MCP als Algorithmus Lieferant für die Produktionsplanung
Stellen Sie sich vor…
…Sie planen zehn Vorgänge auf einer Ressource, dies entspricht 3.628.800 Kombinations-Möglichkeiten!
Wir übernehmen das gerne für Sie!
Unser Ziel ist es, mathematische Optimierung in praxistauglicher Form bereitzustellen um komplexe industrielle Problemstellungen optimiert zu lösen.
Dazu entwickeln wir Algorithmen zur Lösung häufig vorkommender Problemstellungen aus der Industrie und stellen diese in einer Algorithmus-Bibliothek bereit: Rüstzeitminimierung, Batchoptimierung, Ressourcenzuteilung, und viele weiteren Aufgaben sind unsere Spielwiese. Und mit dem Konzept APS AI (Algorithm-as-a-Service) können Sie einfach per REST-Schnittstelle auf unsere Lösungen zugreifen – zeitgemäß und unkompliziert.
Wir setzen auf enge Kooperation mit der Forschung, um die Lücke zwischen akademischem Know-How und der tatsächlichen, praktischen Anwendung in der Industrie zu schließen. Als Hauptinvestor haben wir gemeinsam mit Bosch und Ximes erfolgreich ein Labor der Christian Doppler Forschungsgesellschaft betrieben. Das Resultat ist nicht nur eine Vielzahl an wissenschaftlichen Veröffentlichungen, sondern auch praktisch anwendbare Methoden aus dem Gebiet der künstlichen Intelligenz.
Wir sind überzeugt: der nächste Schritt für ERP, MES, und PPS-Software ist die KI-gestützte automatische Planoptimierung. Mit APS AI machen wir dies jetzt möglich – für eine moderne und effiziente Produktion ohne Verschwendung.
Sprechen wir über Ihre Planungsherausforderungen:
Forschungsnetzwerk
Wir finanzieren eine Doktoratsstelle des Doctoral College “Innovative Combinations and Applications of Artificial Intelligence and Machine Learning” (iCAIML). Das verstärkt unsere Verbindung zum Institut für Logic and Computation an der TU Wien, und ermöglicht uns auch bei den spannenden Themen Hyperheuristics und automatisierter Algorithmenselektion am Puls der Zeit zu bleiben.
Am Institut für Logic and Computation an der TU Wien war unser Christian Doppler-Labor von 2017 bis Anfang 2025 eingerichtet. Dort haben wir zusammen mit Wissenschaftlern gezielte Grundlagenforschung zur Entwicklung neuer Algorithmen und dem Einsatz von „Artificial Intelligence“ in der Produktionsplanung betrieben.
Gemeinsam mit unseren Partnern Bosch und Ximes haben wir so Pionierarbeit zur Erforschung der praktischen Anwendung von Methoden der künstlichen Intelligenz für komplexe Problemstellungen innerhalb der Produktionsplanung geleistet.
Auszug Forschungsgebiete
- nichtlineare dynamische Systeme
- Operations Research
- Multikriterielle Optimierung
- Metaheuristische Optimierungsverfahren
- Business Process Management
- Artificial Intelligence
Auszug Forschungsgebiete
- Anwendung quantitativer Methoden in der BWL
- Implementierung von quantitativen Modellen zur Entscheidungsunterstützung
Auszug Forschungsgebiete
- stochastische Modellierung von Produktions- u. Logistiksystemen
- Konfiguration von flexiblen Fließproduktionssystemen, Kapazitätsplanung
Auszug Forschungsgebiete
- Human Factors: taktische und operative Planung in Produktion
- Industrie 4.0: Planung vernetzter Systeme sowie Optimierung von Datenerhebung und Datenpflege
- Entscheidungsanalyse
- Projektmanagement
Unsere Algorithmus-Lösungen
Rüstzeitminimierung
Die Problemstellung ist das Erstellen eines Produktionsplans für mehrere parallel laufende Linien (Parallel Machine Scheduling), wobei Rüstzeiten (Umstellzeiten) zwischen aufeinanderfolgenden Aufträgen anfallen. Hierbei müssen Unterschiede zwischen Maschinen bezüglich Rüst- und Bearbeitungszeit berücksichtigt werden. Zusätzlich können Schichtkalender, Sekundärressourcen und Abhängigkeiten zwischen Aufträgen eine Rolle spielen.
Das Ziel besteht in der Minimierung der Gesamtsumme an Rüstaufwänden unter Berücksichtigung von Fälligkeitsterminen.
Produktionsanlagen mit reihenfolgeabhängigen und (stark) schwankenden Rüstzeiten auf ein oder mehreren Linien.
Food Algorithmus
Dieser Optimierungsalgorithmus wurde entwickelt, um das Planungsproblem eines typischen Szenarios der Lebensmittel- und Getränkeproduktion zu lösen. Das Szenario umfasst Aufträge zur Herstellung von Zwischenprodukten sowie zur Verpackung. Zwischen diesen Produktionsphasen befinden sich Zwischenlager, die jeweils einer maximalen Kapazitätsgrenze unterliegen. Dabei können Einschränkungen oder Prioritäten berücksichtigt werden, die festlegen, welches Zwischenprodukt in welchem Zwischenlager eingelagert werden darf oder soll.
Die optimale Planungsreihenfolge für den Produktions- und / oder Verpackungsbereich wird unter Berücksichtigung von Rüstmatrizen und Bedarfsterminen berechnet.
Fertigung mit mehrstufiger Produktion und Zwischenlagerung als Zwischenschritt. Häufige Anwendungsgebiete ist die Produktion in der Lebensmittelindustrie (Food & Beverages) und der Tiernahrungsindustrie, sowie der Prozessindustrie (Chemie, Baustoffe,…).
Batch Optimierung
Das Oven Scheduling Problem (OSP), ist ein paralleles Batchplanungsproblem. Aufträge müssen für einen von mehreren Öfen eingeplant werden und können gleichzeitig mit anderen Aufträgen in einer Charge verarbeitet werden, wenn sie kompatible Anforderungen haben. Bei der Einplanung der Aufträge müssen verschiedene Einschränkungen hinsichtlich der Eignung und Verfügbarkeit der Öfen, der Freigabetermine der Aufträge, der Rüstzeiten zwischen den Chargen sowie der Ofenkapazitäten berücksichtigt werden.
Reduzierung der Ofenlaufzeit durch Formung von geeigneten „Batches“, bei gleichzeitiger Berücksichtigung von Bedarfsterminen und Minimierung der Durchlaufzeit.
Beispielsweise bei Wärmebehandlungen im Rahmen der Herstellung elektronischer Komponenten.
Bei der Produktionsnivellierung geht es um eine gleichmäßige Aufteilung des Produktionsvolumens (gesamt und je Produkt) auf einzelne Perioden. Eine Periode kann dabei zum Beispiel eine Schicht, ein Tag, eine Woche oder ein Monat sein. Produktionsnivellierung ist ein wichtiger Teil in der Umsetzung des Heijunka-Prinzips.
Nivellierung der Produktionsmengen über Perioden und Produkttypen, gleichzeitig Berücksichtigung von Prioritäten/ Bedarfsterminen und Sekundäreinschränkungen.
Eine Nivellierung der Produktion ist z.B. in der Elektronikfertigung oftmals notwendig, um einen ausgeglichenen Produktmix auf Tagesebene zu erreichen und eine optimale Nutzung der Produktionskapazitäten im Scheduling zu ermöglichen. Darüber hinaus spielt die Nivellierung oder Glättung in der langfristigen Kapazitäts-/ Produktionsplanung oftmals eine entscheidende Rolle.
Ressourcenzuordnung
Die Ausführbarkeit eines Produktionsplans hängt meist von weiteren Ressourcen, wie Fertigungshilfsmittel oder Zwischenlagerkapazitäten ab. Bei der konkreten Zuteilung übersteigt die Anzahl der Möglichkeiten sehr schnell das von einem Menschen bewältigbare Ausmaß. Durch mathematische Optimierung können in Sekunden viel bessere Ergebnisse erzielt werden, als dies ein Mensch durch lange eigene Überlegungen erreichen kann. Lösung mittels Simulated Annealing (Metaheuristik-Framework).
Auf Basis eines bestehenden Produktionsplans werden im Rahmen des Produktionsprozesses benötigte Sekundärressourcen (z.B. Kessel, Tanks, Werkzeuge,…) den Aufträgen zugeteilt.
Produktionen mit Fertigungshilfsmittel oder Zwischenlagerung in Behältern.
Dieser Algorithmus dient dazu das vorhandene Kapazitätsangebot (Mitarbeiterverfügbarkeit) den Kapazitätsbedarfen unter Berücksichtigung verschiedener Einschränkungen und unter parametrierbaren Optimierungszielen zuzuordnen. Der Algorithmus wird beispielsweise aus dem MCP Workforce Management aufgerufen. Die Mitarbeiter werden Arbeitsplätzen zugeteilt.
Innerhalb einer Zeitperiode Mitarbeiter auf Arbeitsplätze zu verteilen, so dass die geplanten Aufträge bestmöglich abgearbeitet werden können.
Es gibt verschiedene Optimierungsziele, die durch Priorisierung und Gewichtung miteinander kombiniert werden können (Priorität von Mitarbeitern bzw. Arbeitsplätzen, Einsatz bestqualifizierter Mitarbeiter, …).
Mitarbeitereinsatzplanung auf Schichtebene.
Automatische Parametrisierung der MCP Gewichtungsregel (Machine Learning)
Durch ein trainiertes Modell schlägt eine künstliche Intelligenz auf Basis der aktuellen Planungssituation eine Gewichtung der einzelnen Optimierungsparameter vor.
Verbesserte Planungsergebnisse in dynamischem Umfeld durch KI unterstützte Gewichtung der Zielfaktoren.
Industrielle Fertigungen, deren Planung von mehreren Optimierungsfaktoren abhängen, wobei sich die Wichtigkeit der Faktoren, im Verhältnis zueinander, im Zeitverlauf immer wieder verändert (z.B. schwankende Auslastung, saisonale Effekte).
In den Lackieranlagen der Automobilzulieferindustrie oder im Maschinen- und Gerätebau müssen täglich eine große Anzahl von Teilen lackiert werden. Die Warenträger werden über Fördersysteme durch die Anlage transportiert. Die Planung erfolgt in Runden. Viele Faktoren können die Komplexität der Planungsaufgabe erhöhen: Farbreihenfolgen; minimale und maximale Blockgrößen; technische Eigenschaften der Warenträger; Reinigungsprozesse; Restriktionen beim Einhängen und Aushängen; parallele Lackierkabinen; und vieles mehr.
Minimierung von Farbwechseln und Kosten unter Berücksichtigung der Fälligkeitstermine und technischen sowie prozessualen Restriktionen.
Lackieranlagen in der Automobilindustrie, Elektronikindustrie und Metallverarbeitung: Kabinenlackieranlagen, Automatisierte Lackieranlagen, Pulverbeschichtungsanlagen.
Artificial Teeth Scheduling
Die Zahnherstellung erfolgt in Rundanlagen. Die Grundmasse wird in Metallformen gespritzt und in einem mehrstufigen Prozess innerhalb eines Durchlaufs in der Anlage zu einem Rohzahn verarbeitet.
Effiziente Bestückung der Anlage unter Berücksichtigung der Liefertermine und der Formen als limitiert zur Verfügung stehendes Fertigungshilfsmittel.
Neben der Zahnproduktion findet man sehr ähnliche Planungsherausforderungen in Rundlaufanlagen der Lebensmittel-, Kosmetik-, Pharma-, Chemie- oder auch Verpackungsindustrie.