Mehrkriterielle Prozessoptimierung in der digitalisierten Produktion

Moderne Produktionsanlagen weisen im Zuge der fortschreitenden Automatisierung eine erhöhte Parametrierbarkeit auf.Gleichzeitig wächst im Spannungsfeld der globalisierten Marktwirtschaft der Bedarf nach optimaler, flexibler und individuellerFertigungsplanung und -ausführung, was die Parametrierung eines Produktionsprozesses zusätzlich erschwert.Dem gegenüber stehen jedoch auch neue Möglichkeiten diesen Herausforderungen zu begegnen. Eine umfassende undstrukturierte Datenbasis im Sinne der Industrie 4.0 ermöglicht es, dynamisch auf neue Umgebungsbedingungen zu reagierenund die Produktion bezüglich teils konträrer Ziele (z. B. Taktzeit und Leistungsspitze der Anlage) optimal einzustellen.Im Rahmen dieser Arbeit wurde eine mehrkriterielle Prozessoptimierung, die auf einem gemessenen und physikalischmodellierten Prozessabbild basierte, an einer zu Forschungszwecken zur Verfügung stehenden Modellfabrik entworfen.Zur Validierung dienten die folgenden drei Szenarien: Optimierung des Energieverbrauchs bei minimaler Taktzeit, Begrenzungder Anlagenleistungsspitze und die Reduktion der mechanischen Belastung eines Roboters.In the cause of increasing automation, modern production systems are highly tuneable. Simultaneously, todays globalizedmarket requires an optimal, flexible and individual production planning, which further complicates the parametrization ofa production process. At the same time new possibilities of facing those challenges arise. In the context of a Smart Factory,a comprehensive and well-organized database provides the knowledge to respond dynamically to new environmentalconditions and tune the process with respect to concurrent gains (e. g. cycle time and plant peak power of the plant).We propose a multi-criteria process optimization based on a digital twin of a production plant. It has been applied to andevaluated on a model factory, which is used for research studies, by means of three demonstrating scenarios: Optimizingenergy consumption within fastest cycle time, limit peak power and reduce wear of a robot.Johannes Zumsande, M.Sc., Karl-Philipp Kortmann, M.Sc., Mark Wielitzka, M.Sc., Dipl.-Ing. Christian Hansen und Prof. Dr.-Ing. Tobias Ortmaie