Thema

Titel: Reinforcement Learning Ansatz zum Erlernen einer SPS-Logik für ereignisdiskrete Prozess
Typ:
  • Studienarbeit
  • Diplomarbeit
  • Bachelorarbeit
  • Masterarbeit
Betreuer:
Status: offen

Hintergrund

Der Trend zu immer kürzeren Produktzykluszeiten, bei gleichzeitig wachsender Variantenvielfalt und steigender Qualitätsanforderungen, erhöht die Anforderungen an die Produktionstechnik. Um trotz der verkürzten Produktzyklen konkurrenzfähig zu bleiben, muss auch die Zeit zur Planung und Produktionsvorbereitung verkürzt werden.

Problemstellung

In Fertigungsstraßen werden in sich gesteuerte und ablaufoptimierte Bearbeitungsstation miteinander verkettet. Der Gesamtablauf zwischen den verketteten Anlagen ist anlagenspezifisch und sehr individuell. Die Steuerung des Gesamtprozesses wird daher für jede Anlage spezifisch programmiert. Dabei sind zur Ablaufprogrammierung und Verifizierung viele Iterationsschritte notwendig. Am ISW sind bereits erste Konzepte und Realisierungen von selbstständig gelernten Ablaufsteuerungen entstanden. Die gelernte Logik liegt im Moment jedoch nicht in Form von SPS-Logikbausteinen vor.

Aufgabe

  • Untersuchung der Möglichkeiten eines Reinforcement-Learning Ansatzes basierend auf einem „SPS-Agenten“
  • Mappen von Reinforcement-Learning Actions auf SPS-Logikbausteine
  • Realisierung des „SPS-Agenten“ innerhalb einer vorhandenen virtuellen Lernumgebung
  • Evaluierung des Ergebnisses auf Basis eines materialflussbasierten Steuerungsproblems

Anforderung

  • Interesse am Thema „Maschinelles Lernen“
  • Programmiererfahrung
  • Eigenständige Arbeitsweise
  • Sehr gute Deutsch- oder Englischkenntnisse

Kenntnisgewinn

  • Reinforcement Learning anhand einer industrienahen Problematik
  • Materialflusssimulation innerhalb von ISG-virtuos
  • Wissenschaftliches Arbeiten