Machine Learning voor Optimale Order Toewijzing en -Clustering in MKB-Plaatbewerkingsbedrijven

MKB-maakbedrijven, en specifiek plaatbewerkingsbedrijven, worden steeds meer geconfronteerd met complexe productieplanning en -besturing (PPB) als gevolg van de hoge variatie in producten die in lage volumes gevraagd worden (HVLV). Het is een uitdaging om deze variatie op efficiënte wijze te verwerken met de beschikbare productiecapaciteit. Plaatbewerkingsbedrijven hebben een standaard procesafloop van lasersnijden, kanten en lassen/assembleren. Binnen deze procesafloop worden vaak noodzakelijke lokale optimalisatie nagestreefd, zoals materiaal-efficiëntie bij lasersnijden, insteltijdreductie bij kanten en beschikbaarheid van onderdelen bij lassen/assembleren. Deze lokale optimalisaties werken vaak niet in harmonie samen en kunnen elkaar zelfs tegenwerken. Dit leidt tot een structureel onbetrouwbare doorlooptijd van orders.
De PPB van plaatbewerkingsbedrijven is op te delen in verschillende deelproblemen (orderrelease, ordertoewijzing, orderclustering, doorlooptijdvoorspelling, werkbalancering) die op verschillende PPB-niveaus (tactisch, operationeel, uitvoerend) plaatsvinden. Dit onderzoek is dan ook een verkennende stap in een reeks van studies waarin we ons richten op het data gedreven ondersteunen van de verschillende deelproblemen.
Elk deelprobleem vereist een specifieke machine learning-oplossing maar moet ook onderling kunnen communiceren. Dit KIEM-onderzoek richt zich op het data gedreven ondersteunen van het uitvoerende planningsniveau waar de teamleider de orders toewijst aan de machines en de orders clustert om omsteltijd te beperken. De onderzoeksvraag luidt als volgt:
"Hoe kunnen mkb-plaatbewerkingsbedrijven machine learning inzetten ter ondersteuning van beslissingen rondom de optimale toewijzing en clustering van orders, met specifieke aandacht voor datavereisten, algoritmeselectie en validatie van het systeem?"
De focus ligt op het onderzoeken van benodigde data, geschikte algoritmen en methoden om de effectiviteit en het gebruik van ML-gebaseerde oplossingen te valideren. Het resultaat is een demonstrator die de toepassing en validatie van ML-modellen illustreert in een realistische setting. Deze aanpak biedt handvatten voor mkb-plaatbewerkingsbedrijven om data en technologie in te zetten voor een verbeterde productieplanning.