Kombination von digitalen Zwillingen und Spieltheorie zur Vorberechnung energiebewusster Rekonfigurationsstrategien für Cyber-physische Produktionssysteme

• Antragsteller: Professor Dr.-Ing. Alexander Fay; Professor Dr. Malte Lochau
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 562026346

Moderne cyber-physische Produktionssysteme (CPPS) müssen sich dynamisch an wechselnde Kontextanforderungen anpassen. Die Anforderungen umfassen benötigte Systemfunktionen sowie nichtfunktionale Optimierungsziele, wie z.B. Reduktion von Latenz und Energieverbrauch. Welche Abfolgen von Selbst-Rekonfigurationen benötigt werden, kann in der Regel aufgrund der hohen Komplexität des zugrunde liegenden Optimierungsproblems nicht ad-hoc zur Laufzeit entschieden werden. Eine vollständige Vorberechnung von geeigneten Selbst-Rekonfigurationen für alle erdenklichen Kontextsituation unter Verwendung theoretisch unbeschränkter Ressourcen während der Systementwicklung ist ebenfalls problematisch. Gründe hierfür sind die exponentiell in der Anzahl der Konfigurationsparameter wachsende Größe des Suchraumes sowie fehlendes Wissen über das tatsächliche Kontextverhalten zur Laufzeit. Das Ziel des Projektvorschlags ist eine neuartige Methodik zur effektiven Berechnung von Rekonfigurationsentscheidungen für CPPS, die diesem Dilemma entgegenwirkt und dabei insbesondere die Selbstoptimierung der Energieeffizienz zum Ziel hat. Wir nutzen einen digitalen Zwilling, um die Entscheidungsmodelle und Algorithmen in eine separate Komponente auszulagern, die mit dem physischen Teil des CPPS interagiert. Das für die Rekonfigurationsentscheidungen benötigte Wissen erfassen wir in einem integrierten Modell, das ein Ontologie-Modell des relevanten Domänenwissens über System und Kontext mit einem Kontext-Feature-Modell zur Formalisierung der Rekonfigurierbarkeit des Systems kombiniert. Dieses Rekonfigurationsmodell ermöglicht die Zerlegung von Rekonfigurationsenscheidungen in vorberechenbare Teilentscheidungen, die zur Laufzeit anhand des beobachteten Kontexts zu vollständigen Entscheidungen ergänzt werden. Für den Vorberechnungsschritt extrahieren wir aus dem Rekonfigurationsmodell zwei separate Verhaltensmodelle: das erste Modell beschreibt mögliche Rekonfigurationen des Systems, das zweite Modell beschreibt mögliche Änderungen von Kontextanforderungen. Für beide Modelle verwenden wir probabilistic timed energy automata. Wir nutzen Algorithmen aus der Spieltheorie, um für den System-Spieler eine Gewinnstrategie zu berechnen, die auf jeden Zug (Kontextänderung) des zweiten Spielers einen Reaktion (Rekonfiguration) gemäß der Kontextanforderungen definiert. Der probabilistische Anteil des Modells quantifiziert unsicheres Kontextverhalten. Auf diese Weise können Rekonfigurationen nicht nur reaktiv für beobachtete Kontextänderungen erfolgen, sondern auch proaktiv vorhergesagte Änderungen vorbereiten. Die vorberechneten Entscheidungen werden durch Laufzeitbeobachtungen vervollständigt und auf entsprechende Systemfunktionen abgebildet. Schließlich nutzen wir Methoden des Kontext-Lernens, um fehlendes Kontextwissen im Rekonfigurationsmodell zu ergänzen und zu entscheiden, welche Änderungen eine Neuberechnung der bisherigen Rekonfigurationsstrategie notwendig machen.

• DFG-Verfahren: Sachbeihilfen