CIRP CMS 2022: Effektive Simulationssoftware für die Produktionstechnik
Chrismarie Enslin vom Cybernetics Lab (IMA & IfU) befasst sich in ihrer Forschung mit Machine Learning und Reinforcement Learning im Anwendungsbereich der digitalen Produktionstechnologie und hatte auf der diesjährigen CIRP CMS 2022 Gelegenheit, ihre Ansätze mit Kollegen und Kolleginen aus aller Welt zu teilen. Die Konferenz war die 55. Auflage der CIRP Conference on Manufacturing Systems und fand in hybrider Form vom 29.06 - 01.07.2022 in Lugano, in der Schweiz, statt. Ausgerichtet wurde sie in diesem Jahr von der Abteilung Innovative Technologien der Fachhochschule Südschweiz (SUPSI). Enslin hielt ihren Vortrag zum Thema “ProdSim: An Open-source Python Package for Generating High-resolution Synthetic Manufacturing Data on Product, Machine and Shop-Floor Levels.”
Welche Eindrücke haben Sie mitgenommen?
Ich habe an der CIRP CMS 2022-Konferenz online teilgenommen, was sehr praktisch war und es mir ermöglichte, meine Vortragsinhalte zu teilen, auch wenn ich nicht persönlich an der Konferenz teilnehmen konnte. Die volle Wirkung der Konferenz hätte man aber wahrscheinlich besser in Lugano persönlich erleben können. Am letzten Tag der Konferenz hielt ich einen Vortrag in der Session Smart Devices, Sensors and Networks. Mein Thema passte ziemlich gut in die Sitzung und es gab hier einen interessanten fachlichen Austausch. Einige der Fragen bezogen sich auf die Verwendung des von mir vorgestellten Softwarepakets, was sich wie eine Bestätigung anfühlte, dass meine Botschaft klar rüberkam.
Wie lässt sich das Thema Ihrer Präsentation kurz zusammenfassen und welche Bedeutung hat es für die wissenschaftliche Gemeinschaft?
Bei dem vorgestellten Thema handelt es sich um ProdSim, eine Simulationssoftware, die für die Simulation von Produktionslinien verwendet werden kann. Es handelt sich dabei um ein einfach zu bedienendes Python-Paket, das in einem Open-Source-Format unter http://prodsim.ima.rwth-aachen.de verfügbar ist. Diese Software kann Produktionsdaten auf verschiedenen Ebenen der Produktionslinie generieren, nämlich auf der Produktebene, der Maschinenebene und der Betriebsebene. Die Relevanz für die wissenschaftliche Gemeinschaft besteht darin, dass Daten generiert werden können, die genau zu einem Forschungsproblem passen und die in der realen Welt oft nicht zu finden sind. Die Daten für die verschiedenen Ebenen einer Produktionslinie werden oft getrennt erfasst, was zu einer unzusammenhängenden Gruppe von Datensätzen führen kann, die schwer zu vereinheitlichen sind.
Wie ist Ihr Forschungsthema in den IoP-Komplex eingebettet?
Das Forschungsthema fügt sich in den Workstream B3.II ein. Das Ziel besteht hier darin, die auf diese Weise generierten Daten zur Untersuchung der Vorhersagequalität von Produktionslinien zu nutzen. Mit der vollen Kontrolle über das Eingangsmerkmal und die einflussreichen Merkmale in der Produktion kann ein kausales Modell für die Produktionslinie bestimmt werden, mit einer ground truth, von der gelernt werden kann. Dies ist ein wertvoller Beitrag zum Verständnis von Produktionslinien und der Frage, wo die einflussreichsten Punkte liegen, um die Qualität der hergestellten Produkte zu verbessern.