Wirtschaftliche Leistungssteigerung von Produktionslinien

Eine zunehmende Produktvielfalt erschwert es produzierenden Unternehmen, die hohen Leistungs- und Effizienzziele in international umkämpften Märkten zu erreichen. Insbesondere für Branchen wie die Konsumgüterindustrie, welche mit hoher Geschwindigkeit und kleinen Margen auf Produktionslinien produzieren, ist es erforderlich, die Leistung dieser Produktionslinien auf wirtschaftliche Weise zu steigern. Aufgrund der Komplexität und dem stochastischen Verhalten solcher Produktionslinien ist die Identifikation effizienter Verbesserungsmaßnahmen und darüber hinaus die Kombination dieser zu wirtschaftlichen Verbesserungstrajektorien unter Berücksichtigung der Umsetzungskosten anspruchsvoll. So werden Methoden der simulationsbasierten Optimierung zum Finden und Bewerten von potenziellen Veränderungen genutzt. Die Durchführung entsprechender Simulationsstudien und die Analyse der Simulationsergebnisse ist mit hohem Aufwand verbunden und benötigt Ressourcen, welche in vielen Unternehmen nicht ausreichend zur Verfügung stehen. In anderen Anwendungsbereichen erzielten Methoden des maschinellen Lernens, speziell des Reinforcement Learnings, in der Kombination mit Simulation, bemerkenswerte Optimierungserfolge. Das Ziel der vorliegenden Dissertation ist es, einen aufwands- und praxisgerechten Ansatz zur wirtschaftlichen Leistungssteigerung von Produktionslinien mit Hilfe simulationsbasierter Optimierung unter Verwendung von Reinforcement Learning zu entwickeln. Dazu wird ein hierarchischer und heuristisch geleiteter Reinforcement-Learning-Ansatz vorgeschlagen und in ein übergeordnetes Vorgehen integriert. Angestrebt ist eine Entscheidungsunterstützung und keine vollständige Automatisierung des Verbesserungsprozesses. Der Ansatz wird prototypisch implementiert und exemplarisch bei einem Unternehmen der Konsumgüterindustrie angewandt.