Abschlussarbeiten

Ziel dieser Masterarbeit ist die Konzipierung, Entwicklung und Testung einer HLA-Schnittstelle für den Simulator "Anylogic". Die High Level Architecture ist ein IEEE-Standard zur verteilten Simulation. Vorkenntnisse aus der Vorlesung "Simulation 3" und Programmierkenntnisse (vorzugsweise in JAVA) sind für dieses Masterarbeitsthema wichtige Voraussetzungen.

Im Kontext von Industrie 4.0 gewinnt die Frage der Interoperabilität simulierter und realer Komponenten immer mehr an Bedeutung.

Im Bereich der Simulationsinteroperabilität wird traditionell auf Standards aus der verteilten Simulation wie z.B. die High Level Architecture (HLA) zurückgegriffen, die sowohl den Datenaustausch als auch die Synchronisation der Simulatoren regeln. Im Bereich der Automatisierung- und Steuerungstechik gewinnt jedoch der Kommunikationsstandard OPC UA als Standard an Bedeutung, der aber keine dedizierte Eignung für Simulationsinteroperabilität aufweist.

In dieser Masterarbeit ist daher zu untersuchen, ob sich OPC UA auch zur Kopplung von Simulationssystemen untereinander eignet und welche Potentiale zur Verbesserung der Interoperabilität von realen und simulierten Komponenten sich durch diesen Standard erschließen lassen.

Vorkenntnisse zur verteilten Simulation mit dem HLA-Standard aus der Vorlesung "Simulation 3" und Vorkenntnisse zu OPC UA, z.B. aus der Vorlesung "Industrie 4.0" sind für dieses Thema notwendig.

Im Rahmen dieser Arbeit soll ein Referenzsimulationsmodell im Bereich Produktion mit hinreichender Komplexität erdacht und implementiert werden. Hierbei sollen sämtliche Entitäten im Modell mit OPC-UA-Schnittstellen ausgestattet werden, sodass diese dann OPC-UA-Daten generieren können. Zweiter Teilbereich der Arbeit ist das Ausloten der Anwendungsmöglichkeiten von KI in diesem Kontext. Hierzu sollen ausgewählte Algorithmen auf den erstellen OPC-UA-Datengenerator angewendet und prototypisch implementiert werden.

Ziel der Arbeit ist die Erstellung und die prototypische Implementierung eines Konzepts für die Robustheitsoptimierung von Produktionssystemen basierend auf gegeneinander arbeitenden RL-Agenten.

Bei der automatischen Generierung eines Simulationsmodells bzw. digitalen Zwillingen, stellt die korrekte Wiedergabe des dynamischen Verhaltens des modellierten Systems eine häufige Herausforderung dar. Ein Beispiel ist die Darstellung von Dispositions- und Terminierungsstrategien von Produktionsaufträgen. Solche Steuerungsregeln sind mitunter nicht immer direkt in den zur Verfügung stehenden Daten hinterlegt, sondern müssen aus diesen approximiert werden. Ziel der Arbeit ist es, zu untersuchen, inwieweit Inverse Reinforcement Learning bzw. Apprenticeship Learning hierfür genutzt werden kann. Dazu soll ein Konzept sowie eine prototypische Implementierung erarbeitet werden.

Ein Problem bei der simulationsbasierten Optimierung mittels Reinforcement Learning ist, dass das Reward-Signal meistens erst am Ende der Simulation, nach einer langen Reihe von getroffenen Entscheidungen bzw. Aktionen ausgespielt wird. Ziel der Arbeit ist, zu untersuchen, inwiefern auf sog. Sparse Rewards abzielende Methoden hierbei helfen können, das Optimierungsergebnis zu verbessern.

Einer der Grundgedanken von Industrie 4.0 sind selbststeuernde bzw. selbstoptimierende Systeme. In einer Job-Shop-Szenario wissen also die einzelnen Aufträge selbst, welche Produktionsschritte durchlaufen werden müssen. Ziel der Arbeit ist es, ein Konzept für Multi-Agent Reinforcement Learning zu erarbeiten und prototypisch zu implementieren, bei welchem die einzelnen Aufträge in einem selbststeuernden System als konkurrierende RL-Agenten abgebildet werden.

Der Begriff der modularen Fertigung wird synonym für eine Reihe von Begrifflichkeiten verwendet, die alle das gleiche Prinzip beschreiben, in welchen im Grundansatz die Flexibilisierung der Produktion (insbesondere der Montage komplexer Produkte, z. B. Automobilendmontage). Hierbei wird das klassische Prinzip der Fließfertigung zugunsten einer eher werkstattorientierten Fertigung aufgelöst. Die Fertigung wird auf Fertigungsinseln bzw. Stationen durchgeführt, die jeweils sehr flexibel verschiedene von dem jeweils zu fertigenden Produkt abhängige Aufgaben verrichten können. Dabei sind die Fertigungsinseln nicht über ein starres Fördersystem, sondern mittels von fahrerlosen Transportsystemen (FTS) miteinander verbunden,

Das Fachgebiet ITPL beschäftigt sich seit einiger Zeit mit Themen aus dem Kontext der modularen Montage, insbesondere steht im Fokus die Modellierung, das Design und die Steuerung modularer Montagesysteme.

Offene Themen sind:

• Vergleich zentraler vs. dezentraler Steuerung
• (Multi-) Agentenbasierte Steuerung [reserviert]
• Bi-Level Optimierung
• ...

ChatGPT, als der populärste Vertreter von auf KI basierenden Chatbots / Large Language Models, ist aktuell in aller Munde. Aktuelle Diskussionen fokussieren sich auf die Potentiale, Entwicklungsmöglichkeiten, Herausforderungen und Gefahren, die mit der Nutzung von Large Language Models einhergehen. Die Zahl möglicher Anwendungsszenarien ist sehr groß und reicht von medizinischen Anwendungen über die Unterstützung von Softwareentwicklern bis hin zur Nutzung in Schulen und Universitäten. Über neue Anwendungen und Weiterentwicklungen wird fast täglich berichtet, ein Ende der Weiterentwicklung dieser Trends ist zurzeit nicht abzusehen. Auch erste Versuche, die Technologie zur Unterstützung von Simulationsprojekten (z.B. als Hilfsmittel bei der Programmierung) zu nutzen, sind bekannt. 

Offene Themen sind:

• Potentiale von LLMs für die Datenvorverarbeitung in Simulationsstudien 
• Unterstützung der Modellierung durch LLM im Kontext Simulation von Produktionssystemen
• Potentiale von LLMs im Rahmen der Datenanalyse von Simulationsexperimenten
• ...

In vielen Anwendungen werden KI-Modelle zur Prädiktion von Systemverhalten genutzt, so können Durchlaufzeiten von Aufträgen oder auch Wartungsbedarfe (Predictive Maintenance) prognostiziert werden.

Ziel dieser Arbeit ist es, ein Konzept zu entwerfen, welches es erlaubt, gute Starttermine für Aufträge basierend auf deren Liefertermin zu prädizieren. Das Konzept soll protoypisch anhand eines einfachen akademischen Beispiels evaluiert werden.

ChatGPT, als der populärste Vertreter von auf KI basierenden Chatbots, ist aktuell in aller Mund. Aktuelle Diskussionen fokussieren sich auf die Potentiale, Entwicklungsmöglichkeiten, Herausforderungen und Gefahren, die mit der Nutzung solcher Chatbots einhergehen. Die Zahl möglicher Anwendungsszenarien ist sehr groß und reicht von medizinischen Anwendungen über die Unterstützung von Softwareentwicklern bis hin zur Nutzung in Schulen und Universitäten. Über neue Anwendungen und Weiterentwicklungen wir fast täglich berichtet, ein Ende der Weiterentwicklung dieser Trends ist zurzeit nicht abzusehen.

Auch erste Versuche die Technologie zur Unterstützung von Simulationsprojekten, z.B. als Hilfsmittel bei der Programmierung, zu nutzen sind bekannt. Eine Vielzahl weiterer Anwendungsmöglichkeiten sind nahliegend, so sind bspw. die Analyse und Aufbereitung von Ergebnisdaten, die Unterstützung der eigentlichen Modellierung usw. potentiale Anwendungsmöglichkeiten.

Ziel der Bachelorarbeit ist es den aktuellen Stand der Forschung und Entwicklung bzgl. der Nutzung von ChatGPT im Kontext der Simulation wiederzugeben sowie weitere Potentiale zu skizzieren. Zudem soll an einer selbst gewählten akademischen Fallstudie das Potential von ChatGPT für die Simulation von Produktionssystemen demonstriert werden.

Im Rahmen dieser Arbeit soll ein Referenzsimulationsmodell im Bereich Produktion mit hinreichender Komplexität erdacht und implementiert werden. Hierbei sollen sämtliche Entitäten im Modell mit OPC-UA-Schnittstellen ausgestattet werden, sodass diese dann OPC-UA-Daten generieren können.

Fallbasiertes Schließen (engl. case-based reasoning, CBR) ist ein etabliertes Paradigma der Künstlichen Intelligenz (KI) zum Erfahrungsbasierten Problemlösen. 

Ziel der Arbeit ist es ein Konzept zur CBR-basierten Steuerung von Produktionsystemen zu entwickeln und dieses mittels einer Machbarkeitsstudie basierend auf mittels Simualtion generierten Daten zu evaluieren.