Es wurden verschiedene Algorithmen zur Minimierung des Verschnitts in der Stangenproduktion untersucht.
Optimierung, Genetische Algorithmen (GA), Integer Linear Programming (ILP), GUROBI, SCIP, Cutting Stock Problem
Das Optimierungsproblem (Cutting Stock Problem) soll mit Genetischen Algorithmen (GA) und Integer Linear Programming (ILP) gelöst werden.
Die beiden Lösungsansätze sollen miteinander verglichen werden.
Aktuell erfolgt die Optimierung manuell durch einen Angestellten, der an einer Computer-Arbeitsstation eine Übersicht der aktuell zu produzierenden Aufträge hat. Alle Tagesaufträge werden in einer Produktionsliste aufgelistet. Die Aufträge werden generell Just-in-Time produziert, das heißt sie werden hergestellt, wenn sie benötigt werden, entweder am selben oder am nächsten Tag.
Der Angestellte öffnet jeweils zwei bis drei Aufträge und druckt für jedes Stück eine Etikette mit Angaben wie Durchmesser und Länge aus. Diese Etiketten werden nach Durchmesser gruppiert. Der Angestellte wählt eine Anzahl von Etiketten aus und weist sie gruppenweise einer Stange zu, um möglichst wenig Verschnitt zu produzieren.
Ist der Angestellte mit der Platzierung der Stücke auf den Stangen zufrieden, programmiert er die Schneidemaschine entsprechend. Diese holt eine Stange des richtigen Durchmessers aus dem Lager, zieht die Stange ein und schneidet die geplanten Stücke ab. Nicht verwertbare Reste der Stangen fallen in einen Container und werden dort gesammelt.
Nach dem Schneiden werden die Stücke, falls sie nicht noch gebogen werden müssen, manuell durch den Arbeiter in ein zugewiesenes Fach neben der Maschine sortiert. Jedes Fach darf nur Stücke aus dem gleichen Auftrag enthalten. Ist ein Fach gefüllt oder wird das Gesamtgewicht bei einem weiteren Stück überschritten, werden die Stücke darin zu einem Paket gebündelt und beschriftet, welches dann für den Versand bereit ist. Die Stücke gelangen durch ein Förderband in das richtige Fach oder, wenn sie noch gebogen werden müssen, zu der Biegemaschine.
Da der Arbeiter an der Schneidemaschine die Optimierung selbst durchführen muss, ist die Wahrscheinlichkeit für eine ineffektive Abfolge der zu produzierenden Stangen und damit für unnötigen Verschnitt hoch. Diese Problematik ist kein Einzelfall und ist in der Forschung gut dokumentiert.
Die Arbeit zeigt, dass GUROBI effektiv performt. Seine Anpassungsfähigkeit, insbesondere durch die Verwendung verschiedener Fächer, ist ein klarer Vorteil. In verschiedenen Produktionslisten konnte GUROBI den Verschnitt effizienter minimieren als der GA, wobei vier Fächer die Ergebnisse meist weiter verbesserten.
Der GA liefert semi-zufriedenstellende Ergebnisse, mit deutlichem Raum für Verbesserungen. Die Einführung von Strategien wie einem "Kindergarten/Altersheim" für die Population könnte die Performance des GA steigern.
SCIP scheint in seiner aktuellen Form für das betrachtete Problem weniger geeignet. Besonders bei großen Datensets wurden erhebliche Laufzeitprobleme festgestellt.
| Projekttyp | Projektdauer | Aufwand | Teamgrösse |
| IP5 | 20. Februar 2023 - 18. August 2023 | 180 Stunden pro Person | 2 Personen |
ElderByte AG
Bahnhofplatz 3h
5000 Aarau
| Name | Studiengang |
| Robin Schwaller | iCompetence |
| Dominic Koch | iCompetence |
Simon Felix
simon.felix@fhnw.ch
Dozent und Wissenschaftlicher Mitarbeiter
Institut für Data Science FHNW
