Motivation
So unterschiedlich Vorgänge in den Bereichen Logistik und Produktion auch sind, so haben sie doch eins gemeinsam: Sie brauchen Zeit. Und sobald sich Zeitspannen für den gleichen Vorgang verändern, so deutet dies auf zumeist ungewollte Veränderungen hin. Typische Veränderungen sind beschädigte Systeme oder geänderte Randbedingungen wie z.B. andere Rohstoffzusammensetzungen oder blockierte Transportwege. Da nun heute sehr viele Daten in den Bereichen Logistik und Produktion automatisch erfasst und abgespeichert werden, möchte man diese Daten und Zeitveränderungen als Warnhinweis nutzen. So kann ein Warnhinweis bzgl. sehr langer Zugriffszeiten in einem Warenlager als Hinweis auf Verschleiß interpretiert werden. Als Reaktion würde man die Systeme frühzeitig reparieren, und zwar schon weit bevor Ausfälle auftreten.
Ziele und Vorgehen
Die Schwierigkeit bei diesem Vorgehen liegt aber darin, dass es in der Logistik und Produktion gar nicht klar ist, welche Zeitspannen analysiert werden müssen. Zum einen gibt es eine sehr hohe Anzahl an möglichen Zeitspannen und diese hängen von der aktuellen Situation ab. So verändern sich die Zeitspannen z.B. für Lagervorgänge sehr stark, wenn unterschiedliche Objekte transportiert werden. Zum anderen existieren oft gar keine klaren Zeitpunkte, zwischen denen Zeitmessungen sinnvoll sind. d.h. oft bedarf es zuerst einer klaren Definition eines Zeitpunktes. Ein Zeitpunkt wird aber zumeist durch das gleichzeitige Auftreten sehr vieler Ereignisse definiert. So kann bei Transportvorgängen z.B. die Leistungsaufnahme hunderter Antriebe in Kombination mit den Geschwindigkeiten der jeweils transportierten Objekte ein wichtiges Ereignis definieren. Solche komplexen Ereignisse kann ein Mensch aber schon aus Aufwandsgründen nicht mehr manuell definieren.
Innovationen und Perspektiven
In Time4CPS analysiert daher eine Software mittels Methoden des maschinellen Lernens zuerst alle Daten und bestimmt automatisch alle relevanten Ereignisse. Zwischen diesen Ereignissen werden die Zeitspannen kontinuierlich während des Betriebs überwacht, und zwar abhängig vom jeweiligen Systemzustand. Sollten signifikante Veränderungen auftreten, so wird der Benutzer gezielt informiert. Dieser kann dann das System reparieren oder verbessern. Die wirtschaftliche Verwertung im Rahmen dieses Projekts wird durch das KMU Recogizer Analytics GmbH erfolgen. Evaluiert wird der Ansatz durch die Firma ISI Automation GmbH & Co. KG, sowie Hendricks Automotive Group und GTP Schäfer Gießtechnische Produkte. Diese Firmen möchten die zu entwickelnden Lösungen z.B. auf folgende Optimierungsszenarien im Bereich der Inter- und Intralogistik und auf Prozesse der diskreten Fertigung (z.B. bei Automobilzulieferern) anwenden.