Command Signal Configuration for Control Strategies of Discrete Production Systems

An optimal configuration of control strategies for discrete production systems is manually impossible due to an increasing frequency of changes. This thesis addresses this challenge with a combination of machine learning techniques and constrained optimization for the configuration of transport, storage and pick-and-place systems. The novel approach finds optimal command signals without predefined behavior or simulation models. A systematic analysis has shown that the proposed approach finds optimal command signals with fewer costly evaluations of the systems compared to black-box optimization.

Eine optimale Konfiguration von Regelungsstrategien für diskrete Produktionssysteme ist mit zunehmender Änderungshäufigkeit manuell nicht möglich. Diese Arbeit begegnet dieser Herausforderung mit einer Kombination aus maschinellen Lernverfahren und Optimierung unter Nebenbedingungen für die Konfiguration von Transport-, Lager- und Bestückungssystemen. Ein neuartiger Ansatz findet optimale Führungsgrößen ohne vordefinierte Verhaltens- oder Simulationsmodelle. Eine systematische Analyse hat gezeigt, dass der entwickelte Ansatz optimale Führungsgrößen mit weniger aufwendigen Bewertungen der Systeme, im Vergleich zu einer Black-Box-Optimierung, findet.