Diplom- und Masterarbeiten

Technische Systeme zeichnen sich durch eine hohe Komplexität aus, weil sie zeit- und zufallsabhängige Systemgrößen oder vernetzte Wirkungszusammenhänge beinhalten. Nicht selten werden statt mathematischer bzw. analytischer Methoden Simulationsmodelle verwendet, um das betrachtete System über Simulationsexperimente zu studieren und zu evaluieren. Wenn ein Simulationsmodell sehr komplex ist, kann der Rechenaufwand zum Ausführen der Experimente erheblich sein. Außerdem erschwert sich die Analyse und Interpretation der Simulationsergebnisse. In diesem Fall bietet ein Metamodell Vorteile, weil es die Approximation von Input-Output-Verhältnissen auf der Basis der aus der Simulation erlangten Daten erlaubt. Dies bietet die Möglichkeit, Simulationsergebnisse zu prognostizieren und zu optimieren. Angesichts dieses Potentials befasst sich diese Arbeit mit den Grundprinzipen der Metamodellierung und mit der Charakterisierung gängiger Methoden, wie das Kriging-Verfahren, die Spline-Regression, die Support-Vector-Machine, die polynomiale Regression, die radiale Basisfunktion, das künstliche neuronale Netz und der Entscheidungsbaum. Hierfür wurde auf die mathematischen Grundlagen, Lösungsverfahren, Vorteile, Nachteile und Anwendungsbeispiele eingegangen. Die letzten vier Methoden wurden mit Hilfe einer prototypischen Umsetzung anhand von Kriterien, wie die Genauigkeit, Robustheit und Effizienz, miteinander verglichen. Hierbei stellte sich heraus, dass die polynomiale Regression den geringsten Fehler (RAAE) bei der Abbildung linearer Zusammenhänge aufweist. Für die Abbildung einer Nichtlinearität hat hingegen das künstliche neuronale Netz den niedrigsten Fehler erzeugt. Außerdem hat sich die Methode des Entscheidungsbaumes als robust erwiesen, weil sie mit der geringsten Standardabweichung verschiedene Simulationsmodelle abgebildet hat. Die Ergebnisse dieser Arbeit bestätigen die Nützlichkeit einer Metamodellierung im Sinne der Zeitlaufreduzierung. Während der Aufbau eines Metamodells und die Prognose von Simulationsergebnissen Millisekunden dauert, ist die Laufzeit von der gleichen Zahl an Simulationsexperimenten mindestens tausend mal größer. Bei dem künstlichen neuronalen Netz und der radialen Basisfunktion hat der Aufbau des Metamodells und die Prognose von Simulationsergebnissen vergleichsweise mehr Zeit im Anspruch genommen als die polynomiale Regression und der Entscheidungsbaum.

Zur Erhaltung der Wettbewerbsfähigkeit müssen produzierende Unternehmen heute fähig sein, die aufgrund von gestiegenen Kundenanforderungen zunehmende Variantenvielfalt und die sich daraus ergebende Turbulenz und Komplexität in modernen Produktionssystemen beherrschbar zu machen. Hierzu empfiehlt es sich, Simulationsmodelle im Rahmen der Produktionsplanung und -steuerung zur kurz- und mittelfristigen Entscheidungsunterstützung einzusetzen. Mit der computergestützten Simulation lassen sich Produktionssysteme abbilden, sodass zukünftige Ereignisse mittels Was-wäre-wenn-Analysen prognostiziert und darauf basierend adäquate Planungs- und Steuerungsstrategien entwickelt werden können. Da die realen Fertigungsprozesse und -parameter sich über die Zeit verändern, müssen Simulationsmodelle ständig aktualisiert bzw. adaptiert werden, damit eine realitätsgetreue Abbildung sichergestellt werden kann. Hierbei entsteht ein ständiger Betreuungs- und Pflegeaufwand, der durch die vollständige oder zumindest teilweise Automatisierung des Modelladaptionsprozesses reduziert werden kann. In modernen Produktionssystemen werden sämtliche prozessbezogenen Daten digital aufgezeichnet, wie etwa im Rahmen der Betriebsdatenerfassung (BDE), die zur (teil-)automatischen Modelladaption genutzt werden können. Vor diesem Hintergrund wurde in dieser Arbeit ein Basisframework konzipiert und dessen Grundkomponenten prototypisch entwickelt, sodass damit das Testen verschiedener Adaptionsverfahren ermöglicht wird. Zum Test der Verfahren werden Daten in einem Simulationsmodell (Emulation der Produktion) erzeugt, diese Daten in einem als C#-WPF-Anwendung implementiertes Adaptionswerkzeug ausgewertet und auf Basis der Ergebnisse die vorab definierten Parameter eines weiteren Simulationsmodells mit Hilfe einfacher Adaptionsverfahren adaptiert.

Im Rahmen der Produktionssimulation spielt unter dem Aspekt der Gewinnmaximierung die effiziente Ausnutzung der zur Verfügung stehenden Ressourcen eine wichtige Rolle. Dabei liegt die Schwierigkeit darin, das dynamische Verhalten von komplexen Produktionssystemen korrekt analysieren und bewerten zu können. Mit dem Ziel der Optimierung von Fertigungsanlagen wird häufig die bewährte und anerkannte Methode der diskretereignisgesteuerten Simulation eingesetzt. Ziel dieser Arbeit ist die Entwicklung eines Konzeptes zur Nutzung von Entscheidungsbaumverfahren zur Simulationsdatenanalyse. Bei der Ausführung der Simulationsexperimente ist darauf zu achten, dass ein möglichst großes Spektrum an Eingangsparameterkombinationen getestet werden kann. Zur Aufdeckung der Beziehungen der Eingangsparameter auf verschiedene Ergebnisparameter bei der Simulation des Produktionssystems kommen dynamische Entscheidungsbaumverfahren zum Einsatz, welche noch nicht in Bezug auf die Analyse von Simulationsdaten eingesetzt wurden. Diese Verfahren haben sich bereits in vielen Aspekten zur Klassifikation von Datenströmen im Bereich des Stream Minings bewährt. Insbesondere der inkrementelle Hoeffding-Baum, beziehungsweise der Very Fast Decision Tree werden auf die Eignung von streamingbasierter Eingabe von Simulationsdatensätzen untersucht. Durch die Struktur der erstellten Entscheidungsbaummodelle können hierbei die Beziehungen der Eingangsparameter zu den Ergebnisdaten der Simulation untersucht werden.

In den vergangenen Jahren hat sich die Wertstromanalyse zunehmend als Methodik zur gesamtheitlichen Abstimmung und Verbesserung der Prozesskette durchgesetzt. Durch die Visualisierung von Informations- und Materialflüssen werden Verschwendung und Verbesserungspotentiale aufgezeigt. Ausgehend von diesen Ansatzpunkten können dann zielgerichtet Maßnahmen zur Verbesserung abgeleitet werden. Häufigster Kritikpunkt der Methodik ist jedoch die Vernachlässigung der Dimension Zeit. Die Betrachtungen basieren auf Durchschnittswerten, wodurch Extremwerte und stochastische Verteilungen unberücksichtigt bleiben. Aus diesem Grund wurden in letzter Zeit vermehrt Beiträge publiziert, die eine Kombination der Wertstromanalyse mit Simulationskomponenten thematisieren. Die Ausarbeitung zeigt die verschiedenen Methoden einer solchen dynamischen Wertstromanalyse auf und stellt sie vergleichend gegenüber. Zudem wird ein Integrationsansatz der dynamischen Wertstromanalyse in die Abläufe der statischen Wertstromanalyse vorgestellt. Anhand dieser erarbeiteten Vorgehensweise werden zwei ausgewählte Methoden auf einen realen Wertstrom der Automobilzulieferindustrie angewendet. Die beiden untersuchten Methoden werden anhand ausgewählter Kriterien gegenübergestellt und bewertet. Abschließend werden Einflussfaktoren auf den Nutzen sowie den Aufwand der dynamischen Wertstromanalyse im betrieblichen Umfeld vorgestellt und erläutert, sowie Herausforderungen hinsichtlich der Akzeptanz der Methodik aufgezeigt.

Das Ziel der Arbeit war zum einen festzustellen, ob die beiden Konzepte Industrie 4.0 und Digitale Fabrik verglichen werden können, das wurde anhand der Definitionen, sowie anhand einer möglichen Eingrenzung der Konzepte versucht, die Ergebnisse dafür wurden den zwei großen Grundlagenkapitel entnommen. Das Ergebnis ist, dass ein direkter Vergleich nicht möglich ist. Da beide Konzepte nicht eindeutig voneinander abgegrenzt werden können und die Ebenen des Einsatzes der Konzepte nicht zusammenpassen. Da die digitale Fabrik eine reine virtuelle Betrachtung der Fabrik beinhaltet und die Smart Factory als Teil der Industrie 4.0, welcher vom Einsatzgebiet der Digitalen Fabrik am nächsten kommt, sich um die reale Produktion bemüht. Auch wenn das Bestreben der Digitalen Fabrik, sich der realen Produktion anzugleichen, zu erkennen ist und ebenso in der Zielstellung der Definition verankert ist, reicht das noch nicht aus für einen möglichen Vergleich. Deshalb wurde das Augenmerk auf die Fragen nach dem Nutzen der Digitalen Fabrik gelegt, sowie der notwendigen Weiterentwicklung der Digitalen Fabrik um Nutzen zu generieren. Dabei wurde festgestellt, dass die Digitale Fabrik auf einem sehr guten Weg ist, in die Industrie 4.0 integriert zu werden, da sie zum einen schon in der Praxis etabliert ist und ständig weiterentwickelt wird. Dadurch können entsprechende Kostenvorteile generiert werden, wie z. B. durch die Reduktion von Entwicklungs-, Einführungs- und Schulungskosten. Weiterentwicklungspotentiale wurden folgende Herausgearbeitet: Die digitale Fabrik sollte sich innerhalb der Industrie 4.0 immer näher an die reale Welt annähern. Indem z. B. die Materialflusssimulationen um eine ganzheitliche Sicht aller Ressourcen erweitert wird. Sinnvoll wäre auch, dass die Produktionsanlagen ihre eigenen Konstruktionsdaten, sowie virtuelle Modelle speichern, welche dann über Schnittstellen einfach in digitale Fabrikmodelle übertragen werden können um vollständiges Modell, mit Ist-Daten zu erhalten. Das wäre eine sinnvolle Kombination von Eingebetteten Systemen und der Digitalen Fabrik, wofür aber z. B. klar definierte Schnittstellen zwischen der realen Fabrik und den digitalen Modellen geschaffen werden müssen, sowie in ein Framework eingebettet und eine Industrie 4.0-tauglichen Fertigungsumgebung geschaffen werden. Aus der Planung und dem Einsatz kooperierender und teils autonomer Systeme ergeben sich ganz neue Herausforderungen für die digitale Fabrik, weil die Datenaufbereitung, -analyse und visualisierung überdacht werden müssen. So war sie bis jetzt für die Interaktion mit Planern erdacht und soll zukünftig auch M2M-Komunikation können. Weitere Entwicklungsfelder ergeben sich in Bezug auf die Interoperabilität und Echtzeitfähigkeit der Methoden und Werkzeuge durch die autonome Produktionssteuerung. Nicht alle Weiterentwicklungen sind notwendig für eine Integration aber über lange Sicht wünschenswert, damit die Digitale Fabrik, den Platz in der Industrie 4.0 bekommt, der ihren Möglichkeiten entspricht.