KI-basierte Produktionsplanung (SUPPORT: Sustainable and Human-centered Production Planning and Control Based on Reinforcement Learning Techniques)

Die Produktionsplanung und -steuerung (PPS) in Unternehmen beeinflusst sowohl die Wirtschaftlichkeit als auch die Materialströme, die Maschinenbelegungen sowie den konkreten Einsatz der Mitarbeiter:innen. Aktuelle Verfahren zur Planungsoptimierung stoßen bei der hohen Komplexität an ihre Grenzen und fokussieren sich zumeist nur auf die Steigerung der Produktivität eines Fertigungsprozesses. Das Ziel des Projekts Sustainable and Human-centered Production Planning and Control Based on Reinforcement Learning Techniques (SUPPORT) ist es, die komplexe
Produktionsplanung zu vereinfachen. Dazu werden Unternehmen in die Lage versetzt, KI-Methoden in der Produktionsplanung und -steuerung einzusetzen, ohne selbst KI-Experten beschäftigen zu müssen. Konkret werden in dem Projekt die automatisierte Erstellung von Simulationsmodellen und der Einsatz von Reinforcement Learning zur Produktionsplanung entwickelt. Reinforcement Learning (bestärkendes Lernen oder verstärkendes Lernen) ist eine Form des maschinellen Lernens. Dabei werden im Unterschied zu anderen Methoden im Vorfeld keine Daten benötigt. Stattdessen beobachtet die Künstliche Intelligenz, vergleichbar wie ein Mensch, verschiedene Kausalitäten und lernt durch 'Trial-and-Error' in Zukunft unbekannte Probleme zu lösen. Der künstlichen Intelligenz wird nicht gezeigt, welche Aktion in welcher Situation die beste ist, sondern sie erhält zu einer bestimmten Zeit eine Belohnung, die auch negativ sein kann. Durch Reinforcement Learning soll es möglich sein, ohne menschliches Vorwissen komplexe Steuerungsprobleme zu lösen. Die Innovation des Projekts liegt in der nachhaltigen und zielgerichteten Produktionsplanung und -steuerung, die ökologische und ökonomische Ziele sowie die Ziele der Mitarbeiter berücksichtigt. Projektpartner sind die HSBI, das Fraunhofer IOSB-INA sowie die Unternehmen Miele und Isringhausen.

Die Studierenden können je nach Interesse in einem der folgenden Teilbereiche forschen und arbeiten:

• Entwicklung des DRL-Agenten zur Steuerung der Fertigungsprozesse unter Berücksichtigung humanzentrierter Faktoren inkl. Benchmark mit herkömmlichen Methoden wie Metaheuristiken, Prioritätsregelverfahren oder ganzzahligen Optimierungsmodellen.
• Entwicklung von Verfahren zur automatischen, datengetriebenen Erzeugung von (diskreten, ereignisorientierten) Materialflusssimulationen auf Basis von Process-Mining-Techniken
• Entwicklung einer anwenderorientierten Analyse-Toolbox zur Interaktion mit dem DRL-Agenten im Kontext moderner Software- und Cloudarchitekturen, komplexer Datenmodelle und Datenpipelines, erweiterten Auswertungsmöglichkeiten (insb. im Bereich „Explainable AI“) und automatischen Hinweisen bzw. Verbesserungsvorschlägen

Bezug zum Thema Data Science

Verfahren des Reinforcement Learning, Process Mining, Metaheuristiken, Prognoseverfahren und Techniken der Explainable AI sind Kernthemen der Data Science und werden auch in den Lehrangeboten des Forschungsmasters behandelt.

Verfügbare Ressourcen

Das Projekt wird gemeinsam mit den Unternehmen Miele und Isringhausen sowie mit dem Fraunhofer Institut in realen Produktionsumgebungen durchgeführt. Über die operativen IT-Systeme der Unternehmen werden erforderliche Stamm- und Bewegungsdaten zur Umsetzung der Verfahren bereitgestellt. Die zu entwickelten Softwaremodule für den Live-Betrieb werden in einer modernen Cloudumgebung (MS Azure) implementiert. Für rechenintensive ML-Trainingsprozesse oder Optimierungsverfahren steht das Data Analytics Cluster des Center for Applied Data Science zur Verfügung.

Projektplan

Neben der Mitarbeit an der Erforschung und Entwicklung der Verfahren sind folgende wissenschaftliche Ausarbeitungen als Prüfungsleistungen vorausgesetzt:
Erstes Semester: Erstellung eines Forschungsexposés zu einem der drei Themenbereiche (siehe Aufgabenstellung).
Zweites Semester: Erstellung eines systematischen Literaturreviews über aktuell bestehende Verfahren und Konzepte auf Basis der im Forschungsexposé definierten Zielsetzung.
Drittes Semester: Erstellung eines Forschungspapers mit ersten Ergebnissen und Erkenntnissen. Dies kann z.B. die Entwicklung eines neuartigen Verfahrens oder Modells sein (konstruktionsorientierte Forschung). Alternativ können bestehende Verfahren für einen neuartigen Anwendungsfall angepasst und empirisch evaluiert werden (Benchmarking). Weiterhin möglich sind Arbeiten, wie Simulationsstudien, Surveys oder Fallsstudien.
Viertes Semester: Masterarbeit und Kolloquium. Hier kann z.B. ein bereits bearbeiteter Aspekt aus dem Projekt oder eine neuaufgetretene Forschungsfrage vertieft werden.
* Es ist ggf. möglich, darüber hinaus als wissenschaftliche Hilfskraft tätig zu werden.

• Bachelor-Abschluss mit quantitativem Schwerpunkt

• Kenntnisse in einer höheren Programmiersprache (z.B. Python, Java, C# o.ä.), die über ein Einsteigerniveau hinausgehen
• Basiswissen über Statistik oder mathematische Optimierung
• Begeisterung für Data Science im Kontext von Industrie 4.0 sowie Freude am wissenschaftlichen Arbeiten im Team

• Erfahrungen in einem oder mehreren der folgenden Bereiche sind von Vorteil:
  • Python 3.X Ökosystem inkl. einschlägiger ML-Bibliotheken
  • Machine Learning, insb. Reinforcement Learning oder Process Mining
  • Operations Research und Metaheuristiken, idealerweise im Kontext von Scheduling-Modellen
  • Materialflusssimulation bzw. diskrete ereignisorientierte Prozess-Simulation
  • Domänenwissen über Produktionsplanung/-steuerung und der systemischen Unterstützung mittels ERP, MES, APS, MRP usw.
  • Data Engineering / Cloud-Entwicklung (Datenbanken, Datenpipelines/ETL, APIs, Web-Frontend usw.)
• Interesse an einer einschlägigen Mitarbeit als wissenschaftliche Hilfskraft

Erwerbbare Kompetenzen

• Einsatz und (Weiter-)Entwicklung von State-of-the-Art Verfahren des Maschinellen Lernens in hochkomplexen Umgebungen.
• Erweiterte Forschungskompetenzen durch die etwaige Publikation von Fachartikeln in einem hochmodernen Forschungsfeld.