Autonome, datenbasierte Optimierung eines textilen Produktionsprozesses

Kins, Ruben; Gries, Thomas; Trimpe, Johann Sebastian

doi:10.18154/RWTH-2025-05080

Autonome, datenbasierte Optimierung eines textilen Produktionsprozesses = Autonomous, data-driven optimisation of a textile production process

Kins, Ruben^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Ruben Kins

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Gries, Thomas (Thesis advisor)^RWTH* ; Trimpe, Johann Sebastian (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-04-24

Online
DOI: 10.18154/RWTH-2025-05080
URL: https://publications.rwth-aachen.de/record/1012659/files/1012659.pdf

Einrichtungen

Lehrstuhl für Textilmaschinenbau und Institut für Textiltechnik (419110)

Inhaltliche Beschreibung (Schlagwörter)
Bayes’sche Optimierung (frei) ; autonome Agenten (frei) ; industrielle Prozessoptimierung (frei) ; textile Produktion (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die europäische Industrie technischer Textilien steht vor erheblichen Herausforderungen, insbesondere wegen hohen Produktionskosten und des Fehlens von Skaleneffekten. Um diesen Problemen zu begegnen, setzt die Branche zunehmend auf innovative Produkte mit hoher Wertschöpfung sowie auf eine kontinuierliche Optimierung der Produktionsprozesse. In dieser Arbeit wird der Einsatz autonomer, lernender Agenten (ALA) als Lösungsansatz untersucht, um den Aufwand der Produktionsoptimierung zu verringern und diese angesichts des Fachkräftemangels überhaupt erst zu ermöglichen. Diese Arbeit beginnt mit der Analyse der wirtschaftlich-technischen Problemstellung, aus der sowohl mathematische Zielsetzungen als auch technische Anforderungen für ALA abgeleitet werden. Es wird aufgezeigt, dass herkömmliche Ansätze des überwachten maschinellen Lernens den gestellten Anforderungen nicht genügen. Zur Validierung potenziell geeigneter Lösungsansätze wird eine realistische Simulation der Vliesstoffproduktion entwickelt. Im Rahmen einer umfassenden Recherche werden verschiedene Ansätze für ALA identifiziert und mithilfe der Simulation evaluiert. Der in der Simulation leistungsstärkste ALA wird anschließend in einem industriellen Szenario getestet, um einen validierten Prototypen zu erlangen. Dieser finale Test umfasst zudem die Implementierung einer nutzerzentrierten Systemarchitektur, die darauf abzielt, eine effektive Zusammenarbeit zwischen dem Maschinenführer und dem ALA zu ermöglichen. Die Bayes’sche Optimierung (BO) mit erforderlichen Erweiterungen wird als geeigneter ALA-Ansatz identifiziert. Der entwickelte ALA erfüllt sowohl in der Simulation als auch im physischen Test nahezu alle definierten Gütekriterien und Anforderungen, mit Ausnahme der vollständigen Berücksichtigung von Störgrößen. Die Leistungsfähigkeit des ALA erweist sich als konkurrenzfähig zu der eines menschlichen Maschinenführers, wobei eine klare Synergie zwischen den Fähigkeiten von Menschen und Agenten festgestellt wird. Die Ergebnisse zeigen, dass der industrielle Einsatz des autonomen, lernenden Agenten (ALA) sowohl technisch realisierbar als auch höchst wirtschaftlich ist. Mit der Erfüllung aller Erfolgskriterien wird die Arbeit als erfolgreich bewertet.

The European technical textiles industry is grappling with significant challenges, including a lack of economy of scale and high production costs. To remain competitive, the industry is shifting its focus toward innovative, high-value products and continuous production optimization. However, traditional optimization approaches are constrained by the scarcity of qualified personnel and the growing complexity of production processes. This thesis addresses these challenges by developing autonomous learning agents (ALA) designed to minimize the effort of the production optimization, even in the face of a lack of qualified personnel.This research begins by examining the economic-technical challenges faced by the technical textiles industry, leading to the derivation of mathematical optimization goals and technical requirements for production systems. An analysis re-veals that conventional supervised machine learning methods fall short of meeting these requirements. To validate ALA approaches as a potential solution, a realistic simulation of nonwoven production processes is developed. Comprehensive benchmarks of ALA approaches are conducted using the simulation. The most promising ALA identified through simulation testing is subsequently validated in a practical, physical production scenario. This final phase includes implementing a suitable system architecture designed with a user-centric approach to foster collaboration between machine operators and the ALA, creating synergies that enhance usability and operational efficiency. Bayesian optimization (BO), with necessary extensions, is identified as a suitable approach for developing autonomous learning agents (ALA). The ALA meets all defined performance criteria and technical requirements in both the simulation and physical validation stages, except for the consideration of disturbances. The ALA performance is competitive with that of a skilled human machine operator, and a synergy is observed between the capabilities of the agent and human operators. The findings demonstrate that the industrial implementation of the autonomous, learning agent (ALA) is both feasible and economically viable, offering a scalable solution to production optimization challenges in the technical textiles sector.

OpenAccess:
PDF
(additional files)