Ausgangssituation und Einordnung

Diese Themenstellung adressiert die Schwierigkeit, Modelle zu erstellen, die die tatsächlichen Abläufe und Prozesse in bestehenden und/oder geplanten Produktions- und Logistiksystemen hinreichend genau widerspiegeln. In der heutigen Geschäftswelt sind effiziente und flexibel anpassbare Systeme von entscheidender Bedeutung. Die besondere Herausforderung bei der Modellierung solcher Systeme besteht darin, verschiedene Szenarien und Veränderungen im Laufe der Zeit zu berücksichtigen.
Die Konzeption und Generalisierung einer Bausteinbibliothek für Produktions- und Logistiksysteme in AnyLogic bietet eine vielversprechende Lösung für dieses Problem. AnyLogic ist eine leistungsfähige Simulationssoftware, mit der eine Vielzahl von Simulationsmodellen für unterschiedliche Domänen erstellt werden können. Mit Hilfe einer generalisierten Bausteinbibliothek können Anwender effiziente Modelle entwickeln, die die Komplexität von Produktions- und Logistiksystemen in realen Umgebungen abbilden.

Zielstellung

Ziel der Arbeit ist es, eine generalisierte Bausteinbibliothek für AnyLogic zu entwerfen und erste Modellierungselemente zu entwickeln, die flexibel genug sind, um in verschiedenen Anwendungsbereichen in Produktions- und Logistiksystemen eingesetzt zu werden. Die Arbeit wird sich auf die Generalisierung dieser Elemente konzentrieren, um sicherzustellen, dass sie leicht an spezifische Systemanforderungen angepasst werden können, um die Effizienz und Flexibilität in verschiedenen Kontexten zu maximieren.

Ansprechpartner: Madlene Leißau, madlene.leissau@fh-zwickau.de

Ausgangssituation und Einordnung

Diese Themenstellung adressiert die Herausforderung, lernfähige Systeme in der Produktionsplanung zu entwickeln, die sich kontinuierlich an neue Gegebenheiten und veränderte Rahmenbedingungen anpassen können. Produktionsumgebungen sind durch eine hohe Dynamik geprägt: Maschinenzustände, Nachfragevolatilität, Lieferengpässe oder Prozessstörungen führen zu ständigen Anpassungs-erfordernissen. Klassische Planungsmodelle stoßen hier oft an Grenzen, da sie auf statischen Daten und Annahmen beruhen.
Eine mögliche Lösung liegt im Einsatz von Continuous Learning-Ansätzen, die auf Basis synthetisch generierter Simulationsdaten trainiert und fortlaufend optimiert werden können. Simulationsmodelle ermöglichen es, eine Vielzahl realistischer Szenarien abzubilden, ohne ausschließlich auf historische Daten angewiesen zu sein. Durch die Kombination von Simulation und kontinuierlichem Lernen lassen sich robuste, adaptive Modelle für die Produktionsplanung entwickeln, die flexibel auf Veränderungen reagieren.

Zielstellung

Ziel der Arbeit ist es, ein Konzept für den Einsatz von Continuous-Learning-Methoden im Produktionskontext zu entwickeln und anhand von Simulationsdaten praktisch zu erproben. Dabei sollen Simulationsmodelle genutzt werden, um Daten für verschiedene Stör- und Abweichungsszenarien in der Produktionsplanung zu generieren. Diese Daten bilden die Grundlage für kontinuierlich lernende Modelle, die in der Lage sind, ihre Vorhersagen und Entscheidungen dynamisch zu verbessern.

Ansprechpartner: Madlene Leißau, madlene.leissau@fh-zwickau.de