Florian Harjes

Von der Selbststeuerung zu cyber-physischen Systemen

Effiziente und robuste logistische Prozesse sind vor dem Hintergrund dynamischer Markte und zunehmender Komplexitat logistischer Systeme mit herkommlichen Planungs- und Steuerungsmethoden immer schwieriger zu realisieren (Scholz-Reiter et al. Digital enterprises, production networks. Proceedings of the 37th CIRP International Seminar on Manufacturing Systems, Budapest, Hungary, May 19–21. Computer and Automation Research Institute, Budapest, S 357–362, 2004). Dies liegt u. a. an marktorientierten Veranderungstreibern, wie der steigenden Kundenorientierung, einem hohen Individualisierungsgrad der Produkte sowie an sich standig andernden Kundenanforderungen. Diese Veranderungen fuhren unmittelbar zu einer raschen Steigerung der zeitlichen, organisatorischen und systematischen Komplexitat logistischer Systeme (Abele and Reinhart, Zukunft der Produktion. Herausforderungen, Forschungsfelder, Chancen, 2011). Diese Komplexitat erschwert zunehmend die zeitnahe Bereitstellung und Verarbeitung aller entscheidungsrelevanten Informationen fur eine zentrale Planungs- und Steuerungsinstanz.

Savings Potential Through Autonomous Control in the Distribution of Rental Articles

In general, rental articles circulate in closed logistic systems between the lender and one or more dynamically changing customers. The planning processes, related to the allocation of those articles to customer orders, are a challenging task. This is especially the case, if orders have a close temporal distance, as the corresponding order execution takes place between the poles of high customer demands and the lender’s economic interests. This paper introduces an autonomously controlled distribution system for rental articles that takes over both the allocation of articles to orders and the related logistic planning. At this, the focus lies on the results of first benchmarks and an estimation of the related potential for savings. A company from the field of event logistics serves as an application example for the distribution approach.

Towards the Learning Behaviour and Performance of Artificial Neural Networks in Production Control

Recently, artificial neural networks have proven their potential in manifold production related tasks. At this, the learning ability is both their greatest strength and greatest weakness. The performance in the application is highly related to the learning process. Only sufficient training data in combination with a suitable configuration of the learning parameters leads on to useful results. Nevertheless, due to the general structure of artificial neural networks, the learning behaviour not necessarily correlates with the later functional behaviour. This paper considers the learning process and the application performance of four common network architectures in two production related applications; control and prediction. The evaluation of the network performance takes place by means of a generic shop floor model.

Hybride Steuerungsstrategien in der Werkstattfertigung

Kurzfassung Individuelle Kundenwünsche haben eine Vielfalt von Produktvarianten und entsprechend kurze Innovationszyklen zur Folge. Die dadurch steigende Komplexität und Dynamik der Herstellungsprozesse stellen die Produktionsplanung und -steuerung vor eine große Herausforderung. Einen Ansatz, dynamische Abfolgen unterschiedlicher Produktionssituationen zu bewältigen, stellen situationsadaptive Steuerungskonzepte dar. Sie wählen die zu den jeweiligen Begebenheiten passende Steuerungsstrategie aus und ermöglichen somit einen effizienten Ablauf der Fertigungsprozesse. Die Leistungsfähigkeit solcher Konzepte ist jedoch wesentlich von der Verfügbarkeit geeigneter Steuerungsstrategien abhängig. Um hier die Lücken zwischen traditionellen Ansätzen zu schließen, bietet sich die Entwicklung hybrider Strategien an. Diese bilden eine Kombination bekannter Vorgehensweisen und erweitern somit das Portfolio anwendbarer Steuerungsstrategien. In diesem Beitrag wird eine solche Hybridstrategie vorgestellt und im Vergleich mit den ihr zugrundeliegenden Einzelstrategien evaluiert.

Automatisierung des Lernens neuronaler Netze in der Produktionssteuerung

Kurzfassung In den letzten Jahren haben künstliche neuronale Netze ihre grundsätzliche Eignung für den Einsatz in verschiedenen Bereichen der Produktionsplanung und -steuerung bewiesen. Zu ihren Stärken gehört die Fähigkeit, aus den während des Einsatzes gewonnenen Informationen zu lernen. Sie können sich somit flexibel an wechselnde Situationen in der Produktion anpassen und benötigen zudem im Vergleich zu klassischen Regelungsansätzen nur einen geringen Rechenaufwand für Modellierung und Betrieb. Der Einsatz über längere Zeitperioden hinweg offenbart jedoch Schwächen im Bezug auf die Effektivität des kontinuierlichen Lernens. Zum einen ist die Qualität des Lernprozesses in hohem Maße von passenden Trainingsdaten abhängig, zum anderen führt das Phänomen des Catastrophic Forgetting bei Lernprozessen über längere Zeiträume zu einem Überschreiben bereits erlernten und weiterhin nützlichen Wissens mit neuen Informationen. Hieraus ergibt sich die Notwendigkeit, den Prozess des kontinierlichen Lernens und Vergessens neuronaler Netze zu strukturieren und die Gewinnung der benötigten Trainingsdaten zu automatisieren. Ziel dieser Forschungsarbeit ist eine Softwarearchitektur, die Produktionssituationen anhand logistischer Kennzahlen bzw. statistischer Daten aus der Produktion klassifiziert, passende neuronale Netze auswählt und deren kontinuierliches Lernen mittels passender Trainingsdaten überwacht.