Digitaler Zwilling für Losgrößenoptimierung einer Pulverbeschichtungsanlage

Febrü ist ein mittelständisches Unternehmen mit Sitz in Herford, das sich auf die Produktion von Büromöbeln spezialisiert hat. Das Unternehmen beschäftigt rund 250 Mitarbeiter:innen und erzielt einen Jahresumsatz von etwa 45 Millionen Euro. Febrü produziert ausschließlich in Deutschland und setzt auf eine nachhaltige Produktion mit hohem Qualitätsanspruch und individuellen Lösungen für die moderne Arbeitswelt. Ein teurer Produktionsschritt in der Metallteilefertigung ist die Pulverbeschichtung der Metallteile, um diesen unterschiedlichen Farben zu geben. Die Metallteile sind hochvariantenreich und entstehen durch Laserschneiden, Stanzen, Schweißen und Schleifen aus Platten oder Rohren. In der Pulverbeschichtungsanalage müssen sie zu Farblosen zusammengefasst werden, so dass möglichst wenige Farbwechsel (Rüstzeitenreduzierung) durchgeführt werden müssen und gleichzeitig die Liefertreue eingehalten wird. Ein weiteres Kriterium ist es, dass die Farben von hell nach dunkel aufgelegt werden. Eine Schwierigkeit besteht hierbei darin, dass die Metallteile häufig nicht wie geplant aus dem vorherigen Produktionsschritten bereitgestellt werden und so die Planung flexibel angepasst werden muss. Das Wissen um die Planung liegt momentan bei einigen wenigen erfahrenen Mitarbeitern.

Die Student:in soll in dem Projekt erstes aus den Daten der Produktion und der Logistik einen Digitalen Zwilling unter Verwendung des Open Source Frameworks OFacT erstellen. Hierbei sollen Verfahren des Maschinellen Lernens und des Process Minings verwendet werden, um den simulationsbasierten Digitalen Zwilling möglichst automatisch zu erstellen. Zweitens soll auf Basis des Digitalen Zwillings dann ein KI-Assistent zu Losgrößenplanung erstellt werden. Hier können einerseits Verfahren der mathematischen Optimierung und des Reinforcement Learnings eingesetzt werden. Das Wissen der menschlichen Planer soll durch einen zu entwickelnden Interaktions- und Feedbackmechanismus (u.U. auf Basis von Large Language Models) integrieret werden

Die verwendeten Methoden des Maschinellen Lernens, des Reinforcement Learnings und der Large Language Models sind Bestandteil der Veranstaltung im Forschungsmaster und Kernbereiche der Data Science.

Verfügbare Ressourcen

-          Daten und Fachexperten aus der Produktion werden von Febrü bereitgestellt

-          Das OFacT Framework wird vom IDaS breitgestellt

-          Hardware für Maschine Learning ist über das Data Science Lab, das CfADS, sowie dem KI-Rechencluster yourAI der HSBI verfügbar

Erstes Semester: Erstellung eines Forschungsexposés als Prüfungsleistung. Einarbeitung in die Aufgabenstellung im Unternehmen, Sichtung der Daten, Einarbeitung in das OFacT Framework. Erste manuelle Modellierung des Digitalen Zwilling

Zweites Semester: Literaturreche zu Verfahren der Optimierung und des Reinforcement Learnings zur Produktionsplanung. Automatische Erstellung des Digitalen Zwillings aus den Daten mittels Maschinellem Lernen und Process Mining. Erstellung eines Papers, das einen Überblick über das Forschungsgebiet gibt, ist Prüfungsleistung.

Drittes Semester: Implementierung des AI-Assistenten und Auswertung der Ergebnisse. Veröffentlichung eines Papers mit den ersten Ergebnissen ist Prüfungsleistung.

Viertes Semester: Masterarbeit und Kolloquium. Implementierung des Verfahrens zu Integration des menschlichen Feedbacks.

Zwingend:

-          Programmierkenntnisse (vzw. Python)

Optional:

-          Erfahrung mit Maschinellem Lernen

-          Erfahrung mit Optimierungsverfahren

-          Erfahrung in Produktion und Logistik

-          Erfahrung mit Simulationsmodellen

-          Digitale Zwillinge

-          Reinforcement Learning

-          Large Language Models

-          Optimierungsverfahren zur Produktionsplanung

-          Produktions- und Logistik Knowhow in der variantenreichen diskreten Fertigung

-          Publikation von wissenschaftlichen Veröffentlichungen auf internationalen Konferenzen

-          Kompetenzen in der Arbeit im Team