Der Digital Twin eines Routenzuges
Routenzüge versorgen verschiedene Montageschritte mit Material und Komponenten. Bei der Auftragsplanung sind mehrere Quellen und Senken mit unterschiedlichen Bedarfen zu bestimmten Zeitpunkten zu berücksichtigen.
Unser Ansatz: Nutzung von Reinforcement Learning (RL) zum Generieren von Lösungen innerhalb der Simulationsumgebung. Dabei orientieren wir uns an den OpenAI Standards bei der Entwicklung der RL Algorithmen.
Reinforcement Learning
RL vs. Heuristik
Wir zeigen wie die Lösungsqualität mit einem Reinforcement Learning Algorithmus im Vergleich mit heuristischen Lösungsansätzen performt.
SmartCar
Ein SmartCar ausgerüstet mit Sensorik kommuniziert mit dem Digital Twin und liefert die Daten als Basis für die Simulation.
Businessnutzen
Digital Twin eines physischen Systems zur Lösung von Entscheidungsproblemen
mittels RL
Verschlankung der Werkslogistik
Reduzierung des Transportmittelbedarfs
Optimierung der Transportmittelauslastung
Sicherstellung der Termintreue
Vergleich verschiedener Umgebungsszenarien
Eingesetzte Tools und Bibliotheken
Mehr Informationen zu eingesetzen Technologien
Reinforcement Learning Entscheidungen basierend auf Algorithmen
aus dem Bereich des Machine Learnings
Prozess Modellierung Semi-Automatisierte Erstellung von
Simulationsmodellen
Internet of Things (IoT) Einsatz von IoT-Plattformen und
Sensorik
Simulation Erstellung Simulationsmodellen über die
strategische Planung hinaus