Adaptive Fertigung und Cyber-Physische Systeme (CPS) haben sich in den letzten Jahren als Hauptthemen in Wissenschaft und Industrie herausgestellt, da aktuell Projekte auf Regierungsebene gestartet wurden, um Innovationen unter dem Titel "Smart Industry" zu untersuchen und vorzuschlagen. Diese Bewegung wurde sogar als Auslöser für die vierte industrielle Revolution bezeichnet. Die Konzepte der Smart Industrien stellen die zukünftige Form des industriellen Netzwerks dar, in dem die physischen Elemente der Produktionsumgebungen mit IT-Services gekoppelt werden, um eine Cyber-Darstellung der realen Produktionsumgebungen zu erreichen. Industrielle Umgebungen weisen eine naturgemäß hohe strukturelle Komplexität auf, da eine Vielzahl von Faktoren, die mit Marktveränderungen, Heterogenität der Kundenanforderungen und den internen Betriebsabläufen zusammenhängen, sehr dynamisch sind. Obwohl die Realisierung eines cyberphysikalischen Systems eine Produktionsumgebung mit vielen Wettbewerbsvorteilen aus Sicht der Überwachung verspricht, ist es eine äußerst schwierige Aufgabe, Wissen aus der riesigen Menge an gesammelten Daten zu gewinnen. In dieser Arbeit wird ein allgemeiner Überblick über das Optimierungspotenzial verschiedener Industry 4.0 Konzepte gegeben. Schließlich konzentrieren wir uns darauf, das Optimierungspotenzial von Scheduling-Policies für das Management der Fertigung zu analysieren, um diese zentrale Frage zu beantworten: Welchen Einfluss haben Industrie 4.0-Konzepte auf die traditionellen Optimierungsmethoden zur Lösung von Maschinenbelegungsprobleme?

In dieser Forschung untersuchen wir die Integration von Maschinenausfällen aus einem Cyber-Fertigungssystem und deren Auswirkungen auf die verwendeten Optimierungstechniken zur Festlegung von Scheduling-Policies in einer Produktionsumgebung. Wir präsentierten zwei Hybrid-Algorithmen und verglichen ihre Leistungsmerkmale mit genetischen Algorithmen zur Lösung des vierstufigen Hybrid Flow Shop Maschinenbelegungsprobleme. In den ersten Versuchen haben wir die Gesamtproduktionskapazität der Maschinen um zehn Prozent reduziert, um die Maschinenausfälle auf aggregierter Ebene zu berücksichtigen. Gründe dafür sind die Erleichterung einer qualitativ hochwertigeren Analyse und des Vergleichs zwischen den Lösungsansätzen. Dann wandten wir stochastische Aufschlüsselungen auf die erhaltene Lösung an und registrierten 100 Replikationen, um die Robustheit der Lösungen gegenüber Störungen zu beobachten.

Die Experimente widmen sich der Beantwortung der Forschungsfragen und beleuchten den erforderlichen Rechenaufwand durch die Lösungsansätze, wenn wir unter der Einschränkung von Maschinenausfällen einen optimierten Zeitplan finden wollen. Die Experimente werden an acht Probleminstanzen durchgeführt. Alle Maschinen auf den vier Verarbeitungsstufen unterliegen den erzeugten stochastischen Ausfällen. Alle entwickelten und angewandten Optimierungstechniken melden Strafen in den Lieferterminen der Aufträge, auch wenn wir die Maschinenausfälle bei der Optimierung berücksichtigen. Natürlich ist die erhaltene Lösung ohne Berücksichtigung von Ausfällen während der Optimierung relativ schlechter in Bezug auf die gesamte Verspätung und die erfassten Strafen.

Der erforderliche Rechenaufwand für den Erhalt der Lösungen nahm jedoch deutlich zu, da die Bewertung eines Lösungskandidaten die Aufzeichnung von mindestens zehn Replikationen erfordert. Darüber hinaus ist eine signifikante Outperformance der hybriden Ansätze gegenüber den genetischen Algorithmen zu erkennen, wenn man Maschinenausfälle berücksichtigt. Daher ist es plausibel, mehr Aufwand in die Entwicklung hybrider Lösungsstrategien zu investieren, um den neuen Anforderungen der Industry 4.0-Konzepte an die Scheudling-Policies gerecht zu werden. Basierend auf der vorliegenden Analyse könnte mehr Forschungsaufwand in hybride Optimierungsstrategien investiert werden, die die Stärke und Robustheit der metaheuristischen Ansätze und den geringen Rechenaufwand heuristischer Verfahren kombinieren. So müssen im Rahmen von Industry 4.0 Optimierungsprozesse nahezu in Echtzeit durchgeführt werden, um Entscheidungsprozesse sofort zu unterstützen. Mit den Fähigkeiten des CPS können Überwachungsdaten analysiert werden, um unterschiedliche Maschinenausfallmuster in Abhängigkeit vom Produkttyp oder bestimmten Maschinentypen abzuleiten. Diese Muster können dann während der Optimierung verwendet werden, um genauere Planungsrichtlinien vorzuschlagen. Es ist immer noch eine Frage der intensiven Forschung, ob wir schnelle Lösungsmethoden entwerfen und in kleinen Abständen periodisch optimieren müssen oder ob wir Online-Optimierungsmechanismen entwickeln müssen.