Modell zur Taktzeitermittlung von Prozessen in kollaborationsfähigen Mensch-Maschine-Arbeitssystemen

Abstract

Die Mensch-Maschine-Zusammenarbeit gilt als eine der wesentlichen Schlüsseltechnologien zur Realisierung agiler Konzepte in dynamischen Produktionsumgebungen. Durch die Kombination der Fähigkeiten von Menschen und Maschinen, zeigen Arbeitssysteme mit Mensch-Maschine-Zusammenarbeit Potenziale bei der Bewältigung von sich ändernden Marktanforderungen, wie z. B. Produktgröße oder Produktform. Die Flexibilität und Anpassungsfähigkeit solcher Systeme erschweren jedoch die modellbasierte Ermittlung und Optimierung der Taktzeit, da sie von den verfügbaren Ressourcen, deren Eigenschaften sowie deren Interaktionsszenarien abhängig ist. Aus diesem Grund sind konventionelle Planungsmethoden, wie z. B. MTM (Methods-Time-Measurement) oder kinematische Modelle zur Simulation des Bewegungsverhaltens einzelner Ressourcen aufgrund ihrer isolierten Berücksichtigung einzelner Ressourcen und der jeweilig statisch definierten Verarbeitungszeiten von Prozessen nicht ausreichend, um dieses komplexe dynamische Problem zu lösen.In dieser Forschungsarbeit wird daher ein Modell vorgestellt, das Taktzeiten in Arbeitssystemen mit Mensch-Maschine-Zusammenarbeit unter der Berücksichtigung der wechselseitig temporalen Beeinflussung von Ressourcen innerhalb eines Arbeitssystems ermitteln kann. Das vorgestellte Modell basiert dabei auf einer hybriden Systemmodellierung, die sowohl Interaktionen als auch sich ändernde Systemzustände in Abhängigkeit der räumlichen und zeitlichen Beziehung einzelner Ressourcen zueinander betrachtet. Dabei werden wesentlichen taktzeitrelevante Modell- bzw. Systemparameter identifiziert, sodass bereits in der Planungsphase Transparenz in Bezug auf taktzeitbeeinflussende Systemparameter in Arbeitssystemen mit Mensch-Maschine-Zusammenarbeit geschaffen und somit auch ein taktzeitbasierter Vergleich von Arbeitssystemvarianten ermöglicht wird.Anhand industrieller Beispiele wird die Anwendung des vorgestellten Modells zur Taktzeitermittlung gezeigt und validiert. Dabei wird der Einfluss verschiedener taktzeitbestimmender Systemparameter, wie z. B. Bedienerprofil, Aufgabenzuweisung oder Kollaborationsmodus, und deren Einfluss auf die Gesamtproduktivität des Arbeitssystems durch Veränderung der zeitlichen und räumlichen Bedingungen innerhalb des Mensch-Maschine-Arbeitssystems präsentiert und diskutiert.

Human-machine collaboration is considered as one of the essential key technologies for implementing agile concepts in dynamic production environments. By combining capabilities of humans and machines, work systems with human-machine collaboration show potential in coping with changing market requirements, such as product size or product shape. However, the flexibility and adaptability of such systems make model-based determination and optimization of cycle time difficult as cycle time is highly dependent on available resources, their characteristics, and respective interaction scenarios. For this reason, conventional planning methods, such as MTM (Methods-Time-Measurement) or kinematic models for simulating the motion of individual resources are not sufficient to solve this complex dynamic problem due to their isolated consideration of individual resources and thus statically defined processing times.Therefore, this research work presents a model that can determine and optimize cycle times in work systems with human-machine collaboration considering their mutual influence. The presented model is based on hybrid system modelling including both, interactions and changing system states, depending on the spatial and temporal influence of individual resources. In this context, essential model parameters relevant to cycle time are identified so that, on the one hand, transparency is created regarding system parameters influencing cycle time in work systems with human-machine collaboration and, on the other hand, enables a cycle-time-based comparison of work system variants.The application of the presented model for cycle time determination is shown and validated on industrial application examples. The influence of various system parameters that determine cycle time, such as operator profile, task assignment or collaboration mode, and their impact on the overall productivity of the system is presented and discussed by changing the temporal and spatial conditions of the human-machine work system.