Leverage synergy by cyber-physical systems for the convergence of the eco systems mobility, infrastructure and energy in the circular economy for the Society 5.0

Hintergrund des Projekts

Der Hintergrund des Cynergy4MIE-Projekts liegt in den zunehmenden Anforderungen an nachhaltige und effiziente Produktionsprozesse in Europa. Industrieunternehmen stehen unter Druck, ihre Produktionsmethoden im Hinblick auf Ressourcenschonung, Energieeffizienz und Umweltverträglichkeit zu optimieren, während gleichzeitig die Produktivität gesteigert werden muss.

Projektziel

Im Rahmen des Projekts wird THRO innovative Produktionsprozesse entwickeln, in denen Menschen und Maschinen nachhaltig und effizient zusammenarbeiten. Ziel ist es, durch den Einsatz von Reinforcement Learning optimale Produktionspläne zu erstellen, die sowohl die Ressourcennutzung verbessern als auch die Energieeffizienz erhöhen. Dazu wird eine virtuelle Trainingssimulation aufgebaut, die es ermöglicht, Reinforcement Learning Agenten zur Optimierung nachhaltiger Produktionsprozesse zu trainieren.

Darüber hinaus wird ein ganzheitliches Trainingsframework implementiert, das alle relevanten Elemente der Produktion - von der Intralogistik über die Material- und Maschinendynamik bis hin zu unterschiedlichen Produktanforderungen - abbildet. Um die entwickelten Methoden in der realen Produktion nutzbar zu machen, wird eine nahtlose Integration in bestehende ERP- und MES-Systeme gewährleistet. Schließlich werden die simulierten Bedingungen mit realen Produktionsumgebungen verglichen, um Optimierungspotenziale zu identifizieren und das System kontinuierlich weiterzuentwickeln.

Projektablauf

Die Methodik des Projekts basiert auf der Kombination moderner Technologien wie Reinforcement Learning und Simulation mit traditionellen industriellen Systemen, um nachhaltige und effiziente Produktionsprozesse zu entwickeln.

Ein wesentlicher Bestandteil ist die Entwicklung einer virtuellen Trainingsumgebung, in der RL-Agenten trainiert werden. Diese Simulation modelliert reale Produktionsszenarien und ermöglicht es, das Verhalten und die Dynamik dieser Elemente in einer kontrollierten Umgebung zu testen und zu optimieren.

Nach dem Training wird das entwickelte System in reale Produktionsumgebungen integriert. Schließlich wird die Methodik durch umfangreiche Tests und Validierungen in realen Produktionsumgebungen vervollständigt. Der Vergleich der simulierten Bedingungen mit den realen Produktionsprozessen dient dazu, den so genannten „Reality Gap“ zu schließen, d.h. die Unterschiede zwischen Simulation und Realität zu identifizieren und das System weiter zu verbessern.

Innovation

Der Einsatz von Reinforcement Learning in der Produktionsplanung ermöglicht eine dynamische Optimierung des Ressourceneinsatzes, was zu effizienteren und nachhaltigeren Prozessen führt. Besonders innovativ ist die enge Verzahnung von Produktivitätszielen mit Nachhaltigkeitsanforderungen wie der Reduktion von Energieverbrauch und Emissionen. Die nahtlose Integration dieser neuen Technologien in bestehende Systeme wie ERP- und MES-Plattformen stellt sicher, dass Unternehmen die Innovationen direkt in ihre Produktionsprozesse integrieren können. Dieser praxisorientierte Ansatz hilft Unternehmen, Kosten zu senken, ihre Wettbewerbsfähigkeit zu steigern und ihre Nachhaltigkeitsziele zu erreichen.