DE102022209953A1

DE102022209953A1 - Method for determining an optimal route for producing a product along a production line having at least one process station

Info

Publication number: DE102022209953A1
Application number: DE102022209953.2A
Authority: DE
Inventors: Nico Modenese; Marcus Hlavac
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-09-21
Filing date: 2022-09-21
Publication date: 2024-03-21

Abstract

Die Erfindung betrifft ein Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, wobei das Verfahren (1) folgende Schritte aufweist: Für jede Prozessanlage der Produktionsline, jeweils Bereitstellen von Trainingsdaten zum Trainieren eines Algorithmus des maschinellen Lernens zum Abbilden von ein Bauteil beschreibenden Größen, bevor dieses durch die entsprechende Prozessanlage verarbeitet wird, in das Bauteil beschreibenden Größen, nachdem dieses durch die entsprechende Prozessanlage verarbeitet wurde (2), für jede Prozessanlage der Produktionslinie, jeweils Trainieren des entsprechenden Algorithmus des maschinellen Lernens basierend auf den entsprechenden bereitgestellten Trainingsdaten (3), und Ermitteln einer optimalen Route zur Herstellung eines Bauteils entlang der Produktionslinie durch Anwenden eines Optimierungsalgorithmus basierend auf einer Zielfunktion und den trainierten Algorithmen des maschinellen Lernens für alle Prozessanlagen der Produktionslinie (4).The invention relates to a method for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigidly connected to one another, the method (1) has the following steps: For each process system of the production line, providing training data for training a machine learning algorithm to map variables describing a component before it is processed by the corresponding process system into variables describing the component after it has been processed by the corresponding process system was processed (2), for each process system of the production line, training the corresponding machine learning algorithm based on the corresponding training data provided (3), and determining an optimal route for producing a component along the production line by applying an optimization algorithm based on an objective function and the trained machine learning algorithms for all process systems on the production line (4).

Description

Die Erfindung betrifft ein Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie und insbesondere ein verbessertes Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind.The invention relates to a method for determining an optimal route for producing a product along a production line having at least one process station and in particular to an improved method for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having several Has process systems, and the process systems of the production line are not rigidly connected to one another.

Unter einer Produktions- beziehungsweise Fertigungslinie wird die komplexe und sinnvolle Anordnung von Prozessanlagen, das heißt verschiedensten Maschinen, Bereitstellungsräumen und auch Montageplätzen in einer festgelegten Reihenfolge verstanden. Produktionslinien dienen dabei insbesondere dazu, Produkte in der Massenproduktion effektiv herzustellen.A production or production line is the complex and sensible arrangement of process systems, i.e. a wide variety of machines, staging areas and assembly stations in a fixed order. Production lines are used in particular to effectively produce products in mass production.

Unter Prozess- beziehungsweise Bearbeitungsstation wird weiter eine Station verstanden, an welcher ein bestimmter Produktions- beziehungsweise Bearbeitungsschritt innerhalb dieser festgelegten Reihenfolge beziehungsweise während der Produktion der entsprechenden Produkte ausgeführt wird. Dass eine Prozessstation mehrere Prozessanlagen aufweist, bedeutet dabei insbesondere, dass mehrere Prozessanlagen, beispielsweise Maschinen, auf welchen jeweils der entsprechende Bearbeitungsschritt ausgeführt werden kann, vorgesehen sind, wobei es sich bei den Maschinen beispielsweise um Maschinen unterschiedlicher Hersteller handeln kann.A process or processing station is also understood to mean a station at which a specific production or processing step is carried out within this defined sequence or during the production of the corresponding products. The fact that a process station has several process systems means in particular that several process systems, for example machines, on which the corresponding processing step can be carried out, are provided, the machines being, for example, machines from different manufacturers.

Dass die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, bedeutet ferner, dass kein Zusammenhang zwischen den einzelnen Prozessanlagen, beispielsweise auf welchen Prozessanlagen jeweils aufeinanderfolgende Bearbeitungsschritte ausgeführt werden, vorgegeben ist und in jeder Prozessstation vielmehr eine der entsprechenden Prozessanlagen zum Ausführen des entsprechenden Bearbeitungsschrittes ausgewählt werden kann. Insbesondere ist eine flexible Routenführung beziehungsweise Wegführung von einzelnen Bauteilchargen oder gar einzelnen Bauteilen durch die einzelnen Bearbeitungsschritte möglich. Hierdurch kann beispielsweise auf Auslastungsschwankungen der Gesamtproduktion aber auch auf temporäre Ausfälle einzelner Produktionsanlagen reagiert werden.The fact that the process systems of the production line are not rigidly connected to one another also means that there is no connection between the individual process systems, for example on which process systems successive processing steps are carried out, and rather one of the corresponding process systems is selected in each process station to carry out the corresponding processing step can. In particular, flexible routing or routing of individual batches of components or even individual components through the individual processing steps is possible. This makes it possible, for example, to react to fluctuations in the utilization of overall production but also to temporary failures of individual production systems.

Die Planung der entsprechenden Route durch die Produktionslinie beziehungsweise der entsprechenden Auswahl der einzelnen Prozessanlagen erfolgt dabei für gewöhnlich über rechnergestützte Simulationstools. Diese Simulationstools sind dabei ausgebildet, verschiedene Randbedingungen und/oder Produktionsparameter zu berücksichtigen, beispielsweise Prozess- und Transportzeiten, Anlagekapazitäten, Verbrauchsmengen von Werkzeugen, Verfügbarkeit von Hilfsstoffen, Energiebedarfen, oder der Verfügbarkeit von Arbeits- und/oder Servicekräften.The planning of the corresponding route through the production line or the corresponding selection of the individual process systems is usually carried out using computer-aided simulation tools. These simulation tools are designed to take into account various boundary conditions and/or production parameters, such as process and transport times, system capacities, consumption quantities of tools, availability of auxiliary materials, energy requirements, or the availability of labor and/or service staff.

Als nachteilig erweist sich hierbei jedoch, dass der Leistungsbereich dieser Simulationstools begrenzt ist, zumal der Planungszeitraum meist nur einen Tag oder eine Arbeitsschicht umfasst, hoch-dynamische und insbesondere echtzeitfähige Änderungen im Routing für gewöhnlich jedoch nicht möglich sind. Zudem müssen für gewöhnlich alle relevanten Informationen vorab bekannt sein und können individuelle Verhaltensweisen von Bauteiltypen oder -chargen, welche zu Variationen in den Bearbeitungsprozessen und somit zu Variationen in der Bauteilqualität sowie in den Herstellungskosten führen können, mit diesen Simulationstools für gewöhnlich nicht abgebildet werden. Folglich besteht Bedarf an verbesserten Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie, wobei jede Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind.However, the disadvantage here is that the performance range of these simulation tools is limited, especially since the planning period usually only covers one day or one work shift, but highly dynamic and, in particular, real-time capable changes in routing are usually not possible. In addition, all relevant information usually has to be known in advance and individual behavior of component types or batches, which can lead to variations in the machining processes and thus to variations in component quality and manufacturing costs, cannot usually be depicted with these simulation tools. Accordingly, there is a need for improved methods for determining an optimal route for producing a product along a production line having at least one process station, each process station having a plurality of process plants, and wherein the process plants of the production line are not rigidly connected to one another.

Aus der Druckschrift DE 10 2011 013 102 A1 ist ein Verfahren zur Optimierung der Nebenzeiten in Produktionsabläufen von Werkzeugmaschinen bekannt, wobei zeitliche Informationen der zu optimierenden Nebenaufgaben in Produktionsabläufen auf der Grundlage der Erfassung von steuerungsinternen Informationen erkannt werden, Voraussagen bezüglich des zeitlichen Verlaufs zukünftiger Produktionsabläufe auf der Grundlage der erkannten zeitlichen Informationen berechnet werden, und die Nebenzeiten in Produktionsabläufen auf der Grundlage der berechneten Voraussagen optimiert werden.From the publication DE 10 2011 013 102 A1 a method for optimizing non-productive times in production processes of machine tools is known, wherein temporal information of the secondary tasks to be optimized in production processes is recognized on the basis of the acquisition of control-internal information, predictions regarding the temporal progression of future production processes are calculated on the basis of the recognized temporal information, and non-productive times in production processes are optimized based on the calculated predictions.

Der Erfindung liegt somit die Aufgabe zugrunde, ein verbessertes Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, anzugeben.The invention is therefore based on the object of providing an improved method for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and the process systems of the production line not being rigidly connected to one another. to specify.

Die Aufgabe wird gelöst durch ein Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie gemäß den Merkmalen des Patentanspruchs 1.The task is solved by a method for determining an optimal route for producing a product along at least one pro cess station having production line according to the features of patent claim 1.

Die Aufgabe wird zudem auch gelöst durch ein System zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie gemäß den Merkmalen des Patentanspruchs 6.The task is also solved by a system for determining an optimal route for producing a product along a production line having at least one process station according to the features of patent claim 6.

Offenbarung der ErfindungDisclosure of the invention

Gemäß einer Ausführungsform wird diese Aufgabe gelöst durch ein Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, wobei das Verfahren für jede Prozessanlage der Produktionsline jeweils ein Bereitstellen von Trainingsdaten zum Trainieren eines Algorithmus des maschinellen Lernens zum Abbilden von ein Bauteil beschreibenden Größen, bevor dieses durch die entsprechende Prozessanlage verarbeitet wird, in das Bauteil beschreibenden Größen, nachdem dieses durch die entsprechende Prozessanlage verarbeitet wurde, für jede Prozessanlage der Produktionslinie jeweils ein Trainieren des entsprechenden Algorithmus des maschinellen Lernens basierend auf den entsprechenden bereitgestellten Trainingsdaten, und ein Ermitteln einer optimalen Route zur Herstellung eines Bauteils entlang der Produktionslinie durch Anwenden eines Optimierungsalgorithmus basierend auf einer Zielfunktion und den trainierten Algorithmen des maschinellen Lernens für alle Prozessanlagen der Produktionslinie aufweist.According to one embodiment, this object is achieved by a method for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigidly connected to one another, wherein the method for each process system of the production line involves providing training data for training a machine learning algorithm to map variables describing a component before it is processed by the corresponding process system into variables describing the component after it has been processed by the corresponding process system , for each process system of the production line, training the corresponding machine learning algorithm based on the corresponding training data provided, and determining an optimal route for producing a component along the production line by applying an optimization algorithm based on a target function and the trained machine learning algorithms for all process systems on the production line.

Algorithmen des maschinellen Lernens basieren darauf, dass Verfahren der Statistik verwendet werden, um eine Datenverarbeitungsanlage derart zu trainieren, dass diese eine bestimmte Aufgabe ausführen kann, ohne dass diese ursprünglich explizit hierzu programmiert wurde. Das Ziel des maschinellen Lernens besteht dabei darin, Algorithmen zu konstruieren, die aus Daten lernen und Vorhersagen treffen können. Diese Algorithmen erstellen mathematische Modelle, mit denen beispielsweise Daten klassifiziert werden können.Machine learning algorithms are based on the fact that statistical methods are used to train a data processing system so that it can carry out a specific task without it having originally been explicitly programmed for this purpose. The goal of machine learning is to construct algorithms that can learn from data and make predictions. These algorithms create mathematical models that can be used, for example, to classify data.

Unter Optimierungsalgorithmen werden zudem Algorithmen verstanden, welche ausgebildet sind, ein Optimierungsproblem, das heißt unter Vorgabe bestimmter Randbedingungen beziehungsweise Nebenbedingungen einen optimalen Wert einer Zielfunktion zu ermitteln. Eine Zielfunktion ist ferner eine mathematische Formulierung, die mit Hilfe von Variablen beschreibt, welches Ziel bei einer Optimierung erreicht werden soll.Optimization algorithms are also understood to mean algorithms which are designed to determine an optimization problem, i.e. to determine an optimal value of a target function by specifying certain boundary conditions or secondary conditions. A target function is also a mathematical formulation that uses variables to describe which goal should be achieved during optimization.

Das Verfahren basiert somit darauf, dass Algorithmen des maschinellen Lernens trainiert werden, welche jeweils das individuelle Verhalten zwischen Eingangs- und Ausgangsgrößen der entsprechenden Prozessanlage wiedergeben. Hierdurch können jeweils Variationen im Bauteilverhalten und auch die daraus entstehende Variation im Ergebnis abhängig von der gewählten Route entlang der Produktionslinie abgebildet werden. Die Algorithmen des maschinellen Lernens werden anschließend für einen überlagerten Optimierungsalgorithmus genutzt, um entsprechend einer Zielvorgabe die optimale Route einzelner Bauteile oder Bauteilchargen zu ermitteln.The method is therefore based on training machine learning algorithms, which each reflect the individual behavior between input and output variables of the corresponding process system. This allows variations in component behavior and the resulting variation in the result to be mapped depending on the route selected along the production line. The machine learning algorithms are then used for a superimposed optimization algorithm in order to determine the optimal route for individual components or batches of components according to a target.

Dies hat den Vorteil, dass individuelle Verhaltensweisen von Bauteiltypen oder - chargen, welche zu Variationen in den Bearbeitungsprozessen und somit zu Variationen in der Bauteilqualität sowie in den Herstellungskosten führen können, berücksichtigt werden, und dass die Optimierung „on the fly“ erfolgen kann, das heißt erst kurz vor dem Eintritt eines Bauteils in die Prozesskette. Zudem müssen alle relevanten Informationen, beispielsweise eine Anzahl der zu verarbeitenden Bauteile und/oder eine Bearbeitungsreihenfolge der Bauteile, nicht vorab bekannt sein. Vielmehr ist es beispielsweise ausreichend, wenn der Gesamtumfang des entsprechenden Fertigungsauftrags und die Kapazitäten der einzelnen Prozessanlagen vorbekannt sind, wodurch weiter auch Computerressourcen eingespart werden können.This has the advantage that individual behavior of component types or batches, which can lead to variations in the machining processes and thus to variations in component quality and manufacturing costs, are taken into account, and that optimization can be done “on the fly”. means just before a component enters the process chain. In addition, all relevant information, for example a number of components to be processed and/or a processing sequence of the components, does not have to be known in advance. Rather, it is sufficient, for example, if the overall scope of the corresponding production order and the capacities of the individual process systems are known in advance, which can also save computer resources.

Insgesamt wird somit ein verbessertes Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, angegeben.Overall, an improved method for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and the process systems of the production line not being rigidly connected to one another is thus specified.

Dabei können die Trainingsdaten Sensordaten aufweisen.The training data can include sensor data.

Ein Sensor, welcher auch als (Mess-) Fühler bezeichnet wird, ist ein technisches Bauteil, das bestimmte physikalische oder chemische Eigenschaften und/oder die stoffliche Beschaffenheit seiner Umgebung qualitativ oder als Messgröße quantitativ erfassen kann.A sensor, which is also referred to as a (measuring) probe, is a technical component that can record certain physical or chemical properties and/or the material properties of its environment qualitatively or quantitatively as a measurement variable.

Somit können auf einfache Art und Weise Gegebenheiten außerhalb der eigentlichen Datenverarbeitungsanlage, auf welcher die optimale Route ermittelt wird, erfasst und beim Ermitteln der optimalen Route berücksichtigt werden.This means that circumstances outside the actual data processing system on which the optimal route is determined can be recorded in a simple manner and taken into account when determining the optimal route.

In einer Ausführungsform handelt es sich bei dem Optimierungsalgorithmus um einen Reinforcement Learning Optimierungsalgorithmus.In one embodiment, the optimization algorithm is a reinforcement learning optimization algorithm.

Unter Reinforcement Learning beziehungsweise bestärkendes Lernen werden Verfahren des maschinellen Lernens verstanden, bei denen ein Agent beziehungsweise Computerprogramm selbstständig eine Strategie erlernt, um erhaltene Belohnungen zu maximieren. Insbesondere ist Reinforcement Learning darauf spezialisiert, auf effiziente Art und Weise den bestmöglichen Weg in einem unbekannten Umfeld zu finden.Reinforcement learning refers to machine learning processes in which an agent or computer program independently learns a strategy in order to maximize the rewards received. In particular, reinforcement learning specializes in finding the best possible path in an unknown environment in an efficient manner.

Dass es sich bei dem Optimierungsalgorithmus um einen Reinforcement Learning Optimierungsalgorithmus handelt, hat den Vorteil, dass keine Trainingsdaten zum Trainieren des Optimierungsalgorithmus beziehungsweise eines entsprechenden Algorithmus des maschinellen Lernens vonnöten sind und dieser die optimale Route vielmehr insbesondere basierend auf dem Trial-and-Error-Prinzip ermittelt, wodurch weiter auch Computerressourcen eingespart werden können.The fact that the optimization algorithm is a reinforcement learning optimization algorithm has the advantage that no training data is required to train the optimization algorithm or a corresponding machine learning algorithm and rather this is the optimal route based in particular on the trial-and-error principle determined, which can also save computer resources.

Dabei, dass es sich bei dem Optimierungsalgorithmus um einen Reinforcement Learning Optimierungsalgorithmus handelt, handelt es sich jedoch nur um eine bevorzugte Ausführungsform. Vielmehr kann es sich bei dem Optimierungsalgorithmus beispielsweise auch um einen anderen Algorithmus des maschinellen Lernens zum Ermitteln einer optimalen Route basierend auf Randbedingungen handeln.However, the fact that the optimization algorithm is a reinforcement learning optimization algorithm is only a preferred embodiment. Rather, the optimization algorithm can, for example, also be another machine learning algorithm for determining an optimal route based on boundary conditions.

Zudem kann der Schritt des Ermittelns einer optimalen Route ein Anwenden einer Penalty-Funktion basierend auf Informationen über die Größe eines entsprechenden Fertigungsauftrags, und/oder eine maximale Kapazität wenigstens einer Prozessanlage der Produktionslinie, und/oder eine maximale Auslastung wenigstens einer Prozessanlage der Produktionslinie, und/oder einen aktuellen Arbeitsstand aufweisen.In addition, the step of determining an optimal route can involve applying a penalty function based on information about the size of a corresponding production order, and / or a maximum capacity of at least one process system of the production line, and / or a maximum utilization of at least one process system of the production line, and /or have a current work status.

Unter einer Penalty-Funktion wird eine Straffunktion beziehungsweise ein in einer zu optimierenden Zielfunktion enthaltener Strafterm verstanden, welcher ausgebildet ist, die Nichterfüllung einer Neben- beziehungsweise Randbedingung zu berücksichtigen, insbesondere zu bestrafen.A penalty function is understood to be a penalty function or a penalty term contained in a target function to be optimized, which is designed to take into account, in particular to punish, the non-fulfillment of a secondary or boundary condition.

Unter Größe eines Fertigungsauftrags werden weiter Informationen über eine Anzahl im Rahmen des Fertigungsauftrags zu fertigenden Produkten und/oder über eine Anzahl von im Rahmen des entsprechenden Fertigungsauftrags zu verarbeitenden Bauteilen verstanden.The size of a production order also includes information about a number of products to be manufactured within the framework of the production order and/or about a number of components to be processed within the framework of the corresponding production order.

Unter maximaler Kapazität einer Prozessanlage wird weiter ein maximales Leistungsvermögen der entsprechenden Prozessanlage verstanden.Maximum capacity of a process plant is also understood to mean the maximum performance of the corresponding process plant.

Unter maximaler Auslastung einer Prozessanlage wird weiter der maximale Anteil der Laufzeit der Prozessanlage an der Gesamtkapazität des Fertigungsprozesses verstanden.Maximum utilization of a process system is also understood to mean the maximum proportion of the running time of the process system in the total capacity of the manufacturing process.

Unter aktuellem Arbeitsstand wird ferner ein aktueller Bearbeitungsstand des Fertigungsprozesses verstanden.Current work status also means a current processing status of the manufacturing process.

Über diese Penalty-Funktion kann die individuelle Prozessanlagenauslastung abgebildet und der Reinforcement Learning Optimierungsalgorithmus in seiner Funktion derart beeinflusst werden, dass zu keinem Zeitpunkt eine Prozessanlage der Prozesslinie überlastet wird, gleichzeitig jedoch das Optimum hinsichtlich der vorgegebenen Zielfunktion nach wie vor erreicht wird.This penalty function can be used to map the individual process system utilization and influence the function of the reinforcement learning optimization algorithm in such a way that no process system in the process line is overloaded at any time, but at the same time the optimum with regard to the specified target function is still achieved.

Mit einer weiteren Ausführungsform der Erfindung wird auch ein Verfahren zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie angegeben, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, und wobei das Verfahren ein Ermitteln einer optimalen Route zur Herstellung eines Bauteils entlang der Produktionslinie durch ein obenstehend beschriebenes Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie, und ein Herstellen des Produkts basierend auf der ermittelten optimalen Route aufweist.A further embodiment of the invention also provides a method for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, the process systems of the production line not being rigidly connected to one another, and the method determining an optimal route for producing a component along the production line by a method described above for determining an optimal route for producing a product along a production line having at least one process station, and producing the product based on the determined optimal route.

Somit wird ein Verfahren zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie angegeben, welches auf einem verbesserten Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, basiert. Insbesondere basiert das Verfahren dabei auf einem Verfahren zum Ermitteln einer optimalen Route, bei welchem Algorithmen des maschinellen Lernens trainiert werden, welche jeweils das individuelle Verhalten zwischen Eingangs- und Ausgangsgrößen der entsprechenden Prozessanlage wiedergeben. Hierdurch können jeweils Variationen im Bauteilverhalten und auch die daraus entstehende Variation im Ergebnis abhängig von der gewählten Route entlang der Produktionslinie abgebildet werden. Die Algorithmen des maschinellen Lernens werden anschließend für einen überlagerten Optimierungsalgorithmus genutzt, um entsprechend einer Zielvorgabe die optimale Route einzelner Bauteile oder Bauteilchargen zu ermitteln. Dies hat den Vorteil, dass individuelle Verhaltensweisen von Bauteiltypen oder -chargen, welche zu Variationen in den Bearbeitungsprozessen und somit zu Variationen in der Bauteilqualität sowie in den Herstellungskosten führen können, berücksichtigt werden, und dass die Optimierung „on the fly“ erfolgen kann, das heißt erst kurz vor dem Eintritt eines Bauteils in die Prozesskette. Zudem müssen alle relevanten Informationen, beispielsweise eine Anzahl der zu verarbeitenden Bauteile und/oder eine Bearbeitungsreihenfolge der Bauteile, nicht vorab bekannt sein. Vielmehr ist es beispielsweise ausreichend, wenn der Gesamtumfang des entsprechenden Fertigungsauftrags und die Kapazitäten der einzelnen Prozessanlagen vorbekannt sind, wodurch weiter auch Computerressourcen eingespart werden können.Thus, a method for producing a product along a production line having at least one process station is specified, which is based on an improved method for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and where the process systems of the production line are not rigidly connected to one another. In particular, the method is based on a method for determining an optimal route, in which machine learning algorithms are trained, which each reflect the individual behavior between input and output variables of the corresponding process system. This allows variations in component behavior and the resulting variation in the result to be mapped depending on the route selected along the production line. The algorithms of the maschi nal learning is then used for a superimposed optimization algorithm in order to determine the optimal route of individual components or batches of components according to a target. This has the advantage that individual behavior of component types or batches, which can lead to variations in the machining processes and thus to variations in component quality and manufacturing costs, are taken into account, and that optimization can take place “on the fly”. means just before a component enters the process chain. In addition, all relevant information, for example a number of components to be processed and/or a processing sequence of the components, does not have to be known in advance. Rather, it is sufficient, for example, if the overall scope of the corresponding production order and the capacities of the individual process systems are known in advance, which can also save computer resources.

Mit einer weiteren Ausführungsform der Erfindung wird weiter auch ein System zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie angegeben, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, wobei das System wenigstens eine Bereitstellungseinheit, welche ausgebildet ist, für jede Prozessanlage der Produktionsline jeweils Trainingsdaten zum Trainieren eines Algorithmus des maschinellen Lernens zum Abbilden von ein Bauteil beschreibenden Größen, bevor dieses durch die entsprechende Prozessanlage verarbeitet wird, in das Bauteil beschreibenden Größen, nachdem dieses durch die entsprechende Prozessanlage verarbeitet wurde, bereitzustellen, wenigstens eine Trainingseinheit, welche ausgebildet ist, für jede Prozessanlage der Produktionslinie jeweils den entsprechenden Algorithmus des maschinellen Lernens basierend auf den entsprechenden bereitgestellten Trainingsdaten zu trainieren, und eine Ermittlungseinheit, welche ausgebildet ist, eine optimalen Route zur Herstellung eines Bauteils entlang der Produktionslinie durch Anwenden eines Optimierungsalgorithmus basierend auf einer Zielfunktion und den trainierten Algorithmen des maschinellen Lernens für alle Prozessanlagen der Produktionslinie zu ermitteln, aufweist.A further embodiment of the invention also provides a system for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and the process systems of the production line not being rigidly connected to one another , wherein the system has at least one provision unit, which is designed to provide training data for each process system of the production line for training a machine learning algorithm to map variables describing a component before it is processed by the corresponding process system into variables describing the component this was processed by the corresponding process system, to provide at least one training unit, which is designed to train the corresponding machine learning algorithm for each process system of the production line based on the corresponding training data provided, and a determination unit, which is designed to determine an optimal route for producing a component along the production line by applying an optimization algorithm based on an objective function and the trained machine learning algorithms for all process systems on the production line.

Somit wird ein verbessertes System zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie angegeben, wobei jede Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, basiert. Das System basiert dabei darauf, dass Algorithmen des maschinellen Lernens trainiert werden, welche jeweils das individuelle Verhalten zwischen Eingangs- und Ausgangsgrößen der entsprechenden Prozessanlage wiedergeben. Hierdurch können jeweils Variationen im Bauteilverhalten und auch die daraus entstehende Variation im Ergebnis abhängig von der gewählten Route entlang der Produktionslinie abgebildet werden. Die Algorithmen des maschinellen Lernens werden anschließend für einen überlagerten Optimierungsalgorithmus genutzt, um entsprechend einer Zielvorgabe die optimale Route einzelner Bauteile oder Bauteilchargen zu ermitteln. Dies hat den Vorteil, dass individuelle Verhaltensweisen von Bauteiltypen oder -chargen, welche zu Variationen in den Bearbeitungsprozessen und somit zu Variationen in der Bauteilqualität sowie in den Herstellungskosten führen können, berücksichtigt werden, und dass die Optimierung „on the fly“ erfolgen kann, das heißt erst kurz vor dem Eintritt eines Bauteils in die Prozesskette. Zudem müssen alle relevanten Informationen, beispielsweise eine Anzahl der zu verarbeitenden Bauteile und/oder eine Bearbeitungsreihenfolge der Bauteile, nicht vorab bekannt sein. Vielmehr ist es beispielsweise ausreichend, wenn der Gesamtumfang des entsprechenden Fertigungsauftrags und die Kapazitäten der einzelnen Prozessanlagen vorbekannt sind, wodurch weiter auch Computerressourcen eingespart werden können.Thus, an improved system is provided for determining an optimal route for producing a product along a production line having at least one process station, each process station having a plurality of process systems, and the process systems of the production line not being rigidly connected to one another. The system is based on training machine learning algorithms, which reflect the individual behavior between input and output variables of the corresponding process system. This allows variations in component behavior and the resulting variation in the result to be mapped depending on the route selected along the production line. The machine learning algorithms are then used for a superimposed optimization algorithm in order to determine the optimal route for individual components or batches of components according to a target. This has the advantage that individual behavior of component types or batches, which can lead to variations in the machining processes and thus to variations in component quality and manufacturing costs, are taken into account, and that optimization can take place “on the fly”. means just before a component enters the process chain. In addition, all relevant information, for example a number of components to be processed and/or a processing sequence of the components, does not have to be known in advance. Rather, it is sufficient, for example, if the overall scope of the corresponding production order and the capacities of the individual process systems are known in advance, which can also save computer resources.

Dabei kann es sich bei den Trainingsdaten für alle Prozessanlagen der Produktionslinie wiederum um Sensordaten handeln.The training data for all process systems in the production line can in turn be sensor data.

In einer Ausführungsform handelt es sich bei dem Optimierungsalgorithmus wiederum um einen Reinforcement Learning Optimierungsalgorithmus. Dass es sich bei dem Optimierungsalgorithmus um einen Reinforcement Learning Optimierungsalgorithmus handelt, hat den Vorteil, dass keine Trainingsdaten zum Trainieren des Optimierungsalgorithmus beziehungsweise eines entsprechenden Algorithmus des maschinellen Lernens vonnöten sind und dieser die optimale Route vielmehr basierend auf dem Trial-and-Error-prinzip ermittelt, wodurch weiter auch Computerressourcen eingespart werden können.In one embodiment, the optimization algorithm is in turn a reinforcement learning optimization algorithm. The advantage that the optimization algorithm is a reinforcement learning optimization algorithm is that no training data is required to train the optimization algorithm or a corresponding machine learning algorithm and rather it determines the optimal route based on the trial and error principle , which also saves computer resources.

Dabei, dass es sich bei dem Optimierungsalgorithmus um einen Reinforcement Learning Optimierungsalgorithmus handelt, handelt es sich jedoch nur um eine bevorzugte Ausführungsform. Vielmehr kann es sich bei dem Optimierungsalgorithmus beispielsweise auch um einen anderen Algorithmus des maschinellen Lernens zum Ermitteln einer optimalen Route basierend auf Randbedingungen handeln.However, the fact that the optimization algorithm is a reinforcement learning optimization algorithm is only a preferred embodiment. Rather, it can be the optimization algorithm For example, it could also be another machine learning algorithm for determining an optimal route based on boundary conditions.

Zudem kann die Ermittlungseinheit ausgebildet sein, während des Ermittelns der optimalen Route eine Penalty-Funktion basierend auf Informationen über die Größe eines entsprechenden Fertigungsauftrags, und/oder eine maximale Kapazität wenigstens einer Prozessanlage der Produktionslinie, und/oder eine maximale Auslastung wenigstens einer Prozessanlage der Produktionslinie, und/oder einen aktuellen Arbeitsstand anzuwenden. Über diese Penalty-Funktion kann die individuelle Prozessanlagenauslastung abgebildet und der Reinforcement Learning Optimierungsalgorithmus in seiner Funktion derart beeinflusst werden, dass zu keinem Zeitpunkt eine Prozessanlage der Prozesslinie überlastet wird, gleichzeitig jedoch das Optimum hinsichtlich der vorgegebenen Zielfunktion nach wie vor erreicht wird.In addition, the determination unit can be designed, while determining the optimal route, to have a penalty function based on information about the size of a corresponding production order, and/or a maximum capacity of at least one process system of the production line, and/or a maximum utilization of at least one process system of the production line , and/or apply a current work status. This penalty function can be used to map the individual process system utilization and influence the function of the reinforcement learning optimization algorithm in such a way that no process system in the process line is overloaded at any time, but at the same time the optimum with regard to the specified target function is still achieved.

Mit einer weiteren Ausführungsform der Erfindung wird zudem auch ein System zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie angegeben, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, wobei das System eine Empfangseinheit zum Empfangen einer optimalen Route zur Herstellung eines Bauteils entlang der Produktionslinie, wobei die optimale Route durch ein obenstehend beschriebenes System zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer mehrere Prozessstationen aufweisenden Produktionslinie ermittelt wurde, und eine Herstellungseinheit, welche ausgebildet ist, das Produkt basierend auf der ermittelten optimalen Route herzustellen, aufweist.A further embodiment of the invention also provides a system for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigidly connected to one another, the system being one Receiving unit for receiving an optimal route for producing a component along the production line, the optimal route being determined by a system described above for determining an optimal route for producing a product along a production line having a plurality of process stations, and a manufacturing unit which is designed to To produce a product based on the optimal route determined.

Somit wird ein System zur Herstellung eines Produkts entlang einer mehrere Prozessstationen aufweisenden Produktionslinie angegeben, welches auf einem verbesserten System zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer mehrere Prozessstationen aufweisenden Produktionslinie, wobei jede Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, basiert. Insbesondere basiert das System dabei auf einem System zum Ermitteln einer optimalen Route, bei welchem Algorithmen des maschinellen Lernens trainiert werden, welche jeweils das individuelle Verhalten zwischen Eingangs- und Ausgangsgrößen der entsprechenden Prozessanlage wiedergeben. Hierdurch können jeweils Variationen im Bauteilverhalten und auch die daraus entstehende Variation im Ergebnis abhängig von der gewählten Route entlang der Produktionslinie abgebildet werden. Die Algorithmen des maschinellen Lernens werden anschließend für einen überlagerten Optimierungsalgorithmus genutzt, um entsprechend einer Zielvorgabe die optimale Route einzelner Bauteile oder Bauteilchargen zu ermitteln. Dies hat den Vorteil, dass individuelle Verhaltensweisen von Bauteiltypen oder -chargen, welche zu Variationen in den Bearbeitungsprozessen und somit zu Variationen in der Bauteilqualität sowie in den Herstellungskosten führen können, berücksichtigt werden, und dass die Optimierung „on the fly“ erfolgen kann, das heißt erst kurz vor dem Eintritt eines Bauteils in die Prozesskette. Zudem müssen alle relevanten Informationen, beispielsweise eine Anzahl der zu verarbeitenden Bauteile und/oder eine Bearbeitungsreihenfolge der Bauteile, nicht vorab bekannt sein. Vielmehr ist es beispielsweise ausreichend, wenn der Gesamtumfang des entsprechenden Fertigungsauftrags und die Kapazitäten der einzelnen Prozessanlagen vorbekannt sind, wodurch weiter auch Computerressourcen eingespart werden können.Thus, a system for producing a product along a production line having multiple process stations is provided, which is based on an improved system for determining an optimal route for producing a product along a production line having multiple process stations, each process station having a plurality of process plants, and wherein the process plants of the production line are not rigidly connected to each other. In particular, the system is based on a system for determining an optimal route, in which machine learning algorithms are trained, which each reflect the individual behavior between input and output variables of the corresponding process system. This allows variations in the component behavior and the resulting variation in the result to be mapped depending on the selected route along the production line. The machine learning algorithms are then used for a superimposed optimization algorithm in order to determine the optimal route for individual components or batches of components according to a target. This has the advantage that individual behavior of component types or batches, which can lead to variations in the machining processes and thus to variations in component quality and manufacturing costs, are taken into account, and that optimization can take place “on the fly”. means just before a component enters the process chain. In addition, all relevant information, for example a number of components to be processed and/or a processing sequence of the components, does not have to be known in advance. Rather, it is sufficient, for example, if the overall scope of the corresponding production order and the capacities of the individual process systems are known in advance, which can also save computer resources.

Mit einer weiteren Ausführungsform der Erfindung wird außerdem auch ein Computerprogramm mit Programmcode, um ein obenstehend beschriebenes Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer mehrere Prozessstationen aufweisenden Produktionslinie auszuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird, angegeben.With a further embodiment of the invention, a computer program with program code is also specified in order to carry out a method described above for determining an optimal route for producing a product along a production line having several process stations when the computer program is executed on a computer.

Mit einer weiteren Ausführungsform der Erfindung wird außerdem auch ein computerlesbarer Datenträger mit Programmcode eines Computerprogramms, um ein obenstehend beschriebenes Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer mehrere Prozessstationen aufweisenden Produktionslinie auszuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird, angegeben.A further embodiment of the invention also provides a computer-readable data carrier with program code of a computer program in order to carry out a method described above for determining an optimal route for producing a product along a production line having several process stations when the computer program is executed on a computer.

Das Computerprogramm und der computerlesbare Datenträger haben dabei jeweils den Vorteil, dass diese ausgebildet sind, ein verbessertes Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie auszuführen, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, basiert. Das Verfahren basiert dabei darauf, dass Algorithmen des maschinellen Lernens trainiert werden, welche jeweils das individuelle Verhalten zwischen Eingangs- und Ausgangsgrößen der entsprechenden Prozessanlage wiedergeben. Hierdurch können jeweils Variationen im Bauteilverhalten und auch die daraus entstehende Variation im Ergebnis abhängig von der gewählten Route entlang der Produktionslinie abgebildet werden. Die Algorithmen des maschinellen Lernens werden anschließend für einen überlagerten Optimierungsalgorithmus genutzt, um entsprechend einer Zielvorgabe die optimale Route einzelner Bauteile oder Bauteilchargen zu ermitteln. Dies hat den Vorteil, dass individuelle Verhaltensweisen von Bauteiltypen oder -chargen, welche zu Variationen in den Bearbeitungsprozessen und somit zu Variationen in der Bauteilqualität sowie in den Herstellungskosten führen können, berücksichtigt werden, und dass die Optimierung „on the fly“ erfolgen kann, das heißt erst kurz vor dem Eintritt eines Bauteils in die Prozesskette. Zudem müssen alle relevanten Informationen, beispielsweise eine Anzahl der zu verarbeitenden Bauteile und/oder eine Bearbeitungsreihenfolge der Bauteile, nicht vorab bekannt sein. Vielmehr ist es beispielsweise ausreichend, wenn der Gesamtumfang des entsprechenden Fertigungsauftrags und die Kapazitäten der einzelnen Prozessanlagen vorbekannt sind, wodurch weiter auch Computerressourcen eingespart werden können.The computer program and the computer-readable data carrier each have the advantage that they are designed to carry out an improved method for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and where the process systems of the production line are not rigidly connected to each other. The process is based on training machine learning algorithms, which reflect the individual behavior between input and output variables of the corresponding process system. This can cause variations in the component behavior and the resulting variation in the result from the selected route along the production line. The machine learning algorithms are then used for a superimposed optimization algorithm in order to determine the optimal route for individual components or batches of components according to a target. This has the advantage that individual behavior of component types or batches, which can lead to variations in the machining processes and thus to variations in component quality and manufacturing costs, are taken into account, and that optimization can take place “on the fly”. means just before a component enters the process chain. In addition, all relevant information, for example a number of components to be processed and/or a processing sequence of the components, does not have to be known in advance. Rather, it is sufficient, for example, if the overall scope of the corresponding production order and the capacities of the individual process systems are known in advance, which can also save computer resources.

Zusammenfassend ist festzustellen, dass mit der vorliegenden Erfindung ein verbessertes Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie angegeben wird, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind.In summary, the present invention provides an improved method for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigid with one another are connected.

Die beschriebenen Ausgestaltungen und Weiterbildungen lassen sich beliebig miteinander kombinieren.The configurations and further developments described can be combined with one another as desired.

Weitere mögliche Ausgestaltungen, Weiterbildungen und Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Merkmalen der Erfindung.Further possible refinements, further developments and implementations of the invention also include combinations of features of the invention described previously or below with regard to the exemplary embodiments that are not explicitly mentioned.

Kurze Beschreibung der ZeichnungenBrief description of the drawings

Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung.The accompanying drawings are intended to provide further understanding of embodiments of the invention. They illustrate embodiments and, in connection with the description, serve to explain principles and concepts of the invention.

Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die dargestellten Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.Other embodiments and many of the advantages mentioned arise with regard to the drawings. The illustrated elements of the drawings are not necessarily shown to scale to one another.

Es zeigen:

1 ein schematisches Blockschaltbild einer wenigstens eine Prozessstation aufweisenden Produktionslinie, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind;
2 ein Flussdiagramm eines Verfahrens zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie gemäß Ausführungsformen der Erfindung; und
3 ein schematisches Blockschaltbild eines Systems zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer mehrere Prozessstationen aufweisenden Produktionslinie gemäß Ausführungsformen der Erfindung.

Show it:

1 a schematic block diagram of a production line having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigidly connected to one another;
2 a flowchart of a method for determining an optimal route for producing a product along a production line having at least one process station according to embodiments of the invention; and
3 a schematic block diagram of a system for determining an optimal route for producing a product along a production line having multiple process stations according to embodiments of the invention.

In den Figuren der Zeichnungen bezeichnen gleiche Bezugszeichen gleiche oder funktionsgleiche Elemente, Bauteile oder Komponenten, soweit nichts Gegenteiliges angegeben ist.In the figures of the drawings, the same reference numerals designate the same or functionally identical elements, parts or components, unless otherwise stated.

1 zeigt ein schematisches Blockschaltbild einer wenigstens eine Prozessstation 1 aufweisenden Produktionslinie 2, wobei jede der wenigstens einen Prozessstation 1 mehrere Prozessanlagen 3 aufweist, und wobei die Prozessanlagen 3 der Produktionslinie 2 nicht starr miteinander verbunden sind. 1 shows a schematic block diagram of a production line 2 having at least one process station 1, each of the at least one process station 1 having a plurality of process systems 3, and wherein the process systems 3 of the production line 2 are not rigidly connected to one another.

Insbesondere zeigt 1 eine Produktionslinie mit drei Prozessstationen 1, wobei jede Prozessstation 1 jeweils drei Prozessanlagen 3 aufweist, wobei es sich beispielsweise jeweils um Maschinen unterschiedlicher Hersteller handeln kann.In particular shows 1 a production line with three process stations 1, each process station 1 having three process systems 3, which can, for example, be machines from different manufacturers.

Zur Herstellung eines Produkts werden dabei in einem Bereitstellungsraum 4 vorgesehene Bauteile über Transporthilfen 5 nacheinander zu je einer Prozessanlage 3 der ersten, zweiten und dritten Prozessstation 1 transportiert.To produce a product, components provided in a preparation room 4 are transported one after the other to a process system 3 of the first, second and third process station 1 via transport aids 5.

Wie 1 zeigt, sind die Prozessanlagen 3 der Produktionslinie 2 dabei nicht starr miteinander verbunden, das heißt ist kein Zusammenhang zwischen den einzelnen Prozessanlagen, beispielsweise auf welchen Prozessanlagen jeweils aufeinanderfolgende Bearbeitungsschritte ausgeführt werden, vorgegeben und kann in jeder Prozessstation vielmehr eine der entsprechenden Prozessanlagen zum Ausführen des entsprechenden Bearbeitungsschrittes ausgewählt werden. Insbesondere ist eine flexible Routenführung beziehungsweise Wegführung von einzelnen Bauteilchargen oder gar einzelnen Bauteilen durch die einzelnen Bearbeitungsschritte möglich. Hierdurch kann beispielsweise auf Auslastungsschwankungen der Gesamtproduktion aber auch auf temporäre Ausfälle einzelner Produktionsanlagen reagiert werden.How 1 shows, the process systems 3 of the production line 2 are not rigidly connected to one another, that is, there is no connection between the individual process systems, for example on which process systems successive processing steps are carried out, and rather one of the corresponding process systems can be used in each process station to carry out the corresponding process Processing step can be selected. In particular, flexible route guidance or routing of individual batches of components or even individual components through the individual processing units is required steps possible. This makes it possible, for example, to react to fluctuations in the utilization of overall production but also to temporary failures of individual production systems.

Die Planung der entsprechenden Route beziehungsweise der entsprechenden Auswahl der einzelnen Prozessanlagen erfolgt dabei für gewöhnlich über rechnergestützte Simulationstools. Diese Simulationstools sind dabei ausgebildet, verschiedene Randbedingungen und/oder Produktionsparameter zu berücksichtigen, beispielsweise Prozess- und Transportzeiten, Anlagekapazitäten, Verbrauchsmengen von Werkzeugen, Verfügbarkeit Hilfsstoffe, Energiebedarfen, oder der Verfügbarkeit von Arbeits- sowie Servicekräften.The planning of the corresponding route or the corresponding selection of the individual process systems is usually carried out using computer-aided simulation tools. These simulation tools are designed to take into account various boundary conditions and/or production parameters, such as process and transport times, system capacities, consumption quantities of tools, availability of auxiliary materials, energy requirements, or the availability of workers and service staff.

Als nachteilig erweist sich hierbei jedoch, dass der Leistungsbereich dieser Simulationstools begrenzt ist, zumal der Planungszeitraum meist nur einen Tag oder eine Arbeitsschicht umfasst, hoch-dynamische und insbesondere echtzeitfähige Änderungen im Routing für gewöhnlich jedoch nicht möglich sind. Zudem müssen für gewöhnlich alle relevanten Informationen vorab bekannt sein und können individuelle Verhaltensweisen von Bauteiltypen oder -chargen, welche zu Variationen in den Bearbeitungsprozessen und somit zu Variationen in der Bauteilqualität sowie in den Herstellungskosten führen können, mit diesen Simulationstools für gewöhnlich nicht abgebildet werden. Folglich besteht Bedarf an verbesserten Verfahren zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer mehrere Prozessstationen aufweisenden Produktionslinie, wobei jede Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind.However, the disadvantage here is that the performance range of these simulation tools is limited, especially since the planning period usually only covers one day or one work shift, but highly dynamic and, in particular, real-time capable changes in routing are usually not possible. In addition, all relevant information usually has to be known in advance and individual behavior of component types or batches, which can lead to variations in the machining processes and thus to variations in component quality and manufacturing costs, cannot usually be depicted with these simulation tools. Accordingly, there is a need for improved methods for determining an optimal route for producing a product along a production line having multiple process stations, each process station having multiple process equipment, and wherein the process equipment of the production line is not rigidly connected to one another.

2 zeigt ein Flussdiagramm eines Verfahrens zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie 10 gemäß Ausführungsformen der Erfindung. 2 shows a flowchart of a method for determining an optimal route for producing a product along a production line 10 having at least one process station according to embodiments of the invention.

Insbesondere zeigt 2 ein Flussdiagramm eines Verfahrens zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie 10, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind.In particular shows 2 a flowchart of a method for determining an optimal route for producing a product along a production line 10 having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigidly connected to one another.

2 zeigt dabei ein Verfahren 10, wobei in einem Schritt 11 für jede Prozessanlage der Produktionsline jeweils Trainingsdaten zum Trainieren eines Algorithmus des maschinellen Lernens zum Abbilden von ein Bauteil beschreibenden Größen, bevor dieses durch die entsprechende Prozessanlage verarbeitet wird, in das Bauteil beschreibenden Größen, nachdem dieses durch die entsprechende Prozessanlage verarbeitet wurde, bereitgestellt werden, in einem Schritt 12 für jede Prozessanlage der Produktionslinie jeweils der entsprechende Algorithmus des maschinellen Lernens basierend auf den entsprechenden bereitgestellten Trainingsdaten trainiert wird, und in einem Schritt 13 eine optimale Route zur Herstellung eines Bauteils entlang der Produktionslinie durch Anwenden eines Optimierungsalgorithmus basierend auf einer Zielfunktion und den trainierten Algorithmen des maschinellen Lernens für alle Prozessanlagen der Produktionslinie ermittelt wird. 2 shows a method 10, wherein in a step 11 for each process system of the production line, training data for training a machine learning algorithm for mapping variables describing a component before it is processed by the corresponding process system into variables describing the component after this was processed by the corresponding process system, are provided, in a step 12 for each process system of the production line the corresponding machine learning algorithm is trained based on the corresponding training data provided, and in a step 13 an optimal route for producing a component along the production line is determined by applying an optimization algorithm based on an objective function and the trained machine learning algorithms for all process equipment on the production line.

Das Verfahren 10 basiert somit darauf, dass Algorithmen des maschinellen Lernens trainiert werden, welche jeweils das individuelle Verhalten zwischen Eingangs- und Ausgangsgrößen der entsprechenden Prozessanlage wiedergeben. Hierdurch können jeweils Variationen im Bauteilverhalten und auch die daraus entstehende Variation im Ergebnis abhängig von der gewählten Route entlang der Produktionslinie abgebildet werden. Die Algorithmen des maschinellen Lernens werden anschließend für einen überlagerten Optimierungsalgorithmus genutzt, um entsprechend einer Zielvorgabe die optimale Route einzelner Bauteile oder Bauteilchargen zu ermitteln.The method 10 is therefore based on training machine learning algorithms, which each reflect the individual behavior between input and output variables of the corresponding process system. This allows variations in component behavior and the resulting variation in the result to be mapped depending on the route selected along the production line. The machine learning algorithms are then used for a superimposed optimization algorithm in order to determine the optimal route for individual components or batches of components according to a target.

Insgesamt wird somit ein verbessertes Verfahren 10 zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind, angegeben.Overall, an improved method 10 is thus specified for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and the process systems of the production line not being rigidly connected to one another.

Bei der Zielfunktion kann es sich dabei um eine Qualität der entsprechend hergestellten Produkte und/oder bei der entsprechenden Herstellung von Produkten anfallende Kosten handeln, wobei das Verfahren 10 ausgebildet ist, eine Menge an Bauteilen, welche in einem gewissen Zeitraum verarbeitet werden sollen, kostengünstig durch die einzelnen Prozessschritte zu schleusen.The objective function can be a quality of the correspondingly manufactured products and/or costs incurred in the corresponding production of products, whereby the method 10 is designed to cost-effectively transport a quantity of components that are to be processed within a certain period of time through the individual process steps.

Ferner kann für jedes einzelne Bauteil beziehungsweise jedes herzustellende Produkt separat eine optimale Route ermittelt werden.Furthermore, an optimal route can be determined separately for each individual component or product to be manufactured.

Bei den einzelnen Algorithmen des maschinellen Lernens kann es sich zudem insbesondere um künstliche neuronale Netze handeln.The individual machine learning algorithms can also be artificial neural networks.

Basierend auf der jeweiligen Darstellung des Verhaltens beziehungsweise der Eigenheiten der einzelnen Prozessanlagen, welche beispielsweise von unterschiedlichen Herstellern stammen oder unterschiedliche Maschineneigenheiten können, ist die gesamte Produktionslinie anschließend auch als eine Art digitaler Zwilling in Form von einzelnen miteinander verbundenen Modellen beziehungsweise Algorithmen des maschinellen Lernens verfügbar.Based on the respective representation of the behavior or characteristics of the individual process systems, which, for example, come from different manufacturers or can have different machine characteristics, the entire production line is then available as a kind of digital twin in the form of individual interconnected models or machine learning algorithms.

Gemäß den Ausführungsformen der 2 weisen die Trainingsdaten für alle Prozessanlagen der Produktionslinie jeweils Sensordaten auf.According to the embodiments of 2 The training data for all process systems in the production line each contain sensor data.

Die Sensordaten können dabei über entsprechende Sensorik und/oder Messstationen erfasst werden, wobei die entsprechenden Sensorwerte anschließend gelabelt beziehungsweise mit Metadaten versehen werden, um anschließend in Schritt 2 als Trainingsdaten bereitgestellt zu werden.The sensor data can be recorded via appropriate sensors and/or measuring stations, with the corresponding sensor values then being labeled or provided with metadata in order to then be provided as training data in step 2.

Die einzelnen Algorithmen des maschinellen Lernens können dabei basierend auf entsprechenden historischen beziehungsweise während entsprechender zurückliegender Verarbeitungen von Bauteilen erfassten Daten und/oder kurz vor der Verarbeitung eines Bauteils, für das eine optimale Route ermittelt werden soll, erfassten Daten trainiert werden. Zudem können die Trainingsdaten auch basierend auf Simulationsdaten, welche die Verarbeitung eines Bauteils in der Prozesslinie simulieren, erweitert werden.The individual machine learning algorithms can be trained based on corresponding historical data or data collected during corresponding past processing of components and/or data collected shortly before the processing of a component for which an optimal route is to be determined. In addition, the training data can also be expanded based on simulation data that simulates the processing of a component in the process line.

Gemäß den Ausführungsformen der 2 handelt es sich bei dem Optimierungsalgorithmus zudem um einen Reinforcement Learning Optimierungsalgorithmus.According to the embodiments of 2 The optimization algorithm is also a reinforcement learning optimization algorithm.

Insbesondere kann dabei simuliert werden, dass ein Bauteil auf unterschiedlichen Routen durch die Prozesslinie läuft, wobei jeweils die Zielvorgaben beziehungsweise entsprechende Werte für die Zielfunktion ermittelt werden. Basierend auf diesem Trial-and-Error-Prinzip kann anschließend eine optimale Route für das Bauteil ermittelt werden, in dem verschiedene Routenoptionen getestet werden, bis die optimale Route für das entsprechende Bauteil gefunden wurde.In particular, it can be simulated that a component runs through the process line on different routes, with the target specifications or corresponding values for the target function being determined in each case. Based on this trial-and-error principle, an optimal route for the component can then be determined by testing various route options until the optimal route for the corresponding component has been found.

Beispielsweise falls es sich bei den verarbeiteten Bauteilen um Zahnstangen handelt, welche beispielsweise aufgrund unterschiedlicher Vorbehandlungen unterschiedliche Materialhärten aufweisen, wobei eine Prozessstation zwei Prozessanlagen aufweist, und wobei eine erste der zwei Prozessanlagen unabhängig von der jeweiligen Materialhärte ein besseres Bauteilverhalten bezüglich Zahnstangen als eine zweite der zwei Prozessanlagen, sollten alle Zahnstangen durch die erste der zwei Prozessanlagen verarbeitet werden.For example, if the processed components are racks, which have different material hardnesses, for example due to different pretreatments, a process station has two process systems, and a first of the two process systems has better component behavior with regard to racks than a second of the two, regardless of the respective material hardness Process plants, all racks should be processed through the first of the two process plants.

Gemäß den Ausführungsformen der 2 weist der Schritt 13 des Ermittelns einer optimalen Route ein Anwenden einer Penalty-Funktion basierend auf Informationen über die Größe eines entsprechenden Fertigungsauftrags, und/oder eine maximale Kapazität wenigstens einer Prozessanlage der Produktionslinie, und/oder eine maximale Auslastung wenigstens einer Prozessanlage der Produktionslinie, und/oder einen aktuellen Arbeitsstand auf.According to the embodiments of 2 the step 13 of determining an optimal route involves applying a penalty function based on information about the size of a corresponding production order, and / or a maximum capacity of at least one process system of the production line, and / or a maximum utilization of at least one process system of the production line, and /or a current work status.

Insbesondere wird ein zusätzlicher Gewichtungsfaktor hinzugefügt, welcher für jede Prozessanlage separat berechnet werden kann und beispielsweise beschreibt, wie hoch die aktuelle freie Kapazität eines Prozesses beziehungsweise der entsprechenden Prozessanlage bezogen auf eine Anzahl an noch ausstehenden, noch zu verarbeitenden Bauteilen ist. Eine geringe freie Kapazität und eine gleichzeitig hohe Anzahl an noch ausstehenden Bauteilen resultiert dabei beispielsweise in einem hohen Gewichtungsfaktor, wobei sich der Wert des Gewichtungsfaktors entsprechend verringert, wenn sich das Ungleichgewicht zwischen freier Kapazität und noch ausstehenden Bauteilen verringert. Ist die freie Kapazität ferner größer oder gleich der Anzahl an noch ausstehenden Bauteilen, so weist dieser Gewichtungsfaktor hingegen den Wert Null auf.In particular, an additional weighting factor is added, which can be calculated separately for each process system and describes, for example, how high the current free capacity of a process or the corresponding process system is in relation to a number of outstanding components that still need to be processed. A low free capacity and a simultaneously high number of outstanding components result, for example, in a high weighting factor, with the value of the weighting factor decreasing accordingly if the imbalance between free capacity and outstanding components decreases. If the free capacity is greater than or equal to the number of components still outstanding, then this weighting factor has the value zero.

Zudem kann der Gewichtungsfaktor dabei noch einen Skalierungsfaktor aufweisen, welcher repräsentativ für eine Streuung einer Zielgröße beziehungsweise der Zielfunktion in historischen Daten ist.In addition, the weighting factor can also have a scaling factor, which is representative of the spread of a target variable or the target function in historical data.

Basierend auf der ermittelten Route können anschließend Bauteile durch die Produktionslinie verarbeitet werden und entsprechende Produkte hergestellt werden.Based on the route determined, components can then be processed through the production line and corresponding products can be manufactured.

3 zeigt ein schematisches Blockschaltbild eines Systems zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie 10 gemäß Ausführungsformen der Erfindung. 3 shows a schematic block diagram of a system for determining an optimal route for producing a product along a production line 10 having at least one process station according to embodiments of the invention.

Insbesondere zeigt 2 ein schematisches Blockschaltbild eines Systems zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie 10, wobei jede der wenigstens einen Prozessstation mehrere Prozessanlagen aufweist, und wobei die Prozessanlagen der Produktionslinie nicht starr miteinander verbunden sind.In particular shows 2 a schematic block diagram of a system for determining an optimal route for producing a product along a production line 10 having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigidly connected to one another.

Wie 3 zeigt, weist das System 20 eine Bereitstellungseinheit 21, welche ausgebildet ist, für jede Prozessanlage der Produktionsline jeweils Trainingsdaten zum Trainieren eines Algorithmus des maschinellen Lernens zum Abbilden von ein Bauteil beschreibende Größen, bevor dieses durch die entsprechende Prozessanlage verarbeitet wird, in das Bauteil beschreibenden Größen, nachdem dieses durch die entsprechende Prozessanlage verarbeitet wurde, bereitzustellen, eine Trainingseinheit 22, welche ausgebildet ist, für jede Prozessanlage der Produktionslinie jeweils den entsprechenden Algorithmus des maschinellen Lernens basierend auf den entsprechenden bereitgestellten Trainingsdaten zu trainieren, und eine Ermittlungseinheit 13, welche ausgebildet ist, eine optimalen Route zur Herstellung eines Bauteils entlang der Produktionslinie durch Anwenden eines Optimierungsalgorithmus basierend auf einer Zielfunktion und den trainierten Algorithmen des maschinellen Lernens für alle Prozessanlagen der Produktionslinie zu ermitteln, auf.How 3 shows, the system 20 has a provision unit 21, which is designed to provide training data for each process system of the production line for training a machine learning algorithm to map variables describing a component before it is processed by the corresponding process system into variables describing the component after this has been processed by the corresponding process system, to provide a training unit 22, which is designed to train the corresponding machine learning algorithm for each process system of the production line based on the corresponding training data provided, and a determination unit 13, which is designed to determine an optimal route for producing a component along the production line by applying an optimization algorithm based on an objective function and the trained machine learning algorithms for all process equipment on the production line.

Bei der Bereitstellungseinheit kann es sich dabei beispielsweise um einen Empfänger handeln, welcher ausgebildet ist, entsprechende Sensordaten zu empfangen. Die Trainingseinheit und die Ermittlungseinheit können ferner jeweils beispielsweise basierend auf in einem Speicher hinterlegten und durch einen Prozessor ausführbaren Code realisiert werden.The provision unit can be, for example, a receiver which is designed to receive corresponding sensor data. The training unit and the determination unit can also each be implemented, for example, based on code stored in a memory and executable by a processor.

Gemäß den Ausführungsformen der 3 weisen die Trainingsdaten dabei für alle Prozessanlagen der Produktionslinie wiederum Sensordaten auf.According to the embodiments of 3 The training data in turn contains sensor data for all process systems in the production line.

Zudem handelt es sich bei dem Optimierungsalgorithmus wiederum um einen Reinforcement Learning Optimierungsalgorithmus.In addition, the optimization algorithm is again a reinforcement learning optimization algorithm.

Gemäß den Ausführungsformen der 3 ist die Ermittlungseinheit 23 zudem ausgebildet während des Ermittelns der optimalen Route eine Penalty-Funktion basierend auf Informationen über die Größe eines entsprechenden Fertigungsauftrags, und/oder eine maximale Kapazität wenigstens einer Prozessanlage der Produktionslinie, und/oder eine maximale Auslastung wenigstens einer Prozessanlage der Produktionslinie, und/oder einen aktuellen Arbeitsstand anzuwenden.According to the embodiments of 3 the determination unit 23 is also designed, while determining the optimal route, to have a penalty function based on information about the size of a corresponding production order, and/or a maximum capacity of at least one process system of the production line, and/or a maximum utilization of at least one process system of the production line, and/or apply a current work status.

Das dargestellte System 20 ist ferner ausgebildet, ein obenstehend beschriebenes System zum Ermitteln einer optimalen Route zur Herstellung eines Produkts entlang einer wenigstens eine Prozessstation aufweisenden Produktionslinie auszuführen.The system 20 shown is further designed to execute a system described above for determining an optimal route for producing a product along a production line having at least one process station.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

DE 102011013102 A1 [0007]

Claims

Method for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigidly connected to one another, the method (1) having the following steps: - For each process system of the production line, providing training data for training a machine learning algorithm to map variables describing a component before it is processed by the corresponding process system into variables describing the component after it has been processed by the corresponding process system ( 2); - For each process system of the production line, training the corresponding machine learning algorithm based on the corresponding training data provided (3); and - Determining an optimal route for producing a component along the production line by applying an optimization algorithm based on an objective function and the trained machine learning algorithms for all process equipment on the production line (4).

Procedure according to Claim 1 , whereby, for each process system of the production line, the training data includes sensor data.

Procedure according to Claim 1 or 2 , where the optimization algorithm is a reinforcement learning optimization algorithm.

Procedure according to one of the Claims 1 until 3 , wherein the step of determining an optimal route involves applying a penalty function based on information about the size of a corresponding production order, and / or a maximum capacity of at least one process system of the production line, and / or a maximum utilization of at least one process system of the production line, and /or has a current work status.

Method for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigidly connected to one another, the method having the following steps: - Determining an optimal route for producing a Component along the production line by a method for determining an optimal route for producing a product along a production line having at least one process station according to one of Claims 1 until 4 ; and - producing the product based on the optimal route determined.

System for determining an optimal route for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the production line are not rigidly connected to one another, the system (20) having at least one provision unit ( 21), which is designed to provide training data for each process system of the production line for training a machine learning algorithm to map variables describing a component before it is processed by the corresponding process system into variables describing the component after it has been processed by the corresponding process system was processed, to provide at least one training unit (22), which is designed to train the corresponding machine learning algorithm for each process system of the production line based on the corresponding training data provided, and a determination unit (23), which is designed to provide an optimal one To determine the route for producing a component along the production line by applying an optimization algorithm based on an objective function and the trained machine learning algorithms for all process systems on the production line.

System after Claim 6 , whereby, for each process system of the production line, the training data includes sensor data.

System after Claim 6 or 7 , where the optimization algorithm is a reinforcement learning optimization algorithm.

System according to one of the Claims 6 until 8th , wherein the determination unit (23) is designed, while determining the optimal route, to have a penalty function based on information about the size of a corresponding production order, and/or a maximum capacity of at least one process system of the production line, and/or a maximum utilization of at least one Process system of the production line, and/or a current work status to apply.

System for producing a product along a production line having at least one process station, each of the at least one process station having a plurality of process systems, and wherein the process systems of the product tion line are not rigidly connected to one another, the system having a receiving unit for receiving an optimal route for producing a component along the production line, the optimal route being determined by a system for determining an optimal route for producing a product along a production line having at least one process station the Claims 6 until 9 was determined, and has a manufacturing unit which is designed to produce the product based on the determined optimal route.

Computer program with program code for a method for determining an optimal route for producing a product along a production line having at least one process station according to one of the Claims 1 until 4 to execute when the computer program is executed on a computer.

Computer-readable data carrier with program code of a computer program for a method for determining an optimal route for producing a product along a production line having at least one process station according to one of the Claims 1 until 4 to execute when the computer program is executed on a computer.