Background. Modern cable manufacturing operates with tight margins and thousands of interdependent operations whose delays ripple through the entire production chain. Manual rescheduling struggles to keep pace with this complexity. Recent research suggests that Graph Neural Networks (GNNs) can exploit the natural graph structure of the production flows. However, empirical evidence from real factories, especially with transparent, explainable models, is still scarce.

Objectives. This thesis investigated whether GNN-based models, enriched with Explainable AI (XAI), can outperform current practice in detecting potential failure points in NKT’s cable-manufacturing plans. Specific aims were to (i) compare Graph Convolutional Networks (GCNs), Graph Attention Networks (GATs) and a Convolutional Neural Network (CNN), (ii) quantify human-planner error, and (iii) provide interpretable, lead-time forecasts of start- and end-delays.

Method. Historical master plans were modelled as directed graphs whose nodes encode operation duration, start- and end-delay. GCN, GAT and CNN models were tuned over learning-rate and hidden-dimension grids, trained with early stopping to minimise the risk of over-fitting, and evaluated on a hold-out set using normalised MSE, RMSE, MAPE and R^2. GNNExplainer highlighted influential nodes and features; prediction intervals served as coarse confidence scores.

Results. Across both long-range (initial plan to actual outcome) and short-range (plan at operation start to actual outcome) horizons, the GCN models achieved a strong trade-off between error minimization (e.g., GCN_init achieving a min. normalised MSE of 0.31) and high explanatory power (GCN_opStart R² up to 0.94) across long and short-range horizons. Numerically, GCNs reduced aggregate forecasting error by approximately 25% compared to CNNs and by around 75% against manual planning. While statistical tests confirmed GCNs significantly outperformed GATs, direct pairwise comparisons between optimally tuned GCN and CNN configurations within the same scenario did not consistently yield statistically significant differences for all metrics. This underscores the importance of GCN's observed numerical advantages and its theoretical suitability for the graph-structured production data. XAI analysis showed that temporal features, i.e. planned duration and accumulated delay, dominate model decisions, while step-type features provide supplementary context.

Conclusions. Interpretable GCNs furnish an actionable early-warning system that can trigger proactive buffering, resource re-allocation, or preventive maintenance before disruptions occur. The study validated GNNs as a practical upgrade over manual production planning and generic neural networks, and demonstrated that explainability is sufficient for planner trust. Future work will fuse weather data, detailed deviation reports, and uncertainty quantification, and will extend the graph to cover the full end-to-end production flow with real-time dashboard visualisation.

Bakgrund. Modern kabeltillverkning drivs med små marginaler och tusentals beroende operationer där förseningar ofta bildar dominoeffekter genom hela produktionskedjan. Manuell omplanering hinner inte med denna komplexitet. Ny forskning har visat att grafneurala nätverk (GNN) kan utnyttja den naturliga grafstrukturen i produktionsflöden, men empiriska bevis från verkliga fabriker, särskilt med transparenta, förklarbara modeller, är fortfarande få.

Syfte. Denna avhandling undersökte om GNN-modeller, förstärkta med transparenta AI-modeller, mer känt som Explainable AI (XAI), kan överträffa dagens praxis i att identifiera potentiella risker i NKT:s produktionsplaner. De konkreta målen är att (i) jämföra Graph Convolutional Networks (GCN), Graph Attention Networks (GAT) och ett konvolutionellt neuralt nätverk (CNN), (ii) kvantifiera mänskliga planerares fel och (iii) leverera tolkbara prognoser i förväg för start- och slutförseningar.

Metod. Historiska huvudplaner modellerades som riktade grafer där noderna innehåller data om operationstid, start- och slutförsening. GCN-, GAT- och CNN-modeller tränades med en kombination av olika inlärningshastigheter och dolda dimensionsstorlekar. Modellerna tränades med tidig stopping (early stopping) för att minska risken för överanpassning (over-fitting) och utvärderades på en del av datan som inte användes under träningsprocessen med normaliserad MSE, RMSE, MAPE och $R^2$. GNNExplainer belyste inflytelserika noder och attribut; prediktionsintervall gav grova konfidensmått.

Resultat. Över både långsiktiga (ursprunglig plan to faktiskt utfall) och kortsiktiga (plan vid operationsstart to faktiskt utfall) horisonter uppnådde GCN-modellerna en stark avvägning mellan felminimering (t.ex. GCN_init uppnådde ett min. normaliserat MSE på 0,31) och hög förklaringsgrad (GCN_opStart R² upp till 0,94). Numeriskt sett reducerade GCN-modeller det aggregerade prognosfelet med cirka 25% jämfört med CNN-modeller och med cirka 75% jämfört med manuell planering. Medan statistiska tester bekräftade att GCN-modeller presterade signifikant bättre än GAT-modeller, visade direkta parvisa jämförelser mellan optimalt inställda GCN- och CNN-konfigurationer inom samma scenario inte konsekvent statistiskt signifikanta skillnader för alla mått. Detta understryker vikten av GCN-modellernas observerade numeriska fördelar och dess teoretiska lämplighet för den grafstrukturerade produktionsdatan. XAI-analys visade att temporala särdrag, d.v.s. planerad varaktighet och ackumulerad försening, dominerar modellbeslut, medan stegtyps-särdrag tillhandahåller kompletterande kontext.

Slutsatser. Tolkbara och transparenta GCN:er tillhandahåller ett praktiskt varningssystem som gör det möjligt att införa buffertar, omfördela resurser eller initiera förebyggande underhåll innan störningar inträffar. Studien bekräftar GNN:er som ett praktiskt lyft över manuell produktionsplanering och generiska neurala nät, och visar att förklarbarheten är tillräcklig för planerarens förtroende. Framtida arbete ska integrera väderdata, detaljerade avvikelserapporter och mer avancerad osäkerhets kvantifiering, samt utöka grafen till hela produktionsflödet med realtidsvisualisering i en instrumentpanel.