Distributed Planning for Self-Organizing Production Systems

Abstract

Fur automatisierte Produktionsanlagen gibt es einen fundamentalen Tradeoff \nzwischen Effizienz und Flexibilitat. In den meisten Fallen sind die Ablaufe \nnicht nur durch den physischen Aufbau der Produktionsanlage, sondern auch durch \ndie spezielle zugeschnittene Programmierung der Anlagensteuerung fest \nvorgegeben. Anderungen mussen aufwandig in einer Vielzahl von Systemen \nnachgezogen werden. Das macht die Herstellung kleiner Stuckzahlen unrentabel. \n \nIn dieser Dissertation wird ein Ansatz entwickelt, um eine automatische \nAnpassung des Verhaltens von Produktionsanlagen an wechselnde Auftrage und \nRahmenbedingungen zu erreichen. Dabei kommt das Prinzip der Selbstorganisation \ndurch verteilte Planung zum Einsatz. Die aufeinander aufbauenden Ergebnisse der \nDissertation sind wie folgt: \n \n1. Es wird ein Modell von Produktionsanlagen entwickelt, dass nahtlos von der \n detaillierten Betrachtung physikalischer Produktionsprozesse bis hin zu \n Lieferbeziehungen zwischen Unternehmen skaliert. Im Vergleich zu \n existierenden Modellen von Produktionsanlagen werden weniger limitierende \n Annahmen gestellt. In diesem Sinne ist der Modellierungsansatz ein Kandidat \n fur eine haufig geforderte Theorie der Produktion . \n \n2. Fur die so modellierten Szenarien wird ein Algorithmus zur Optimierung der \n nebenlaufigen Ablaufe entwickelt. Der Algorithmus verbindet Techniken fur die \n kombinatorische und die kontinuierliche Optimierung: Je nach Detailgrad und \n Ausgestaltung des modellierten Szenarios kann der identische Algorithmus \n kombinatorische Fertigungsfeinplanung (Scheduling) vornehmen, weltweite \n Lieferbeziehungen unter Einbezug von Unsicherheiten und Risiko optimieren und \n physikalische Prozesse pradiktiv regeln. Dafur werden Techniken der \n Monte-Carlo Baumsuche (die auch bei Deepminds Alpha Go zum Einsatz kommen) \n weiterentwickelt. Durch Ausnutzung zusatzlicher Struktur in den Modellen \n skaliert der Ansatz auch auf grose Szenarien. \n \n3. Der Planungsalgorithmus wird auf die verteilte Optimierung durch unabhangige \n Agenten ubertragen. Dafur wird die sogenannte Nutzen-Propagation als \n Koordinations-Mechanismus entwickelt. Diese ist von der Belief-Propagation \n zur Inferenz in Probabilistischen Graphischen Modellen inspiriert. Jeder \n teilnehmende Agent hat einen lokalen Handlungsraum, in dem er den \n Systemzustand beobachten und handelnd eingreifen kann. Die Agenten sind an \n der Maximierung der Gesamtwohlfahrt uber alle Agenten hinweg interessiert. \n Die dafur notwendige Kooperation entsteht uber den Austausch von Nachrichten \n zwischen benachbarten Agenten. Die Nachrichten beschreiben den erwarteten \n Nutzen fur ein angenommenes Verhalten im Handlungsraum beider Agenten. \n \n4. Es wird eine Beschreibung der wiederverwendbaren Fahigkeiten von Maschinen \n und Anlagen auf Basis formaler Beschreibungslogiken entwickelt. Ausgehend von \n den beschriebenen Fahigkeiten, sowie der vorliegenden Auftrage mit ihren \n notwendigen Produktionsschritten, werden ausfuhrbare Aktionen abgeleitet. Die \n ausfuhrbaren Aktionen, mit wohldefinierten Vorbedingungen und Effekten, \n kapseln benotigte Parametrierungen, programmierte Ablaufe und die \n Synchronisation von Maschinen zur Laufzeit. \n \nDie Ergebnisse zusammenfassend werden Grundlagen fur flexible automatisierte \nProduktionssysteme geschaffen -- in einer Werkshalle, aber auch uber Standorte \nund Organisationen verteilt -- welche die ihnen innewohnenden Freiheitsgrade \ndurch Planung zur Laufzeit und agentenbasierte Koordination gezielt einsetzen \nkonnen. Der Bezug zur Praxis wird durch Anwendungsbeispiele hergestellt. Die \nMachbarkeit des Ansatzes wurde mit realen Maschinen im Rahmen des EU-Projekts \nSkillPro und in einer Simulationsumgebung mit weiteren Szenarien demonstriert.