-
TECHNISCHES GEBIET
-
Die
vorliegende Erfindung bezieht sich auf die Auswahl eines auszuführenden
Prozesses, insbesondere auf die Auswahl des auszuführenden
Prozesses und dessen Abarbeitungsmenge, aus einer Mehrzahl von Prozessen
in einer Multiprozessumgebung.
-
HINTERGRUND DER ERFINDUNG
-
Sollten
innerhalb eines Prozesszeitintervalls unterschiedliche Prozesse,
beispielsweise unterschiedliche Computerprozesse oder unterschiedliche Herstellungsprozesse
ausgeführt
werden, so ist eine Prozess-ökonomische
Auswahl der in einem Schritt abzuarbeitenden Menge und die Reihenfolge
der auszuführenden
Prozesse von Bedeutung, um einen maximalen Prozessgewinn innerhalb
eines Planungshorizontes zu erhalten.
-
Bekannte
Planungsverfahren gehen beispielsweise stets von konkreten und vorgegebenen Produktionsaufträgen aus,
deren Zielmenge vorab ermittelten Sicherheitsbestand enthalten kann,
wodurch der Prozessgewinn geschmälert
wird.
-
Es
ist die Aufgabe der vorliegenden Erfindung, ein effizientes Konzept
fix die Auswahl eines auszuführenden
Prozesses aus einer Mehrzahl von Prozessen zu schaffen.
-
Diese
Aufgabe wird durch die Merkmale der unabhängigen Ansprüche gelöst.
-
Erfindungsgemäß werden
auf der Basis der stochastischen Kennwerte für den unsicheren Bedarf die
Kapazitäten
so verteilt, dass der erwartete Gewinn maximiert wird.
-
Die
vorliegende Erfindung schafft eine Vorrichtung zum Bestimmen eines
z. B. zu einem vorbestimmten Prozesszeitpunkt auszuführenden
Prozesses aus einer Mehrzahl von Prozessen, wobei jedem Prozess
ein Prozessergebnis, z. B. ein Produkt und eine produzierte Menge,
zugeordnet ist. Die Vorrichtung umfasst eine Bereitstellungs-Einrichtung
zum Bereitstellen einer ersten statistischen Bedarfsdichte für ein erstes
Prozessergebnis eines ersten Prozesses aus der Mehrzahl der Prozesse
innerhalb eines Prozessintervalls und zum Bereitstellen einer zweiten
statistischen Bedarfsdichte für
ein zweites Prozessergebnis eines zweiten Prozesses aus der Mehrzahl
der Prozesse innerhalb des Prozessintervalls. Das Prozessintervall
kann beispielsweise der Planungshorizont sein.
-
Die
Vorrichtung umfasst ferner eine Berechnungseinrichtung zum Berechnen
eines ersten Prozessgewinns (sog. Beta-Service), der sich bei einer Ausführung des
ersten Prozesses ergibt, in Abhängigkeit
von der ersten Bedarfsdichte und einer bis zu dem vorbestimmten
Prozesszeitpunkt erreichbaren Anzahl der ersten Prozessergebnisse
des ersten Prozesses, und zum Berechnen eines zweiten Prozessgewinns
(sog. Beta-Service), der sich bei einer Ausführung des ersten Prozesses
ergibt, in Abhängigkeit
von der ersten Bedarfsdichte und einer bis zu dem vorbestimmten
Prozesszeitpunkt erreichbaren Anzahl der zweiten Prozessergebnisse
des zweiten Prozesses.
-
Darüber hinaus
umfasst die Vorrichtung eine Auswahleinrichtung zum Auswählen des
ersten Prozesses oder des zweiten Prozesses als den auszuführenden
Prozess in Abhängigkeit
von einem Vergleich zwischen dem ersten Prozessgewinn und dem zweiten
Prozessgewinn.
-
Der
Prozessgewinn kann z. B. derjenige Prozessvorteil sein, der sich
bei einer Ausführung
eines Prozesses bezogen auf die zur Ausführung benötigte Zeit ergibt. Handelt
es sich bei den Prozessen beispielsweise um Herstellungsprozesse,
so gibt der Prozessgewinn den Gewinn bei der Herstellung eines Produktes
bezogen auf die zur Herstellung benötigte Zeit an. Handelt es sich
bei den Prozessen hingegen um Computerprozesse, so gibt der Prozessgewinn
beispielsweise die mit einer Ausführung eines bestimmten Prozesses
zu einem bestimmten Prozesszeitpunkt erzielte Reduktion der insgesamt benötigten Ausführungszeit
oder der verringerte Speicherbedarf an. Der Prozessgewinn kann ferner ein
Verhältnis
eines Prozessergebniswertes eines Prozessergebnisses eines Prozesses
und einer zur Ausführung
des Prozesses benötigten
Prozesszeit umfassen.
-
Gemäß einem
Aspekt ist die Berechnungseinrichtung ausgebildet, um den ersten
Prozessgewinn in Abhängigkeit
von einer innerhalb des Prozessintervalls erreichbaren Anzahl von
ersten Prozessergebnissen zu berechnen, und um den zweiten Prozessgewinn
in Abhängigkeit
von einer innerhalb des Prozessintervalls erreichbaren Anzahl zweiten
Prozessergebnisse zu berechnen. Ferner kann die Berechnungseinrichtung
ausgebildet sein, um den ersten Prozessgewinn in Abhängigkeit
eines Bedarfs an ersten Prozessergebnissen zu berechnen und um den
zweiten Prozessgewinn in Abhängigkeit
eines Bedarfs an zweiten Prozessergebnissen zu berechnen. Die Berechnungseinrichtung
kann ferner ausgebildet sein, um den ersten Prozessgewinn auf der
Basis einer Differenz zwischen einem Integral über die statistische Bedarfsdichte
in Abhängigkeit
von einer Anzahl von ersten Produktergebnissen oder in Abhängigkeit
von einer Anzahl von innerhalb des Prozessintervalls erreichbaren
ersten Produktergebnissen und einem Integral über die statistische Bedarfsdichte
in Abhängigkeit
von einer weiteren Anzahl von ersten Produktergebnissen oder in
Abhängigkeit
von einer Anzahl von innerhalb des Prozessintervalls erreichbaren
ersten Produktergebnissen zu berechnen, und wobei die Berechnungseinrichtung
ausgebildet ist, um den zweiten Prozessgewinn auf der Basis einer
Differenz zwischen einem Integral über die statistische Bedarfsdichte
in Abhängigkeit
von einer Anzahl von zweiten Produktergebnissen oder in Abhängigkeit
von einer Anzahl von innerhalb des Prozessintervalls erreichbaren
zweiten Produktergebnissen und einem Integral über die statistische Bedarfsdichte
in Abhängigkeit
von einer weiteren Anzahl von zweiten Produktergebnissen oder in
Abhängigkeit von
einer Anzahl von innerhalb des Prozessintervalls erreichbaren zweiten
Produktergebnissen zu berechnen.
-
Gemäß einem
Aspekt umfasst die Vorrichtung eine Signalisierungseinrichtung zum
Ausgeben eines Signals, das den auszuführenden Prozess anzeigt. Die
Signalisierungseinrichtung kann beispielsweise eine elektronische
Anzeigeeinrichtung zum Anzeigen des auf den auszuführenden
Prozess hinweisenden Signals aufweisen.
-
Die
Mehrzahl der Prozesse beziehungsweise der erste Prozess und der
zweite Prozess können statistisch
verteilte Computerprozesse oder technische Produktherstellungsprozesse
sein, wobei die statistische Bedarfsdichte des ersten Prozesses
und die statistische Bedarfsdichte des zweiten Prozesses jeweils
eine Gamma-Dichte aufweisen können.
-
Gemäß einem
Aspekt sind die Vorrichtung und deren Einrichtungen in Hardware
oder in Software implementiert, so dass alle auftretenden Größen in Form
von elektrischen Signalen bereitgestellt und verarbeitet werden.
-
Die
Erfindung schafft ferner ein Verfahren zum Bestimmen eines zu einem
vorbestimmten Prozesszeitpunkt auszuführenden Prozesses aus einer Mehrzahl
von Prozessen, wobei jedem Prozess ein Prozessergebnis zugeordnet
ist. Das mit Verfahren umfasst den Schritt eines Bereitstellens
einer ersten statistischen Bedarfsdichte für ein erstes Prozessergebnis
eines ersten Prozesses aus der Mehrzahl der Prozesse innerhalb eines
Prozessintervalls und Bereitstellen einer zweiten statistischen
Bedarfsdichte für
ein zweites Prozessergebnis eines zweiten Prozesses aus der Mehrzahl
der Prozesse innerhalb des Prozessintervalls, den Schritt eines
Berechnens eines ersten Prozessgewinns, der sich bei einer Ausführung des
ersten Prozesses ergibt, in Abhängigkeit von
der ersten Bedarfsdichte und einer bis zu dem vorbestimmten Prozesszeitpunkt
erreichbaren Anzahl der ersten Prozessergebnisse des ersten Prozesses,
und zum Berechnen eines zweiten Prozessgewinns, der sich bei einer
Ausführung
des ersten Prozesses ergibt, in Abhängigkeit von der ersten Bedarfsdichte
und einer bis zu dem vorbestimmten Prozesszeitpunkt erreichbaren
Anzahl der zweiten Prozessergebnisse des zweiten Prozesses und den Schritt
eines Auswählens
des ersten Prozesses oder des zweiten Prozesses als den auszuführenden
Prozess in Abhängigkeit
von einem Vergleich zwischen dem ersten Prozessgewinn und dem zweiten
Prozessgewinn. Ferner kann das Verfahren den Schritt eines Ausgebens
eines Signals, das den auszuführenden
Prozess anzeigt aufweisen. Weitere Verfahrensschritte ergeben sich
aus der Funktionalität
der erfindungsgemäßen Vorrichtung
zum Bestimmen des auszuführenden
Prozesses.
-
Die
vorliegende Erfindung schafft ferner ein Computerprogramm zur Ausführung des
erfindungsgemäßen Verfabrens
zum Bestimmen des auszuführenden
Prozesses, insbesondere wenn das Computerprogramm auf einem Computer
abläuft.
-
BESCHREIBUNG DER ZEICHNUNGEN
-
1 ein
Blockdiagramm der Vorrichtung zum Bestimmen eines auszuführenden
Prozesses;
-
2 eine
Darstellung der Verkaufswahrscheinlichkeit für die letzte Einheit des Bestandes;
-
3 eine
Darstellung der Verkaufswahrscheinlichkeit für die letzte Einheit des Bestandes;
-
4 ein
numerisches Ergebnis des Algorithmus; Spalten A-H beziehen sich
auf Produkt 1, Spalten I-P beziehen sich auf Produkt 2.
-
5 ein
weiteres numerisches Ergebnis des Algorithmus; Spalten A-H beziehen
sich auf Produkt 1, Spalten I-P beziehen sich auf Produkt 2.
-
6 einen
ersten Algorithmusschritt;
-
7 Gamma-Dichten;
-
8 einige
Beta-Service-Gewinne; und
-
9 maximal
zu erwartende Beta-Lieferung.
-
10 Datenfluss
von BayAPS-PP (Prozessoptimierung) in Zusammenarbeit mit einem Herstellungssteurungssystem
für eine
automatische Erfassung von Massendaten wie z. B. SAP
-
1 zeigt
ein Blockdiagramm einer Vorrichtung zum Auswählen eines zu einem vorbestimmten
Prozesszeitpunkt (z. B. eines als nächstes) auszuführenden
Prozesses. Die Vorrichtung umfasst eine Bereitstellungseinrichtung 101,
deren Ausgang mit einem Eingang einer Berechnungseinrichtung 103 verbunden
ist. Der Berechnungseinrichtung 103 ist einer Auswahleinrichtung 105 nachgeschaltet. Optional
ist eine der Auswahleinrichtung 105 nachgeschaltete Signalisierungseinrichtung 107 vorgesehen,
um den ausgewählten,
auszuführenden
Prozess anzuzeigen.
-
Die
erfindungsgemäße Vorrichtung
beziehungsweise deren Funktionalität kann gemäß einem Aspekt in Software
realisiert werden, auf die im Folgenden mit dem Begriff "BayAPS-PP" (Prozessoptimierung)
Bezug genommen wird. In den nachfolgenden Ausführungen wird beispielhaft angenommen, dass
die auszuwählenden
Prozesse Produktions- bzw. Herstellungsprozesse sind. Es soll jedoch
betont werden, dass die auszuwählenden
Prozesse beispielsweise Computerprozesse, technische Ablaufprozesse,
Steuerungsprozesse in automatischen elektronischen Steuerungssystemen
oder Chip-Steuerungsprozesse sein können.
-
BayAPS-PP
ist ein Softwaretool, das die gesamte Produktion von Produkten pro
Produktionslinie innerhalb einer Planungsperiode und deren Aufteilung
in Produktionszahlen optimiert. Die Optimierung bedeutet erstens
die Maximierung der insgesamt zu erwartenden Verkäufe und
zweitens die Minimierung der mittleren Bestände. Das der Software zu Grunde liegende
Modell gehorcht unterschiedlichen Nebenbedingungen, die entweder
durch den Prozess selbst oder durch organisatorische Beschränkungen
gegeben sind.
-
Es
wird davon ausgegangen, das BayAPS-PP regulär läuft, idealer weise bevor eine
Entscheidung über
die nächste
Produktionsmenge getroffen wurde. Auf diese Weise tauscht die BayAPS-PP-Software sobald es
möglich
ist den zufälligen
Bedarf durch einen konkreten Bedarf aus und der Herstellungs- bzw.
Produktionsprozess wird zum gesteuerten zufälligen Prozess.
-
Die
BayAPS-PP-Software benötigt
einige Stammdaten und umfasst eine Schnittstelle zu einem Herstellungssteuerungssystem,
um eine automatische Erfassung von Massendaten hinsichtlich des Bedarfs
und der Bestände
zu ermöglichen.
-
Beispiele
für Stammdaten
sind Startprognose aus der Historie, erfahrungsgemäße Standardabweichung
der Prognose berechnet auf Basis historischer Vergleiche von früheren Prognose
und Kapazitätsstammdaten.
Massendaten sind aktuelle Prognosen, offene Bestellungen und aktueller
Bestand.
-
Der
BayAPS-PP-Algorithmus, der den Kern von BayAPS-PP bildet, umfasst
bevorzugt zwei Schritte. Im ersten Schritt wird die Produktionskapazität auf unterschiedliche
Produkte verteilt, so dass der Deckungsbeitrag pro Zeiteinheit optimiert
wird. Dieser Schritt ist der Hauptteil des Algorithmus. Zur Prozessmodellierung
können
Gamma-Dichten herangezogen werden, was jedoch nicht essenziell ist, weil
jede andere stetige Familie von Dichten eingesetzt werden kann.
Für praktische
Zwecke soll jedoch nicht von einem negativen Bedarf ausgegangen
werden und die Dichte für
einen gegebenen Bedarf und eine Standardabweichung sollte eindeutig
sein. Gamma-Dichten
werden beispielsweise eingesetzt, um zufällige Bedarfsprozesse zu modellieren.
Der zweite Schritt teilt die gesamte Produktionsmenge in Fertigungslose
für die
einzelnen Produkte auf und priorisiert diese Fertigungslose.
-
Hinsichtlich
der Stammdaten kann beispielsweise ausgegangen werden von einer
Definition einer kleinen diskreten Einheit eines Produktes, zum Beispiel
eine Tonne in einem kontinuierlichen Produktionsprozess mit einer
Ausgangsleistung von 50.000 t pro Planungshorizont, zum Beispiel
ein halbes Jahr. Es existiert also eine Definition eines Intervalls,
um den Planungshorizont aufzuteilen. In einer industriellen Umgebung
wird eine Woche oft als ein Raster für die Bedarfsvorhersagen verwendet,
der in detaillierten Produktionsabläufen eingesetzt wird. Dies
wird mit einer Planungseinheit bezeichnet. Daher ist der Planungshorizont
die Sequenz w1, ..., wn der
Planungseinheiten.
-
Für jedes
der v Produkte P1, ..., Pv gibt
es eine Zeit t1, ..., t, die zum Herstellen
einer Produkteinheit benötigt
wird. Dies sollte eine realistische Vorhersage der benötigten Zeit
liefern, während
ein Fertigungslos produziert wird. Sie darf jedoch keinen Anteil
für Produktwechselzeiten
enthalten.
-
BayAPS-PP
rechnet mit einer durchschnittlichen Produktwechselzeit C und einer
maximalen Anzahl L der Fertigungslose pro Zeithorizont. L wird typischerweise
bestimmt durch personelle Kapazitätsbeschränkungen. Weil der Algorithmus
sehr schnell ausgeführt
werden kann, gibt es kein Problem damit, einen geeigneten Parameter
L zu variieren und dessen Einfluss zu studieren. Optional optimiert
BayAPS-PP den insgesamt realisierten Deckungsbeitrag statt der realisierten
Gesamtzahl der Produkteinheiten und dann wertet dazu die Deckungsbeiträge m1, ..., mv pro Produkt
und pro Einheit aus.
-
Was
die Massendaten anbetrifft, so ist davon auszugehen, dass zunächst für die Produkte
die anfängliche
Menge s1, ..., sv existiert.
Für jedes
Paar Pi, wj, 1 ≤ i ≤ v, 1 ≤ j ≤ n eines Produktes
und einer Planungseinheit gibt es einen zufälligen bedingten Bedarf Δij in
Form eines Vektors Aij = (μij, σij,
rij), der sich aus dem (nicht-bedingten)
Mittelwert μij, der Standardabweichung σij und
den bereits erhaltenen Bestellungen rij zusammensetzt.
-
Im
Folgenden wird der erste Schritt des Algorithmus, wie er in 2 dargestellt
ist, erläutert.
Ferner wird auf die zum Verständnis
des Kernes des BayAPS-PP-Algorithmus notwendige Definition des erfindungsgemäßen Beta-Services
(Prozessgewinn) eingegangen.
-
2 zeigt
den Verlauf 201 der statistischen Bedarfsdichte δ. Falls Δ die korrespondierende
kumulative Verteilung ist, dann ergibt sich mit 1 – Δ der Verlauf 203.
Hinter dem Verlauf 201 befindet sich ein weiterer Verlauf,
der durch den Verlauf 201 überdeckt wird, weil angenommen
wird, dass keine Bestellungen eingegangen sind.
-
Der
Verlauf 1 – Δ(x) ist die
Wahrscheinlichkeit dafür,
dass Bedarf für über die
Menge hinaus x besteht. Über
die Menge 0 hinaus besteht Bedarf mit Wahrscheinlichkeit 1 verkauft,
weil 1 – Δ(0) = 1 ist. Falls
bereits eine unendliche Menge bereitsteht, so besteht darüber hinaus
Bedarf mit der Wahrscheinlichkeit 0 verkauft, da 1 – Δ(a) = 0 ist.
Wie man erwarten würde,
falls der mittlere Bedarf auf Lager bereitsteht, besteht mit einer
Wahrscheinlichkeit von etwa 0.5. In diesem Zusammenhang soll betont
werden, dass die Gamma-Dichten, die durch BayAPS-PP verwendet werden,
jeweils einen unterschiedlichen Modus, Medianwert und Mittelwert
aufweisen.
-
Mit
anderen Worten ist 1 – Δ(x) der Beitrag von
x zu den insgesamt erwarteten Verkäufen für einen gegebenen zufälligen Bedarf
mit einem positiven Mittelwert und einer positiven Varianz, der
in BayAPS-PP durch die eindeutige Gamma-Dichte mit diesen beiden
Parametern repräsentiert
wird.
-
Im
Folgenden wird dieselbe Situation untersucht, mit der Annahme, dass
bereits Bestellungen für 50 Einheiten
eingegangen sind, wie es in 3 dargestellt
ist. Der Verlauf 301 zeigt die ursprüngliche Bedarfsdichte δ. Der Verlauf 303 zeigt
die so genannte bedingte Dichte δ|50, die aus der Bedingung resultiert, dass
der realisierte Wert zumindest 50 ist, was sich aus der
Annahme der bereits eingegangenen Bestellungen für 50 Einheiten ergibt.
Der Verlauf 303 ergibt sich aus dem Verlauf 301 durch
einen Schnitt auf der linken Seite, weil der Bedarf unterhalb von 50 die
Wahrscheinlichkeit 0 aufweist. Die Fläche unterhalb des Verlaufs
ist normiert auf 1. Gemäß dem vorhergehenden
Ausführungsbeispiel
ist der Verlauf 305 1 – Δ|50,
wobei Δ|50 die kumulative bedingte Verteilung ist.
1 – Δ|50 sagt
aus, wie erwartet, dass die ersten 50 Stück mit der Wahrscheinlichkeit 1 verkauft
werden.
-
Im
Folgenden werden die erfindungsgemäßen Formeln, die zur Berechnung
des Beta-Services (des Prozessgewinns) und des bedingten Gamma-Bedarfs
herangezogen werden, erläutert.
-
Die
dem Algorithmus zu Grunde liegenden Idee ist wie folgt: bis die
Zeit abgelaufen ist, stelle die nächste Einheit für dasjenige
Produkt her, das den höchsten
wahrscheinlichen Deckungsbeitrag aufweist. Dies ist nur eine theoretische
Sequenz, weil keine Wechselzeiten betrachtet werden. Am Ende werden
für alle
Produkte die hergestellten Einheiten erfasst. Es soll betont werden,
dass im Allgemeinen die Herstellung einer Einheit für ein Produkt
den wahrscheinlichen Deckungsbeitrag reduziert, der für eine weitere
Einheit erzielt wird, die für
dieses Produkt hergestellt wird. Wird daher dasselbe Produkt dauernd
hergestellt, so ermittelt der Algorithmus eine Sättigung für Bedarf und Sicherheitsbestand.
-
Mit
T wird die Zeitdauer eines Planungshorizontes bezeichnet und R =
T – CL
bezeichnet die verbleibende Produktionszeit. Für jedes Produkt P
i,
1 ≤ i ≤ v wird der
gesamte zufällige
Bedarf innerhalb des Planungshorizontes, der durch den
mit
und
bezeichnet wird, berechnet.
Das bedeutet, dass der Gesamtmittelwert, die Standardabweichung
sowie die bereits erhaltenen Bestellungen bekannt sind. Die anfängliche
Stückzahl
x
i für
jedes Produkt ist x
i = S
i.
-
Die
Ausführungsschleife
ist gestaltet wie folgt:
Während
für die
verbleibende Zeit R > 0,
untersuche die Herstellung einer weiteren Einheit mit den folgenden
Schritten:
Berechne den Wert
für jedes Produkt, wobei δ die Gamma-Dichte
bezeichnet, die eindeutig durch μ
i und σ
i festgelegt wird. Das ist der Gewinn, der
in einem erwarteten Deckungsbeitrag pro Zeiteinheit für das Produkt
P
i enthalten ist. B
δ(r
i, x
i + 1) – B
δ(r
i, x
i) ist der wahrscheinlich verkaufte
Anteil der weiteren Einheiten, vorausgesetzt, dass der gegebene
mittlere Bedarf, die Standardabweichung und die bereits erhaltenen
Bestellungen bekannt sind. m
i ist der Deckungsbeitrag
bezogen auf eine Einheit und t
i ist die
für die
Herstellung benötigte
Zeit.
-
Wähle das
Produkt, z.B. P
k, welches das erste ist,
für das
den maximalen Wert in der
gegenwärtigen
Runde annimmt, erhöhe
x
k auf x
k + 1 und
verringere R auf R – t
k. Dann führe
die Schleife erneut aus.
-
Falls
der Fall eintreten soll, dass die Bestellungen, die für die unterschiedliche
Produkte bereits eingegangen sind, die Gesamtkapazität überschreiten
und dass diese Produkte genau denselben Deckungsbeitrag pro Zeiteinheit
aufweisen, schlägt
BayAPS-PP vor, bevorzugt diejenigen Produkte mit einer niedrigeren
Produktnummer herzustellen, was eine der dann unterschiedlichen
Möglichkeiten
darstellt, den Deckungsbeitrag zu maximieren. Unmittelbar nach der
Herstellung für
alle bereits eingegangenen Aufträge
wird, falls eine weitere Einheit für ein Produkt geplant wird,
die Wahrscheinlichkeit reduziert, dass eine nächste Einheit für das Produkt
noch einmal geplant wird. Die exakten Werte hängen von den Parameter der
bedingten Bedarfsverteilung ab. Im Ergebnis sollten für ein Produkt
Pi xi – si Einheiten zu einem gegebenen Zeitpunkt
innerhalb des Planungshorizontes hergestellt werden, um den insgesamt
erwarteten Deckungsbeitrag innerhalb der vorgegebenen Regeln zu
maximieren.
-
4 zeigt
einige Ergebnisse des erfindungsgemäßen Algorithmus sowie die Verläufe der dazugehörigen Prozessgewinne
(Beta-Service Gewinn, Beta-Service Gain). Beispielsweise werden zwei
Produkte betrachtet, die dieselbe Produktionskapazität pro Einheit
und denselben Deckungsbeitrag benötigen. Ferner wird in dem einfachen
Beispiel angenommen, dass keine bereits erhaltenen Bestellungen
vorliegen und dass anfangs kein Lagerbestand vorhanden ist.
-
Die
beiden Produkte haben einen mittleren Bedarf von 10 Einheiten,
jedoch eine unterschiedliche Standardabweichung von 3 beziehungsweise 7 Einheiten.
In den Spalten D bzw. L sind die Prozessgewinne (Beta-Service) für den Bestand
von 0, 1, 2, 3, ... Einheiten aufgelistet. Die Spalten G bzw. O
listen den Gewinn im Beta-Service auf, falls der Bestand um eine
Einheit erhöht
wird. Beide Spalten G und O sind zu einer Liste von Zahlen zusammengefasst
und der Rang einer jeden Zahl ist in den Spalten H beziehungsweise
P dargestellt.
-
Die
ersten vier Einheiten werden für
das erste Produkt hergestellt, weil die Ränge 1 bis 4 auf
dieses Produkt hinweisen, wobei die fünfte Einheit dem zweiten Produkt
zugeordnet ist. Falls die Gesamtkapazität nur 10 beträgt, so sagt
die Tabelle aus, dass 7 Einheiten für das erste Produkt hergestellt
worden sind. Der Grund hierfür
ist, dass die Spalte H die Ränge
von höchstens 10 bis
auf die 7 in Spalte E zeigt, was für die Herstellung relevant
ist. Nur 3 Einheiten verbleiben für das zweite Produkt. Dieses
reflektiert den Fall, dass, falls die Kapazität unterhalb des mittleren Bedarfs
liegt, es günstiger
ist, mehr für
das Produkt mit einem relativ sicheren Bedarf herzustellen. Alles
in die Gesamtproduktionskapazität
jedoch 30 beträgt,
so sagt die Tafel aus, das 13 Einheiten hergestellt worden
sind für
das erste und 17 Einheiten für das zweite Produkt.
-
Die
nächste
Variante in 5 zeigt zwei Produkte mit unterschiedlichen
mittleren Bedarfs 8 sowie 16 und mit gleichen relativen
Standardabweichungen, die 50% des Mittelwertes betragen. Der Algorithmus
kann beispielsweise einen Drittel der Produktionskapazität auf das
erste Produkt richten.
-
In 6 ist
der erste Schritt des BayAPS-PP-Algorithmus dargestellt, wobei das
Produkt A einen mittleren Bedarf von 20 mit einer Standardabweichung
von 15 aufweist. Für
das Produkt A sind der Beta-Service-Gewinn 603 sowie der
Beta-Service 605 dargestellt. 6 zeigt
ferner für
das Produkt B, den dazugehörigen
Beta-Service-Gewinn 609 sowie den Beta-Service 611 dar.
Das Produkt B hat einen mittleren Bedarf von 15 mit einer
Standardabweichung von 6. Beide Produkte haben einen Anfangsbestand
von 0. Sie sollen in diesem Beispiel denselben Deckungsbeitrag haben.
-
Die
abfallenden Verläufe
sagen aus, dass das Produkt B anfangs aufgrund der geringen Standardabweichung
einen besseren Beta-Service Gewinn aufweist. Die Punkte auf der
X-Achse (601) indizieren, welchem Produkt in einem einzigen
Einzel-Schritt des Algorithmus Produktionskapazität zugewiesen
wird. Quadrate stehen für
Produkt A, Kreise für
Produkt B. Die ersten Einzel-Schritte produzieren aufgrund der geringen
Standardabweichung das Produkt B. Weil nur einem Produkt in einem
Einzel-Schritt des Algorithmus Produktionskapazität zugewiesen
wird, sind die ansteigenden Beta-Service-Verläufe (605 für Produkt
A, 611 für
Produkt B) für
beide Produkte treppenförmig.
Die Kurve 602 ist die Summe von 605 und 611 und
zeigt den Beta-Service
an, der für
Produkte A und B zusammen erzielt wird in Abhängigkeit von der Anzahl der
Kapazitätszuweisungen
für die
Produktion.
-
Im
zweiten Schritt wird beispielsweise eine Bedarfsglättung herbeigeführt. Sollte
der Bedarf zeitweise die Produktionskapazität übersteigen, versucht das BayAPS-PP-Tool,
den überschießenden Anteil
für die
Produktionsplanung zu verschieben, was als Bedarfsglättung bezeichnet
wird. Falls dies nicht vollständig
möglich
ist, plant BayAPS-PP verspätete
Produkte mit höherer
Priorität
ein.
-
Die
Gesamtproduktion für
jedes Produkt wird heruntergebrochen auf die gegebenen L Fertigungslose
proportional zu der Quadratwurzel des Produktionsbedarfs (das heißt Bedarf
minus Bestand). Dies ist eine direkte Weiterentwicklung der bekannten
Formel von Andler bzw. Harns.
-
Die
Herstellung der Produkte wird in Abhängigkeit der Reichweite der
Bestände
geplant. Die Bedarfs-Vorhersagen für ein Produkt können sich
von Planungseinheit zu Planungseinheit unterscheiden, wobei die
bereits eingegangenen Bestellungen ein genaues Fälligkeitsdatum haben. All das
wird verwendet, um die Reichweite so präzise wie möglich zu berechnen.
-
Genau
genommen ist das einzige Ergebnis das Produkt für das nächste Fertigungslos und dessen
Zielmenge. Wie es immer am Planungsbeginn ist, dienen die nachfolgenden
Fertigungslose lediglich als ein Ausblick und werden sich mit der Änderung
der zufälligen
Bedarfsspezifikation (das heißt Vorhersage)
und den weiterhin eingehenden konkreten Bestellungen ebenfalls ändern. Wie
bereits erwähnt,
steuert BayAPS-PP den zufälligen
Prozess und sollte daher regelmäßig eingesetzt
werden.
-
Im
Folgenden wird auf den Beta-Service und auf den Gamma-Bedarf eingegangen.
Zunächst
werden jedoch einige Formeln angegeben, die für alle kontinuierlichen Bedarfs-Dichten
gültig
sind. Diese haben immer einen direkten Gegenpart für diskrete Dichten.
Wie bereits erwähnt,
werden die Gamma-Dichten oft verwendet, um einen zufälligen Bedarf
zu modellieren. Eine Gamma-Dichte wird eindeutig bestimmt durch
ihren positiven Mittelwert und durch ihre Standardabweichung. Dichten
und Verteilungen sind einander eindeutig zugeordnet. Die einer Gamma-Dichte
eindeutig zugeordnete Verteilung wird Gamma-Verteilung genannt.
Die zufälligen
Zahlen können
ferner keine negativen Werte annehmen. Ein gewichtiger Part des
BayAPS-PP-Planungsmechanismus
ist die Implementierung des "Beta-Services
für einen
bedingten Gamma-Bedarf" als eine C++ Funktion.
-
Ist δ eine Bedarfsdichte
mit zugehöriger
Verteilung Δ und
bezeichnet s den verfügbaren
Bestand, dann ist der erwartete Beta-Service
-
Falls
die Menge r bereits bestellt wurde, dann ist die bedingte Bedarfsdichte δ
|r(x)
= 0 falls x < 0
und
sonst.
-
Diese
Formel ist intuitiv. Sie besagt, dass falls r die bereits bestellte
Menge ist, dann wird der erwartete Beta-Service Bδ(r)
durch den bestimmten Service r und Bδ(r)
getauscht.
-
Wird
weiterhin angenommen, dass δ die
Bedarfsdichte, r die bereits bestellte Menge und s der verfügbare Bestand
sind, dann erfüllt
der resultierende Beta-Service Bδ (r,
s) die Bedingung Bδ(r, s) = s falls r ≥ s und Bδ(r,
s) = Bδ(0,
s) – Bδ(0,
r) + r falls r ≤ s.
-
Wie
bereits erwähnt,
wendet BayAPS-PP die vorstehende Formel an, um den Gewinn in Beta-Service zu berechnen,
falls eine weitere Einheit hergestellt wird.
-
Mit
der vorstehenden Notation lautet der Gewinn in Beta-Service bei
einer Erhöhung
des Bestandes um eine Einheit Bδ(r,
s + 1) – Bδ(r,
s). BayAPS-PP verwendet beispielsweise Gamma-Verteilungen, um den unbestimmten Bedarf
zu repräsentieren.
Eine Gamma-Verteilung bzw. die zugehörige Gamma-Dichte wird eindeutig
bestimmt durch ihren positiven Mittelwert und die Standardabweichung.
-
Die
Gamma-Dichte g
<μσ> mit dem positiven Mittelwert μ und der
Standardabweichung σ ist
definiert als
mit
-
Die
vorstehende Definition der Gewinnfunktion wird bevorzugt in BayAPS-PP
verwendet.
-
Wird
ein Gamma-verteilter zufälliger
Bedarf mit dem positiven Mittelwert μ und der Standardabweichung σ betrachtet,
dann ist der Beta-Service-Gewinn Bδ(r,
s + 1) – Bδ(r,
s) und = g<μ,σ> wie vorstehend ausgeführt.
-
Der
unsichere beziehungsweise der unbestimmte Bedarf wird in BayAPS-PP
unter Verwendung von Gamma-Dichten modelliert. Gamma-Dichten sind
Glocken-förmig,
falls die Standardabweichung unterhalb des Mittelwertes ist, sonst
sind sie umgekehrt J-förmig.
In 7 sind einige Gamma-Dichten mit einem Mittelwert
von 10 und unterschiedlichen Standardabweichungen dargestellt
-
Gamma-Dichten
erhabene drei wichtige Eigenschaften.
-
Die
zugehörigen
Gamma-verteilten zufällige Zahlen
werden nie negativ.
-
Für jedes
positive Paar bestehend aus einem Mittelwert und einer Standardabweichung
gibt es eine eindeutige Gamma-Dichte mit diesen Parametern. Es gibt
eine mathematische Technik, um eine Gamma-Dichte mit einer (nicht
ganzzahligen) positiven Zahl zu multiplizieren, wodurch eine andere Gamma-Dichte
entsteht. Dies wird zum Beispiel verwendet, um tägliche Vorhersagen aus wöchentlichen Vorhersagen
auf einer exakten Basis zu berechnen. Diese drei Eigenschaften der
Gamma-Dichten sind der Grund, warum sie oft zur Modellierung zufälligen Bedarfs
herangezogen werden.
-
BayAPS-PP
umfasst ferner Software-Routinen, die die Berechnungen auf der Basis
der Gamma-Dichten
bzw. Verteilungen einkapseln. Diese Subroutinen könnten durch äquivalente
Subroutinen ersetzt werden, die auf einer unterschiedlichen Familie von
Dichten und zugehörigen
Verteilungen basieren, vorausgesetzt, dass diese Familie von Verteilungen bzw.
Dichten die vorstehend diskutierten drei Eigenschaften aufweist.
Der ungewisse beziehungsweise der unsichere Bedarf wird so modelliert,
dass der Bedarf für
ein Produkt innerhalb einer bestimmten Periode eine zufällige Zahl
mit einer Gamma-Dichte ist, die durch einen Mittelwert μ und eine
Standardabweichung σ spezifiziert
wird. Es ist wichtig festzustellen, dass μ und σ unterschiedlich beeinflusst
werden durch die Länge
der betrachteten Zeitperiode.
-
Mit
gμ,σ(x)
wird die eindeutige Gamma-Dichte mit einem positiven Mittelwert μ und einer
positiven Standardabweichung σ bezeichnet.
Gμ , σ Ist die entsprechende
(kumulative) Verteilung.
-
Mit
ist g
μ,σ(x)
= 0 für
x ≤ 0 und
für x > 0.
-
Γ(n + 1) Ist
die kontinuierliche Interpolation der Fakultäts-Funktion n!. Es soll beachtet
werden, dass die Faltung (das heißt die stochastische Summe)
von Gamma-Dichten 1, 2, ..., n mit denselben
erneut eine Gamma-Dichte
ist mit
Die Verwendung von Gamma-Dichten auf der Zeitskala
ist daher perfekt natürlich.
-
Falls
der zur Verfügung
stehende Bestand eine zufällige
Zahl wie der zufällige
Bedarf ist, dann ist die gelieferte Menge eine neue zufällige Variable B,
welche das stochastische Minimum des Bestandes und des Bedarfs ist.
B hat einen eigenen Mittelwert, welcher geteilt durch den mittleren
zufälligen Bedarf
als der Beta-Service-Grad (β – Service-Level) bezeichnet
wird. Falls der zur Verfügung
stehende Bestand konstant und nicht zufällig ist, ist die Berechnung
einfacher.
-
Für die weiteren
Beschreibungen wird die folgende Notation verwendet:
Bg(s) erwarteter Beta-Service, der durch die
Bedarfsdichte g und den Bestand s gegeben ist;
Bg(c,
s) bedingter erwarteter Beta-Service, der durch die Bedarfs-Dichte
g, die bereits erhaltenen Bestellungen c und den Bestand s gegeben
ist;
Bg(s)/μ(g) Beta-Service-Grad.
-
Ist
g eine zufällige
Bedarfsdichte mit der entsprechenden Verteilung G und ist s der
verfügbare
-
Bestand,
dann ist der mittlere Beta-Service
-
Mit
einem größer werdenden
s verschwindet der Beta-Service-Gewinn Bg(s
+ 1) – Bg(s). Das ist der Grund, warum BayAPS-PP
die Herstellung eines Produktes abbricht, falls ein bestimmter Bestand
erreicht worden ist. 8 zeigt für drei Produkte den Beta-Service-Gewinn
in Abhängigkeit
von dem bereits verfügbaren
Bestand.
- • Das
Produkt 801 hat einen mittleren Bedarf von 100 Einheiten
mit einer Standardabweichung von 50.
- • Das
Produkt 803 hat einen mittleren Bedarf von 100 Einheiten
mit einer Standardabweichung von 80.
- • Das
Produkt 805 hat einen mittleren Bedarf von 80 Einheiten
mit einer Standardabweichung von 20.
- • Falls
der Bestand für
jedes Produkt 40 Einheiten beträgt,
dann ist es vorteilhafter, eine weitere Einheit des Produktes 805 herzustellen.
- • Falls
der Bestand für
jedes Produkt 80 Einheiten beträgt,
dann ist es vorteilhafter, eine weitere Einheit des Produktes 801 herzustellen.
- • Falls
der Bestand für
jedes Produkt 120 Einheiten beträgt, dann ist es vorteilhafter,
eine weitere Einheit des Produktes 803 herzustellen.
-
Die
Berechnung des Beta-Services kann auf der Basis einer Gamma-Rekursionsformel
durchgeführt
werden.
-
-
Für eine Plausibilitätsüberprüfung sollte
beachtet werden, dass
-
Bereits
eingegangene Bestellungen verringern die Standardabweichung, d.h.
die Unsicherheit der Vorhersagen, was durch so genannte bedingte Wahrscheinlichkeitsdichten
modelliert wird.
-
Werden
der unsichere Bedarf g
μ,σ(x) und die bereits eingegangenen
Bestellungen mit einem Gesamtbetrag von c betrachtet, dann ist die
bedingte Bedarfsdichte g
μ,σ,c(x) = 0 falls x < c und
sonst.
-
Die
bedingte Bedarfsverteilung ist wichtig für die Berechnung des Alpha-Service-Grades
(α – service-level).
-
Werden
der unsichere Bedarf durch G
μ,σ(x) und die bereits eingegangenen
Bestellungen mit einem Gesamtbetrag von c betrachtet, dann ist die
bedingte Bedarfsverteilung. G
μ,σ,c(x) = 0 falls x < C und
-
Die
nachfolgende Formel ist vorteilhaft für BayAPS-PP und besagt, dass
der Anteil Bg(0, c) der unsicheren Lieferung
Bg(0, s) durch die sichere Lieferung c ersetzt
wird.
-
Falls
g eine zufällige
Bedarfsdichte, s der zur Verfügung
stehende Bestand und c die bereits eingegangenen Bestellungen bezeichnen,
dann ist der erwartete bedingte Beta-Service Bg(c,
s) = s falls c und Bg(c, s) = Bg(0,
s) – Bg(0, c) + c falls c < s.
-
Die
Summe der erwarteten Beta-Services für eine Mehrzahl von Produkten
kann aus dem unsicheren Bedarf, dem zur Verfügung stehenden Bedarf und den
bereits erhaltenen Bestellungen berechnet werden. Der zur Verfügung stehende
Bestand ist der gegenwärtige
Bestand plus der hergestellte Bestand in dem Anfangszeitintervall.
Eine wichtige Nebenbedingung ist die Produktionskapazität, weil
der Durchsatz für
verschiedene Produkte unterschiedlich sein kann. Die Optimierungsberechnung
wird spezifiziert durch die folgenden Vektoren für die Produkte 1, ..., n.
-
Nachfolgend
wird die folgende Notation für die
Vektoren, die n Produkte für
eine Produktionslinie beschreiben, verwendet.
μ → = (μ1,
..., μn) erwarteter Bedarf (Mittelwerte) innerhalb
des Planungshorizontes
σ → = (σ1, ..., σn) Standardabweichung des Bedarfs
c → =
(c1, ..., cn) bereits
eingegangene Bestellungen
s → = (s1, ...,
sn) zur Verfügung stehender Bestand
t → =
(t1, ..., tn) spezifische
Zeit zum Herstellen einer Einheit eines Produktes
x → = (x1, ..., xn) Gesamtproduktion
für jedes
Produkt vom Anfang bis zum Ende des Planungshorizontes
-
Das
grundlegende Optimierungsproblem ist nun die gesamte Produktion:
Maximiere
den gesamten erwarteten Beta-Service
mit
unter Beachtung der Nebenbedingung x →t →' ≤ t wobei t die gesamte Zeit ist,
die für
die Produktion zur Verfügung
steht, das heißt
die gesamte Zeit minus die Anzahl der Kampagnen multipliziert mit
einer durchschnittlichen Produktwechselzeit.
-
Eine
direkte Modifizierung würde
die gesamte Beta-Lieferung gemessen in Gewinnen und nicht in den
Gewichten maximieren.
-
Im
Folgenden wird ein einfaches Beispiel mit zwei Produkten betrachtet,
wobei
μ1 = 100, μ2 = 200, σ1 = 50, σ2 = 150,
c1 =
80, c2 = 100, s1 =
25, s2 = 50,
t1 =
t2 = 1, t = 200
-
Das
bedeutet, dass Kapazitäten
fehlen, weil der mittlere Bedarf 300 beträgt. Der
Bestand ist zwar 75, es können
jedoch nur 200 Einheiten hergestellt werden. Die Lösung x1 = 72 und x2 = 128
ist in 9 dargestellt. Der Verlauf 901 ist die
erwartete Beta-Lieferung 1, der Verlauf 903 ist die erwartete
Beta-Lieferung 2 und der Verlauf 905 ist die Gesamt-Beta-Lieferung,
also die Summe über
beide Produkte.
-
Es
soll beachtet werden, das Teile der Funktionen exakt linear sind – was man
erwarten würde – falls
die Produktion zwischen dem gegenwärtigen Bestand und den höheren bereits
eingegangenen Bestellungen liegt.
-
Der
nächste
Schritt ist, die Gesamtproduktion x → = (x
1,
..., x
n) in eine zulässige Anzahl q von Fertigungslosen
aufzuteilen, sodass die Summe der Losgrößen minimal wird. Falls p → =
(p
1, ..., P
n, die
Losgrößen bezeichnet,
dann entsteht das Optimierungsproblem bezüglich der Losgrößen:
Minimiere
unter der Bedingung
folgend der minimalen Losgrößen p
i ≥ p
imin.
-
Im
letzten Schritt, berechnet BayAPS-PP für jedes Produkt die Bestandsreichweite
unter Verwendung der wochenspezifischen Vorhersagen und den bereits
eingegangenen Bestellungen. Die Reichweite wird als Priorität gewählt, um
mit der Produktion eines Fertigungsloses zu beginnen.
-
Die
Funktion Beta ist erfindungsgemäß zweimal
definiert, unterscheidbar an der Zahl der Parameter, was auch so
in eine Objekt-orientierte Programmierung umgesetzt ist. Wenn sie
einen Parameter hat, ist es der Beta-Service, der sich aus der Bedarfsverteilung
und dem Bestand (das ist der Parameter) ergibt. Wenn sie zwei Parameter
hat, ist es der Beta-Service, der sich aus der Bedarfsverteilung, den
bereits eingegangenen Bestellungen (Parameter r) und dem Bestand
(Parameter s) ergibt.
-
Den
Parameter r könnte
man auch in dem Index von Beta verstecken, der die Bedarfsverteilung angibt,
indem man die einfache Bedarfsverteilung durch die bedingte Bedarfsverteilung,
die sich unter der Bedingung ergibt, dass der Bedarf mindestens
r ist.
-
Programmiert
werden alle Formeln bevorzugt im Sinne eines modularen Aufbaus der
Software. Zur finalen Anwendung kommt der "bedingte Beta-Service für Gamma-Verteilungen". Der Grund dafür ist, dass
BayAPS-PP bereits eingegangene Aufträge mit Unsicherheit 0 berücksichtigt
und danach mit der Restprognose (eben der bedingten Verteilung)
arbeitet.
-
Was
die Variablen anbetrifft, so gilt das Folgende:
ri ist
die bereits eingetroffene Auftragsmenge für Produkt i.
xi ist der hypothetische, d.h. im Algorithmus
bis jetzt erreichte Bestand des Produktes i, x entspricht daher dem
Parameter s in den Formeln zum Beta-Service, heißt aber x, weil es im Schritt
1 gesucht wird.
ti ist die Zeit, die
die Produktionsanlage benötigt,
um ein "Stück" des Produktes i
zu erstellen.
-
C
ist die mittlere Zeit, die ein Produktwechsel benötigt, L
die Zahl der Fertigungslose (= Zahl der Produktwechsel), die im
Planungshorizont machbar sind. In Prozessindustrie hat man typischerweise Mindestlosgrößen für ein Produkt,
die verfahrenstechnisch bedingt sind und eine Begrenzung der Gesamtzahl
der Fertigungslose, die sich z.B. aus der Personalkapazität ergibt.
-
Mit
Hilfe der erfindungsgemäßen Vorrichtung und
Verfahren können
folgende Information zur Prozessoptimierungsplanung ermittelt werden:
- – optimale
Planmengen, d. h. machbaren Mengen, die in Deckungsbeitrag (Beta-Service Gewinn) gemessen, über alle
Produkte hinweg im Planungshorizont den maximalen erwarteten Absatz
ergeben,
- – Festlegung
des Produkts, das als nächstes
produziert werden soll,
- – Die
genaue Losgröße für das Produkt,
das als nächtes
produziert werden soll. Aus der Maximalzahl aller Kampagnen, den
Produkt-spezifischen Mindest- und inkrementellen Losgrößen, und
der optimal festgelegten Gesamtproduktion für jedes Produkt wird die optimale
Kampagnengröße berechnet
wird.