11 Interfakultäre Einrichtungen

Permanent URI for this collectionhttps://elib.uni-stuttgart.de/handle/11682/12

Browse

Now showing 1 - 3 of 3

Open Access
Autonome Entscheidungsfindung in der Produktionssteuerung komplexer Werkstattfertigungen
(Stuttgart : Fraunhofer Verlag, 2020) Waschneck, Bernd; Bauernhansl, Thomas (Prof. Dr.-Ing.)
Die Variabilität in der kundenindividuellen Massenproduktion stellt eine enorme Herausforderung für die industrielle Fertigung dar. Die komplexe Werkstattfertigung als Produktionsprinzip eignet sich aufgrund der inhärenten Flexibilität besonders für die kundenindividuelle Massenproduktion. Allerdings sind die bestehenden Methodiken für die Produktionssteuerung einer Werkstattfertigung für die Einmal- oder Wiederholproduktion ausgelegt, was zu Defiziten in der Massenproduktion führt. Entweder ist die globale Qualität der Ergebnisse suboptimal oder die notwendige Echtzeitfähigkeit in der Entscheidungsfindung kann nicht bereitgestellt werden. Zudem entsteht durch Veränderungen und Anpassungen der Produktionssteuerung einer komplexen Werkstattfertigung ein hoher manueller Aufwand. In der vorliegenden Arbeit wird eine Methodik für eine dezentrale, selbstorganisierte und autonome Produktionssteuerung für eine Werkstattfertigung entwickelt, die dazu beiträgt, mit der zunehmenden Komplexität und dem Produktionsvolumen umzugehen. Dabei wird die Produktion als Reinforcement-Learning-Modell formalisiert, das die Grundlage für das autonome Lernen einer Strategie zur Optimierung der Abarbeitungsreihenfolge bildet. Mehrere kooperative Deep-Q-Network-Agenten werden in diesem Modell darauf trainiert, eine Strategie zu finden, die eine gegebene Bewertungsfunktion - meist ein Key Performance Indicator aus der Produktion - maximiert. Die Neuronalen Netze, in denen die erlernte Entscheidungslogik der Deep-Q-Network-Agenten abgebildet ist, werden nach der Trainingsphase in die Produktion übertragen. Der Multi-Agenten-Ansatz trägt dazu bei, dass der Lernvorgang beschleunigt wird und im produktiven Einsatz durch die Dezentralität Entscheidungen schneller bestimmt werden können. Die Erprobung der Methodik in zwei praxisnahen Fallbeispielen aus der Halbleiterindustrie zeigt ihre Leistungsfähigkeit. In beiden Fallbeispielen konnten Strategien zur Optimierung der Abarbeitungsreihenfolge auf oder über Expertenniveau autonom erlernt werden. Konkret konnte dadurch im zweiten Fallbeispiel der Anteil verspäteter Aufträge in einer Technologieklasse von 17, 0 % auf 1, 3 % reduziert werden. Abgerundet wird die Arbeit durch eine Einordnung in das soziotechnische System „Fabrik“, in der die Umsetzung der Reihenfolgeentscheidungen durch die Werker betrachtet wird. Dabei wird offensichtlich, dass die Optimierung der Produktionssteuerung ganzheitlich unter Einbeziehung der Werker in einem kontinuierlichen Verbesserungsprozess erfolgen muss.
Open Access
Modell zum maschinellen Lernen von Wirkzusammenhängen bei der Holzverarbeitung auf Basis von online-erfassten Werkzeugmaschinendaten
(Stuttgart : Fraunhofer Verlag, 2018) Lenz, Jürgen Herbert; Westkämper, Engelbert (Univ.-Prof. a. D. Dr.-Ing. Prof. E.h. Dr.-Ing. E.h. Dr. h.c. mult.)
Aufgrund des immer härter werdenden globalen Wettbewerbs müssen produzierende Unternehmen, die auch in der Zukunft profitabel produzieren wollen, ihre Leistungsreserven nutzten. Die Möbelfertigung, die größte holzverarbeitende Industrie, besteht im Hauptprozess aus dem Fräsen von Holzwerkstoffen. Hierbei gibt es Leistungsreserven in der Einsatzplanung der Fräswerkzeuge. Gute Einsatzplanung ist die Voraussetzung für eine hohe Verfügbarkeit des Produktionssystems. Die Einsatzplanung wird durch Entwicklungen wie individuelle Möbelstücke, kleinere Losgrößen und neue Schneidstoffe erschwert. Die Herausforderung der Planungsunsicherheit beim Werkzeugeinsatz in der Holzbearbeitung wächst zusätzlich durch die größere Anzahl an industriell hergestellten Holzwerkstoffen mit jeweils unterschiedlicher Abrasivität. Dadurch wird die Bestimmung der Reststandzeit eines Werkzeuges erschwert. Zielsetzung dieser Arbeit ist die Planungssicherheit des Werkzeugeinsatzes durch eine exakte Planung des Werkzeugwechselfensters sowie durch Prognose der Reststandzeit zu erhöhen. Mithilfe dieser Prognose kann das gesamte Standvermögen des Werkzeuges verwendet werden. Das führt dazu, dass die Verfügbarkeit des Produktionssystems erhöht wird, da durch das Überschreiten der Werkzeugeinsatzgrenze bedingte Stillstände vermieden werden. Hierfür wurde ein Modell erstellt, das online erfasste Daten aus der Werkzeugmaschinensteuerung mit kontextbezogenen Informationen aus Datenbanken wie dem ERP-System und der Werkzeugverwaltung kombiniert. Aus diesen Informationen wird eine werkzeugspezifische Einsatzhistorie gebildet und mit gemessenen physikalischen Werten über den Werkzeugverschleiß und Kantenqualität des Werkstückes in Verbindung gebracht. Diese Verbindung von Bearbeitungshistorie und echten physikalischen Messgrößen bilden die Datenbasis für das maschinelle Lernen von Wirkzusammenhängen. Durch das Erlernen dieser Zusammenhänge kann die Reststandzeit eines Werkzeuges prognostiziert werden und somit die Planungsgenauigkeit des Werkzeugeinsatzes durch exakte Festlegung von Werkzeugwechselfenstern gesteigert werden. Zur Erprobung wurde das entwickelte Modell implementiert und seine Funktionsfähigkeit anhand einer Werkstoff-/Schneidstoffpaarung validiert. Diese Erprobung zeigte dass die Wirkzusammenhänge erlernt werden können.
Open Access
Robotermanipulationsfähigkeiten zur Automatisierung von Instandhaltungsaufgaben
(Stuttgart : Fraunhofer Verlag, 2019) Friedrich, Christian; Verl, Alexander (Prof. Dr.-Ing. Dr. h.c. mult.)
In Produktionssystemen spielt die Anlagenverfügbarkeit und Produktqualität, vor allem im Hinblick auf ökonomische Unternehmensziele, eine entscheidende Rolle. Damit dies erreicht werden kann, unterliegen Produktionseinrichtungen regelmäßigen Instandhaltungsarbeiten. Während für Inspektionsaufgaben bereits Verfahren zur Verfügung stehen, welche die automatisierte Fehlerdetektion, -isolation und -identifikation erlauben, bestehen bisher keine Systeme, die eine automatische Wiederherstellung des Sollzustands ermöglichen. Aufgrund dessen untersucht diese Arbeit neuartige Manipulationsfähigkeiten, die es einem autonomen Robotersystem erlauben, Wartungs- und Instandsetzungsaufgaben zu automatisieren, hierdurch den menschlichen Akteur unterstützen und langfristig zu einer Attraktivitätssteigerung der Produktion in Hochlohnländern führen könnten. Damit Robotersysteme derart komplexe Aufgaben unter realitätsnahen Bedingungen autonom lösen können, entwickelt diese Arbeit spezielle Fähigkeiten zur Planung, Steuerung und Regelung von Robotermanipulationen. Ein besonderes Hauptaugenmerk bei der Entwicklung dieser Methoden liegt dabei vor allem auf der zeiteffizienten Planung sowie der Möglichkeit zur Kompensation von Umweltunsicherheiten zwischen a priori und Sensordaten. Für die Aufgabenplanung wird ein Verfahren entwickelt, welches auf Basis von CAD- und visuellen Sensordaten, die notwendigen Manipulationen in Form symbolischer Anweisungen generiert. Durch einen neuartigen stichprobenbasierten Ansatz wird eine zeiteffiziente Berechnung möglicher Demontageräume erlaubt. Damit eine zielgerichtete Akquirierung relevanter Sensordaten ermöglicht werden kann, wird ein Algorithmus vorgestellt, der mittels aufgabenabhängiger Metriken die Kombination von Kartenexploration und Objekterkennung in einer geeigneten Sensorpose zulässt. Zur Planung einer Bewegungsbahn, für die Ausführung der einzelnen Manipulationsaufgaben, werden, dem Stand der Technik gemäß, bekannte globale Bahnplanungsverfahren verwendet. Jedoch wird eine Vorverarbeitungsstrategie vorgeschlagen, die auf Grundlage einer adaptiven Schrittweitensteuerung eine deutliche Reduktion des Planungsraums zulässt, wodurch eine niedrigere Planungszeit bei höherer Erfolgsrate in der Lösungsfindung erzielt wird. Die aus der Planung generierte Beschreibung wird weitergehend in ein Anwenderprogramm umgesetzt. Hierzu wird ausgehend von einer allgemeinen Dekompositionsvorschrift die Generierung elementarer Roboterkontrollanweisungen erlaubt, welche aufgabenabhängig über propriozeptive oder exterozeptive Regler ausgeführt werden. Die entwickelten Manipulationsfähigkeiten werden in eine Steuerungsarchitektur integriert und ganzheitlich an einem Demonstratorsystem, anhand praxisrelevanter Anwendungsfälle, experimentell validiert.