Integration von Kontextinformationen neuronaler Produktionsregelung in ein Case-based Reasoning System
Final Report Abstract
Die zunehmende Dynamik heutiger Produktionssysteme führte zu vermehrter Entwicklung von Produktionskonzepten mit Regelungscharakter, die eher in der Lage sein sollen, zeitnah auf Veränderungen zu reagieren. Neuronale Netze (künstliche neuronale Netze, Abk.: KNN) werden meistens dort eingesetzt, wo das Verhalten dynamischer Systeme für die exakte mathematische Formulierung zu komplex und damit zu aufwendig ist. So wurden neuronale Netze in diesem Projekt sowohl als Regler für eine dezentrale Bestandsregelung als auch für die modellbasierte Regelung einer werkstattorientierten Produktion genutzt. Mit Hilfe der Methode des Fallbasierten Schließens (Case-based Reasoning, Abk.: CBR) wurde das Erfahrungswissen neuronaler Produktionsregelung so strukturiert, dass Rückschlüsse auf neue Fälle der Produktionsreglung mit KNN möglich sind. Ergebnis des CBR-Systems ist eine Aufwandsreduzierung des Einsatzes von KNN in der Produktionsregelung. Hierbei wird das Auswählen und Trainieren der KNN für die Produktionsregelung, was zur Zeit nur durch einen Experten zu lösen ist, durch die fallbasierte Wissensbasis unterstützt. In der entwickelten neuronalen Produktionsregelung kommen die so genannten Feedforward-Netze zum Einsatz, die mithilfe eines Patterngenerators vortrainiert und während der Online-Lernphase an der laufenden Simulation weitertrainiert wurden. Der Einsatz der prädiktiven Regelung für die Produktionsregelung mit neuronalen Netzen wurde vorangetrieben und die Qualität der Prognosenetze stark verbessert. Die Erfahrungen über den Einsatz von sowohl partiell rekurrenten Netzen als auch von Feedforward-Netzen für die Prädiktion von Beständen an den einzelnen Arbeitssystemen konnten innerhalb dieses Projektes in die CBR-Fallbasis einfließen. Die Fälle wurden hierfür mittels statistischer Methoden und anhand der produktionslogistischen Kriterien klassifiziert und die entsprechenden Prognosenetze in das CBR-System aufgenommen. Die ursprüngliche dezentrale Betrachtung eines Werkstattmodells anhand jedes einzelnen Werkstücks und jeder Maschine wurde auf Werkstück- und Maschinengruppen erweitert und zur Nutzung für das CBR-System definiert. Dies erhöht die Wiederverwendung der bereits im CBR-System abgelegten Fälle. Hierunter fiel auch die Berücksichtigung der Komplexitätszunahme durch Materialrückflüsse. Durch die Rückflüsse der Werkstücke und durch die Definition von Werkstück- und Maschinengruppen wurde die Fallrepräsentation, Lösungsanpassung, Suchstrategie und das Ähnlichkeitsmaß des CBR-Systems überarbeitet. Ein weiteres wesentliches Ergebnis des Forschungsprojektes ist die Berücksichtigung der Interdependenzen zwischen den einzelnen Maschinen durch das Training der neuronalen Netze und ihre Aufnahme in das CBR-System. Die Umfeldinformationen über die Abhängigkeiten zwischen den Maschinen wurden aufgenommen und in allen abgespeicherten Fällen der Fallbasis berücksichtigt. Da diese Fälle die Grundlage für die Generierung neuer Netze bilden, werden die Abhängigkeiten nun auch in den neuen Netzen implizit berücksichtigt. In zukünftigen Arbeiten soll eine hybride Netzarchitektur entwickelt werden, welche die Effizienz des Lernens über möglichst lange Zeit sicherstellt, neben dem Lernen auch das Vergessen steuert und somit ein langfristiges inkrementelles Lernen der Produktionsregelung gewährleistet. Darüber hinaus sind für die spätere praktische Anwendung zuverlässige Aussagen über die „Lebensdauer“ und „Wartung“ der im Einsatz befindlichen neuronalen Netzarchitekturen zu formulieren. Für den Ausbau des entwickelten CBR-Systems wird angestrebt, die Prognose von, z. B. saisonal bedingten, unterschiedlichen Dynamiken oder von selten auftretenden Ereignissen getrennt durch das Training von verschiedenen Netzen durchzuführen, sie mittels der CBR-Fallbeschreibung zu klassifizieren, im CBR-System abzulegen und für die Generierung neuer Lösungen zur Verfügung zu stellen. Die Netze können dadurch exakter auf spezielle Situationen trainiert werden und durch die Definition von Ablösekriterien kann die Reaktionsfähigkeit der neuronalen prädiktiven Regelung erhöht werden.
Publications
-
2007. Case-Based Reasoning for Production Control with Neural Networks. CIRP Journal of Manufacturing Systems, 36/1, 71-79
Scholz-Reiter, B.; Hamann, T.; Zschintzsch, M.
-
Dynamik logistischer Systeme. In: Nyhuis, P. (Hrsg.): Beiträge zu einer Theorie der Logistik, Springer-Verlag, Berlin 2008
Scholz-Reiter, B. et al.
-
Lernfähige intelligente Produktionsregelung. Dissertation, Universität Bremen, Gito Verlag, Berlin 2008
Hamann, T.
