Die Auftragsfeinplanung ist für fertigende Unternehmen ein entscheidender Hebel: Sie bestimmt, wie gut Personal, Maschinen und Material ausgelastet werden, wie zuverlässig Liefertermine eingehalten werden und wie schnell auf Störungen reagiert werden kann. In der Praxis erfolgt die Planung häufig noch manuell oder auf Basis starrer Regelwerke. Beides stößt angesichts wachsender Variantenvielfalt, schwankender Nachfrage und zunehmender Dynamik in den Lieferketten an seine Grenzen.

KI-gestützte Verfahren versprechen hier deutliche Verbesserungen, scheitern in der Praxis jedoch oft an fehlenden Trainingsdaten, mangelnder Erklärbarkeit und schwieriger Integration in gewachsene IT-Landschaften. Hier setzt das Forschungsprojekt KI-HEAP4.0 an.

Im Zentrum steht die Entwicklung eines wiederverwendbaren Baukastens aus Modellen und Verfahren für die Auftragsoptimierung in der fertigenden Industrie. Dieser umfasst drei eng verzahnte Bausteine:

1. Digitaler Zwilling als Simulations- und Optimierungsumgebung
Eine realitätsnahe Abbildung des Produktionsprozesses, in der Abläufe, Abweichungen und Fehlerfälle simuliert werden können – auch bevor reale Daten in ausreichender Menge vorliegen.

2. Multidimensionale mathematische Optimierung
Ein transparentes, erklärbares Verfahren, das das Gesamtproblem in lösbare Teilkomponenten zerlegt und nachvollziehbare Entscheidungsvorschläge liefert.

3. Reinforcement-Learning-basierte Optimierung
Softwareagenten, die im digitalen Zwilling explorativ trainieren und dabei die stochastischen Eigenschaften und Dynamiken des Produktionsssystems erlernen.

Aus diesen Bausteinen entsteht ein hybrides Ensemble-Verfahren, das die Stärken mathematischer Optimierung (Erklärbarkeit, garantierte Lösungseigenschaften) mit den Stärken lernender Verfahren (Adaptivität, Umgang mit Unsicherheit) verbindet.

Zentraler Anwendungspartner ist die F. X. MEILLER Fahrzeug- und Maschinenfabrik in München. Die variantenreiche Hydraulikfertigung mit historisch gewachsenen Fabrikstrukturen ist repräsentativ für viele mittelständische Unternehmen in Deutschland. Sie bietet damit ein realitätsnahes Umfeld, in dem die entwickelten Verfahren erprobt und bewertet werden.