Optimierung von Rüstprozessen mit künstlicher Intelligenz

Abstract

Um in der Zeit der Globalisierung stets wettbewerbsfähig zu sein, bieten viele Unternehmen breite Produktvarianten an. Jedoch sollen Investitions- bzw. Produktionskosten trotz vielfältigen Angebots von Produkten geringgehalten werden. Aus diesem Grund versuchen Unternehmen möglichst verschiedene Produkte auf einer Anlage bzw. bestehenden Maschinen zu herstellen. In anderen Worten steigt der Bedarf, Anlage zu rüsten und somit nimmt Rüsten innerhalb der Verluste der Anlageproduktivität einen großen Anteil an.

Diese Masterarbeit untersucht, wie ein Rüstprozess durch die Zerlegung von dessen Phasenanteile besser analysiert bzw. optimiert werden kann. Die Phasen sind die Auslaufphase vor dem Rüstvorgang, die Phase, während dessen die Anlage gerüstet wird oder stillsteht, und die Anlaufphase nach dem Rüstvorgang.

Da die Klassifizierung dieser Phasen händisch sehr aufwendig ist, soll die Klassifizierung mit Hilfe neuronaler Netzen erfolgen. In dieser Arbeit werden verschiedene, rekurrente neurale Netze erprobt. Die untersuchten Daten werden von der Firma ifp Software GmbH zur Verfügung gestellt.

Mit Hilfe der Konfusionsmatrix werden die Klassifizierungsergebnisse evaluiert. Die LSTM- sowie bidirektionale LSTM-Architektur mit verschiedenen Inputvariablen weisen eine F1 Score von 97% auf. Des Weiteren kann ein trainiertes Modell einer Anlage die Phasen einer anderen Anlage ebenfalls gut klassifizieren. Abschließend wird ein Benchmarking von Rüstvorgängen durchgeführt. Das Resultat offenbart weiteren Forschungs- bedarf hinsichtlich anderer Architekturen neuronaler Netzwerke.

Volltext

Verfügbar auf Anfrage.