Modellierung intelligenter Produktionssysteme

Sander Lass, Hanna Theuer, Gregor Hennig und Jochen Schumacher

Die schnelle und effiziente Anpassung an wechselnde Umgebungsbedingungen ist einer der Kernfaktoren für Unternehmen, um eine langfristige Festigung und Stärkung der Marktposition zu erreichen. Dabei spielen insbesondere auch die hohen Anforderungen der Kunden nach einer Individualisierung ihrer Produkte sowie rasche Innovationszyklen technischer Produkte eine wichtige Rolle. Aber auch die zunehmende Internationalisierung von Geschäftsbeziehungen oder schwer vorhersehbare Nachfrage- oder Angebotsschwankungen, wie beispielsweise bei Saisonalitäten, führen zur Notwendigkeit der Anpassung der Prozesse.

Die schnelle und effiziente Anpassung an wechselnde Umgebungsbedingungen ist einer der Kernfaktoren für Unternehmen, um eine langfristige Festigung und Stärkung der Marktposition zu erreichen. Dabei spielen insbesondere auch die hohen Anforderungen der Kunden nach einer Individualisierung ihrer Produkte sowie rasche Innovationszyklen technischer Produkte eine wichtige Rolle. Aber auch die zunehmende Internationalisierung von Geschäftsbeziehungen oder schwer vorhersehbare Nachfrage- oder Angebotsschwankungen, wie beispielsweise bei Saisonalitäten, führen zur Notwendigkeit der Anpassung der Prozesse.
Eine Möglichkeit, um den genannten Anforderungen erfolgreich zu begegnen, ist die dezentrale Produktionssteuerung, bei der die Entscheidungen im Gegensatz zur zentralen Variante nicht von einer zentralen Instanz, sondern dezentral und direkt auf der Shopfloor-Ebene getroffen werden. Während die klassischen hierarchischen Strukturen hinsichtlich der gestiegenen Anforderungen an Dynamik und Flexibilität an ihre Grenzen stoßen, bieten die dezentralen Strukturen hier umfangreiche Möglichkeiten [1]. Ein Weg zur Umsetzung einer dezentralen Produktionssteuerung sind autonome Technologien [2], die intelligent miteinander verknüpft sind.
Für die Analyse und den Vergleich von dezentral-gesteuerten Produktionsprozessen, ist es notwendig diese zu modellieren. Dazu muss eine entsprechende Methode vorhanden sein, welche die besonderen Anforderungen und Gegebenheiten berücksichtigt.


Bild 1: Beispiel für ein erweitertes Wertstromdiagramm mit drei Prozessschritten

Autonome Technologien
Bei der Betrachtung im Sinne der Systemtheorie –ein System besteht aus in miteinander in Beziehung stehenden Elementen –lassen sich auch in der Produktion zahlreiche Elemente identifizieren. Diese Produktionsobjekte (z. B. Materialen, Halbzeuge, Werkstückträger, Maschinen, etc.) interagieren miteinander und benötigen eine passende Koordinationsstrategie. Neue Technologien ermöglichen zunehmend auch Realisierung dezentraler Produktionssteuerung.
Der Einsatz autonom agierender Produktionsobjekte erlaubt eine Komplexitätsreduzierung und eine Einbindung von Vor-Ort-Bedingungen. Intelligente Systeme mit erweiterten Speicher- und Kommunikationsmöglichkeiten ermöglichen Informationsaustausch, Umgebungserkennung und Aufgabendurchführung selbstständig auszuführen [3].
Die Elemente des Systems benötigen Fähigkeiten zur Informationsverarbeitung, Entscheidungsfindung und -ausführung. Autonome Technologien gestatten die Umsetzung dieser Anforderungen in den Produktionsobjekten. Autonome Technologien bilden in diesem Kontext den Oberbegriff für Technologien und Konzepte, die die Realisierung der selbständigen Steuerung einzelner Elemente des Systems ermöglichen. Sie realisieren Informationsaufnahme und -verarbeitung sowie Entscheidungsfindung und -ausführung direkt vor Ort an den Systemelementen selbst [4].
Technologiebündel zur Bewältigung komplexerer Aufgabenstellungen (Informationsaufbereitung und -aggregation), zusammengesetzt ausverschiedenen Basistechniken für elementare Aufgaben (Erfassung und Kennzeichnung), realisieren Organisationsstrategien (Regelung des Informationsaustauschs) und Steuerungskonzepte (Regelung der Entscheidungsfindung) [4, 5].
AutoID (Basistechnik), Smarte Sensoren (Technologiebündel) und Konzepte aus dem Bereich der Verteilten Systeme (Organisationsstrategie und Steuerungskonzepte) -kombiniert zu intelligenten Produktionssystemen –erlauben die dezentrale Planung und Steuerung mit autonom agierenden Produktionsobjekten. Sie sollen als wesentliche Elemente im Folgenden kurz erläutert werden, da sie für die Analyse der Autonomie von Bedeutung sind.

AutoID-Technologien
Das Erfassen von Statusinformationen zu logischen Objekten in ein Informationssystem wird häufig von Personen durch manuelle Tätigkeit (z. B. Eingabe per Tastatur) durchgeführt. Diese Form der Datenerfassung ist jedoch auf Grund des zeitlichen Versatzes, mit der auf eine Statusänderung reagiert werden kann, und der Fehleranfälligkeit bei einer hohen Anzahl an manuellen Prozessen problematisch.
Vor diesem Grund spielt „die Automatisierung der Schnittstelle zwischen der physischen und der virtuellen Welt [...] eine Schlüsselrolle“[6]. Zum Einsatz kommen hier Verfahren und Technologien, die sich unter dem Begriff Automatische Identifikation (AutoID) zusammenfassen lassen. Für die Realisierung autonomer Prozesse ist es notwendig, dass Material- und Informationsfluss direkt aneinander gekoppelt sind. AutoID-Verfahren ermöglichen dieses durch ein „taggen“der Produkte.
Eine wichtige AutoID Technologie ist Radio Frequency Identification (RFID). Sie gestattet eine berührungslose Kommunikation bzw. Datenaustausch zwischen einem Sender und einem Empfänger. Daten aus der realen Welt können in Echtzeit betrieblichen Informationssystemen zur Verfügung gestellt werden. Diese unmittelbare Datenübertragung ist Vorraussetzung dafür, dass die Daten sofort nach dem Ereignis, das zu ihrem Entstehen geführt hat, in den IT-Systemen erkannt und für den Anstoßvon Folgemaßnahmen verwendet werden können [7].
Ein weiteres Merkmal von RFID wie auch anderen AutoID Systemen ist das nicht zwingende Vorhandensein einer zentralen Instanz zur Steuerung und Moderation der Kommunikation verschiedener Objekte. Sie kann dezentral organisiert werden. Somit können RFID basierte Identifikationssysteme in zentral und dezentral organisierten Umgebungen, aber auch in Mischformen eingesetzt werden.
Weitere AutoID Technologien sind beispielsweise 1D/2D Codes, Iris Scanner, OCR und Spracherkennung, wobei jedes System spezifische Stärken und Schwächen z. B. hinsichtlich Störanfälligkeit, der Robustheit, der Komplexität, der Leseeinrichtung oder der Kosten ausweist.

Smarte Sensoren
Durch die Umstellung des Produktionssystems auf dezentrale und autonome Produktionsobjekte ändern und erweitern sich die Anforderungen an die Sensorik als wesentliche Komponente solcher Systeme. Die Bedeutung der Umgebungswahrnehmung steigt und ist häufig unter dem Begriff der „Real World Awareness“als die unmittelbare Verbindung der IT (virtuelle Welt) mit der Umgebung (Reale Welt) subsummiert.
Die zunehmend komplexeren Szenarios mit etlichen Sensoren verursachen große Datenmengen und damit eine hohe Auslastung der Kommunikationsinfrastruktur (Bussysteme) sowie neue Herausforderungen bezüglich der Integration in bestehende Systeme (Konfiguration und Anbindung). Klassische Sensoren stoßen hier schnell an ihre Grenzen. Es entsteht der Bedarf einer neuen Generation von Sensoren. Unter dem Begriff „Smart Sensors“werden zunehmend erweiterte Sensorkonzepte entwickelt und umgesetzt.


Bild 2: Mögliche Daten im Data Dictionary

Eine häufig verwendete Definition bezieht sich hauptsächlich auf die technologischen Aspekte. Sie trifft folgende Aussage: „Ein smarter Sensor ist die Kombination eines Sensorelements, einem Schaltkreis für analoge Signalverarbeitung, einem Analog-Digital-Converter und einem Kommunikationsinterface verbaut in einem Gehäuse.“[8]
Eine weitere setzt den Fokus auf die Funktionen: „Ein Smarter Sensor ist ein Bauteil welches ohne zusätzliche Komponenten die Funktionen Signalerfassung, -Verarbeitung, -Aufbereitung und die Fähigkeit des Selbsttests, der Selbstdiagnose und der Rekonfiguration beherrscht.“[9] Durch Nutzung eines Mikrocontrollers können nicht nur Berechnungen vom im Vorfeld exakt festgelegten Entscheidungsalgorithmen, sondern auch die Funktionen Selbsttest, -diagnose etc. implementiert werden.
Smarte Sensoren erleichtern die praktische Umsetzung einer dezentralen Steuerung wesentlich, da sie die Implementierung höherwertiger Funktionen erlauben. Es ist möglich, nicht mehr nur lediglich Rohdaten aufzunehmen, sondern mit Metainformation angereicherte oder aggregierte Daten bereitzustellen. Dies erlaubt den effizienteren Aufbau heterogener Systeme, Sensornetzwerken und kombinierter Sensor-Aktor-Systeme, da die Umsetzung der Kommunikation erleichtert und von technischen Details abstrahiert werden kann.

Verteilte Systeme
Ein weiterer Baustein zur Realisierung dezentral gesteuerter Systeme sind Konzepte aus dem Bereich der verteilten Systeme. Eine der typischen Definitionen des Begriffes Verteiltes System lautet: „Ein verteiltes System ist eine Kollektion unabhängiger Computer, die den Benutzern als ein Einzelcomputer erscheinen.“[10].
Die interagierenden Komponenten eines dezentral gesteuerten Systems bilden physische Computersysteme (z. B. Smarter Sensor, Maschinensteuerung) oder ein Software-Element (z. B. Agent), welches Akteure abstrahieren und von der physischen Ebene abstrahiert. Diese Elemente kommunizieren ggf. ohne zentrale Kontrolle miteinander, um kooperativ Aufgaben zu erfüllen. Der Benutzer gibt Anweisungen an das System über ein geeignetes Interface, welches das System selbständig umsetzt.

Modellierung autonomer Prozesse
Für die Modellierung autonomer Produktionsprozesse existiert zurzeit noch keine adäquate Methode, welche die relevanten Aspekte berücksichtigt. Zu den wichtigsten Kriterien, die erfüllt werden müssen, zählen:

  • Eignung zur Nutzung für Produktionsprozesse
  • Eignung zur Auswertung von Produktionsprozessen
  • Eignung zum Vergleich verschiedener Produktionsprozesse
  • Hohes Maßan Klarheit und Übersichtlichkeit zur Erleichterung der Kommunikation mit anderen Personen
  • Möglichkeit zur Berücksichtigung spezieller Anforderungen autonomer Technologien
  • Darstellung von Informationsflüssen, die Kennzeichnung von autonomen Prozessen sowie die Hinterlegung konkreter Daten, welche für die Ausführung der Prozesse notwendig sind

Für den Vergleich wurden unterschiedliche Modellierungsmethoden untersucht. Dabei wurde von Anfang an ein Fokus auf solche mit einem starken Produktionsbezug gelegt. Dazu wurden unter anderem das Wertstromdesign und erweiterte Ereignisgesteuerte Prozessketten (eEPK) gegenübergestellt. Der Vergleich ergab, dass das Wertstromdesign die beste Eignung vorweist, obwohl die speziellen Anforderungen autonomer Prozesse nicht berücksichtigt werden. Jedoch bietet diese semiformale Methode gute Möglichkeiten zur Erweiterung.

Erweitertes Wertstromdesign
Wertstromdesign (englisch: Value Stream Design (VSD)) ist eine strukturierte, semi-formale Methode zur vollständigen Visualisierung von Prozessketten eines Produktionsprozesses mit den zugehörigen Material- und Informationsflüssen. Das Hauptaugenmerk liegt auf der Darstellung der logistischen Verknüpfungen, welche durch unterschiedliche Symbole dargestellt werden. Hierdurch sind charakteristische Merkmale des Produktionsablaufes schnell zu erkennen. Die Methode wurde ursprünglich im Rahmen des Toyota Produktionssystems für die Massenproduktion in der Automobilindustrie entwickelt. Das Hauptaugenmerk liegt auf der Differenzierung von wertschöpfenden und nicht wertschöpfenden Prozessen. Dadurch wird eine Grundlage für Prozessanalysen im Rahmen der schlanken Produktion geschaffen [11]. Informationsflüsse werden berücksichtigt, allerdings nur auf einem sehr aggregierten Level dargestellt.
Die Erweiterung des Wertstromdesigns für die Modellierung autonomer Prozesse besteht in einer Anpassung der Symbolik zur Visualisierung dezentral gesteuerter Prozesse, der Einführung eines Data Dictionary zur Dokumentation der relevanten Steuerungsdaten sowie der Definition eines Kennwertes, welcher eine Evaluation des Grades an Autonomie in Prozessen ermöglicht.

Symbolik

Bei der Betrachtung (teil-)autonomer Produktionsprozesse ist es notwendig, dass autonome und nicht autonome Prozessschritte unterschieden werden können. Im Sinne des Wertstromdesigns muss daher eine Symbolik geschaffen werden, welche dieses in einer einfachen Art und Weise ermöglicht. Dazu soll auf die vorhandene Symbolik zurückgegriffen und diese erweitert werden.
Bild 1 zeigt ein Wertstromdiagramm mit autonomen und nicht autonomen Prozessen. Die autonomen Prozesse sind mit einer ausgefüllten Ecke rechts oben markiert. Diese Markierung kann leicht während der Aufnahme durchgeführt werden.
Es ist ein Prozess mit drei Prozessschritten dargestellt. Die Produkte werden vom Lieferanten in einen Produktionssupermarkt geliefert und dort vom ersten Prozessschritt A entnommen. Nach der Bearbeitung wird es nach dem FIFO-Prinzip an den zweiten Prozessschritt B und schließlich an C weitergegeben. Die Prozessschritte A und B werden von einer zentralen Instanz gesteuert, Prozessschritt C dezentral. Nach der Fertigstellung wird es in das Lager (hier dargestellt als Dreieck mit einem i für „inventory“(Bestand)) gegeben, von wo aus die Kunden bedient werden.

Data Dictionary
Für die Reproduzierbarkeit autonomer Prozesse ist eine Dokumentation aller zur Prozessausführung notwendigen Daten, unabdingbar. Hierzu gehören alle Daten, welche zwischen den unterschiedlichen Produktionsobjekten ausgetauscht werden, als auch diejenigen, welche für die Entscheidungsfindung notwendig sind. Die relevanten Daten können dabei in die drei Oberklassen Prozess-, Informations- und Produktdaten aufgeteilt werden.
Prozessdaten sind für jeden einzelnen Prozess spezifisch. Dazu gehören alle Informationen, die für selbstständige Handlungsentscheidungen notwendig sind. Informationsdaten spezifizieren den Datenaustausch (beispielsweise zwischen Produkt und Maschine / Prozess). Sie sind notwendig, um den informations-technischen Aufbau der einzelnen Prozesse nachbilden zu können. Die Klasse der Produktdaten spezifiziert das Produkt, an dem gearbeitet wird. Eine Auswahl relevanter Daten ist in Bild 2 dargestellt.

Autonomie Index
Für die Evaluation verschiedener Wertströme mit autonomen Technologien ist die Verwendung einer Kennzahl notwendig. Da bislang keine existiert, welche den Grad an Autonomie in Prozessen berücksichtigt, wird eine neue geschaffen. In Anlehnung an den Lean Index der schlanken Produktion wird diese als „Autonomie Index“bezeichnet.
Bei der Definition des Autonomie Index wurden verschiedene Vergleichbasen untersucht:

  • Anzahl autonomer Prozesse zur Anzahl aller Prozesse
  • Summe autonom gesteuerter Prozesszeit zur gesamten Prozesszeit
  • Menge des relevanten autonomen Datenaustauschs zur Menge des gesamten relevanten Datenaustauschs

Aufgrund der hohen Bedeutung des Datenaustausches in der autonomen Produktionssteuerung wurde die Entscheidung für die dritte Möglichkeit getroffen. Dabei wird nur die entscheidungsrelevante Datenmenge berücksichtigt.
Der Autonomie Index wird wie folgt berechnet:

mit:
AI    Autonomie Index
DEaut    Summe des relevanten autonomen Datenaustauschs
DEall    Summe des gesamten relevanten Datenaustauschs
F    Durchschnittliche Frequenz des Datenaustausches
A    Durchschnittliche Menge des Datenaustausches
i c I    relevanter autonomer Datenaustausch
j c  J    relevanter gesamter Datenaustausch

Durch die Verwendung des erweiterten Wertstromdesigns ist es möglich, autonome, selbststeuernde Produktionsprozesse zu modellieren. Die Dokumentation ist Basis für weitere Analysen und Diskussionen.

 

Schlüsselwörter:

Autonome Technologien, Dezentrale Produktionssteuerung, Smart Sensors, Wertstromdesign, Modellierung

Literatur:

[1] Gronau, N.: Wandlungsfähige Informationssystemarchitekturen –Nachhaltigkeit bei organisatorischem Wandel, 2. Auflage, GITO Verlag, Berlin (2006)
[2] Gronau, N., Theuer, H., Lass, S.: LUPO –Leistungsfähigkeitsbeurteilung unabhängiger Produktionsobjekte. In: Nyhuis, P. (Hrsg.): Wandlungsfähige Produktionssysteme, Reihe: Schriftenreihe der Hochschulgruppe für Arbeits- und Betriebsorganisation e.V. (HAB) S. 177-187. GITO Verlag Berlin (2010)
[3] Freitag, M., Herzog, O., Scholz-Reiter, B.: Selbststeuerung logistischer Prozesse –Ein Paradigmenwechsel und seine Grenzen –ein neuer Sonderforschungsbereich an der Universität Bremen. In: Industrie Management 1-2004, Seiten 23-27. GITO-Verlag Berlin, Berlin (2004)
[4] Theuer, H.: Extension of Value Stream Design for the Simulation of Autonomous Production Systems. In: Proceedings of the 4th International Conference on Changeable, Agile, Reconfigurable and Virtual production (CARV 2011). Montreal, Canada. October 2011, Seiten 586-591 (2011)
[5] Gronau, N., Theuer, H.: Potenziale autonomer Technologien in Produktion und Logistik, In: Siepermann/Eley (Hrsg.): Logistik –Gestern, heute, morgen –Festschrift für Richard Vahrenkamp zur Vollendung des 65. Lebensjahres, S. 269-286. GITO Verlag, Berlin (2011)
[6] Sprenger, C., Wecker, F., Franke, W. Dangelmeier, W. (Hrsg.): RFID –Leitfaden für die Logistik. Gabler, GWV-Fachverlage, Wiesbaden (2006)
[7] Finkenzeller, K.: RFID-Handbuch –Grundlagen und praktische Anwendungen von Transpondern, kontaktlosen Chipkarten und NFC, Carl Hanser Verlag, München (2008)
[8] Huijsing, J. H.: Smart Sensor Systems Why? Where? How?, In: Meijer, G. C. M.: Smart Sensor Systems, John Wiley & Sons, Chichester, UK (2008)
[9] Taymanov, R., Sapozhnikova K.: Problems of Terminology in the Field of Measuring Instruments with Elements of Artificial Intelligence, In: Sensors & Transducers Journal Vol 102, Issue 3, Seiten 51-60. http://www.sensorsportal.com/HTML/DIGEST/P_401.htm (2009)
[10] Tanenbaum, A.: Computernetzwerke 4. Auflage, Addison-Wesley Verlag, München (2003).
[11] Rother, M., Shook, J.: Learning to See: Value Stream Mapping to Add Value and Eliminate Muda, The Lean Enterprise Institute, Inc., Cambridge, USA (2003)