No abstract

No abstract

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.

No abstract

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.