Lernfähige intelligente Produktionsregelung:
Saved in:
| Main Author: | |
|---|---|
| Format: | Thesis Book |
| Language: | German |
| Published: |
Berlin
GITO
2008
|
| Series: | Informationstechnische Systeme und Organisation von Produktion und Logistik
7 |
| Subjects: | |
| Online Access: | Inhaltstext Inhaltsverzeichnis |
| Physical Description: | XVIII, 245 S. Ill., graph. Darst. |
| ISBN: | 9783940019332 |
Staff View
MARC
| LEADER | 00000nam a2200000 cb4500 | ||
|---|---|---|---|
| 001 | BV023363800 | ||
| 003 | DE-604 | ||
| 005 | 20110210 | ||
| 007 | t | ||
| 008 | 080625s2008 gw ad|| m||| 00||| ger d | ||
| 015 | |a 08,N11,0313 |2 dnb | ||
| 015 | |a 08,A23,1296 |2 dnb | ||
| 016 | 7 | |a 987719319 |2 DE-101 | |
| 020 | |a 9783940019332 |9 978-3-940019-33-2 | ||
| 024 | 3 | |a 9783940019332 | |
| 028 | 5 | 2 | |a 1933 |
| 035 | |a (OCoLC)254134090 | ||
| 035 | |a (DE-599)DNB987719319 | ||
| 040 | |a DE-604 |b ger |e rakddb | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-BE | ||
| 049 | |a DE-703 |a DE-634 |a DE-862 |a DE-M347 |a DE-188 | ||
| 082 | 0 | |a 658.530285632 |2 22/ger | |
| 082 | 0 | |a 658.53015196 |2 22/ger | |
| 084 | |a QP 500 |0 (DE-625)141894: |2 rvk | ||
| 084 | |a ZM 9200 |0 (DE-625)159848: |2 rvk | ||
| 084 | |a 650 |2 sdnb | ||
| 100 | 1 | |a Hamann, Tilo |e Verfasser |0 (DE-588)134031881 |4 aut | |
| 245 | 1 | 0 | |a Lernfähige intelligente Produktionsregelung |c Tilo Hamann |
| 264 | 1 | |a Berlin |b GITO |c 2008 | |
| 300 | |a XVIII, 245 S. |b Ill., graph. Darst. | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 1 | |a Informationstechnische Systeme und Organisation von Produktion und Logistik |v 7 | |
| 502 | |a Zugl.: Bremen, Univ., Diss., 2007 | ||
| 650 | 4 | |a Produktionssteuerung - Werkstattfertigung - Neuronales Netz | |
| 650 | 4 | |a Produktionssteuerung - Werkstattfertigung - Simulated annealing | |
| 650 | 0 | 7 | |a Werkstattfertigung |0 (DE-588)4065578-7 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Produktionssteuerung |0 (DE-588)4076362-6 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Neuronales Netz |0 (DE-588)4226127-2 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Simulated annealing |0 (DE-588)4265091-4 |2 gnd |9 rswk-swf |
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Produktionssteuerung |0 (DE-588)4076362-6 |D s |
| 689 | 0 | 1 | |a Werkstattfertigung |0 (DE-588)4065578-7 |D s |
| 689 | 0 | 2 | |a Neuronales Netz |0 (DE-588)4226127-2 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Produktionssteuerung |0 (DE-588)4076362-6 |D s |
| 689 | 1 | 1 | |a Werkstattfertigung |0 (DE-588)4065578-7 |D s |
| 689 | 1 | 2 | |a Simulated annealing |0 (DE-588)4265091-4 |D s |
| 689 | 1 | |5 DE-604 | |
| 830 | 0 | |a Informationstechnische Systeme und Organisation von Produktion und Logistik |v 7 |w (DE-604)BV017042373 |9 7 | |
| 856 | 4 | 2 | |q text/html |u http://deposit.dnb.de/cgi-bin/dokserv?id=3075341&prov=M&dok_var=1&dok_ext=htm |3 Inhaltstext |
| 856 | 4 | 2 | |m HBZ Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=016547201&sequence=000004&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-016547201 | |
Record in the Search Index
| DE-BY-862_location | 2000 |
|---|---|
| DE-BY-FWS_call_number | 2000/ZM 9200 H198 |
| DE-BY-FWS_katkey | 351438 |
| DE-BY-FWS_media_number | 083000467455 |
| _version_ | 1824555555633496064 |
| adam_text |
Titel: Lernfähige intelligente Produktionsregelung
Autor: Hamann, Tilo
Jahr: 2008
Inhalt
Danksagung.I
Abstract.III
Inhalt.V
Abkürzungs- und Symbolverzeichnis.IX
Abbildungsverzeichnis.XIII
Tabellenverzeichnis.XVII
1 Einleitung.1
1.1 Motivation.1
1.2 Zielstellung.2
1.3 Aufbau der Arbeit.3
2 Grundlagen und Konzepte der Produktionsregelung.5
2.1 Trichtermodell und logistische Kenngrößen.5
2.1.1 Trichtermodell der Produktion.5
2.1.2 Logistische Kenngrößen.7
2.2 Regelungstheoretische Ansätze.14
2.2.1 Grundlagen der Regelung.14
2.2.2 Anwendungen der Regelungstheorie in der Produktion.18
2.3 Zusammenfassung.24
3 Künstliche neuronale Netze.27
3.1 Grundlagen.27
3.1.1 Definition und Aufbau von Künstlichen Neuronalen Netzen.27
3.1.2 Eigenschaften von KNN.34
3.1.3 Klassifizierung und technologische Realisierung von KNN.38
3.1.4 Ausgewählte Lernverfahren.39
3.2 Industrielle Anwendungen von neuronalen Netzen.49
3.2.1 Betriebswirtschaftliche Anwendungen von neuronalen Netzen.49
3.2.2 Anwendungspotenzial von neuronalen Netzen in der Produktionsplanung
und-Steuerung.50
3.2.3 Produktionslogistische Anwendungen.56
3.3 Zusammenfassung.59
VI
4 Heuristische Optimierung.61
4.1 Das Optimierungsproblem.61
4.1.1 Vorgehensweise bei Optimierungsproblemen.62
4.1.2 Metaheuristiken.64
4.2 Simulated Annealing als heuristischer Ansatz.68
4.2.1 Grundprinzip.68
4.2.2 Konkretisierungen.70
4.2.3 Anwendungen des Simulated Annealing.73
4.3 Zusammenfassung.76
5 Konzept der lernfähigen Produktionsregelung.77
5.1 Modellbildung und Konzeptionierung.77
5.1.1 Einordnung des Modells.77
5.1.2 Konzeptbeschreibung.82
5.1.3 Kapazitätsanpassung und Modellvalidierung.91
5.2 Entwurf der neuronalen Netze und des Optimierers.100
5.2.1 Training der Reglernetze.100
5.2.2 Training der Prognosenetze.111
5.2.3 Online-Training der Netze.127
5.2.4 Entwicklung des Optimierers mit Simulated Annealing.132
5.3 Erweiterungen des Konzepts.143
5.3.1 Prädiktive Regelung.l43
5.3.2 Materialrückflüsse.I46
5.4 Auswertungen und Vergleiche.150
6 Praxisbeispiel einer Werkstattfertigung.159
6.1 Darstellung und Klassifizierung des Praxisbeispiels.l59
6.2 Fertigungsmodell des Praxisfalls.162
6.2.1 Elemente der Fertigung.162
6.2.2 Prozessmodell.165
6.2.3 Kennzahlen.170
6.3 Einsatz der neuronalen Netze.1^4
6.3.1 Simulationsstudie.174
6.3.2 Ableitung für den Einsatz der KNN.178
VII
6.3.3 Training und Einsatz der KNN.181
6.4 Produktionslogistische Bewertung.185
6.4.1 Evaluation des Gesamtsystems.185
6.4.2 Evaluation des Teilsystems Drehmaschinen.191
6.4.3 Schlussfolgerungen.197
7 Resümee.201
7.1 Zusammenfassung.201
7.2 Ausblick.204
8 Literatur.207
Anhang.223
XIII
Abbildungsverzeichnis
Abb. 2.1: Zusammenhang zwischen Bestand, Leistung und Reichweite im
Durchlaufdiagramm [Wiendahl 05].6
Abb. 2.2: Durchlaufzeitanteile eines Arbeitsgangs nach [Wiendahl 05].9
Abb. 2.3: Terminrelevante Kenngrößen, nach [Nyhuis, Wiendahl 03].12
Abb. 2.4: Durchlaufzeit-Histogramm eines Simulationslaufs, exemplarisch
Werkstückart 1.13
Abb. 2.5: Blockschema einer Regelung [Föllinger, Dörrscheidt, Klittich 94].15
Abb. 2.6: Blockschaltbild einer Kaskadenregelung, nach [Wendt 02].16
Abb. 2.7: Blockschaltbild einer Mehrgrößenregelung, nach [Wendt 02].16
Abb. 2.8: Blockschemaeines prädiktivenRegelkreises,nach [Wendt 02].17
Abb. 2.9: Vorgehensweise bei der prädiktiven Regelung nach [Rau 03].18
Abb. 2.10: Ermittlung des Bestandes nach der Methode des Industrial Dynamics
[Forrester 61].20
Abb. 2.11: Push-pull Produktionssystem in System Dynamics [Concalves, Hines,
Sterman05].22
Abb. 2.12: Regelkreis für ein Produktionssystem als Blockdiagramm [Wikner 94].
.23
Abb. 3.1: McCulloch-Pitts-Neuron, nach [Rumelhart, McClelland 86].28
Abb. 3.2: Schema eines vereinfachten Neurons sowie verschiedene
Aktivierungsfunktionen [Kruse 91].30
Abb. 3.3: Schematischer Aufbau eines Feedforward-Netzes.32
Abb. 3.4: Dimensionen der Komplexität nach [Hantschel, Zimmermann 97].36
Abb. 3.5: Klassifizierung von KNN nach [Lawrence 92].38
Abb. 3.6: Probleme von Gradientenverfahren [Zeil 03].43
Abb. 3.7: Schema von Jordan-Netzen.47
Abb. 3.8: Elman-Netz-Architektur.48
Abb. 3.9: Kennzeichnung strategischer, taktischer und operativer Entscheidungen
nach [Günther, Tempelmeier 00].51
Abb. 3.10: Unterstützungsmöglichkeiten von KNN für die PPS [May 96a].55
Abb. 4.1: Grundprinzip des Simulated Annealing nach [Zeil 03].69
Abb. 4.2: Umsetzung des Simulated Annealing in eM-Plant.74
XIV
Abb. 5.1: Die vier Aspekte der Systembetrachtung nach [Kosturiak, Gregor 95]. 78
Abb. 5.2: a) verhaltensbeschreibendes, b) verhaltenserklärendes Modell nach
[Bossel04].79
Abb. 5.3: Klassifikationsmöglichkeiten von Modellen nach [Kosturiak, Gregor 95].
.80
Abb. 5.4: Räumliche Struktur einer Werkstattfertigung nach [Corsten 00].83
Abb. 5.5: Untersuchtes Grundmodell der Werkstattfertigung [Scholz-Reiter,
Hamann, Zschintzsch 06].84
Abb. 5.6: Blockschema der Regelungsstrategie.87
Abb. 5.7: Beispiele für Bestandsverläufe im ungeregelten und geregelten Zustand
desAS24.94
Abb. 5.8: Geregelter Bestandsverlauf bei Änderung des Sollbestands am Beispiel
desAS12.95
Abb. 5.9: Durchlaufzeitgrößen in Abhängigkeit vom mittleren Bestand.97
Abb. 5.10: Schematische Darstellung der Funktion der Reglernetze.100
Abb. 5.11: Unterschiedliche Architekturen eingesetzter Reglernetze.103
Abb. 5.12: Trainings- und Validierungsdaten eines Reglernetzes [Scholz-Reiter et
al. 04a].106
Abb. 5.13: Lernkurve für die Trainings- und Validierungsdaten.108
Abb. 5.14: JavaNNS mit Beispielnetz, Error Graphen, Control- und Log Panel
[JNNS].109
Abb. 5.15: Versuchsaufbau in eM-Plant®.HO
Abb. 5.16: Beispiel eines Elman-Netzes für die Zeitreihenprognose.112
Abb. 5.17: Beispiel prognostizierter und tatsächlicher Bestandsverlauf am AS24- H3
Abb. 5.18: Bestandsprognose mit einem 1:36:1 Elman-Netz.H4
Abb. 5.19: Schematische Darstellung der Topologie der eingesetzten 9:40:40:1
Elman-Netze.116
Abb. 5.20: Messung des Bestandes mit und ohne Restzeiten.1 ^
Abb. 5.21: Prognose von verschiedenen Zeiträumen.121
Abb. 5.22: Lernkurve der Trainings- und Validierungsdaten eines Elman-Netzes.
.122
Abb. 5.23: Verteilung der Daten auf den Wertebereich der logistischen Funktion.
.124
Abb. 5.24: Bestandsprognose mit Feedforward-Netzen.126
XV
Abb. 5.25: Prognosequalität beim Einsatz von Feedforward-Netzen.127
Abb. 5.26: Ergebnisverbesserung durch iterativen Lernprozess.132
Abb. 5.27: Problembeschreibung am Beispiel des 2-Maschinen-Falls.134
Abb. 5.28: Erzeugte Zufallszahlen für die Sollbestandsänderungen.138
Abb. 5.29: Minimum bei verschiedenen Startwerten.142
Abb. 5.30: Prinzip der prädiktiven Produktionsregelung mit KNN.144
Abb. 5.31: Werkstattszenario mit Materialrückflüssen.147
Abb. 5.32: Lemkurve für ein Netz mit Materialrückflüssen.149
Abb. 5.33: Durchlaufzeiten-Histogramm aller Werkstücke im ungeregelten System.
.152
Abb. 5.34: Bestandsverläufe AS12 und AS22 im ungeregelten System.153
Abb. 5.35: Durchlaufzeiten-Histogramm aller Werkstücke im mit KNN geregelten
System.155
Abb. 5.36: Bestandsverläufe AS12 und AS22 im mit KNN geregelten System.156
Abb. 5.37: Durchlaufzeiten-Histogramm aller Werkstücke im lernfähigen geregelten
System.158
Abb. 5.38: Bestandsverläufe AS12 und AS22 im lernfähigen geregelten System. 158
Abb. 6.1: Der Praxisfall im morphologischen Kasten.160
Abb. 6.2: Schematische Darstellung des Materialflusses.168
Abb. 6.3: Informationsfluss in der Fertigung, schematisch.170
Abb. 6.4: Simulationsmodell des Praxisfalls, oberste Hierarchieebene.175
Abb. 6.5: Auslastungen der Groß- und Kleinfräsmaschinen.180
Abb. 6.6: Rückkopplung an vorgelagerte Arbeitssysteme.182
Abb. 6.7: Fehlergraph des verwendeten KNN.184
Abb. 6.8: Auftragszeiten-Histogramm der zu bearbeitenden Werksaufträge.185
Abb. 6.9: Durchlaufzeiten-Histogramm für das Gesamtsystem, Szenario 1.187
Abb. 6.10: Auftragszeiten-Histogramm, Drehmaschinen, Klassenbreite 5 min.191
Abb. 6.11: Auswirkung der Regelung auf die Bestands verlaufe an den
Drehmaschinen.193
Abb. 6.12: Durchlaufzeit-Histogramm an den Drehmaschinen, Szenario III.195
Abb. 6.13: Reduzierung der mittleren Durchlaufzeiten und der
Variationskoeffizienten an den Drehmaschinen.196
XVII
Tabellenverzeichnis
Tabelle 4.1: Analoge Betrachtung physikalisches Prinzip und Optimierungsprinzip.
.68
Tabelle 5.1: Beschreibung des Modells mittels der vier Systemaspekte.86
Tabelle 5.2: Mess-, Führungs-, Ist-, Stell- und Störgrößen des Regelungskonzeptes.
.89
Tabelle 5.3: Abweichung der Istbestände von den Sollbeständen.93
Tabelle 5.4: Anpassungsdauer der Istbestände an die Sollbestände bei
Bestandsabbau.96
Tabelle 5.5: Anpassungsdauer der Istbestände an die Sollbestände bei
Bestandsaufbau.96
Tabelle 5.6: Zusammenstellung der Trainingsdatensätze je Iteration für
Fertigungsebene 3.131
Tabelle 5.7: Analogie physikalisches Prinzip und Sollbestandsoptimierung.137
Tabelle 5.8: Ermittelte Sollbestände der Arbeitssysteme.140
Tabelle 5.9: Kenngrößen des mit SA optimierten Systems, Teil 1.141
Tabelle 5.10: Kenngrößen des mit SA optimierten Systems, Teil 2.141
Tabelle 5.11: Kenngrößen des ungeregelten Systems, Teil 1.151
Tabelle 5.12: Kenngrößen des ungeregelten Systems, Teil 2.151
Tabelle 5.13: Kenngrößen des mit KNN geregelten Systems, Teil 1.155
Tabelle 5.14: Kenngrößen des mit KNN geregelten Systems, Teil 2.155
Tabelle 5.15: Kenngrößen des lernfähigen geregelten Systems, Teil 1.157
Tabelle 5.16: Kenngrößen des lernfähigen geregelten Systems, Teil 2.157
Tabelle 6.1: Matrix der technologischen Machbarkeit von Umlagerungen.179
Tabelle 6.2: Architektur getesteter neuronaler Netze.183
Tabelle 6.3: Charakteristik der Auftragszeiten für das Gesamtsystem.186
Tabelle 6.4: Mittelwerte und Streuungen der Durchlaufzeiten für das
Gesamtsystem.188
Tabelle 6.5: Häufigkeiten von Arbeitsgangen.188
Tabelle 6.6: Durchlaufzeitkennwerte getrennt nach Anzahl der Arbeitsgänge.190
Tabelle 6.7: Charakteristik der Auftragszeiten an den Drehmaschinen.192
Tabelle 6.8: Bestandskennwerte an den Drehmaschinen.194
xvni
Tabelle 6.9: Auslastungen und Durchlaufeeitkennwerte an den Drehmaschinen. 195 |
| adam_txt |
Titel: Lernfähige intelligente Produktionsregelung
Autor: Hamann, Tilo
Jahr: 2008
Inhalt
Danksagung.I
Abstract.III
Inhalt.V
Abkürzungs- und Symbolverzeichnis.IX
Abbildungsverzeichnis.XIII
Tabellenverzeichnis.XVII
1 Einleitung.1
1.1 Motivation.1
1.2 Zielstellung.2
1.3 Aufbau der Arbeit.3
2 Grundlagen und Konzepte der Produktionsregelung.5
2.1 Trichtermodell und logistische Kenngrößen.5
2.1.1 Trichtermodell der Produktion.5
2.1.2 Logistische Kenngrößen.7
2.2 Regelungstheoretische Ansätze.14
2.2.1 Grundlagen der Regelung.14
2.2.2 Anwendungen der Regelungstheorie in der Produktion.18
2.3 Zusammenfassung.24
3 Künstliche neuronale Netze.27
3.1 Grundlagen.27
3.1.1 Definition und Aufbau von Künstlichen Neuronalen Netzen.27
3.1.2 Eigenschaften von KNN.34
3.1.3 Klassifizierung und technologische Realisierung von KNN.38
3.1.4 Ausgewählte Lernverfahren.39
3.2 Industrielle Anwendungen von neuronalen Netzen.49
3.2.1 Betriebswirtschaftliche Anwendungen von neuronalen Netzen.49
3.2.2 Anwendungspotenzial von neuronalen Netzen in der Produktionsplanung
und-Steuerung.50
3.2.3 Produktionslogistische Anwendungen.56
3.3 Zusammenfassung.59
VI
4 Heuristische Optimierung.61
4.1 Das Optimierungsproblem.61
4.1.1 Vorgehensweise bei Optimierungsproblemen.62
4.1.2 Metaheuristiken.64
4.2 Simulated Annealing als heuristischer Ansatz.68
4.2.1 Grundprinzip.68
4.2.2 Konkretisierungen.70
4.2.3 Anwendungen des Simulated Annealing.73
4.3 Zusammenfassung.76
5 Konzept der lernfähigen Produktionsregelung.77
5.1 Modellbildung und Konzeptionierung.77
5.1.1 Einordnung des Modells.77
5.1.2 Konzeptbeschreibung.82
5.1.3 Kapazitätsanpassung und Modellvalidierung.91
5.2 Entwurf der neuronalen Netze und des Optimierers.100
5.2.1 Training der Reglernetze.100
5.2.2 Training der Prognosenetze.111
5.2.3 Online-Training der Netze.127
5.2.4 Entwicklung des Optimierers mit Simulated Annealing.132
5.3 Erweiterungen des Konzepts.143
5.3.1 Prädiktive Regelung.l43
5.3.2 Materialrückflüsse.I46
5.4 Auswertungen und Vergleiche.150
6 Praxisbeispiel einer Werkstattfertigung.159
6.1 Darstellung und Klassifizierung des Praxisbeispiels.l59
6.2 Fertigungsmodell des Praxisfalls.162
6.2.1 Elemente der Fertigung.162
6.2.2 Prozessmodell.165
6.2.3 Kennzahlen.170
6.3 Einsatz der neuronalen Netze.1^4
6.3.1 Simulationsstudie.174
6.3.2 Ableitung für den Einsatz der KNN.178
VII
6.3.3 Training und Einsatz der KNN.181
6.4 Produktionslogistische Bewertung.185
6.4.1 Evaluation des Gesamtsystems.185
6.4.2 Evaluation des Teilsystems Drehmaschinen.191
6.4.3 Schlussfolgerungen.197
7 Resümee.201
7.1 Zusammenfassung.201
7.2 Ausblick.204
8 Literatur.207
Anhang.223
XIII
Abbildungsverzeichnis
Abb. 2.1: Zusammenhang zwischen Bestand, Leistung und Reichweite im
Durchlaufdiagramm [Wiendahl 05].6
Abb. 2.2: Durchlaufzeitanteile eines Arbeitsgangs nach [Wiendahl 05].9
Abb. 2.3: Terminrelevante Kenngrößen, nach [Nyhuis, Wiendahl 03].12
Abb. 2.4: Durchlaufzeit-Histogramm eines Simulationslaufs, exemplarisch
Werkstückart 1.13
Abb. 2.5: Blockschema einer Regelung [Föllinger, Dörrscheidt, Klittich 94].15
Abb. 2.6: Blockschaltbild einer Kaskadenregelung, nach [Wendt 02].16
Abb. 2.7: Blockschaltbild einer Mehrgrößenregelung, nach [Wendt 02].16
Abb. 2.8: Blockschemaeines prädiktivenRegelkreises,nach [Wendt 02].17
Abb. 2.9: Vorgehensweise bei der prädiktiven Regelung nach [Rau 03].18
Abb. 2.10: Ermittlung des Bestandes nach der Methode des Industrial Dynamics
[Forrester 61].20
Abb. 2.11: Push-pull Produktionssystem in System Dynamics [Concalves, Hines,
Sterman05].22
Abb. 2.12: Regelkreis für ein Produktionssystem als Blockdiagramm [Wikner 94].
.23
Abb. 3.1: McCulloch-Pitts-Neuron, nach [Rumelhart, McClelland 86].28
Abb. 3.2: Schema eines vereinfachten Neurons sowie verschiedene
Aktivierungsfunktionen [Kruse 91].30
Abb. 3.3: Schematischer Aufbau eines Feedforward-Netzes.32
Abb. 3.4: Dimensionen der Komplexität nach [Hantschel, Zimmermann 97].36
Abb. 3.5: Klassifizierung von KNN nach [Lawrence 92].38
Abb. 3.6: Probleme von Gradientenverfahren [Zeil 03].43
Abb. 3.7: Schema von Jordan-Netzen.47
Abb. 3.8: Elman-Netz-Architektur.48
Abb. 3.9: Kennzeichnung strategischer, taktischer und operativer Entscheidungen
nach [Günther, Tempelmeier 00].51
Abb. 3.10: Unterstützungsmöglichkeiten von KNN für die PPS [May 96a].55
Abb. 4.1: Grundprinzip des Simulated Annealing nach [Zeil 03].69
Abb. 4.2: Umsetzung des Simulated Annealing in eM-Plant.74
XIV
Abb. 5.1: Die vier Aspekte der Systembetrachtung nach [Kosturiak, Gregor 95]. 78
Abb. 5.2: a) verhaltensbeschreibendes, b) verhaltenserklärendes Modell nach
[Bossel04].79
Abb. 5.3: Klassifikationsmöglichkeiten von Modellen nach [Kosturiak, Gregor 95].
.80
Abb. 5.4: Räumliche Struktur einer Werkstattfertigung nach [Corsten 00].83
Abb. 5.5: Untersuchtes Grundmodell der Werkstattfertigung [Scholz-Reiter,
Hamann, Zschintzsch 06].84
Abb. 5.6: Blockschema der Regelungsstrategie.87
Abb. 5.7: Beispiele für Bestandsverläufe im ungeregelten und geregelten Zustand
desAS24.94
Abb. 5.8: Geregelter Bestandsverlauf bei Änderung des Sollbestands am Beispiel
desAS12.95
Abb. 5.9: Durchlaufzeitgrößen in Abhängigkeit vom mittleren Bestand.97
Abb. 5.10: Schematische Darstellung der Funktion der Reglernetze.100
Abb. 5.11: Unterschiedliche Architekturen eingesetzter Reglernetze.103
Abb. 5.12: Trainings- und Validierungsdaten eines Reglernetzes [Scholz-Reiter et
al. 04a].106
Abb. 5.13: Lernkurve für die Trainings- und Validierungsdaten.108
Abb. 5.14: JavaNNS mit Beispielnetz, Error Graphen, Control- und Log Panel
[JNNS].109
Abb. 5.15: Versuchsaufbau in eM-Plant®.HO
Abb. 5.16: Beispiel eines Elman-Netzes für die Zeitreihenprognose.112
Abb. 5.17: Beispiel prognostizierter und tatsächlicher Bestandsverlauf am AS24- H3
Abb. 5.18: Bestandsprognose mit einem 1:36:1 Elman-Netz.H4
Abb. 5.19: Schematische Darstellung der Topologie der eingesetzten 9:40:40:1
Elman-Netze.116
Abb. 5.20: Messung des Bestandes mit und ohne Restzeiten.1 ^
Abb. 5.21: Prognose von verschiedenen Zeiträumen.121
Abb. 5.22: Lernkurve der Trainings- und Validierungsdaten eines Elman-Netzes.
.122
Abb. 5.23: Verteilung der Daten auf den Wertebereich der logistischen Funktion.
.124
Abb. 5.24: Bestandsprognose mit Feedforward-Netzen.126
XV
Abb. 5.25: Prognosequalität beim Einsatz von Feedforward-Netzen.127
Abb. 5.26: Ergebnisverbesserung durch iterativen Lernprozess.132
Abb. 5.27: Problembeschreibung am Beispiel des 2-Maschinen-Falls.134
Abb. 5.28: Erzeugte Zufallszahlen für die Sollbestandsänderungen.138
Abb. 5.29: Minimum bei verschiedenen Startwerten.142
Abb. 5.30: Prinzip der prädiktiven Produktionsregelung mit KNN.144
Abb. 5.31: Werkstattszenario mit Materialrückflüssen.147
Abb. 5.32: Lemkurve für ein Netz mit Materialrückflüssen.149
Abb. 5.33: Durchlaufzeiten-Histogramm aller Werkstücke im ungeregelten System.
.152
Abb. 5.34: Bestandsverläufe AS12 und AS22 im ungeregelten System.153
Abb. 5.35: Durchlaufzeiten-Histogramm aller Werkstücke im mit KNN geregelten
System.155
Abb. 5.36: Bestandsverläufe AS12 und AS22 im mit KNN geregelten System.156
Abb. 5.37: Durchlaufzeiten-Histogramm aller Werkstücke im lernfähigen geregelten
System.158
Abb. 5.38: Bestandsverläufe AS12 und AS22 im lernfähigen geregelten System. 158
Abb. 6.1: Der Praxisfall im morphologischen Kasten.160
Abb. 6.2: Schematische Darstellung des Materialflusses.168
Abb. 6.3: Informationsfluss in der Fertigung, schematisch.170
Abb. 6.4: Simulationsmodell des Praxisfalls, oberste Hierarchieebene.175
Abb. 6.5: Auslastungen der Groß- und Kleinfräsmaschinen.180
Abb. 6.6: Rückkopplung an vorgelagerte Arbeitssysteme.182
Abb. 6.7: Fehlergraph des verwendeten KNN.184
Abb. 6.8: Auftragszeiten-Histogramm der zu bearbeitenden Werksaufträge.185
Abb. 6.9: Durchlaufzeiten-Histogramm für das Gesamtsystem, Szenario 1.187
Abb. 6.10: Auftragszeiten-Histogramm, Drehmaschinen, Klassenbreite 5 min.191
Abb. 6.11: Auswirkung der Regelung auf die Bestands verlaufe an den
Drehmaschinen.193
Abb. 6.12: Durchlaufzeit-Histogramm an den Drehmaschinen, Szenario III.195
Abb. 6.13: Reduzierung der mittleren Durchlaufzeiten und der
Variationskoeffizienten an den Drehmaschinen.196
XVII
Tabellenverzeichnis
Tabelle 4.1: Analoge Betrachtung physikalisches Prinzip und Optimierungsprinzip.
.68
Tabelle 5.1: Beschreibung des Modells mittels der vier Systemaspekte.86
Tabelle 5.2: Mess-, Führungs-, Ist-, Stell- und Störgrößen des Regelungskonzeptes.
.89
Tabelle 5.3: Abweichung der Istbestände von den Sollbeständen.93
Tabelle 5.4: Anpassungsdauer der Istbestände an die Sollbestände bei
Bestandsabbau.96
Tabelle 5.5: Anpassungsdauer der Istbestände an die Sollbestände bei
Bestandsaufbau.96
Tabelle 5.6: Zusammenstellung der Trainingsdatensätze je Iteration für
Fertigungsebene 3.131
Tabelle 5.7: Analogie physikalisches Prinzip und Sollbestandsoptimierung.137
Tabelle 5.8: Ermittelte Sollbestände der Arbeitssysteme.140
Tabelle 5.9: Kenngrößen des mit SA optimierten Systems, Teil 1.141
Tabelle 5.10: Kenngrößen des mit SA optimierten Systems, Teil 2.141
Tabelle 5.11: Kenngrößen des ungeregelten Systems, Teil 1.151
Tabelle 5.12: Kenngrößen des ungeregelten Systems, Teil 2.151
Tabelle 5.13: Kenngrößen des mit KNN geregelten Systems, Teil 1.155
Tabelle 5.14: Kenngrößen des mit KNN geregelten Systems, Teil 2.155
Tabelle 5.15: Kenngrößen des lernfähigen geregelten Systems, Teil 1.157
Tabelle 5.16: Kenngrößen des lernfähigen geregelten Systems, Teil 2.157
Tabelle 6.1: Matrix der technologischen Machbarkeit von Umlagerungen.179
Tabelle 6.2: Architektur getesteter neuronaler Netze.183
Tabelle 6.3: Charakteristik der Auftragszeiten für das Gesamtsystem.186
Tabelle 6.4: Mittelwerte und Streuungen der Durchlaufzeiten für das
Gesamtsystem.188
Tabelle 6.5: Häufigkeiten von Arbeitsgangen.188
Tabelle 6.6: Durchlaufzeitkennwerte getrennt nach Anzahl der Arbeitsgänge.190
Tabelle 6.7: Charakteristik der Auftragszeiten an den Drehmaschinen.192
Tabelle 6.8: Bestandskennwerte an den Drehmaschinen.194
xvni
Tabelle 6.9: Auslastungen und Durchlaufeeitkennwerte an den Drehmaschinen. 195 |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author | Hamann, Tilo |
| author_GND | (DE-588)134031881 |
| author_facet | Hamann, Tilo |
| author_role | aut |
| author_sort | Hamann, Tilo |
| author_variant | t h th |
| building | Verbundindex |
| bvnumber | BV023363800 |
| classification_rvk | QP 500 ZM 9200 |
| ctrlnum | (OCoLC)254134090 (DE-599)DNB987719319 |
| dewey-full | 658.530285632 658.53015196 |
| dewey-hundreds | 600 - Technology (Applied sciences) |
| dewey-ones | 658 - General management |
| dewey-raw | 658.530285632 658.53015196 |
| dewey-search | 658.530285632 658.53015196 |
| dewey-sort | 3658.530285632 |
| dewey-tens | 650 - Management and auxiliary services |
| discipline | Werkstoffwissenschaften / Fertigungstechnik Wirtschaftswissenschaften |
| discipline_str_mv | Werkstoffwissenschaften / Fertigungstechnik Wirtschaftswissenschaften |
| format | Thesis Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a2200000 cb4500</leader><controlfield tag="001">BV023363800</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20110210</controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">080625s2008 gw ad|| m||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">08,N11,0313</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">08,A23,1296</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">987719319</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783940019332</subfield><subfield code="9">978-3-940019-33-2</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783940019332</subfield></datafield><datafield tag="028" ind1="5" ind2="2"><subfield code="a">1933</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)254134090</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB987719319</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakddb</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-703</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-188</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">658.530285632</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">658.53015196</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 500</subfield><subfield code="0">(DE-625)141894:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ZM 9200</subfield><subfield code="0">(DE-625)159848:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">650</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Hamann, Tilo</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)134031881</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Lernfähige intelligente Produktionsregelung</subfield><subfield code="c">Tilo Hamann</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin</subfield><subfield code="b">GITO</subfield><subfield code="c">2008</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XVIII, 245 S.</subfield><subfield code="b">Ill., graph. Darst.</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="1" ind2=" "><subfield code="a">Informationstechnische Systeme und Organisation von Produktion und Logistik</subfield><subfield code="v">7</subfield></datafield><datafield tag="502" ind1=" " ind2=" "><subfield code="a">Zugl.: Bremen, Univ., Diss., 2007</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Produktionssteuerung - Werkstattfertigung - Neuronales Netz</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Produktionssteuerung - Werkstattfertigung - Simulated annealing</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Werkstattfertigung</subfield><subfield code="0">(DE-588)4065578-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Produktionssteuerung</subfield><subfield code="0">(DE-588)4076362-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Simulated annealing</subfield><subfield code="0">(DE-588)4265091-4</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Produktionssteuerung</subfield><subfield code="0">(DE-588)4076362-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Werkstattfertigung</subfield><subfield code="0">(DE-588)4065578-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Produktionssteuerung</subfield><subfield code="0">(DE-588)4076362-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Werkstattfertigung</subfield><subfield code="0">(DE-588)4065578-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">Simulated annealing</subfield><subfield code="0">(DE-588)4265091-4</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="830" ind1=" " ind2="0"><subfield code="a">Informationstechnische Systeme und Organisation von Produktion und Logistik</subfield><subfield code="v">7</subfield><subfield code="w">(DE-604)BV017042373</subfield><subfield code="9">7</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=3075341&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">HBZ Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=016547201&sequence=000004&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-016547201</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV023363800 |
| illustrated | Illustrated |
| index_date | 2024-07-02T21:10:06Z |
| indexdate | 2025-02-20T07:09:32Z |
| institution | BVB |
| isbn | 9783940019332 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-016547201 |
| oclc_num | 254134090 |
| open_access_boolean | |
| owner | DE-703 DE-634 DE-862 DE-BY-FWS DE-M347 DE-188 |
| owner_facet | DE-703 DE-634 DE-862 DE-BY-FWS DE-M347 DE-188 |
| physical | XVIII, 245 S. Ill., graph. Darst. |
| publishDate | 2008 |
| publishDateSearch | 2008 |
| publishDateSort | 2008 |
| publisher | GITO |
| record_format | marc |
| series | Informationstechnische Systeme und Organisation von Produktion und Logistik |
| series2 | Informationstechnische Systeme und Organisation von Produktion und Logistik |
| spellingShingle | Hamann, Tilo Lernfähige intelligente Produktionsregelung Informationstechnische Systeme und Organisation von Produktion und Logistik Produktionssteuerung - Werkstattfertigung - Neuronales Netz Produktionssteuerung - Werkstattfertigung - Simulated annealing Werkstattfertigung (DE-588)4065578-7 gnd Produktionssteuerung (DE-588)4076362-6 gnd Neuronales Netz (DE-588)4226127-2 gnd Simulated annealing (DE-588)4265091-4 gnd |
| subject_GND | (DE-588)4065578-7 (DE-588)4076362-6 (DE-588)4226127-2 (DE-588)4265091-4 (DE-588)4113937-9 |
| title | Lernfähige intelligente Produktionsregelung |
| title_auth | Lernfähige intelligente Produktionsregelung |
| title_exact_search | Lernfähige intelligente Produktionsregelung |
| title_exact_search_txtP | Lernfähige intelligente Produktionsregelung |
| title_full | Lernfähige intelligente Produktionsregelung Tilo Hamann |
| title_fullStr | Lernfähige intelligente Produktionsregelung Tilo Hamann |
| title_full_unstemmed | Lernfähige intelligente Produktionsregelung Tilo Hamann |
| title_short | Lernfähige intelligente Produktionsregelung |
| title_sort | lernfahige intelligente produktionsregelung |
| topic | Produktionssteuerung - Werkstattfertigung - Neuronales Netz Produktionssteuerung - Werkstattfertigung - Simulated annealing Werkstattfertigung (DE-588)4065578-7 gnd Produktionssteuerung (DE-588)4076362-6 gnd Neuronales Netz (DE-588)4226127-2 gnd Simulated annealing (DE-588)4265091-4 gnd |
| topic_facet | Produktionssteuerung - Werkstattfertigung - Neuronales Netz Produktionssteuerung - Werkstattfertigung - Simulated annealing Werkstattfertigung Produktionssteuerung Neuronales Netz Simulated annealing Hochschulschrift |
| url | http://deposit.dnb.de/cgi-bin/dokserv?id=3075341&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=016547201&sequence=000004&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| volume_link | (DE-604)BV017042373 |
| work_keys_str_mv | AT hamanntilo lernfahigeintelligenteproduktionsregelung |
Description
THWS Schweinfurt Zentralbibliothek Lesesaal
| Call Number: |
2000 ZM 9200 H198 |
|---|---|
| Copy 1 | ausleihbar Available Place a Hold |