Fouad Bahrpeyma

The utilization of machine learning has become ubiquitous in addressing contemporary challenges in data science. Moreover, there has been significant interest in democratizing the decision-making process for selecting machine learning algorithms, achieved through the incorporation of meta-features and automated machine learning techniques for both classification and regression tasks. However, this paradigm has not been readily applied to multistep-ahead time series prediction problems. Unlike regression and classification problems, which utilize independent variables not derived from the target variable, time series models typically rely on past values of the series to forecast future outcomes. The structure of a time series is often characterized by features such as trend, seasonality, cyclicality and irregularity. In our study, we illustrate how time series metrics representing these features, in conjunction with an ensemble-based regression Meta-Learner, were employed to predict the standardized mean square error of candidate time series prediction models. Our experiments utilized datasets covering a broad feature space, facilitating the selection of the most effective model by researchers. A rigorous evaluation was conducted to assess the performance of the Meta-Learner on both synthetic and real time series data.

Die wachsende Besorgnis über den Klimawandel bewirkt, dass bei der Festlegung von Meilensteinen und Produktionsparametern für Fertigungssysteme ein größerer Fokus auf Energieeinsparung, Ressourcenschonung und Wandlungsfähigkeit gelegt wird. Dies ist auch notwendig, denn die Energiepreise steigen kontinuierlich an und durch den weltweiten Ausbruch von COVID-19 wurden die Lieferketten immer wieder gestört. Gleichzeitig hat die hohe Volatilität und Dynamik innerhalb der globalen Wertschöpfungsnetzwerke in letzter Zeit zu einer spürbaren Verkürzung der Produkt- und Technologiezyklen geführt. Darüber hinaus wandeln sich die Wünsche der Kunden, diese werden zunehmend anspruchsvoller und spezifischer. Um diesen Marktanforderungen gerecht zu werden, mussten und müssen Unternehmen ihre Fertigungsprozesse immer wieder anpassen und abwandeln. Ein wachsendes Portfolio und sinkende Auftragsvolumina (bis hin zur Losgröße 1) ergeben sich im Resultat. Um einen effektiven und effizienten Produktionsablauf zu realisieren, bedarf es ein dynamisches Regelwerk. Dieses bestimmt für die bestehenden Montagelinien und deren Fertigungszellen, unter Be- rücksichtigung des aktuellen Zustandes, auf welchen Stationen ein konkretes Produkt gefertigt werden soll. Gegenwärtig geschieht dies meist statisch über ein Manufacturing Execution System, welches für ganze Chargen entscheidet und üblicherweise nicht (oder nur schwerfällig) auf Unsicherheiten wie den Ausfall einer Operation, den Schwankungen in den Operationszeiten oder in der Qualität des Rohmaterials reagieren kann. Mit einem besonderen Fokus auf die Reduzierung der Gesamtproduktionszeit (und dem damit einhergehenden Energieverbrauch) eines Auftrags stellen wir in diesem Beitrag eine Simulationsumgebung vor, die eine Montagelinie des Industrial IoT Test Bed (an der HTW Dresden) nachbildet. Auf diese wenden wir vielversprechende Reinforcement Learning Methoden an, um für unterschiedliche Szenarien automatisiert eine kosteneffiziente Ressourcenzuweisung zu realisieren.

The smart factory is at the heart of Industry 4.0 and is the new paradigm for establishing advanced manufacturing systems and realizing modern manufacturing objectives such as mass customization, automation, efficiency, and self-organization all at once. Such manufacturing systems, however, are characterized by dynamic and complex environments where a large number of decisions should be made for smart components such as production machines and the material handling system in a real-time and optimal manner. AI offers key intelligent control approaches in order to realize efficiency, agility, and automation all at once. One of the most challenging problems faced in this regard is uncertainty, meaning that due to the dynamic nature of the smart manufacturing environments, sudden seen or unseen events occur that should be handled in real-time. Due to the complexity and high-dimensionality of smart factories, it is not possible to predict all the possible events or prepare appropriate scenarios to respond. Reinforcement learning is an AI technique that provides the intelligent control processes needed to deal with such uncertainties. Due to the distributed nature of smart factories and the presence of multiple decision-making components, multi-agent reinforcement learning (MARL) should be incorporated instead of single-agent reinforcement learning (SARL), which, due to the complexities involved in the development process, has attracted less attention. In this research, we will review the literature on the applications of MARL to tasks within a smart factory and then demonstrate a mapping connecting smart factory attributes to the equivalent MARL features, based on which we suggest MARL to be one of the most effective approaches for implementing the control mechanism for smart factories.