Klein- und mittelständische Unternehmen im produzierenden Gewerbe sind zumeist auf flexible Montagesysteme mit einem niedrigen Automatisierungsgrad und einem großen Einfluss von Humanfaktoren angewiesen. Dies wird insbesondere durch zunehmend kürzer werdende Produktlebenszyklen aufgrund von immer individuelleren Kundenanforderungen begünstigt. Zusätzlich werden solche Unternehmen vor umweltbedingte Herausforderungen gestellt, die sich durch den Einfluss von Humanfaktoren direkt auf deren Leistungsfähigkeit innerhalb der Wertschöpfungskette auswirken, wie beispielsweise durch den COVID-19 Ausbruch eindrucksvoll belegt wurde. Durch die Digitalisierung wird diesen Unternehmen eine Perspektive zur effizienten Planung von Ressourcen auf der Basis von Simulationswerkzeugen geboten, damit Montagesysteme robust und anpassungsfähig gegenüber dieser Einflüsse ausgelegt werden können.
Im Rahmen dieser Arbeit soll auf der Basis Digitaler Zwillinge der an einem Montagesystem beteiligten Aktoren untersucht werden, ob die Multiagentensimulation auf Montageprozesse geeignet angewendet werden kann. In diesem Zusammenhang wird das Montagesystem allgemein als Teil eines Produktionssystems verstanden, welches den automatisierten oder manuellen Zusammenbau einzelner Komponenten zu einem Produkt umfasst. Daher müssen im ersten Teil der Arbeit
- eine allgemeine Recherche zum Einsatz von Multiagentensystemen in der Montage,
- die Abgrenzung von Agententypen in der Montage und
- die Analyse produktionstechnischer Faktoren, wie z.B. Ein- und Ausgangslager,
durchgeführt werden. Im zweiten Teil der Arbeit soll auf der Basis einer allgemeinen Recherche zur Beschreibung der erarbeiteten Agententypen eine prototypische Implementierung erfolgen. Als Anwendungsbeispiel kann ein vereinfachtes Montagesystem (z.B. in einer mit zwei UR10 Industrierobotern ausgestatteten Arbeitszelle) realisiert werden. Für die Implementierung des Agentenverhaltens der Digitalen Zwillinge soll zunächst auf eine deterministische Beschreibung durch Petrinetze innerhalb der Simulationssoftware VEROSIM zurückgegriffen werden. Als Ausblick sollen notwendige Schnittstellen für die nicht-deterministische Beschreibung von Agentenverhalten durch Deep Learning Ansätze analysiert werden, um die potentiellen Unterschiede in den Anforderungen zum Petrinetzansatz abzugrenzen.
Betreuer: Priggemeyer
