Die ereignisdiskrete Simulation und ihr Verhältnis zu informationstechnischen Modetrends. - In: Drei Dutzend Jahre Simulationstechnik, (2022), S. 5-6
Dem Motto dieses Festkolloquiums entsprechend schaut dieser Beitrag auf die Methode der ereignisdiskreten Simulation und ihr Verhältnis zu informationstechnischen Modetrends im Betrachtungszeitraum. Im Grunde argumentieren wir, dass sich an der Methode der ereignisdiskreten Simulation im Betrachtungszeitraum - also in den letzten 36 Jahren - nichts Wesentliches geändert hat. Dies ist nicht als Kritik an der ereignisdiskreten Simulation zu werten, sondern könnte heute als Resilienz bezeichnet werden. Die ereignisdiskrete Simulation ist weiterhin hochrelevant und zeigt im Zusammenspiel mit informationstechnischen Neuerungen ihr nach wie vor großes Nutzenpotential.
Mobile Assistenzsysteme in der Intralogistikplanung der Automobilindustrie - Gestaltung, Nutzen und Akzeptanz Augmented Reality-basierter Mensch-Maschine-Schnittstellen. - Ilmenau : Universitätsverlag Ilmenau, 2022. - 1 Online-Ressource (XVII, 245 Seiten, Seite XIX-LXVI)
Technische Universität Ilmenau, Dissertation 2022
Steigende Herausforderungen, wie z.B. ein intensiver Wettbewerbsdruck hinsichtlich Innovationen und eine damit einhergehende Individualisierung der Produkte sowie eine steigende Internationalisierung führen zu einem Wandel in der Automobilbranche. Die Kombination der Faktoren führt zu einem Anstieg der Komplexität in der Fahrzeugherstellung sowie einem Anstieg der Komplexität des Produktionssystems. Eine wichtige Rolle in der Automobilindustrie wird u. a der Intralogistik zugeschrieben. Die Intralogistik, ausgehend von der Komplexität der Automobilindustrie, steht ebenso gewissen Herausforderungen gegenüber. Um der steigenden Komplexität entgegen zu wirken, besteht der Bedarf an innovativen Lösungen seitens der Logistikplanung. Eine Möglichkeit in der Intralogistikplanung kann der Einsatz von innovativen Mensch-Maschine Schnittstellen in Form von mobilen Assistenzsystemen mit Augmented Reality sein. Der Technologie Augmented Reality werden zahlreiche positive Eigenschaften zugesagt. Im Bereich der Intralogistik, bezogen auf Augmented Reality, wird vermehrt die operative Intralogistik, wie z. B. die Kommissionierung und das Picken, betrachtet. Obwohl auf dem Markt zahlreiche Technologien bestehen und diese in verschiedenen Anwendungsbereichen eingesetzt werden, existieren in der Intralogistikplanung keine flächendeckenden Anwendungen im Sinne eines mobilen Assistenzsystems mit Augmented Reality in einer Produktionshalle. Ausgehend davon wird in diesem Buch ein Use Case und darauf basierende Prototypen für eine Augmented Reality -basierte Intralogistikplanung in der Automobilindustrie entwickelt. Dabei liegt der Fokus auf der Schaffung eines mobilen Assistenzsystems, welches eine durchgängige Augmented Reality -basierte Intralogistikplanung in der Endmontage der Automobilindustrie unterstützt. Für die Ausgestaltung des Use Cases erfolgt die Durchführung einer systematischen Literaturanalyse und das Analysieren von vorhandenen intralogistischen Planungsprozessen mit dem Ziel, die relevanten Planungsprozesse für den Einsatz des mobilen Assistenzsystems zu definieren. Auf Basis von funktionalen und nicht-funktionalen Anforderungen werden zwei Prototypen implementiert. Die prototypische Umsetzung erfolgt sowohl nach einem SLAM-basierten als auch nach einem hybriden Trackingansatz. Ferner werden die Prototypen anhand eines Feldexperiments validiert. Darüber hinaus wird für die Evaluation der Akzeptanz von Augmented Reality in der Intralogistikplanung das Technology Acceptance Model empirisch ausgewertet.
https://doi.org/10.22032/dbt.53078
Hochaufgelöste Energieprofile durch hybride Simulation. - In: ASIM SST 2022 Proceedings Langbeiträge, (2022), S. 243-251
The price of a commodity, as electricity, is determined on a commodity market. A market is efficient when the supply and demand in the market are at an equilibrium. Efficient markets run on information. Information can cause a spontaneous and instantaneous change within the supply and demand in a market. The market communicates this new equilibrium through the change of the price of a commodity. In the electricity market the supplier and consumer communicate through electrical load profiles. A load profile signals when and how much energy should be consumed within a certain time frame without causing a change in the price of electricity. Creating such load profiles is commonly done by the supplier of energy by means of standard load profiles. Here we propose a data-driven simulation-based method that allows for the consumer to create its own specific load profile, which potentially will bring down the cost of energy consumed.
https://dx.doi.org/10.11128/arep.20.a2004
Simulationsbasiertes Deep Reinforcement Learning für Modulare Produktionssysteme. - In: ASIM SST 2022 Proceedings Langbeiträge, (2022), S. 65-72
Modulare Produktionssysteme sollen die traditionelle Fließbandproduktion in der Automobilindustrie ablösen. Die Idee dabei ist, dass sich hochgradig individualisierte Produkte dynamisch und autonom durch ein System flexibler Arbeitsstationen bewegen können. Dieser Ansatz stellt hohe Anforderungen an die Planung und Organisation solcher Systeme. Da jedes Produkt seinen Weg durch das System frei und individuell bestimmen kann, kann die Implementierung von Regeln und Heuristiken, die die Flexibilität des Systems zur Leistungssteigerung ausnutzen, in diesem dynamischen Umfeld schwierig sein. Transportaufgaben werden in der Regel von fahrerlosen Transportsystemen (FTS) ausgeführt. Daher bietet die Integration von KI-basierten Steuerungslogiken eine vielversprechende Alternative zu manuell implementierten Entscheidungsregeln für den Betrieb der FTS. In diesem Beitrag wird ein Ansatz für den Einsatz von Reinforcement Learning (RL) in Kombination mit Simulation vorgestellt, um FTS in modularen Produktionssystemen zu steuern. Darüber hinaus werden Untersuchungen zu dessen Flexibilität und Skalierbarkeit durchgeführt.
https://dx.doi.org/10.11128/arep.20.a2007
Optimierung des Designs modularer Montagesysteme. - In: ASIM SST 2022 Proceedings Langbeiträge, (2022), S. 15-22
Der Wunsch nach mehr Flexibilität in Fertigungssystemen, insbesondere, wenn verschiedene Produkte bzw. viele Produktvarianten in einem Produktionssystem gefertigt werden, führt, besonders in der Automobilindustrie, zur Abkehr vom Fertigungsprinzip der klassischen Linienfertigungen hin zu eher flexiblen und werkstattorientierten Produktionssystemen. Eine der Herausforderungen in diesen so genannten modularen Montage- bzw. Produktionssystemen ist das Systemdesign, insbesondere die Zuordnung der Tätigkeiten auf die einzelnen Fertigungsinseln. Ein Ansatz, diese Zuordnung zu verbessern bietet die simulationsbasierte Optimierung. In diesem Beitrag wird ein Konzept zur simulationsbasierten Optimierung des Designs modularer Montagesysteme vorgestellt und anhand einer Fallstudie demonstriert. Zum Einsatz kommen hierbei genetische Algorithmen, speziell der NSGA-II-Algorithmus, welcher auch mehrkriterielle Optimierung ermöglicht.
https://dx.doi.org/10.11128/arep.20.a2006
Data farming and knowledge discovery in simulation data : development of an integrated solution
Data Farming und Wissensentdeckung in Simulationsdaten : Entwicklung einer integrierten Lösung. - In: Zeitschrift für wirtschaftlichen Fabrikbetrieb, ISSN 2511-0896, Bd. 117 (2022), 3, S. 144-150
Simulation als Methode der Digitalen Fabrik hat sich seit langem zur Unterstützung der Planung von Produktions- und Logistiksystemen etabliert. In Ergänzung zu bisher vorherrschenden Simulationsstudien wird bei der hier vorgestellten Methode der Wissensentdeckung in Simulationsdaten ein Simulationsmodell als Datengenerator verwendet. Dadurch können mittels Data-Mining- und Visual-Analytics-Methoden versteckte und potenziell nützliche Ursache-Wirkungs-Beziehungen in den generierten Daten aufgedeckt werden. Bislang fehlte es jedoch an integrierten Softwarelösungen für die Praxis.
https://doi.org/10.1515/zwf-2022-1032
A method using generative adversarial networks for robustness optimization. - In: ACM transactions on modeling and computer simulation, ISSN 1558-1195, Bd. 32 (2022), 2, S. 12:1-12:22
The evaluation of robustness is an important goal within simulation-based analysis, especially in production and logistics systems. Robustness refers to setting controllable factors of a system in such a way that variance in the uncontrollable factors (noise) has minimal effect on a given output. In this paper, we present an approach for optimizing robustness based on deep generative models, a special method of deep learning. We propose a method consisting of two Generative Adversarial Networks (GANs) to generate optimized experiment plans for the decision factors and the noise factors in a competitive, turn-based game. In a case study, the proposed method is tested and compared to traditional methods for robustness analysis including Taguchi method and Response Surface Method.
https://doi.org/10.1145/3503511
Data Analytics Production Line Optimization Model (DAPLOM) - a systematic framework for process optimizations. - In: Production at the leading edge of technology, (2022), S. 412-420
In this paper, we present a new framework for process optimizations, the Data Analytics Production Line Optimization Model (DAPLOM). Due to increasing efforts in the digitalization of production systems, an extensive amount of production data is available for analytics. This data can be used for the optimization of production lines and the prediction of their performance (e.g. drift of parameters or component quality) in order to achieve economic and technical improvements. The demand for systematical usage of data-driven methods involving technologies like Data Analytics and Machine Learning and the combination of engineering approaches is growing continuously.DAPLOM guides the implementation process of IT supported problem-solving solutions in production environments. It combines classical process- with data-driven approaches. Specific focus lies on achieving a holistic perspective with a macro- as well as a microscopic view on the given conditions. Here the macroscopic view covers the general material flow, whereas microscopic view considers process details. Additionally, DAPLOM provides useful methods in a step-by-step procedure structured in seven phases. The framework is validated in an industrial use case of an automated wire bending process. Thus, the effectiveness of the framework is demonstrated and further development potentials are identified.
Automation within the process of knowledge discovery in simulation data : characterization of the result data
Automatisierung im Prozess der Wissensentdeckung in Simulationsdaten : Charakterisierung der Ergebnisdaten. - In: Simulation in Produktion und Logistik 2021, (2021), S. 367-376
Literaturangaben
The traditional application of simulation in production and logistics is usually aimed at changing certain parameters in order to answer clearly defined objectives or questions. In contrast to this approach, the method of knowledge discovery in simulation data (KDS) uses a simulation model as a data generator (data farming). Subsequently using data mining methods, hidden, previously unknown and potentially useful cause-effect relationships can be uncovered. So far, however, there is a lack of guidelines and automatization-tools for non-experts or novices in KDS, which leads to a more difficult use in industrial applications and prevents a broader utilization. This paper presents a concept for automating the first step of the KDS, which is the process of characterization of the result data, using meta learning and validates it on small case study.
Data farming output analysis using explainable AI. - In: 2021 Winter Simulation Conference (WSC), (2021), insges. 12 S.
Data Farming combines large-scale simulation experiments with high performance computing and sophisticated big data analysis methods. The portfolio of analysis methods for those large amounts of simulation data still yields potential to further development, and new methods emerge frequently. Especially the application of machine learning and artificial intelligence is difficult, since a lot of those methods are very good at approximating data for prediction, but less at actually revealing their underlying model of rules. To overcome the lack of comprehensibility of such black-box algorithms, a discipline called explainable artificial intelligence (XAI) has gained a lot of traction and has become very popular recently. This paper shows how to extend the portfolio of Data Farming output analysis methods using XAI.
https://doi.org/10.1109/WSC52266.2021.9715470