Publikationen

Die Automobilindustrie ist einer der bedeutendsten Industriezweige in Deutschland, die sich ständig im Spannungsfeld aus Qualität, Produktivität und Kosten bewegt. Der globale Wettbewerb führt zu kürzeren Innovations- sowie Produktzyklen - die Kundenanforderungen zu einer umfangreichen Individualisierbarkeit der Produkte. Die Produktkomplexität eines Automobils ist heutzutage enorm. Eine Komplexität, welche die Produktentwicklung, die Produktionsplanung sowie die Produktion ständig vor neue Herausforderungen stellt und in einem Streben nach Perfektion und kontinuierlicher Verbesserung mündet. Es ist beeindruckend zu durchleben, wie bei einem Produktionsanlauf alle Prozesse integriert werden und bei einer Serienfertigung ca. alle 90 Sekunden ein gefertigtes Fahrzeug vom Band läuft. Um einen effizienten Produktionsanlauf zu gewährleisten, wird dieser im Vorfeld abgesichert. In Bezug auf manuelle Montageumfänge findet dies in der sogenannten Produktionsvorbereitung statt, welche unter Beteiligung verschiedener Planungsbereiche interdisziplinär erfolgt. Die Produktionsvorbereitung ist der Serienentwicklung und Serienvorbereitung zugeordnet. In dieser Phase werden gemäß dem aktuellen Planungsstand physische Prototypen des Produktes stationsweise, mit den dazugehörigen Arbeitsinhalten, aufgebaut. Neben der Verifikation des eigentlichen Produktes dient diese Phase dazu, einen effizienten Produktionsanlauf sicherzustellen. Die Absicherung von Produkt und Produktion ist in der Automobilindustrie sehr gut etabliert und wird frühzeitig angewandt. Neben physischen Absicherungen werden vermehrt virtuelle Absicherungen durch den Einsatz von IT-Systemen und Simulationen eingesetzt. Die vorliegende Arbeit befasst sich mit der Phase der Produktionsvorbereitung und der damit verbundenen Absicherung des Produktionsanlaufs im Hinblick auf manuelle Montageumfänge in der Automobilindustrie. Im Fokus steht hierbei eine virtuelle Absicherung der Produktionsvorbereitung und die Unterstützung der Kollaboration und Dokumentation der interdisziplinären Produktionsvorbereitung.

With the increasing availability of data, the desire to interpret that data and use it for behavioral predictions arises. Traditionally, simulation has used data about the real system for input data analysis or within data-driven model generation. Automatically extracting behavioral descriptions from the data and representing it in a simulation model is a challenge of these approaches. Machine learning on the other hand has proven successful to extract knowledge from large data sets and transform it into more useful representations. Combining simulation approaches with methods from machine learning seems therefore promising to combine the strengths of both approaches. Representing some aspects of a real system by a traditional simulation model and others by a model incorporating machine learning, a hybrid system model (HSM) is generated. This paper suggests a specific HSM incorporating a deep learning method for predicting the anticipated power usage of machining jobs.

This article provides a comprehensive and in-depth overview of our work on knowledge discovery in simulations. Application-wise, we focus on manufacturing simulations. Specifically, we propose and discuss a methodology for designing, executing, and analyzing large-scale simulation experiments with a broad coverage of possible system behavior targeted at generating knowledge about the system. Based on the concept of data farming, we suggest a two-phase process which starts with a data generation phase, in which a smart experiment design is used to set up and efficiently execute a large number of simulation experiments. In the second phase, the knowledge discovery phase, data mining and visually aided analysis methods are applied on the gathered simulation input and output data. This article gives insights into this knowledge discovery phase by discussing different machine learning approaches and their suitability for different manufacturing simulation problems. With this, we provide guidelines on how to conduct knowledge discovery studies within the manufacturing simulation context. We also introduce different case studies, both academic and applied, and use them to validate our methodology.

In the automotive industry, the intralogistics planning faces the problem of matching the planning data with the current conditions in the assembly hall. The large variety of parts leads to a constantly changing production. Based on this, we establish an approach for the comparison using augmented reality (AR) and simultaneous localization and mapping (SLAM). The use of SLAM enables the consistent application of AR in an assembly hall. Based on this, the objective of this article is to visualize 3D objects from the corresponding CAD planning tool in the real factory and thus the comparison of the intralogistics design with the real factory is possible due to AR. Nevertheless, there was a lack of practical implementations in intralogistics and therefore the concept is evaluated by two prototypical solutions. The first one is implemented on an iPhone 7 using SLAM. The second prototype is developed on a HoloLens 2 and is based on a hybrid tracking solution, SLAM and marker tracking.

Die automatische Modellgenerierung (AMG) ist ein Ansatz, der darauf abzielt, sowohl die Aufwände einer Simulationsstudie zu senken als auch die Qualität der erzeugten Modelle zu verbessern. Unter automatischer Modellgenerierung werden im Kontext der Simulation verschiedene Ansätze subsumiert, die es erlauben, Simulationsmodelle oder zumindest Teile von Simulationsmodellen mittels Algorithmen zu erzeugen. Eine umfassende Klassifizierung der Ansätze nach verschiedenen Merkmalen ist Ausgangspunkt weiterer Betrachtungen des Beitrags, in denen u. a. verschiedene technische Ansätze zur Modellgenerierung diskutiert werden. Weiterhin werden ergänzende Techniken, die die eigentliche Modellgenerierung flankierenden, wie z. B. die automatische Modellinitialisierung, diskutiert. Als ein möglicher Lösungsansatz wird beispielhaft ein Framework zur automatischen Modellgenerierung, -initialisierung und -adaption, welches das standardisierte Core Manufacturing Simulation Data (CMSD) Format als Basis nutzt, beschrieben.