Beschreibung
Die produzierende Industrie sieht sich zunehmend mit der Anforderung konfrontiert, ein variantenreiches Produktspektrum bei zügiger Lieferung und hoher Termintreue zu gewährleisten, was die Bedeutung flexibler Produktionsstrukturen wie der Werkstattfertigung steigert. Diese Flexibilität führt allerdings zu einem erhöhten Aufwand in der Produktionssteuerung, da zahlreiche individuelle Produktionsrouten koordiniert werden müssen, um den logistischen Zielgrößen und Kundenbedürfnissen gerecht zu werden. Die zunehmende Komplexität und Dynamik moderner, variantenreicher Werkstattfertigungen erfordern eine automatisierte Entscheidungsfindung in der Produktionssteuerung, um Termintreue und Effizienz auch unter unvorhersehbaren Störungen sicherzustellen. Konventionelle mathematische Optimierungsverfahren stoßen bei derart komplexen Problemgrößen an ihre Grenzen, sodass moderne Softwaresysteme weiterhin auf bekannte Heuristiken zurückgreifen. Parallel dazu gelten Simulationsmethoden zur Abbildung dieser komplexen Wirkbeziehungen als bewährt, doch ihre Nutzung erfordert umfassendes Expertenwissen und bleibt herausfordernd. Die Kombination von Reinforcement Learning mit simulationsbasierten Produktionsmodellen bietet einen vielversprechenden Ansatz, da es durch iteratives Lernen effiziente Entscheidungsstrategien für komplexe, dynamische Produktionsumgebungen entwickeln kann. Das Ziel der vorliegenden Dissertation liegt in der Entwicklung einer praxisnahen Methodik zur automatisierten Entscheidungsfindung für die Auftragsfreigabe in komplexen Materialflüssen, um eine hohe Termintreue unter dynamischen Systembedingungen zu gewährleisten. Dazu wird ein systematisches Vorgehen zur Anwendung von Simulation und Reinforcement Learning auf die Produktionssteuerung vorgeschlagen, welches auf realitätsnahe Problemgrößen skalierbar ist. Im Fokus steht außerdem die praktische Einsatzfähigkeit, sodass die Methodik in einem übergreifenden Softwarekonzept implementiert und am Beispiel eines Komponentenherstellers prototypisch angewandt wird.
Herstellerkennzeichnung:
tolino media GmbH & Co.KG
Albrechtstraße 14
80636 München
DE
E-Mail: gpsr@tolino.media
