Projekte / Themen
KISPo – KI-Verfahren zur Steuerung von Digitalen Portalroboterzwillingen
Laufzeit: 2022-2024
Kooperationspartner: SimPlan AG, Hanau und der FLT, Haßmersheim
Gesamtprojektsumme: 435 TSD Euro, Gesamtfördersumme 326 TSD Euro
Veröffentlichungen:
- Zisgen, H., Miltenberger, R., Hochhaus, M. & Stöhr, N.: Dynamic Scheduling of Gantry Robots using Simulation and Reinforcement Learning. In C. G. Corlu, S. R. Hunter, H. Lam, B. S. Onggo, J. Shortle & B. Biller (Eds.), Proceedings of the 2023 Winter Simulation Conference (S. 3026-3034).
- R. Miltenberger, H.Zisgen, et.al.: Integration von Simulation und Reinforcement Learning zur Portalrobotersteuerung, in: Bergmann, S., Feldkamp, N., Souren, R., Straßburger, S. (Hrsg.): Simulation in Produktion und Logistik 2023, S. 145-154, 2023, Ilmenau, DOI: 10.22032/dbt.57786
Dieses Projekt (HA-Projekt-Nr.: 1286/21-187) wurde im Rahmen der Innovationsförderung
Hessen aus Mitteln der LOEWE – Landes-Offensive zur Entwicklung Wissenschaftlich-
ökonomischer Exzellenz, Förderlinie 3: KMU-Verbundvorhaben gefördert.
Projektbeschreibung
Die Herausforderungen, die im Zuge von Industrie 4.0 auf die Fertigungsindustrie zukommen, erfordern in vielen Bereichen neue Lösungskonzepte. Im Rahmen des Projekts KI-Verfahren zur Steuerung von Digitalen Portalroboterzwillingen (KISPo) wird ein innovatives Lösungskonzept für den Bereich der Fördertechnik in der Produktion vorgestellt. Mit KISPo soll eine autonome und selbstlernende Steuerungssoftware für sogenannte Portalsysteme auf der Basis von Methoden des Maschinellen Lernens und der Simulation entwickelt werden. In Portalsystemen fahren Laufwägen voll automatisiert horizontal längs einer Achse Produktionsmaschinen zum Be- oder Entladen an. Die vertikale Bewegung hin zur Maschine übernimmt der sogenannte Greifer. Dabei können mehrere Maschinen von einem Portal angefahren werden. Nach derzeitigem Stand der Technik erfolgt die Steuerung der Portalsysteme mit Hilfe von einfachen Prioritätsregeln, die aus der Erfahrung heraus oft einmal festgelegt und dann starr in der Steuerung hinterlegt werden. Mit Hilfe solcher Regeln können aber nicht mehr die steigenden Anforderungen an die Produktionssteuerung erfüllt werden, die sich im Kontext von Industrie 4.0 und einem immer größeren Anpassungsdruck im produzierenden Gewerbe ergeben. Obwohl die Auswechselung der regelbasierten Steuerungen durch Systeme, die auf dem Maschinellen Lernverfahren Reinforcement Learning (RL) beruhen, eine allgemein anerkannte Lösungsstrategie ist, gibt es zurzeit keine kommerziell verfügbare Steuerungssoftware für Portale mit dieser Technologie. Im Gegenteil, der Branchenverband der Maschinen- und Anlagenbauer VDMA schreibt in seinem Leitfaden Selbstlernende Produktionsprozesse - Einführungsstrategie für Reinforcement Learning in der industriellen Praxis: „Insbesondere der Bereich des Reinforcement Learning zur autonomen Steuerung von Produktionsprozessen ist in der Industrie noch wenig bis gar nicht erschlossen.“ Das Ziel des Projekts KISPo ist es, in diese Lücke zu stoßen und einen RL-basierten Softwareagenten zu konzipieren und einen entsprechenden Prototyp zu entwickeln. Dieser soll mit Simulationsmodellen von Portalsystemen gekoppelt werden, um so eine autonome Anpassung der Portalsteuerung an sich neu einstellende Situationen im Produktionsumfeld zu ermöglichen und auf diese Weise den Herausforderungen der Produktionsunternehmen mit einem Lösungsbaustein im Sinne von Industrie 4.0 zu begegnen.
Der RL-Agent basiert auf einem Deep Q-Network (DQN) Ansatz. Als Simulationssysteme kommen PlantSimulation von Siemens und Anylogic zum Einsatz.
Modellierung von Mehrprodukt-Warteschlangennetzwerken mit Gruppenankünften und -bedienung
Laufzeit: 2019 - heute
Kooperationspartner: Simulationswissenschaftliche Zentrum Clausthal/Göttingen
Veröffentlichungen:
- H. Zisgen: An approximation of general multi-server queues with bulk arrivals and batch service, Operations Research Letters 50(1): 57-63, 2022; DOI: 10.1016/j.orl.2021.12.006
Warteschlangennetzwerke sind ein vielseitiges Mittel u.a. zur Modellierung von Produktionsprozessen. In einigen Industriebranchen, wie der Halbleiterfertigung, werden Teile nicht einzeln, sondern in Gruppen (engl. batch) sowohl zwischen den Produktionsmaschinen hin und her transportiert als auch an den Maschinen prozessiert. Darüber hinaus werden häufig mehrere unterschiedliche Produkte in einer Produktion gefertigt, die gemeinsam in einem Modell abgebildet werden müssen, da sie sich Prozessequipment teilen. Bislang stehen Modelle entweder für die Modellierung von Gruppenankünften und-bedienung oder aber für Mehrproduktenetzwerke zur Verfügung. Ziele des Projekts ist es, Modelle zu entwickeln, die sowohl mehrere Produkte als auch Gruppenankünfte und -bedienung adäquat abbilden.
Im Rahmen des Projekts sind auch Bachelor- und Masterarbeiten zu vergeben!
Analyse von Copernicus Satellitendaten mit Hilfe von Convolutional Neural Networks zur Bestimmung von städtebaulichen Strukturen
Zeitraum: 2020-2021
Kooperationspartner: CORAmaps GmbH, Darmstadt
Aus Informationen über städtebauliche Strukturen können wichtige Informationen, wie die Bevölkerungsdichte abgeleitet werden. Ziel des Projekts ist es, eine automatische Analyse dieser Strukturen auf der Basis von frei verfügbaren Satellitendaten des Erdbeobachtungsprogramms Copernicus zu entwickeln. Zu dieser Analyse wird das Deep Learning Verfahren der Convolutional Neural Networks eingesetzt, mit deren Hilfe die Klassifizierung von Bebauungsstrukturen erfolgen soll.
Modellierung von Fahrzeitverlusten und Staubildung auf Autobahnen
Zeitraum: 2017-2019
Kooperationspartner: Hessen Mobil, Wiesbaden
Die zunehmende Verkehrsdichte auf Autobahnen führt zu immer größeren Verkehrsbehin-derungen. So hat sich z.B. die gesamte Staulänge in Deutschland in den Jahren 2011 bis 2016 auf einen Wert von 1378000 km verdreifacht, siehe ADAC. n.d. Gesamte Staulänge auf Autobahnen in Deutschland in den Jahren 2002 bis 2016 (in Kilometer). Statista. Zugriff am 24. Juli 2017. Verfügbar unter statista.com. Diese Staus richten einen enormen ökonomischen wie auch ökologischen Schaden an. Das Ziel des Projekts ist es zum einen, verschiedene mathematischen Modelle der Warteschlangentheorie, dahingehend zu untersuchen, in wie weit sie zur Modellierung von Staubildungen auf Autobahnen geeignet sind und zum anderen Ansätze zu erforschen, um diese Modelle gegebenenfalls zu erweitern oder zu verbessern, so dass sie zur Verkehrssteuerung eingesetzt werden können, um eine Staubildung zu reduzieren oder zumindest Fahrzeitverluste zu minimieren.
Im Rahmen des Projekts sind auch Bachelor- und Masterarbeiten zu vergeben!
Zeitreihenanalyse zur Prognose von Benzinpreisen an Tankstellen
Seit geraumer Zeit müssen alle Tankstellen in Deutschland alle Änderungen ihrer Bezinpreise an eine zentrale Stelle melden. Dadurch ist in den letzten Jahren ein großer Datenbestand über die Benzinpreisentwicklungen deutschen Tankstellen entstanden. Auf der Basis dieser Daten wurden mittels Methoden der Zeitreihenanlyse z.B. verschiedene Prognosemodelle zur Vorhersage von Bezinpreisen an einer ausgewählten Tankstelle entwickelt. Weitere Fragestellungen, z.B. das Clustering von Tankstellen mit ähnlichen Preisverläufen können im Rahmen von Abschlussarbeiten oder Projekten bearbeitet werden.
Im Rahmen des Projekts sind auch Bachelor- und Masterarbeiten zu vergeben!