Vorhersage der Betriebszeit
Vorhersage der Betriebszeit ist ein Werkzeug, das maschinelles Lernen zur Prognose von
Maschinenlaufzeiten für Arbeitsgänge von Fertigungsaufträgen nutzt. Auf diese Weise erhalten Sie
Einblicke in potenzielle Verzögerungen und verbessern die Produktionseffizienz, indem Sie die Faktoren
hervorheben, die sich auf das normale Produktionstempo auswirken. Diese Informationen werden in Lobby-Elementen
dargestellt und können für operative Einblicke und Entscheidungen genutzt werden. Ziel ist es, die an der
Planung und Durchführung von Arbeitsgängen Beteiligten zu unterstützen, indem Erkenntnisse gewonnen
werden, um Probleme zu verhindern, bevor sie auftreten, und die Produktion zu verbessern, indem Faktoren ermittelt
werden, die das übliche Produktionstempo beeinflussen. Ein trainierter Algorithmus generiert auch
Modellstatistiken und Datensatzprofile, die nützlich sein können, um Einblicke in den Datensatz und die
Faktoren zu gewinnen, die zu Abweichungen bei den Maschinenlaufzeiten der Fertigungsaufträge beitragen.
Basisdaten einrichten
Um die voraussichtliche Betriebszeit der Maschine auf der Lobby-Seite Vorhersage der
Betriebszeit zu erhalten, muss das maschinelle Lernmodell trainiert und aktiviert werden. Dies muss
auf der Seite Lösungsmanager/Automatisierung und Optimierung/Maschinelles Lernen/Maschinelle
Lernmodelle erfolgen. Nach dem Training muss das Modell auf den Status Aktiv gesetzt
werden, damit das Vorhersagemodell verwendet werden kann. Das Modell kann auf der Grundlage der
Geschäftsanforderungen neu trainiert werden, um die genauesten Vorhersagen anhand der jüngsten
Transaktionen zu erhalten.
AI-Modellkennungen
- AI-Modellname: OP_MACHINE_RUN_TIME_PREDICTION
- Anwendungsfall des AI-Modells: op-machine-run-time-prediction
- Anwendungstyp:
- Trainierbar
- Batch-Vorhersage
Lobby – Vorhersage der Betriebszeit
Die Lobby „Vorhersage der Betriebszeit“ bietet einen Überblick über die Vorhersagen und
beinhaltet folgende Elemente:
- Vorhersage der Betriebszeit – Listenelement: Zeigt operative Informationen zu
Fertigungsaufträgen auf der Grundlage von Vorhersagen an. Die Option vergleicht die voraussichtliche
Maschinenlaufzeit mit der geplanten Betriebszeit der Maschine in Stunden. Jede Zeile kann erweitert werden, um die
Arbeitsgangdetails auf der Seite FA-Arbeitsgänge anzuzeigen. Lobby-Filterwerte
können angewendet werden, um Abweichungen zu begrenzen, z. B. Verspätungen in Stunden oder
Prozentsätzen der geplanten Zeit.
- Kumulierte Zeitverschiebung pro Arbeitsplatz – Balkendiagramm: Zeigt den kumulierten
voraussichtlichen Zeitversatz pro Arbeitsplatz. Beachten Sie, dass die Summierung ungenau sein kann, wenn Sie im
Lobbyfilter nach Schwellenwerten filtern.
- Maximale vorausgesagte Abweichung – Zähler: Zeigt die maximale Verzögerung in
Stunden an.
- Maximale vorausgesagte Abweichung in Prozent – Zähler: Zeigt die maximale
Verzögerung in Prozentsätzen der geplanten Zeit an.
Lobby-Filteroptionen
- Standort: Der Standort, an dem die Vorhersagen gemacht wurden (dies sollte derselbe sein, der in den
Parametern des trainierbaren Modells festgelegt wurde).
- Vergangene Tage: Die Anzahl der Tage vor dem aktuellen Datum, für die historische Vorhersagen
angezeigt werden sollen.
- Zeitraum: Der Horizont, der sich vom aktuellen Datum bis in die Zukunft erstreckt und angezeigt werden
soll (beachten Sie, dass hier der Vorhersagehorizont, der im geplanten Vorhersage-Hintergrundjob verwendet wird,
ein begrenzender Faktor ist).
- Arbeitsplatz: Ermöglicht die Filterung nach bestimmten Arbeitsplätzen.
- Fertigungsauftrag: Ermöglicht die Filterung nach bestimmten Fertigungsauftragsnummern.
- Artikelnr.: Ermöglicht die Filterung nach bestimmten Artikelnummern.
- Auftragsstatus: Ermöglicht die Filterung nach Auftragsstatus.
- Progn. Zeitverschiebung: Ermöglicht das Filtern von Verzögerungen, die größer als
die angegebene Anzahl von Stunden sind.
- Abweichung Prozentsatz: Erlaubt das Filtern von Verzögerungen, die größer als der
angegebene Prozentwert sind.
Datenquelle
- Ml-geplante FA-Vorgänge: Diese Funktion fragt gespeicherte Vorhersagen ab und verknüpft sie
mit den entsprechenden Arbeitsgängen eines Fertigungsauftrags.
Bedingtes Format
Es wird empfohlen, die bedingte Formatierung zu aktualisieren, um die Verzögerung von Arbeitsgängen
gemäß Ihren eigenen Definitionen hervorzuheben.
Im Algorithmus verwendete Daten
Die folgenden Attribute werden beim Training des Algorithmus und bei der Erstellung von Vorhersagen
berücksichtigt:
- Durchschnittlicher Maschinenlaufzeitfaktor des Artikelarbeitsgangs während des Trainingsintervalls
- ABC-Klasse des Bestandsartikels
- Buchungsgruppe des Bestandsartikels
- Produktcode des Bestandsartikels
- Betriebsmenge (verschrottet und verwendet/geplant)
- Arbeitsgang/Arbeitsplatz-Ressource
- Startmonat des Arbeitsgangs
- Starttag der Woche für Arbeitsgang
- Tagesstartzeit für Arbeitsgang
- Anzahl früherer FA-Arbeitsgänge
- Anzahl verbleibender FA-Arbeitsgänge
- Arbeitsplatz-OEE
- Anzahl der Betriebskomponenten
- Crew-Größe für Arbeitsgang
- Lohngruppe des Arbeitsgangs
- Qualifikationsprofil des Arbeitsgangs
- Anzahl der Arbeitsgangrichtlinien
- Anzahl der Analysedatenpunkte des Arbeitsgangs
- Anzahl der Werkzeuge des Arbeitsgangs
Auf der Grundlage dieser Informationen sagt der Algorithmus voraus, wie der Laufzeitfaktor des Arbeitsgangs
abweichen wird. Zusammen mit einer vorverarbeiteten durchschnittlichen Maschinenlaufzeit und der geplanten
Arbeitsgangmenge wird dies zum Vergleich der geplanten und der vorhergesagten Maschinenlaufzeit verwendet.
Verarbeitungsbeispiel
- Trainingsbeispiel: Arbeitsgang 20 von Arbeitsplanalternative 1 und Revision 2 von
Artikel x123 hat 12 Datensätze für den ausgewählten Trainingszeitraum. Der
durchschnittliche Maschinenlaufzeitfaktor dieser Datensätze beträgt 0,88 h/Menge. In diesem Beispiel
hat eine registrierte Arbeitsgang-ID mit einer Start- und Stopptaktung und einer Menge einen individuellen
Maschinenlaufzeitfaktor von 0,90 h/Menge. Die Trainingszieleingabe für das Modell für diesen
speziellen Datensatz wäre 0,90 – 0,88 = 0,02. In diesem Fall geht das Modell davon aus,
dass die Merkmale für diesen Datensatz zu einer Verschiebung des Maschinenlaufzeitfaktors von
0,02 Stunden pro Menge beitragen.
- Vorhersagebeispiel: Fertigungsauftrag 202020, Arbeitsgang 20 der Alternative 1 und
Revision 2 von Artikel x123 soll in 2 Tagen beginnen. Geplant ist die Fertigung von
100 Artikeln, und die Maschinenlaufzeit, ausgehend vom Arbeitsplan, beträgt 0,85 Stunden pro Menge.
Die geplante Arbeitsgangdauer beträgt 85 Stunden. Bei der Vorhersage werden die Attribute für die
geplanten Arbeitsgänge an das trainierte Modell gesendet. Der zurückgegebene Wert ist eine vorausgesagte
Abweichung vom berechneten Durchschnitt. In diesem Fall reagierte das Modell auf die Tatsache, dass der geplante
Produktionsstart spät abends an einem Freitag* war. Auf dieser Grundlage ergibt sich als vorhergesagter
Zielwert eine Abweichung von 0,05 Stunden pro Menge. Der durchschnittliche Maschinenlaufzeitfaktor
beträgt 0,88 Stunden pro Menge (gespeichert aus dem Training). Das bedeutet, dass die vorhergesagte
Maschinenlaufzeit in diesem Beispiel 100 (0,88 + 0,05) = 93 Stunden beträgt, also
8 Stunden mehr als der ursprüngliche Plan.
*Beachten Sie, dass dies eine hypothetische Annahme ist und nicht als das genaue erwartete Verhalten des
Algorithmus interpretiert werden sollte.
Daten- und Vorhersagequalität
Der Algorithmus eignet sich am besten für allgemeine Muster mit bekannten Daten. Neue Informationen oder noch
nie da gewesene/neuartige Szenarien, die in der Trainingsmenge nicht gut widergespiegelt sind, werden nicht genau
vorhergesagt. Wenn die Daten, die als Eingabe verwendet werden, nicht gut gepflegt werden oder nicht genau sind,
werden die Vorhersagen wahrscheinlich dieses Qualitätsniveau widerspiegeln.
Konfiguration
Zur Ausführung der Vorhersagen muss das Modell konfiguriert werden, indem Trainings- und Vorhersageintervalle
festgelegt werden.
Schritt 1: Training
Der Algorithmus kann auf der Seite Modell für maschinelles Lernen oder Modelle für
maschinelles Lernen trainiert und terminiert werden.
Pflichtparameter:
- SITE: Der Standort, der für Vorhersagen verwendet wird.
- TRAINING_RANGE_DAYS: Die Anzahl der vergangenen Tage, die in den Trainingsdatensatz aufgenommen werden
sollen.
- TRAINING_START_DAYS_AGO: Die Anzahl der Tage ab dem aktuellen Tag, an dem der Trainingsdatensatz
beginnen soll.
Optionale Parameter:
- WORK_CENTER: Filtert den Trainingsdatensatz auf eine Teilmenge der ausgewählten Arbeitsplätze.
Verwenden Sie „;“ als Trennzeichen zwischen Arbeitsplätzen.
Schritt 2: Vorhersagen als Hintergrundjob
Vorhersagen können in einer Datenbankaufgabe oder mehreren Datenbankaufgaben mithilfe der Aufgabe
„Maschinenlaufzeit vorhersagen“ terminiert werden. Wenn diese Aufgabe ausgeführt und abgeschlossen
ist, wird für die geplanten Arbeitsgänge innerhalb der vorgegebenen Parameter eine voraussichtliche
Arbeitsgangdauer ermittelt.
Pflichtparameter:
- SITE: Der Standort, der für Vorhersagen verwendet wird.
- OP_HORIZON_NUMBER_OF_DAYS: Der Blick in die Zukunft in der Anzahl der Tage ab dem Zeitpunkt der
Vorhersagen.
Optionale Parameter:
- WORK_CENTER: Filtert den Vorhersagedatensatz auf eine Teilmenge der ausgewählten
Arbeitsplätze. Verwenden Sie „;“ als Trennzeichen zwischen Arbeitsplätzen.
Optionaler Schritt: Vorhersage-Hintergrundjob löschen
Dies kann in einer Datenbankaufgabe oder mehreren Datenbankaufgaben mithilfe der Aufgabe
„Massenlöschungen von ML Fertigungsauftragsprognosen“ terminiert werden.
Pflichtparameter:
- REMOVE_ENTRIES_OLDER_THAN_DAYS: Vorhersagen, die älter als die angegebene Anzahl von Tagen sind,
werden entfernt.
Terminierungseinstellungen
Der Trainingsplan des Algorithmus kann entsprechend den spezifischen Anforderungen angepasst werden. Es wird
empfohlen, den Algorithmus alle zwei Jahre mit den Daten der letzten ein bis zwei Jahre zu trainieren. Diese
Häufigkeit kann jedoch entsprechend den besonderen Anforderungen der verschiedenen Branchen und
Geschäftsbereiche angepasst werden.
Der Vorhersage-Hintergrundjob muss so terminiert werden, dass er außerhalb der regulären
Geschäftszeiten läuft, damit die Ergebnisse zu Beginn des nächsten Arbeitstages zur Verfügung
stehen. Diese Terminierung kann je nach Branche und Unternehmenskontext auf verschiedene Weise angepasst werden. Eine
Möglichkeit ist zum Beispiel, den Auftrag täglich mit einer 14-tägigen Prognose zu planen. Alternativ
kann der Auftrag auch wöchentlich mit einem Prognosehorizont von sieben Tagen ausgeführt werden.
Es ist wichtig, die Terminierung so zu konfigurieren, dass sie mit den Arbeitsabläufen und Präferenzen
der Endnutzer übereinstimmt.
Beschränkungen und Voraussetzungen
- Um den Algorithmus zu trainieren, müssen die Arbeitsgänge genau mit der Start- und Stopptaktung der
Maschinenlaufzeit erfasst werden.
- Wenn die geplante Betriebszeit sehr klein ist (innerhalb der Fehlermarge für die Vorhersage), kann es
zu negativen Zeitvorhersagen kommen.
- Dieses Modell geht davon aus, dass der geplante Startzeitpunkt des Vorgangs der tatsächliche
Startzeitpunkt sein wird. Wenn sich dies nicht in den historischen Daten oder in der betrieblichen Arbeitsweise
widerspiegelt, wirkt sich dies auf die Qualität der Vorhersage aus.
- Wenn ein FA-Arbeitsgang, eine Menge oder ein Arbeitsplatz geändert wird, muss ein neuer Vorhersagejob
ausgeführt werden, damit diese Änderung in der Lobby aktualisiert wird.
- Das Modell ist auf das Training und die Vorhersage an einem Standort beschränkt. Training und Vorhersagen
für mehrere Standorte werden nicht unterstützt.
- Der Algorithmus berücksichtigt bei seinen Vorhersagen keine Änderungen der Effizienzfaktoren.
- Die zu vorherzusagenden Arbeitsgänge müssen für einen zukünftigen Termin geplant werden und
vom Zeitfaktortyp „Menge pro Stunde“ oder „Stunde pro Menge“ sein.
- Nur Arbeitsgänge mit Vorhersagen werden in der Lobby angezeigt. Arbeitsgänge, die nicht für eine
Vorhersage in Frage kommen, werden nicht angezeigt.
- Der Algorithmus lernt nur während des Trainings. Neue Daten, die nach dem Training hinzugefügt
werden, werden erst berücksichtigt, wenn ein neues Training ausgelöst wird und die neuen Daten innerhalb
der Parameter des Trainingsbereichs liegen.
- Umgesetzte Änderungen, die sich auf die Produktionszeit auswirken, können lange dauern, bis sie
sich in der Vorhersage niederschlagen. Grund dafür ist, dass der Trainingsdatensatz während des
Trainings noch die alten Produktionszeiten enthält.
- Rüst- und Arbeitszeiten werden mit diesem Algorithmus nicht vorhergesagt.
- Das Modell verwendet Batch-Vorhersagen. Wenn die Nutzlast in einem Vorhersagejob sehr groß ist (mehr als
10.000 Betriebsvorhersagen), schlägt er fehl. Erwägen Sie, die Vorhersagen auf verschiedene
Arbeitsplätze aufzuteilen oder den Vorhersagehorizont zu verringern, um dies zu vermeiden.
- Erklärbare KI (XAI) in Vorhersagen ist derzeit nicht verfügbar.