer Nachschub abgeschlossen werden muss, bevor der Auftrag erfüllt werden kann. Wenn ein neuer Nachschub aus der Produktion kommt, ist die Wiederbeschaffungszeit die erwartete Produktionszeit angesichts des aktuellen Zustands der Produktionsstätte. Wenn der Nachschub von einem Lieferanten kommt, dann ist die Wiederbeschaffungszeit die Wiederbeschaffungszeit des ausgewählten Lieferanten, die durch die Lieferkette zurückverfolgt werden kann und schließlich eine Produktionsstätte 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 neuronalen Netzwerkfunktionen von Simio bieten jedoch eine ideale Lösung für dieses Problem. Die Beschaffungsentscheidung kann dann auf der Grundlage der vorhergesagten CLT für jeden Standortkandidaten optimiert werden, wobei der kostengünstigste Standort, der pünktlich liefern kann, ausgewählt wird.
Die Auswirkungen der Einbeziehung von KI und Drittparteien
Obwohl sich die KI bei der Lösung schwieriger Regressionsprobleme als äußerst effektiv erwiesen hat, besteht eine der größten Herausforderungen der KI darin, über die erforderlichen beschrifteten Trainingsdaten zum Trainieren des Algorithmus zu verfügen. Viele KI-Anwendungen scheitern, weil es an guten, beschrifteten Trainingsdaten mangelt. Bei der Evaluierung eines neuen Systems stehen nie beschriftete Trainingsdaten zur Verfügung, und selbst in Fällen, in denen bereits Anlagen vorhanden sind, werden alle historischen Daten ungültig, sobald ein neues Teil oder eine Änderung im Ablauf in das System eingeführt wird. Die in Simio eingebauten Funktionen zur automatischen Erfassung und Kennzeichnung synthetischer Trainingsdaten lösen dieses Problem jedoch. 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 für maschinelles Lernen beschränkt, da Sie in Simio auch jedes Regressionsmodell für maschinelles Lernen von über 50 Drittanbietern, darunter Google und Microsoft, die das ONNX-Modellaustauschformat unterstützen, importieren und verwenden können. 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 generieren, die Sie in Tools von Drittanbietern exportieren können.
Ziele erreichen mit einem KI-gesteuerten digitalen Zwilling
Die Vorteile der Simio Solution Platform für die werksübergreifende Planung beginnen mit dem genauen 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 kulminieren jedoch in der Fähigkeit der Simio Solution Platform, ihre Struktur, ihre Modelllogik und die daraus resultierenden Produktionspläne an alle zu kommunizieren, die es wissen müssen. Simio bietet im Vergleich zu herkömmlichen statischen MPS-Ausgaben mehr operative Einblicke durch eine interaktive 3D-Animation des Plans, die den Benutzern eine Vorschau des geplanten Arbeitsablaufs ermöglicht. Detaillierte Animationen zeigen die Bewegung von Teilen, Arbeitern, Materialtransportgeräten und anderen kritischen Einschränkungen, während sich der geplante Zeitplan entfaltet. Simio zeichnet auch detaillierte Transaktionsdaten aller Zwangsbedingungen in Planungsprotokollen auf, die eingesehen und gefiltert werden können und zur Erstellung von benutzerdefinierten Berichten und Dashboards verwendet werden können, 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, indem sie Informationen über die Ursachen von Zeitplanverzögerungen liefern.
Die DDMRP-, KI- und Process Digital Twin-Technologien, die der Simio Solution Platform für die werksübergreifende Disposition zugrunde liegen, haben sich weiterentwickelt und setzen sich nun durch. Weitere Informationen über die Simio Solution Platform finden Sie in diesem White Paper: Wie sich Simio Objects von anderen objektorientierten Modellierungswerkzeugen unterscheidet. Weitere Informationen über die DDMRP-Funktionen von Simio finden Sie in diesem Whitepaper: Bedarfsgesteuerte Materialbedarfsplanung mit Simio. Es ist an der Zeit, Ihr altes MPS durch einen KI-gesteuerten digitalen Zwilling der Lieferkette zu ersetzen.