English

The doctoral thesis "Situationally Trained Rules for Flow Control in Production Systems and their Integration in Simulation Systems" addresses the sensitive entrepreneurial problem of production optimization. Time-critical scheduling is in the focus of the research.

The developed method achieves to come up with a solution for planning problems of machine scheduling in linear time. Furthermore, the solution space is confined considerably because only active schedules are generated. The optimal schedule is always an active one with respect to the target function. In situations which require a decision, the method creates a conflict set containing all relevant jobs. A machine learning component is integrated to resolve the conflict set adequately. This procedure selects the appropriate priority rule for the situation based on attributes which describe the situation. It ensures that only one path, which leads to a good solution, has to be followed. The time period prior to the production process is used to train the machine learning component by generating exemplary solutions. The developed method can be adapted at run-time.

The method is evaluated against alternative methods using standardized benchmark problems and obtained very good results.

Deutsch

Die Arbeit "Situativ trainierte Regeln zur Ablaufsteuerung in Fertigungssystemen und ihre Integration in Simulationssysteme" widmet sich dem sensiblen unternehmerischen Problembereich der Optimierung der Fertigung. Schwerpunkt hierbei ist die zeitkritische Auftragsreihenfolgeplanung.

Das entwickelte Verfahren kann dem Planungsproblem der Maschinenbelegung schnell eine gute eine Lösung zuführen. Es werden aktive Ablaufpläne erzeugt, welche den zu durchsuchenden Lösungsraum erheblich einschränken, da der im Sinne der verfolgten Zielfunktion optimale Ablaufplan immer auch ein aktiver ist. Hierzu bildet das Verfahren in Situationen mit Entscheidungsnotwendigkeit eine Konfliktmenge der in Frage kommenden Auftragskandidaten. Um diese Menge passend aufzulösen, wurde ein maschinelles Lernverfahren als situativer, wissensbasierter Entscheider integriert. Dieser trifft über die Beschreibung von Steuerungssituationen die Entscheidung für die in der jeweiligen Situation passendste Steuerungsregel. Das Verfahren wird damit durch den Lösungsraum gesteuert und nur ein Pfad, der zu einer guten Lösung führt, durchlaufen. Für das Training des wissensbasierten Entscheiders wird der Zeitraum vor Beginn des Fertigungsprozesses genutzt. Das Verfahren ist parallel zur laufenden Fertigung adaptierbar.

Im Rahmen der Evaluierung des Verfahrens mit alternativen Methoden der Ablaufplanung und -steuerung anhand von Benchmark-Problemen konnten sehr gute Ergebnisse erzielt werden.