AI til produktionsplanlægning i danske virksomheder

Produktionsplanen ser ofte enkel ud i et regneark: en ordre, en maskine og en leveringsdato. Virkeligheden er et net af afhængigheder. Materialer ankommer for sent, værktøjer skal deles mellem linjer, en nøgleoperatør er syg, en hasteordre kommer ind, og den beregnede time på maskinen tager i praksis halvanden. Når én forudsætning ændrer sig, flytter problemet sig gennem resten af planen.

Kunstig intelligens kan hjælpe med at samle disse signaler, forudsige realistiske tider og søge efter en bedre plan blandt langt flere kombinationer, end et menneske kan overskue manuelt. Værdien ligger ikke i en magisk, autonom fabrik. Den ligger i hurtigere omplanlægning, tydelige konsekvenser og bedre beslutningsstøtte til den planlægger, som stadig ejer prioriteringerne.

Fra MRP til APS og AI: tre forskellige opgaver

AI bliver ofte markedsført som erstatning for eksisterende planlægningssystemer. Det er sjældent den rigtige forståelse. ERP-systemets MRP-funktion, et APS-system og en AI-model løser beslægtede, men forskellige opgaver.

MRP – material requirements planning – beregner hvilke materialer der er nødvendige, i hvilke mængder og hvornår, på baggrund af efterspørgsel, beholdning, styklister og leveringstider. Klassisk MRP arbejder ofte med standardtider og kan planlægge, som om kapaciteten er ubegrænset. Det giver et nyttigt behovsbillede, men ikke altid en plan, der kan udføres på fabriksgulvet.

APS – advanced planning and scheduling – lægger ordrer ind under hensyn til begrænset kapacitet, rækkefølgeregler, omstillinger, alternative maskiner, materialer og kalendere. AI kan lægges ovenpå eller indgå i APS: maskinlæring kan estimere mere realistiske tider og risici, mens optimeringsalgoritmer søger efter en plan med den bedste balance mellem levering, kapacitet, lager og omstillinger.

Syv konkrete anvendelser af AI i produktionen

1. Mere realistiske gennemløbs- og procestider

Standardtiden i ERP beskriver ofte en idealiseret proces. Den faktiske tid afhænger af produktvariant, batchstørrelse, maskine, værktøj, operatørhold, råvare, kø og tidspunkt. En model kan bruge afsluttede produktionsordrer til at estimere den sandsynlige kørsels- og gennemløbstid for den næste ordre og samtidig vise et usikkerhedsinterval.

Det gør leveringsløfter mere realistiske, men historiske data skal fortolkes. Hvis ordrer rutinemæssigt afsluttes for sent i systemet, lærer modellen registreringsvanen frem for processen. Tider bør derfor sammenholdes med maskinsignaler, start og stop, arbejdsgange og kendte pauser.

2. Kapacitetsplanlægning med reelle begrænsninger

En produktionsordre kræver måske både en bestemt maskintype, et kalibreret værktøj og en medarbejder med den rette kompetence. AI-understøttet planlægning kan behandle disse ressourcer samlet i stedet for kun at se på maskintimer. Den kan også modellere alternative routings: Ordren kan køres på maskine B, men langsommere og med en ekstra kvalitetskontrol.

Resultatet bør være en forklarlig plan. Hvis en ordre flyttes tre dage, skal planlæggeren kunne se, om årsagen er materialemangel, manglende bemanding, en flaskehals eller en prioriteringsregel. Et svar uden forklaring er svært at stole på og næsten umuligt at rette.

3. Sekvensering og færre omstillinger

Rækkefølgen betyder meget i produktion med farveskift, rengøring, forme, værktøjer eller temperaturændringer. Det kan være billigt at gå fra lys til mørk farve og dyrt den anden vej. En optimeringsmotor kan gruppere kompatible ordrer og minimere den samlede omstillingstid uden at tilsidesætte leveringsdatoer og kundeaftaler.

Her opstår en klassisk målkonflikt. Den mest effektive maskinrækkefølge kan forøge lageret eller forsinke en vigtig kunde. Systemet skal derfor arbejde med synlige mål og vægte – eksempelvis leveringsevne først, derefter omstillingstid og lager – ikke med et uklart løfte om “optimal produktion”.

4. Dynamisk omplanlægning ved forstyrrelser

Når en maskine stopper eller et materiale mangler, kan AI hurtigt beregne konsekvenserne: hvilke ordrer rammes, hvilke alternative maskiner findes, og hvad sker der med leveringsdatoerne, hvis en hasteordre prioriteres? Planlæggeren kan sammenligne scenarier frem for at flytte ordrelinjer én ad gangen.

Hyppig omplanlægning har dog en pris. Operatører mister overblik, materialer flyttes forgæves, og indkøb reagerer på støj. En god løsning har derfor en fastlåst planlægningshorisont, tolerancer og klare regler for, hvornår en gevinst er stor nok til at ændre den frigivne plan.

5. Flaskehalse, OEE og tabt kapacitet

OEE – overall equipment effectiveness – kombinerer tilgængelighed, hastighed og kvalitet. AI kan nedbryde tabt kapacitet efter stopårsager, produkter, hold og udstyr og finde mønstre, der ikke er synlige i et samlet OEE-tal. Den kan eksempelvis vise, at mikrostop vokser efter en bestemt omstilling, eller at én produktfamilie systematisk kører under den planlagte hastighed.

OEE skal bruges med omtanke. En høj OEE på en maskine uden efterspørgsel skaber ikke nødvendigvis værdi, og lokal optimering kan blot flytte køen til næste proces. Mål den faktiske flaskehals og flowet gennem hele værdikæden, ikke kun udnyttelsen af hvert enkelt aktiv.

6. Prædiktivt vedligehold koblet til planen

Vibration, temperatur, strømforbrug, tryk og fejlalarmer kan bruges til at estimere risikoen for nedbrud. Den største planlægningsværdi opstår, når signalet kobles til ordrebogen. Et vedligeholdsvindue kan placeres før en kritisk serie, sammen med et planlagt værktøjsskift eller på et tidspunkt med lav belastning.

En model bør ikke alene afgøre, at sikkerhedskritisk vedligehold udskydes. Vedligeholdsansvarlige skal fastlægge grænser, lovpligtige intervaller og stopkriterier. AI kan prioritere inspektioner og foreslå tidspunktet; virksomhedens faglige og sikkerhedsmæssige regler sætter rammen.

7. Scenarier og digitale tvillinger

En digital tvilling er en model af udstyr, linje eller produktionsflow, som kan bruges til “hvad nu hvis”-scenarier. Virksomheden kan afprøve et ekstra skift, en ny maskine, en anden batchstørrelse eller ændret produktmix, før beslutningen gennemføres fysisk. AI kan hjælpe med at kalibrere modellen på faktiske data og søge gennem mange scenarier.

En tvilling er ikke automatisk tro mod virkeligheden. Den skal valideres mod kendte perioder, og antagelser om efterspørgsel, fejl, bemanding og materialer skal være synlige. Jo større investeringsbeslutning, desto vigtigere er følsomhedsanalyse frem for ét præcist tal.

Datagrundlaget: planlægning kræver en fælles virkelighed

Produktionsdata ligger typisk fordelt mellem ERP, MES, WMS, vedligeholdssystem, kvalitetssystem, maskiner og regneark. AI skaber ikke automatisk sammenhæng. Systemerne skal dele identifikatorer for ordre, varenummer, operation, maskine, værktøj, batch og tidspunkt.

• Efterspørgsel og ordrer: mængde, ønsket dato, prioritet, kunde, restordre og ændringshistorik.
• Produktstruktur: styklister, routing, alternative ressourcer, minimumsbatches og kvalitetskrav.
• Kapacitet: maskinkalendere, skift, kompetencer, værktøjer, planlagt vedligehold og kendte begrænsninger.
• Faktisk drift: start, slut, antal, skrot, stopårsag, hastighed, omstilling og køtid.
• Materialer: disponibel beholdning, reservationer, forventede leverancer, karantæne og leverandørens faktiske leveringstid.

Start med få, pålidelige signaler. Ti veldokumenterede felter er bedre end hundrede felter med ukendt betydning. En datakontrakt bør beskrive ejer, definition, enhed, tidszone, opdateringsfrekvens og håndtering af manglende værdier.

Værktøjer: byg videre på ERP og MES

For de fleste virksomheder er første spørgsmål ikke, hvilken AI-model de skal købe, men hvor den operationelle sandhed allerede findes. Microsoft Dynamics 365, SAP, Oracle, Infor og flere andre ERP- og supply chain-platforme tilbyder planlægnings-, analyse- og AI-funktioner. Danske produktionsvirksomheder bruger også løsninger som Business Central, Monitor ERP og forskellige branchesystemer.

Et MES registrerer og styrer udførelsen tættere på fabriksgulvet. Et APS kan ligge i ERP-platformen eller som en specialiseret løsning og udveksle ordrer, kapacitet og status med ERP og MES. Specialiserede planlægningsløsninger omfatter blandt andet Siemens Opcenter APS, DELMIA Ortems, PlanetTogether, Asprova og SkyPlanner. Produktnavne er ikke en anbefaling; funktioner, integrationer og egnethed varierer.

Sådan måles effekten

En planlægningspilot bør måles på forretningens flow – ikke på hvor hurtigt algoritmen beregner. Relevante mål er levering til tiden og fuldt antal (OTIF), planstabilitet, gennemløbstid, køtid, antal hasteændringer, omstillingstid, lager under produktion, restordrer og udnyttelse af den faktiske flaskehals.

Sammenlign med en baseline over en repræsentativ periode. Sæson, produktmix og store enkeltordrer kan ellers få en ny løsning til at se bedre eller dårligere ud. Mål også brugeradoption: hvor ofte accepterer planlæggeren forslaget, hvorfor tilsidesættes det, og hvilke regler mangler modellen? En tilsidesættelse kan være vigtig læring – ikke brugerens modstand mod forandring.

Mennesker, GDPR, sikkerhed og EU AI Act

Planlæg mennesker som kompetencer – ikke som skjult performance-score

En plan har ofte brug for oplysninger om bemanding og kompetencer. Brug roller, certificeringer, skift og tilgængelighed, hvor det er muligt, frem for detaljeret individuel overvågning. Hvis maskin- og ordreddata kobles til navngivne medarbejdere for at bedømme produktivitet eller træffe beslutninger om arbejdsforhold, opstår både databeskyttelsesretlige og arbejdsretlige spørgsmål.

Fastlæg formål, adgang og slettefrister, og inddrag medarbejderrepræsentanter relevant. En databehandleraftale og vurdering af overførsler kan være nødvendig ved cloudleverandører. Produktionsdata kan desuden indeholde forretningshemmeligheder som recepter, kapacitet, kundeaftaler og procesparametre.

EU AI Act afhænger af anvendelsen

Almindelig AI til planlægning af varer, maskiner og vedligehold er som udgangspunkt ikke en højrisikoanvendelse efter EU AI Act. Situationen kan være anderledes, hvis AI-systemet er en sikkerhedskomponent i et produkt under EU's harmoniseringslovgivning, indgår i kritisk infrastruktur eller bruges til væsentlige beslutninger om medarbejdere. Registrér derfor det konkrete formål, risikoklassifikation, data, leverandør, menneskelig kontrol og kendte begrænsninger.

Cybersikkerhed er også driftsstabilitet. Integration mellem cloud, ERP, MES og operationel teknologi skal have mindst mulige rettigheder, segmentering, logning og en manuel fallback. Et optimeringssystem må ikke kunne sende ukontrollerede instruktioner direkte til sikkerhedskritisk udstyr.

Seks trin til en robust implementering

1. Vælg ét dyrt planlægningsproblem

Vælg eksempelvis lange omstillinger, lav planstabilitet på én linje, usikre gennemløbstider eller mange manuelle hasteændringer. Afgræns en produktfamilie og udpeg en procesejer med mandat til at ændre arbejdsgangen.

2. Fastlæg baseline og beslutningsmål

Mål OTIF, gennemløbstid, omstillinger, planændringer og restordrer. Beskriv prioriteringen mellem dem. Hvis levering altid vejer mere end lokal maskinudnyttelse, skal systemet vide det før piloten.

3. Ryd stamdata og registreringer

Sammenlign standardtider med faktiske tider, ryd dublerede ressourcer, dokumentér alternative routings og undersøg manglende stopårsager. Ret registreringsprocessen, før modellen får ansvar for at lære af den.

4. Byg en digital skyggeplan

Lad løsningen beregne et forslag uden at styre produktionen. Sammenlign det med planlæggerens valg og det faktiske resultat. Undersøg forskellene og opdatér regler, datakilder og acceptkriterier.

5. Indfør godkendelse, frysning og fallback

Definér hvem der må frigive planen, hvilke perioder der er frosset, og hvilke hændelser der udløser omplanlægning. Bevar en dokumenteret manuel proces ved systemfejl eller ufuldstændige data.

6. Overvåg drift og model

Følg forretnings-KPI'er, dataforsinkelse, modelpræcision og planlæggerens tilsidesættelser. Test efter ændringer i produktmix, maskiner, skift eller software. En planlægningsmodel er en levende driftsproces, ikke et afsluttet IT-projekt.

De seks hyppigste fejl

1. At optimere efter forkerte mål: Maksimal maskinudnyttelse kan øge lager og gennemløbstid.
2. At stole på standardtider: En præcis algoritme med urealistiske tider giver en urealistisk plan.
3. At omplanlægge hele tiden: Matematisk forbedring kan skabe operationelt kaos.
4. At skjule begrænsninger i kode: Planlæggeren skal kunne se og udfordre regler og antagelser.
5. At købe før processen er afgrænset: En stor platform løser ikke uklare prioriteter og svage stamdata.
6. At glemme fabriksgulvet: En plan virker først, når operatører, materialer og instruktioner følger med.

Kilder og videre læsning

• Europa-Kommissionen: Apply AI Strategy – AI, digitale tvillinger og produktionsanvendelser
• EUR-Lex: Forordning (EU) 2024/1689 – EU AI Act
• Datatilsynet: Regler og vejledning om databeskyttelse
• Virksomhedsguiden: Digitalisering og AI til produktivitetsforbedringer
• NIST: Smart manufacturing operations planning and control