Forschung zur Optimierungsstrategie für die Online-EDI-Auftragsplanung in Fertigungsunternehmen auf Basis zeitvariabler Markow-Ketten

Warum intelligente Auftragsplanung wichtig ist

Wenn Sie ein Produkt kaufen, das auf Bestellung gefertigt werden muss, erwarten Sie wahrscheinlich, dass es pünktlich ankommt — selbst wenn Sie in letzter Minute auf „Bestellen“ klicken. Im Hintergrund jonglieren Fabriken mit einem Strom elektronischer Bestellungen vieler Kunden und gleichzeitig mit älteren, vorgeplanten Aufträgen. Dieser Beitrag untersucht, wie klassische Fertigungsbetriebe mathematische Modellierung und clevere Suchalgorithmen nutzen können, um diese Online-Aufträge intelligenter zu planen, Wartezeiten für Kunden zu reduzieren, ohne Menschen oder Maschinen zu überlasten.

Der Aufstieg ständig verfügbarer elektronischer Bestellungen

Viele Hersteller nehmen Bestellungen heute auf zwei Arten gleichzeitig an: klassische „offline“-Aufträge, die prognostiziert und im Voraus geplant werden, und Online-Aufträge per Electronic Data Interchange (EDI), die direkt aus den Kundensystemen eintreffen. EDI-Aufträge sind schneller, weniger fehleranfällig und günstiger in der Verarbeitung, aber sie sind auch volatiler: Kunden können Termine vorverlegen, verschieben oder kurzfristig stornieren. EDI-Kunden verlangen oft enge Lieferfenster mit nur wenigen Tagen Toleranz, sodass Fabriken diese Aufträge nicht einfach nach dem Prinzip „Wer zuerst kommt, mahlt zuerst“ abarbeiten können. Stattdessen muss jede Produktionslinie mehrere EDI-Aufträge parallel bedienen und ihre Zeit zwischen ihnen aufteilen. Dieser Wandel von Ein-zu-einem- zu Viele-gleichzeitig-Service schafft eine neue Art von Planungsproblem, für das bestehende Werkzeuge nicht ausgelegt waren.

Die Fabrik als Warteschlangensystem modellieren

Der Autor modelliert den Online-EDI-Teil der Fabrik als Warteschlangensystem, ähnlich wie Kunden, die sich in einer Bank anstellen, wo mehrere Schalter verschiedene Personen in unterschiedlichen Bearbeitungsstadien bedienen. Die Zeit wird in kurze Slots unterteilt, und Aufträge treffen zufällig mit Raten ein, die sich von Slot zu Slot ändern können, um reale Spitzen und Tiefen der Nachfrage abzubilden. Jede Produktionslinie kann gleichzeitig an mehreren Aufträgen arbeiten, bis zu einer festen Obergrenze, und die Bearbeitungsgeschwindigkeit eines Auftrags hängt davon ab, wie viele parallel bearbeitet werden. Das Modell berücksichtigt auch praktische Regeln: Arbeiter benötigen Ruhepausen zwischen Schichten, es gibt Grenzen für Schichtlängen, und in jedem Zeitfenster muss mindestens eine Linie laufen. Darüber hinaus will die Fabrik die Wahrscheinlichkeit für extrem lange Warteschlangen sehr gering halten — nicht nur den Durchschnitt kurz —, denn lange Rückstände schädigen schnell Servicelevels und Kundenvertrauen.

Leistungsbewertung mit Wahrscheinlichkeitswerkzeugen

Um einen vorgeschlagenen Plan zu bewerten, verwendet die Studie einen mathematischen Rahmen, der als zeitvariable Markow-Kette bezeichnet wird, kombiniert mit einer Technik namens Uniformisierung. Einfach ausgedrückt ermöglicht dies dem Forscher, nachzuverfolgen, wie sich die Wahrscheinlichkeit für jeden möglichen Systemzustand (wie viele Aufträge warten und auf jeder Linie bearbeitet werden) im Zeitverlauf entwickelt, während Aufträge eintreffen und abgeschlossen werden. Aus diesen Wahrscheinlichkeiten kann das Modell zentrale Kennzahlen berechnen, etwa wie lange Aufträge im System verweilen, wie oft Warteschlangen eine sichere Schwelle überschreiten, wie viele Produktionslinien in jedem Slot aktiv sind und wie viel Überstunden Arbeiter voraussichtlich am Ende des Tages benötigen. Entscheidend ist, dass diese analytische Methode sehr genaue Schätzungen deutlich schneller liefert als umfangreiche Computersimulationen allein, sodass es praktisch ist, viele alternative Zeitpläne zu bewerten, während nach Verbesserungen gesucht wird.

Eine Suchstrategie, die bessere Pläne lernt

Aufbauend auf dieser Bewertungsmaschine entwickelt die Arbeit einen Variable-Neighborhood-Search-(VNS)-Algorithmus, um gute Zeitpläne zu finden. Er startet von einem vernünftigen Anfangsplan für Schichten der Produktionslinien und „schüttelt“ diesen Plan wiederholt, indem er zufällig einige Schichten verändert, gefolgt von lokalen, schrittweisen Anpassungen wie dem Verschieben von Beginn- und Endzeiten, dem Hinzufügen oder Entfernen von Schichten oder dem Vor- und Zurückschieben von Schichten. Nach jeder Änderung schätzt die Markow-basierte Methode schnell Rückstandsdauern, Überstunden und Betriebskosten neu. Verbessert ein neuer Plan die Kennzahlen, wird er als neuer Referenzpunkt übernommen; andernfalls wird ein anderer Änderungsmodus versucht. Tests mit realen Auftragsdaten eines Fertigungsunternehmens, sowohl für normale Tage als auch für Tage mit Spitzen an dringenden EDI-Aufträgen, zeigen, dass VNS Pläne findet, die sowohl die bestehenden Unternehmenspläne als auch eine etablierte heuristische Methode namens Simulated Annealing übertreffen — und das bei deutlich geringerem Rechenaufwand.

Was das für Fabriken und Kunden bedeutet

Für Nicht-Fachleute lautet die Quintessenz: Dieser Ansatz hilft Fabriken zu entscheiden, wann jede Linie laufen soll und wie viele Aufträge parallel bearbeitet werden sollen, sodass Kunden weniger warten müssen, ohne Überstunden oder Maschineneinsatz dramatisch zu erhöhen. Das Modell hält Warteschlangen zuverlässig unter Kontrolle, glättet Spitzen in der Auslastung durch eine bessere Abstimmung von Kapazität und eingehender Nachfrage und bleibt wirksam, selbst wenn die Annahmen zu Bearbeitungszeiten gelockert werden. In der Praxis bedeutet das verlässlichere Liefertermine für Kunden, effizientere Nutzung der Produktionsressourcen und eine robustere Reaktion auf plötzliche Spitzen bei Online-Bestellungen — Schlüsselelemente für die menschorientierte, flexible Fertigungsvision der Industrie 5.0.

Zitation: Wulan, Q. Research on online EDI order scheduling optimization strategy in manufacturing enterprises based on time-varying Markov chains. Sci Rep 16, 8086 (2026). https://doi.org/10.1038/s41598-026-39708-9

Schlüsselwörter: Online-EDI-Planung, intelligente Fertigung, Optimierung von Produktionslinien, Warteschlangenmanagement, Industrie 5.0