Diplom- und Masterarbeiten

Zunehmende Ansprüche an die Individualität von Produkten und die damit einhergehende steigende Variantenvielfalt stellen Herausforderungen für heutiger Produktionssysteme dar. Die vorliegende Arbeit stellt auf dieser Grundlage das Produktionskonzept der modularen Fertigung vor. Diese zeichnet sich entscheidend durch ihren werkstattähnlichen Charakter aus, in der die Bearbeitung der Produkte auf redundanten Fertigungsstationen durchgeführt wird. Auf diese Weise entsteht eine hochgradige Flexibilität zur Bewältigung des steigenden heterogenen Modellmix der Produkte. Transportaufgaben werden in der modularen Fertigung von fahrerlosen Transportsystemen (FTS) ausgeführt. Der hohe Automatisierungsgrad dieser FTS ermöglicht hierbei die Einbindung KI-basierter Steuerungslogiken. Die Arbeit stellt dazu einen agentenbasierten Ansatz für die Entwicklung von Steuerungsstrategien mittels Deep Reinforcement Learning vor. Jüngste Erfolge lassen neue Potenziale in diesem Bereich des maschinellen Lernens erkennen, der sich durch die Ermittlung von Lösungsstrategien mittels Trial-and-Error-Suche auszeichnet. Die Hauptaufgabe der Arbeit besteht in der Realisierung eines prototypischen Steuerungskonzepts, das die dynamische Entscheidungsfindung mittels Deep Reinforcement Learning vornimmt und dabei die Entwicklung von Strategien zur Steuerung von FTS im modularen Fertigungssystem ermöglicht. In der Arbeit wird ein Gesamtsystem geschaffen, das unter Verwendung von Python, TensorFlow und Keras die KI-basierte Steuerung in einem in Plant Simulation erstellten Simulationsmodell der modularen Fertigung ermöglicht. Innerhalb der Hauptuntersuchung der Arbeit werden zunächst Steuerungsstrategien auf Basis von Deep Reinforcement Learning ermittelt und anschließend ein Vergleich zu einem Referenzmodell, bestehend aus einem simplen Entscheidungsalgorithmus, hergestellt. Dabei werden beide Steuerungslogiken hinsichtlich systembestimmender Kennwerte der modularen Fertigung untersucht und eine Einordnung der entwickelten Steuerungslogik des Deep Reinforcement Learning vorgenommen.

Der Ausbau des Smart Grids in Deutschland sowie dessen Förderung durch die Politik, ermöglicht eine breite Erhebung von Energieverbrauchsdaten, welche für Prognosen mittels Deep Learning nutzbar sind. Insbesondere die Prognose des Verbrauchs von Großabnehmern wie Industriebetrieben bietet für Energieproduzenten das Potenzial, Produktion und Preise hieran auszurichten. Herausfordernd ist der mit Deep Learning verbundene Rechenaufwand, welcher kurzfristige Prognosen limitiert. In dieser Arbeit werden daher zwei Forschungsfragen untersucht: Ist dieser Rechenaufwand mittels Case-Based Reasoning reduzierbar und ist bei einer solchen Reduktion die gleiche Prognosequalität zu erreichen? Vor diesem Hintergrund sind zur Durchführung der Deep Learning-Prognosen Rekurrente Neuronale Netze in Form von Gated Recurrent Units zu verwenden. In einem ersten Ansatz A1 ist der zukünftige Verlauf von Energiezeitreihen aus Industriebetrieben anhand der Gated Recurrent Units zu prognostizieren. In einem zweiten Ansatz A2 sind dieselben Zeitreihen mittels eines in dieser Arbeit entwickelten Case-Based Reasoning-Systems zu verarbeiten. Hierfür ist eine Wissensbasis in das System implementiert, welche bereits für andere Zeitreihen berechnete Modelle beinhaltet. Ziel des Systems ist es, die Prognosen mittels der Modelle aus der Wissensbasis durchzuführen, statt neue Modelle zu berechnen; dies ist die angestrebte Einsparung des Rechenaufwands. Es ist zu evaluieren, ob A2 die Einsparung unter Beibehaltung der aus A1 bekannten Prognosequalität erreicht. Mithilfe quantitativer Experimente ist festzustellen, dass dies gelingt; A2 spart signifikant Rechenaufwand gegenüber A1 bei Beibehaltung der Prognosequalität ein.

Unternehmen unterliegen der ständigen Veränderung ihrer Makro- und Branchenumwelt, deren Prognose sich als zunehmend schwieriger gestaltet. Um diesen erfolgreich zu begegnen ist eine flexible und wirtschaftliche Anpassung des Fertigungsunternehmen an die Nachfrage erforderlich. Am Beispiel der Automobilindustrie zeigen sich diese an unterschiedlichen, angebotenen Antriebsformen und einer Vielzahl von Ausstattungsmerkmalen. Die Automobilproduktion basiert dabei überwiegend auf der Linienfertigung, welche aufgrund der zuvor aufgezeigten Veränderungen zunehmend an ihre Einsatzgrenzen gerät. Neuen Fertigungsprinzipien sollen - zumindest bei gleichbleibender Produktivität - die nötige Flexibilität bieten, wobei eine Möglichkeit der Einsatz von modularen Fertigungssystemen darstellt. Eine Innovation stellt dabei die modulare Produktion dar, die im Rahmen der Arbeit näher untersucht wird. Dabei wird das Fließprinzip aufgehoben und eine Anordnung der Tätigkeiten, vergleichbar mit der Werkstattfertigung, gewählt. Diese Bereiche sind flexibel miteinander verbunden, wobei sich die Verbindungsart, manueller Gütertransport bis algorithmengesteuerte, fahrerlose Transportsysteme, je nach Ausprägung des modularen Fertigungssystems unterscheidet. Es ergibt sich die Fragestellung, nach der Vorteilhaftigkeit der jeweiligen Lösung, modulare Produktion oder Linienfertigung. Dazu wird im ersten Schritt die modulare Produktion von den bereits bekannten Arten modularer Fertigungssysteme abgegrenzt. Aufbauend auf die Untersuchung der Komponenten der modularen Produktion und einem theoretischen Vergleich mit der Linienfertigung, folgt die Realisierung beider Produktionssysteme in der Simulationsumgebung Plant Simulation. Die Arbeit schließt mit der Zusammenfassung der Ergebnisse ab.

Im Rahmen dieser Masterarbeit wird zunächst eine Übersicht bestehender Effizienzbewertungsverfahren erstellt, von denen anschließend einige genauer miteinander verglichen werden. Ziel ist es, zu eruieren, welche der bekannten parametrischen und nicht-parametrischen Verfahren sich für eine Anwendung in einer realen betriebswirtschaftlichen Umgebung in Bezug auf durch Data Farming generierte sehr große Datenmengen eignen und zudem Mehrwert schöpfende Ergebnisse liefern können. Hierzu wird ein Datensatz bestehend aus 20.480 durchgeführten Simulationsexperimenten genutzt, um daran verschiedene Techniken zur Bewertung von Effizienz zu testen und deren Ergebnisse gegenüberzustellen. Anschließend werden diese hinsichtlich ihrer Vor- und Nachteile sowie ihrer Anwendbarkeit im Big-Data-Kontext untersucht, um allgemeingültige Aussagen über deren Praktikabilität im Einsatz eines realen Unternehmens zu treffen. Die Innovation bezüglich dieser Art der Anwendung ist dabei, die angewandten Verfahren nicht die Effizienz zwischen Unternehmen oder Abteilungen bewerten zu lassen, sondern einen Vergleich verschiedener Produktionsalternativen innerhalb einer einzigen Fertigungslinie zu ziehen, um so die die effizientesten Systemeinstellungen zu identifizieren. Durchgeführt wird hierfür eine Data Envelopment Analysis (DEA), das Operational Competitiveness Rating (OCRA) und die Technique for Order Preference by Similarity to Ideal Solution (TOPSIS), die in diesem Zusammenhang als die bekanntesten Verfahren gelten. Das Fazit der Untersuchung ist, dass sich - bedingt durch eine sinnvolle Vorauswahl der Methoden - theoretisch alle Verfahren für den Zweck dieser Studie eignen. Jedoch kann sich die TOPSIS aufgrund einiger Vorteile gegenüber den anderen Verfahren, wie einer leichteren Implementierung sowie einer höheren Transparenz der Ergebnisse, besonders auszeichnen und wird daher für eine Anwendung innerhalb einer realen betriebswirtschaftlichen Umgebung empfohlen.

Die Tourenplanung gilt als eines der zentralen Problemfelder der Logistik. Dabei soll die bestmögliche Route, unter anderem gemessen an der Weglänge, für den Transport von unterschiedlichen Gütern zwischen einer Quelle und mehreren Senken ermittelt werden. Für die innerbetriebliche Versorgung von Stationen mit Materialien werden oftmals die sogenannten Routenzüge als Transportfahrzeuge eingesetzt. Das Ziel dieser Masterarbeit bestand darin, die Anwendungsmöglichkeit von Data Farming auf Simulationsmodelle mit Routenzügen zu überprüfen. Das Ziel des Data Farmings besteht in der Abbildung gänzlicher Verhaltensmöglichkeiten eines Systems und könnte somit zur Lösung des innerbetrieblichen Tourenplanungsproblems herangezogen werden. Zur Überprüfung dieser These wurden zwei Konzeptvarianten entwickelt, die eine Verbindung zwischen der Routenzugproblematik und der Data-Farming-Methode schaffen. Dabei besitzt jedes Konzept individuelle Vor- und Nachteile, weshalb die Wahl einer Variante durch den individuellen Anwendungszweck des Nutzers bestimmt wird. Eine dieser Varianten wurde anschließend prototypisch in ein Simulationsmodell integriert, welches einen fiktiven Industriebetrieb abbildet. Die Simulationsergebnisse wurden abschließend unter Zuhilfenahme geeigneter Graphiken analysiert.