Ausgangssituation
Bedingt durch erhöhte Produkt- und Variantenvielfalt wächst der Bedarf nach flexibel gestalteten Montage- systemen. Im Gegensatz zur klassi- schen Linienproduktion werden in der frei verketteten Montage Produk- ten individuelle Montagerouten zuge- ordnet. In Abhängigkeit der Verfüg- barkeit von Produktionsressourcen erfolgt eine situative Zuordnung von Montageoperationen zu Montagesta- tionen. Die Mobilisierung der (Teil-)Produkte wird durch fahrerlose Transportfahrzeuge realisiert.
Eine wesentliche Herausforderung dieser flexiblen Produktionssysteme stellt der erhöhte Planungs- und Steuerungsaufwand dar. Ein Leitsys- tem dient der optimierten Planung (Ablauf- und Reihenfolgeplanung) und ist in der Lage, dynamisch auf Maschinenausfälle und Verzögerun- gen zu reagieren. Zur Umsetzung ei- nes solchen Leitsystems wurde ein Simulationsmodell mit entsprechen- den Entscheidungsalgorithmen ent- wickelt. Durch eine optimierte Anord- nung der Stationen auf der Hallenflä- che (Layout) und eine dynamische Anpassung (z.B. bei Änderung des
Produktmix oder ausgefallenen Stati- onen) sollen weitere Potentiale der frei verketteten Montage untersucht werden.
Inhalt der Arbeit
Im Rahmen dieser Arbeit soll ein be- stehender Reinforcement Learning Algorithmus zur dynamisch optimier- ten Layoutplanung in flexiblen Mon- tagesystemen weiterentwickelt wer- den. Ziel ist es, die Anordnung von Stationen auf dem Shopfloor dyna- misch an den aktuellen Systemzu- stand anzupassen. Dabei müssen Restriktionen durch die Größe und Form der Stationen berücksichtigt werden.
Im Rahmen einer Literaturrecherche ist zunächst ein Überblick über exis- tierende Modellierungsformen zur Layoutplanung mittels Reinforce- ment Learning zu erarbeiten. Existie- rende Modelle gilt es hinsichtlich ih- rer Eignung für den Anwendungsfall zu bewerten. Basierend auf dieser Bewertung ist ein Ansatz auszuwäh- len, für die Layoutplanung in frei ver- ketteten Montagesystemen anzupas- sen und zu implementieren. Ab- schließend erfolgt eine Validierung der Arbeit durch Integration in eine existierende Simulationsumgebung
und Anwendung auf ein industriena- hes Testszenario.
Die Arbeit erfolgt im Rahmen des vom BMWi geförderten Forschungs- projektes AIMFREE – Agile Montage von Elektrofahrzeugen durch freie Verkettung.
http://aimfree.wzl.rwth-aachen.de/
Themenumfeld
• Produktionsplanung und -steuerung, Montageplanung
• Reinforcement Learning, Ma- chine Learning
• Operation Research, ANN Voraussetzungen
• Interesse an Optimierung und Si- mulation
• Motivation und Selbstständigkeit
• Sehr gute Deutsch- oder Eng- lischkenntnisse
Geboten wird
• Offenes und nettes Arbeitsklima
• Umfangreiche Betreuung
• Abgegrenzte Aufgabenstellung, schnelle Bearbeitung möglich
• Mitarbeit an aktuellen For- schungsthemen
Bachelor-/Masterarbeit
Reinforcement Learning zur online Produktionssteue- rung und Fabrikplanung in flexiblen Montagesystemen
Werkzeugmaschinenlabor WZL
Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement
Abteilung Modellbasierte Systeme
Ansprechpartner M.Sc. Lea Grahn
Campus-Boulevard 30, 3A105 D-52074 Aachen
Telefon 0241 / 80 25457 l.grahn@wzl.rwth-aachen.de Stand
Juni 2021