Diploma and Master Theses

In der aktuellen Ära, die durch exponentielles Datenwachstum gekennzeichnet ist, sind effektive Datenverwaltungssysteme für Organisationen verschiedener Branchen unverzichtbar geworden. Diese Arbeit untersucht eine vergleichende Analyse zweier Datenverwaltungssysteme: LinkedFactory und Asset Administration Shell (AAS). Das Hauptziel besteht darin, diese Systeme anhand ihrer Benutzerfreundlichkeit, Komplexität, Übertragbarkeit und potenziellen späteren Nutzung zu bewerten und zu kontrastieren. LinkedFactory und AAS repräsentieren unterschiedliche Paradigmen der Datenverwaltung. LinkedFactory priorisiert die Integration und Abfrage von Linked-Data-basierten digitalen Abbildungen technischer Systeme mit Zeitreihendaten unter Verwendung von SPARQL. Im Gegensatz dazu betont AAS die standardisierte Darstellung und den Austausch von deskriptiven Daten, die sich auf Assets beziehen. Die Studie stützt sich auf Zeitreihendaten aus zwei Anwendungsfällen des AdaProQ-Projektes, das generische Methoden zur Qualitätskontrolle in der Fertigung über komplexe Prozessketten entwickeln soll. Die Forschungsergebnisse beleuchten die jeweiligen Stärken und Schwächen jedes Systems. Es zeigt sich, dass LinkedFactory aufgrund seiner geschickten Verwaltung von Zeitreihendaten derzeit eine größere Eignung für die Implementierung in beiden Anwendungsfällen aufweist. AAS hingegen zeigt trotz seines aktuellen Entwicklungsstadiums Potenzial für zukünftige Anwendungen aufgrund seiner sich entwickelnden Technologie. Diese vergleichende Analyse bietet Einblicke in die Auswahl geeigneter Datenverwaltungssysteme und bereichert somit den laufenden Diskurs über Daten- und Informationsaustausch im Umfeld der Industrie 4.0.

Es gibt heutzutage verschiedene Produktionsmethoden, die je nach Produkttyp, Situation und Unternehmenslage eingesetzt werden. Ein modernes, flexibles Produktionssystem sind modulare Montagesysteme, die ohne festen Takt und Förderband arbeiten. Diese Systeme bestehen aus entkoppelbaren Stationen, die unterschiedliche Aufgaben übernehmen können. Diese entkoppelten Stationen ermöglichen die Herstellung individualisierter Produkte und einer Vielzahl von Produktvarianten. Aufgrund ihrer Flexibilität und großen Wandlungsfähigkeit sind diese Systeme besonders praktisch für den heutigen Markt, insbesondere in der Automobilindustrie. Da sich Kundenwünsche schnell ändern und Unternehmen sich anpassen müssen, um ihre Wettbewerbsfähigkeit zu erhalten, sind diese Systeme äußerst nützlich. Die interne Materialversorgung sowie Materialbereitstellung (also gesamtes internes Materialflusssystem) spielt hierbei eine entscheidende Rolle. Bei Materialmangel während der Produktion können Probleme wie Produktionsabbrüche und längere Durchlaufzeiten auftreten. Es existieren verschiedene Methoden für die Materialversorgung in Produktionssystemen, darunter Kanban, Just-in-Time, Just-in-Sequence sowie Touren- und Routenplanung. Diese Methoden zielen darauf ab, das Zusammenspiel der Elemente im Materialflusssystem bestmöglich zu koordinieren. In dieser Arbeit werden zunächst die vorhandenen Methoden detailliert beschrieben, und es wird versucht, die Kanban-Methode als eine nach wie vor häufig verwendete Methode unter Berücksichtigung von Anpassungsmöglichkeiten an modulare Montagesysteme anzupassen. Des Weiteren wird ein modulares Montagesystem mit seinem Kanban-System mithilfe von Plant Simulation simuliert und visualisiert.

Vor dem Hintergrund des weltweit zwingenden Klimaschutzes und der damit verbundenen Reduzierung des gesamtgesellschaftlichen Energieverbrauchs beschäftigt sich die vorliegende Masterarbeit mit den Potenzialen der energetischen Optimierung von Produktionssystemen. Dem Thema wird sich über zwei Forschungsfragen genähert, sodass sich die Arbeit in zwei Teile teilt. Im theoretischen Teil wird ein Überblick zur energetischen Optimierung und den damit verbundenen Optimierungszielen, Parametern und Nebenbedingungen gegeben. Der dafür erarbeitete morphologische Kasten soll Stakeholdern einen schnellen Einstieg in das Thema ermöglichen. Zusätzlich werden bisher in Veröffentlichungen verwendete Optimierungsmethoden mit Schwerpunkt auf der simulationsbasierten Optimierung (SBO) vorgestellt. Im praktischen Teil der Arbeit wird als Fallbeispiel die Produktion von Nutzen für die Elektronik auf einem Trocknungsofen ausgewählt. Dafür wird ein hybrides Simulationsmodell in der gewählten Simulationsanwendung AnyLogic erstellt, wobei der Materialfluss mit diskret-ereignisorientierter Simulation (DES), das Ofenverhalten mit agentenbasierter Simulation (ABS) und der Energieverbrauch mit System Dynamics (SD) modelliert werden. Anschließend wird mit diesem Simulationsmodell eine SBO durchgeführt, um zu erforschen, welchen Einfluss die Trocknungsofen-Losgröße auf den Energieverbrauch des Produktionssystems hat. Die Ergebnisse der Experimente werden zusammengefasst, Empfehlungen für die Anwendung der SBO zur energetischen Optimierung von Produktionssystemen gegeben sowie mögliche Erweiterungen des Simulationsmodells und der damit verbundenen SBO aufgezeigt. Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse, einer kritischen Würdigung und einem Ausblick auf weitere Forschungsbereiche und -themen.

Grundlage des Sequential Pattern Mining bilden Sequenzen, die zur Mustersuche miteinander verglichen werden können. Das Sequential Pattern Mining hat den Ursprung in der Warenkorbanalyse. Ein Kunde kauft zu einem bestimmten Zeitpunkt in einer sogenannten Transaktion mindestens ein Produkt. Dieser Transaktion lässt sich eindeutig ein Kunde, eine Transaktionsnummer sowie der Inhalt der Transaktion zuordnen. Jeder Kunde bildet eine eigene Sequenz. Eventlogs beinhalten eindeutige Ereignis-Vorgangs-Paare. Das bedeutet, dass jedem eindeutig gekennzeichneten Vorgang mindestens ein Ereignis zugeordnet wird. Auf dieser Basis arbeitet der XES-Standard zur Speicherung der Eventlogs. Der Kunde bildet den Vorgang, die Transaktion bildet das Ereignis. Dieser Zuordnung können dann noch Attribute mitgegeben werden, die sich zusätzlich auswerten lassen. Im Produktionskontext gibt es allerdings keine eindeutige Zuordnung von Kunden, Transaktionen und Produkten. Es finden nicht nur lokale Ereignisse statt, die speziell einen Kunden oder eine Transaktion betreffen, sondern es können auch globale Ereignisse auftreten. Diese globalen Ereignisse haben Auswirkungen auf sämtliche Vorgänge im System. Durch die übergreifend wirkenden Ereignisse gibt es nicht ausschließlich eindeutige Ereignis-Vorgangs-Paare. Der XES-Standard der Eventlogs lässt sich in diesem Kontext nicht anwenden. Die Bildung von Sequenzen basierend auf einzelnen Vorgängen ist demnach nicht zielführend. Sequenzen müssen anderweitig gebildet werden. Dafür werden in der Arbeit verschiedene Ansätze diskutiert. In diesem Kontext wird auch analysiert, ob alle Ereignisse oder nur bestimmte, im Vorfeld festgelegte, diskrete Ereignisse aufgezeichnet werden sollen und welche Zusatzinformationen trotz der Verwendung diskreter Ereignisse relevant sein könnten. Bei der Ereignisaufzeichnung ist darauf zu achten, den zeitlichen Verlauf diverser Größen nachvollziehbar zu gestalten. Ziel der Arbeit ist es, die Aufzeichnung der Ereignisse nicht nur an einem einzelnen Simulationslauf durchzuführen, sondern sie auch in den Kontext des Data Farming zu setzen. Dabei muss sichergestellt werden, dass Muster betrachtet werden, die auch in den einzelnen Simulationsläufen des Data-Farming-Experiments häufig sind. Aus den gefundenen Mustern sollen dann Regeln, die sogenannten Assoziationsregeln, abgeleitet werden. Die aufgestellten Assoziationsregeln betreffen einerseits die Zusammenhänge im System, andererseits die Beziehung zwischen Eingabeparameterkonfiguration und Musterentdeckung. Nachdem das Konzept aufgestellt wurde, wird dieses an einem Anwendungsszenario validiert. Die Arbeit endet mit einer nichtabschließenden Aufzählung von relevanten Ereignissen, die zum Ableiten von Zusammenhängen herangezogen werden können. Die vorliegende Arbeit verknüpft Sequential Pattern Mining und die Assoziationsanalyse als Data-Mining-Methoden.

In den vergangenen Jahren wurden neue Methoden zur Erhöhung der Flexibilität von Fertigungssystemen entwickelt. Eine dieser Methoden besteht darin, anstelle einer Fließfertigungslinie die Fertigungsstationen in einem matrixförmigen Layout anzuordnen und starre Fördersysteme durch fahrerlose Transportsysteme (FTS) zu ersetzen. Die FTS transportieren die Werkstücke von Fertigungsstation zu Fertigungsstation in variabler Reihenfolge. Diese Methode wird als modulares Produktionssystem (MPS) bezeichnet. Aufgrund der Komplexität und Dynamik eines modularen Produktionssystems ergibt sich die Frage nach einem geeigneten Steuerungssystem zur Bestimmung der optimalen Folge von Fertigungsoperationen und der optimalen Route der Werkstücke von Fertigungsstation zu Fertigungsstation. Da die Route der Werkstücke von FTS bestimmt wird, kann dieses Steuerungsproblem als ein Problem der Entscheidungsfindung von FTS in modularen Produktionssystemen interpretiert werden. Ziel dieser Arbeit ist es, die Anwendbarkeit von Multi-Agent Deep Reinforcement Learning (MADRL) in Kombination mit diskret-ereignisgesteuerter Simulation zur Lösung dieses Steuerungsproblems zu testen. Dazu wurde eine MADRL Methode, genannt Multi-Agent Proximal Policy Optimization (MAPPO), in Python implementiert. Die implementierte Software wurde dann mit einem Plant Simulation-Modell eines modularen Produktionssystems verbunden, um die Agenten, welche die FTS steuern, zu trainieren. Simulationstests zeigen, dass die trainierten Agenten vergleichbare Ergebnisse wie eine heuristische Steuerungsstrategie und bessere Ergebnisse als eine zufällige Steuerungs-strategie erzielen. Darüber hinaus erzielen sie bessere Ergebnisse als die Single-Agent Deep Reinforcement-Learning Methode Proximal Policy Optimization (PPO), bei der alle FTS von einem einzigen Agenten gesteuert werden. Diese Ergebnisse zeigen die Anwendbarkeit von MADRL in Kombination mit diskret-ereignisgesteuerter Simulation zur Steuerung von FTS in modularen Produktionssystemen und die Vorteilhaftigkeit von MAPPO gegenüber der Single-Agent Methode PPO.