Entwicklung eines modellbasierten Assistenzsystems zur Strategieplanung der Produktionsversorgung auf Basis von Simulation und Reinforcement Learning

Das Projekt wird in der Abteilung DPS Value Chain durchgeführt. DPS steht für „Digital Production & Services“ und ist eine zentrale Einheit von Phoenix Contact. Sie verantwortet sowohl den Betrieb als auch den Ausbau der IT-Infrastruktur- und Softwarelandschaft für die Unternehmensbereiche von Phoenix Contact. Deshalb ist die Einheit DPS in vielen Themenfeldern vertreten, angefangen beim Produktionslebenszyklus, über das ERP-System des Unternehmens und den Datenmodellen hin bis zum Financing und Vertrieb. Der Bereich Value Chain ist Teil der Einheit DPS und befasst sich mit der Wertschöpfungskette von Phoenix Contact. Sie steht den Business Areas u. a. bei Themen zur Produktion und Produktionsversorgung beratend zur Verfügung.

Ein Großteil des Aufgabenfelds ist das Lagermanagement bzw. Bestandsmanagement und die Verteilung des Bestands in der Produktion. Durch das starke Wachstum von Phoenix Contact in den vergangenen Jahren sind sowohl die Anzahl der Fertigungsaufträge als auch die Anforderungen an die Produktionsversorgung stark gestiegen. Daraus folgen bereits heute und zukünftig Anpassungen der Produktionsversorgung, die zeitnah durchgeführt werden sollten. Ein Beispiel für eine gestiegene Anforderung ist die Spritzgussfertigung von Phoenix Contact. Dort müssen 20 Ladehilfsmittel in der Minute, die in der kompletten Produktionshalle verteilt sind, abtransportiert werden. Zur selben Zeit müssen die Maschinen mit leeren Ladehilfsmitteln, Materialien und Werkzeugen versorgt werden. Dazu stehen verschiedene Konzepte der Produktionsversorgung zur Verfügung. Unter anderem sind dies Milkrun-Züge, Routenzüge (statisch und dynamisch), „First In – First Out“-Prinzip und Kanban Verfahren (Pull-Prinzip, Push-Prinzip).
In diesem Projekt soll erstens ein dynamisches Modell („Digitaler Zwilling“) entwickelt werden, das eine Bewertung verschiedener Szenarien der Produktionsversorgung im Rahmen der Strategieplanung von Phoenix Contact ermöglicht. Hierzu stehen Daten aus der Produktion und Produktionsplanung aus den letzten Jahren zur Verfügung. Zweitens soll auf Basis des digitalen Zwillings der Produktionsversorgung ein Entscheidungsunterstützungssystem entwickelt werden, das bei der optimalen Auswahl von Konzepten zur Produktionsversorgung inklusive der besten Parametrisierung unterstützt. Hier können sowohl Optimierungsverfahren als auch Verfahren des Reinforcement Learning auf Basis des digitalen Zwillings zum Einsatz kommen.

Der/die Studierende soll die Daten der Produktion und Produktionsplanung aus den letzten Jahren verwenden, um einen digitalen Zwilling mit einer Simulation der Produktionsumgebung zu erstellen. Damit der digitale Zwilling für die sich stark unterscheidenden Produktionsumgebungen konfigurierbar ist, werden diese auf die die Produktionsumgebung bestimmenden Variablen abstrahiert und parametrisiert. Beispiele für solche Variablen sind:
1.Losgrößen
2.Fokus der Produktion: kostengünstige Produktion termintreue Produktion
3.Auslagerung von Teilprozessen zur Herstellung eines Produktes
Der digitale Zwilling muss die Konfiguration und Parametrisierung von verschiedenen Konzepten zur Produktionsversorgung erlauben. Zu Beginn kann dies auf wenige Konzepte eingeschränkt werden und im Laufe des Projekts auf weitere Konzepte erweitert werden.
Mit Hilfe von Verfahren des maschinellen Lernens soll auf Grundlage des digitalen Zwillings und der Simulation ein Agent entwickelt und trainiert werden, der die Optimierung und Planung der Produktionsversorgung ermöglicht. Der Agent wählt die vielversprechendsten Konzepte zur Produktionsversorgung mit Parametrisierung dieser aus. In der Simulation können die Konzepte mit Daten aus der Vergangenheit evaluiert werden. Hierzu sollte die Simulation die verschiedenen KPIs berechnen. Welche KPIs sinnvoll sind, wird im Rahmen des Projekts in Absprache mit Fachexperten von Phoenix Contact evaluiert. Der Agent kann dann als Entscheidungsunterstützungssystem eingesetzt werden.

Bezug zum Thema Data Science 

Die Entwicklung eines digitalen Zwillings, das Erstellen von Simulationen und die Anwendung von Algorithmen des maschinellen Lernens sind Kernthemen von Data Science.

Verfügbare Ressourcen

• Anwendungsbezogene Informationen werden von Phoenix Contact bereitgestellt.
• Während der Projektlaufzeit gibt es dauerhaft ein Ansprechpartner bei Phoenix Contact.
• Die notwendigen Daten werden von Phoenix Contact zur Verfügung gestellt. Diese bilden den Produktionsprozess auf verschiedene Ebenen in den letzten Jahren ab.

Projektplan

Erstes Semester:

• Erstellung eines Forschungsexposees ist Prüfungsleistung.
• Einarbeitung in die Produktionsumgebung und -daten von Phoenix Contact
• Auswahl eines konkreten Anwendungsfalles
• Literaturrecherche zum Thema digitaler Zwilling und Simulation

Zweites Semester:

• Erstellung eines Papers, das einen Überblick über das jeweilige Forschungsgebiet gibt, ist Prüfungsleistung.
• Entwicklung des digitalen Zwillings und Modellierung erster Versorgungsszenarien
• Entwicklung und Evaluierung der Simulation anhand der ersten Szenarien

Drittes Semester:

• Erstellung eines Papers, mit ersten quantitativen Ergebnissen ist Prüfungsleistung.
• Erstellen des Entscheidungsunterstützungssystems
• Erste Tests des Systems

Viertes Semester:

• Masterarbeit und Kolloquium
• Optimierung des Entscheidungsunterstützungssystems
• Tests des Modells in weiteren Produktionsumgebungen

Zwingend:

• Programmierkenntnisse in Python

Optional:

• Erfahrung mit Produktionsprozessen in Unternehmen
• Erfahrung im maschinellen Lernen
• Kenntnisse über digitale Zwillinge
• Kenntnisse über Simulationen

Erwerbbare Kompetenzen

• Einsatz von Verfahren des Maschinellen Lernens in Produktionsumgebungen
• Kenntnisse über Industrie 4.0
• Planung von Produktionsversorgungsprozessen
• Verarbeitung von Produktions- und Produktionsplanungsdaten