SwarmIn

Klimaschutzziele bei steigender Energie- und Ressourcennachfrage, wie auch Ressourcenknappheit, motiviert Energie- und Ressourceneffizienz besonders im Industriesektor. Industrie 4.0 und Cyber-Physische Fertigungssysteme ermöglichen nicht nur Echtzeitinteraktion, künstliche Intelligenz (KI) und vereinfachte Überwachungsfunktionen, sie werden über die Verfügbarkeit von Echtzeitdaten und der Berechnung On-The-Edge auch als Möglichkeit zur Verbesserung von Energie- und Ressourceneffizienz betrachtet. Die Komplexität wird durch die hohe Produktvielfalt zusammen mit historischem Wachstum einer Industrieanlage weiter erhöht und führt zu einem NP-harten Problem. Die derzeitige Situation in der Halbleiterindustrie erfordert ein Schedulen von vielen Maschinenschritten (rund 400 bis 1.200 verschiedene Stationen). Diese produzieren oft mehr als 1.500 Produkte in rund 300 verschiedenen Prozessschritten. Lineare Optimierungsmethoden kommen nicht mit dem hoch komplexen, großen und dynamischen Suchraum aufgrund ihrer exzessiven Berechnungszeit klar. Diese Methoden können nur auf Teile der Fabrik angewendet werden, aber nicht das gesamte Systemverhalten berücksichtigen, und somit nicht das gesamte Optimierungspotential ausnützen.
Das Hauptziel in SwarmIn ist das ausbalancieren der WIP Wellen und des Flussfaktors mithilfe der Optimierung der Produktionsanlage mit zusätzlichen Parametern für die Energie- und Ressourceneffizienz. Um dieses Ziel zu erreichen, wird als erstes High-Level Optimierung (kombinatorische Optimierung) für die globale Schätzung von Konfigurationsparametern angewendet. Diese reduziert den Suchraum und wird dann als zweites als Input für die Low-Level Optimierung verwendet, die Multi-Agenten, Bottom-Up Schwarmintelligenzalgorithmen anwendet. Dies wiederum stellt eine Innovation dar, da gemischte Schwärme bestehend aus Agenten von Cyber-Physischen Systemen (CPS, wie z.B. Maschinen oder Lots) und Menschen, und ihre Auswirkungen auf Energie- und Ressourceneffizienz vorher in diesem Umfeld noch nicht untersucht wurden. In der Low-Level Optimierung wird jeder Agent mit einem Satz an lokalen Regeln ausgerüstet. Die Verbindung zwischen High- und Low-Level Optimierung ist eine Neuheit, für die die Produktionsanlage als selbstorganisierendes System von Agenten modelliert wird.
Die Low-level Optimierung basiert auf Schwarmintelligenz, einem Teilgebiet der KI, und somit auf lokalen Regeln auf Maschinen oder Losen, wohingegen die High-Level Optimierung zentral erfolgt, z.B., als Cloud-basierter Service eng verbunden mit einem globalem ERP System. Beide Level sind stark miteinander über (drahtlose) Kommunikation verbunden, wobei 5G eine Technologie darstellen kann, welche die Industrie 4.0 Anforderungen hinsichtlich Latenz und Zuverlässigkeit erfüllen kann. Zusätzlich werden Parameter zur Messung der Energie- und Ressourceneffizienz mithilfe von Retrofit-Sensoren im Produktionsprozess und Feedback von menschlichen Akteuren identifiziert. Neben der Analyse dieser Parameter ist es eine Innovation diese mit der High- und Low-Level Optimierung zu kombinieren und so Energie- und Ressourcen-basiertes reaktives Verhalten für CPSs und Mensch (-Maschinen) Interaktionen im Produktionsprozess zu erzeugen. Das übergeordnete Resultat von SwarmIn sind Algorithmen und Simulationen für die High- und Low-Level Optimierung in Form von Software Bibliotheken, welche sich der hohen Komplexität in der Produktion in Industrie 4.0 und ihren Anforderungen hinsichtlich Energie- und Ressourceneffizienz annehmen. Im Gegensatz zu anderen Projekten in diesem thematischem Umfeld, kreiert SwarmIn eine radikal neue Architektur um verschiedene KI Ansätze (kombinatorischen Optimierung und Schwarmintelligenz) erstmals miteinander anhand ihrer Vorteile zu verbinden. Zusätzlich integriert die SwarmIn Architektur den Menschen als Schwarmteilnehmer sowie Parameter der Ressourcen und Energieeffizienz als zusätzliche Dimensionen für die Optimierung einer nachhaltigen Produktionsanlage der Zukunft.