SENECA - Entwicklung eines selbstlernenden Entscheidungsunterstzützungssystem für die echtzeitfähige Auftragsreihenfolge und Maschinenbelegungsplanung

Das Forschungsprojekt SENECA verfolgt die Entwicklung eines selbstlernenden Entscheidungsunterstützungssystems für die echtzeitfähige Auftragsreihenfolge- und Maschinenbelegungsplanung. Die Forschungsfrage lautet, wie Methoden des maschinellen Lernens (ML) angewendet werden müssen, um in Echtzeit zulässige Lösungen mit ausreichender Güte für Auftragsreihenfolge- und Maschinenbelegungsprobleme zu berechnen. Es sollen verschiedene ML-Methoden hinsichtlich ihrer Anwendbarkeit für die Auftragsreihenfolge- und Maschinenbelegungsplanung untersucht werden. Aufgrund der hohen Dynamik moderner Produktionssysteme und der daraus resultierenden Planungsunsicherheit wird erwartet, dass insbesondere die Produktionsablaufplanung von ML-basierten, echtzeitfähigen und adaptiven Entscheidungsunterstützungssystemen profitiert. ML-Algorithmen werden zurzeit vornehmlich für Regressions- und Klassifikationsprobleme eingesetzt. Ihr unmittelbarer Einsatz zur Berechnung von Optimierungsproblemen ist bisher kaum beforscht und industrielle Anwendungen sind bisher nicht bekannt. Das technische Arbeitsziel ist die Entwicklung eines Soft- und Hardware-Prototypen, welcher Entscheider in der Produktionsplanung und -steuerung unterstützt. Die technischen Herausforderungen betreffen insbesondere Aspekte der produktions- und einsatzspezifischen Gestaltung. Zum einen ist eine hohe Benutzerfreundlichkeit wichtig. Dies impliziert unter anderem, dass der Mensch stets die letzte Entscheidungsinstanz darstellt. Das System soll fähig sein, sich mit menschlicher Expertise kontinuierlich selbst zu verbessern. Zum anderen muss das Assistenzsystem derart gestaltet sein, dass die Echtzeitfähigkeit der Lösungsverfahren ausgeschöpft wird. Vorgeschlagene Auftragsreihenfolgen und Maschinenbelegungen müssen kurzfristig von der Produktionsplanung in die Produktionssteuerung überführt werden können.

24401_ SENECA - Development of a self-learning decision support system for real-time order sequencing and machine scheduling

The research project SENECA pursues the development of a self-learning decision support system for real-time order sequencing and machine scheduling. The research question is how machine learning (ML) methods must be applied in order to calculate admissible solutions with sufficient quality for order sequencing and machine allocation problems in real time. Various ML methods are to be investigated with regard to their applicability for order sequencing and machine allocation planning. Due to the highly dynamic nature of modern production systems and the resulting planning uncertainty, it is expected that production sequence planning in particular will benefit from ML-based, real-time capable and adaptive decision support systems. ML algorithms are currently primarily used for regression and classification problems. Their direct use for calculating optimization problems has hardly been researched and industrial applications are not yet known. The technical objective of the project is to develop a software and hardware prototype that supports decision-makers in production planning and control. The technical challenges relate in particular to aspects of production and application-specific design. On the one hand, a high level of user-friendliness is important. This implies, among other things, that humans are always the final decision-making authority. The system should be able to continuously improve itself with human expertise. On the other hand, the assistance system must be designed in such a way that the real-time capability of the solution processes is fully utilized. Proposed order sequences and machine assignments must be able to be transferred from production planning to production control at short notice.