Selbstoptimierende Produktionsnetzwerke

 
Vision



Entwicklung eines funktionsfähigen und flexiblen Produktionsmanagementsystems, um eine dynamische Anpassung an die jeweiligen Betriebsbedingungen zu verbessern
Ziele Phase 2

(1) Sicherstellung und Validierung des kybernetischen Referenzmodells des selbstoptimierenden Produktionsmanagements unter Berücksichtigung des Faktors Mensch und Integration der Sichtweisen aus Produkt- und Qualitätsmanagement
(2) Aufbau von Prüfständen für die experimentelle Forschung in der realen Produktionsumgebung und Entwicklung von Prototypen der kybernetischen Lösungskomponenten

 
 

Der Case „Überbetrieblicher Informations- und Materialfluss“ konzentriert sich auf die Managementsysteme und Grundsätze eines kybernetischen Produktionssystems. Ziel ist es, das komplexe Zusammenspiel von heterogenen Prozessen in einem dynamischen Umfeld zu steuern. In der ersten Förderperiode des CoE wurde ein Referenzmodell für das Produktionsmanagement, basierend auf dem Viable System Model von Stafford Beer, entwickelt. Auf dieser Grundlage arbeitet das FIR mit dem Institut für Arbeitswissenschaft (IAW), dem Human-Computer-Interaction-Center (HCIC) und dem Werkzeugmaschinenlabor (WZL) der RWTH Aachen zusammen, und betrachtet die drei Forschungsfälle „Betrieblicher Informations- und Materialfluss“, „Selbstoptimierende Produktionsplanung und -steuerung (PPS)“ und „Kognitive Produktionskette“.

 
  Abbildung 1 Urheberrecht: Marc_Winkel_2015

Überbetrieblicher Material- und Informationsfluss

Zur Untersuchung der Wirkzusammenhänge in Supply Chains konnten im Rahmen des Simulationsmodells Fortschritte erzielt werden. Insbesondere wurde das Modell durch zusätzliche Einflussparameter (z.B. den dynamischen Sicherheitsbestand) erweitert. Zur Validierung und Demonstration der Ergebnisse wurde im Laufe des Projektjahres 2015 ein Nachfolger des Logistikdemonstrators entwickelt. Der Logistik-Demonstrator wurde mit Partnern des RWTH Aachen Campus-Cluster Logistik und dem FIR entwickelt wurde und zeigt Möglichkeiten und Potentiale der horizontalen und vertikalen Integration.

Zur Untersuchung soziotechnischer Einflussfaktoren konnten in verschiedenen Grundlagenexperimenten der Einfluss von Nutzerdiversität, Informationsmenge und -komplexität und Benutzerschnittstelle auf die Effektivität und Effizienz bei Entscheidungen im Kontext der Materialdisposition identifiziert und quantifiziert werden. Darüber hinaus wurde die Entwicklung einer zweiten Version des „Q-I-games“ mit dem Namen „LogisticSim“ abgeschlossen.

 
  Abbildung 2

Selbstoptimierende Produktionsplanung und -steuerung (PPS)

Das Ziel des PPC Cases ist es, eine selbstoptimierende Produktionsplanung und -steuerung zu entwickeln, um die Anforderung der häufigen Überprüfung und Anpassung bei niedrigem manuellem Aufwand zu erfüllen. Im Jahr 2015 wurde der zweite Prototyp namens WoPS+ in WoPS 4.0 überführt. Hierbei wurde die Datenbankstruktur grundlegend modifiziert, um schnellere und erweiterte Analysen zu ermöglichen. Die Möglichkeiten, Maschinenausfallzeiten und detailliertere Schichtpläne anzugeben, wurden implementiert. Zusätzlich wurden Algorithmen zur Mustererkennung der tatsächlich verwendeten Reihenfolgeregel implementiert. Um eine erweiterte und einfachere Konfiguration von Simulationsszenarien zu ermöglichen, kann das hochgeladene Produktionsprogramm auf der Oberfläche variiert werden. Die bereits existierende Benchmark-Datenbank wurde verbessert, indem der Zugriff und die userspezifische Anpassung auf der Oberfläche ermöglicht wurden.

 
 

Kognitive Produktionskette

Zur Untersuchung der Mensch-Roboter Interaktion wurden verschiedene Simulationsstudien durchgeführt und die Ergebnisse in der kognitiven Montagezelle des WZL validiert. Hierbei zeigte sich, dass sich Prädiktionszeiten von Zielpositionen und die mentale Beanspruchung durch menschenähnliche Bewegungen senken lassen. Die Validierung des eingesetzten Graphplanners der kognitiven Montagezelle wurde durch weitere Simulationsstudien, die zur Risikominimierung auf eine Reduktion der Mensch-Roboter-Wechsel abzielten, erfolgreich abgeschlossen.

Im Rahmen der Entwicklung einer Referenzarchitektur für cloudbasierte Zustandsüberwachung wurde zur exemplarischen Implementierung der Folienabzugsprozess einer Verpackungsmaschine abgebildet. Dazu wurde ein Matlab/Simulink-Modell analytisch aufgebaut und durch experimentelle Prozessdaten einer Schlauchbeutelmaschine am WZL abgeglichen. Zusätzlich wurden unterschiedliche Methoden des Machine Learnings zur Identifikation des Komponentenzustands (Abzugsriemen) untersucht und verglichen.

 
 

Auf Basis der bisher erzielten Ergebnisse wird derzeit ein interaktiver Gesamtdemonstrator zusammen mit ICD "Virtual Production Intelligence" entwickelt. Dieser stellt die Vorteile der Selbstoptimierung über alle Ebenen, von der Supply Chain bis zur Maschine, dar. Der Gesamtdemonstrator ermöglicht es Anwendern, die Zusammenhänge zwischen allen Ebenen eines Unternehmens selbst zu erleben und die Vorteile der Selbstoptimierung zu erkennen. Weitere Arbeiten in den einzelnen Cases beziehen sich auf die Erweiterung der WoPS 4.0 Plattform durch die Ergänzung einer Funktionalität zur Verbesserung der Eingangsdaten mittels Algorithmen, weiterer Untersuchungen zum Einfluss von Unterstützungssystemen und Business Intelligence auf die Effizienz und Effektivität von Entscheidungen, die Weiterentwicklung des Spiels „LogisticSim“ sowie den Aufbau eines Arbeitsplatzes für die direkte Mensch-Roboter-Kollaboration. Darüber wurden im Jahr 2016 im Bereich Cyber Physical Systems zahlreiche gemeinsame Veröffentlichungen mit dem Institutscluster IMA, ZLW und IFU in Angriff genommen.

Lesen Sie mehr:

Demonstrator "Überbetrieblicher Material- und Informationsfluss"

Demonstrator "Kognitive Montagezelle"

Demonstrator "Selbstoptimierende Produktionsplanung und -steuerung"