Automatisierte Entscheidungsfindung zur Auftragsfreigabe komplexer Materialflüsse

Janke, Tim Konstantin; Boos, Wolfgang; Schuh, Günther

doi:10.18154/RWTH-2026-07481

Automatisierte Entscheidungsfindung zur Auftragsfreigabe komplexer Materialflüsse = Automated decision making for order release of complex material flows

Janke, Tim Konstantin^RWTH*

2026

VerantwortlichkeitsangabeTim Janke

Ausgabe1. Auflage

ImpressumMünchen : tolino media GmbH 2026

Umfang1 Online-Ressource : Illustrationen

ISBN978-3-69567-110-6

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Druckausgabe: 2026. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Schuh, Günther (Thesis advisor)^RWTH* ; Boos, Wolfgang (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2026-06-18

Online
DOI: 10.18154/RWTH-2026-07481
URL: https://publications.rwth-aachen.de/record/1039801/files/1039801.pdf

Einrichtungen

Projekte

WS-B3.II - Short-term Production Management (X080067-WS-B3.II) (X080067-WS-B3.II)

Inhaltliche Beschreibung (Schlagwörter)
AI (frei) ; Anwendung (frei) ; Artificial Intelligence (frei) ; Auftragsfreigabe (frei) ; KI (frei) ; Künstliche Intelligenz (frei) ; PPC (frei) ; PPS (frei) ; Produktionsplanung und -steuerung (frei) ; Reihenfolgeplanung (frei) ; Reinforcement Learning (frei) ; Simulation (frei) ; Werkstattfertigung (frei) ; implementation (frei) ; job shop production (frei) ; order release (frei) ; order scheduling (frei) ; order sequencing (frei) ; production planning and control (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die produzierende Industrie sieht sich zunehmend mit der Anforderung konfrontiert, ein variantenreiches Produktspektrum bei zügiger Lieferung und hoher Termintreue zu gewährleisten, was die Bedeutung flexibler Produktionsstrukturen wie der Werkstattfertigung steigert. Diese Flexibilität führt allerdings zu einem erhöhten Aufwand in der Produktionssteuerung, da zahlreiche individuelle Produktionsrouten koordiniert werden müssen, um den logistischen Zielgrößen und Kundenbedürfnissen gerecht zu werden. Die zunehmende Komplexität und Dynamik moderner, variantenreicher Werkstattfertigungen erfordern eine automatisierte Entscheidungsfindung in der Produktionssteuerung, um Termintreue und Effizienz auch unter unvorhersehbaren Störungen sicherzustellen. Konventionelle mathematische Optimierungsverfahren stoßen bei derart komplexen Problemgrößen an ihre Grenzen, sodass moderne Softwaresysteme weiterhin auf bekannte Heuristiken zurückgreifen. Parallel dazu gelten Simulationsmethoden zur Abbildung dieser komplexen Wirkbeziehungen als bewährt, doch ihre Nutzung erfordert umfassendes Expertenwissen und bleibt herausfordernd. Die Kombination von Reinforcement Learning mit simulationsbasierten Produktionsmodellen bietet einen vielversprechenden Ansatz, da es durch iteratives Lernen effiziente Entscheidungsstrategien für komplexe, dynamische Produktionsumgebungen entwickeln kann. Das Ziel der vorliegenden Dissertation liegt in der Entwicklung einer praxisnahen Methodik zur automatisierten Entscheidungsfindung für die Auftragsfreigabe in komplexen Materialflüssen, um eine hohe Termintreue unter dynamischen Systembedingungen zu gewährleisten. Dazu wird ein systematisches Vorgehen zur Anwendung von Simulation und Reinforcement Learning auf die Produktionssteuerung vorgeschlagen, welches auf realitätsnahe Problemgrößen skalierbar ist. Im Fokus steht außerdem die praktische Einsatzfähigkeit, sodass die Methodik in einem übergreifenden Softwarekonzept implementiert und am Beispiel eines Komponentenherstellers prototypisch angewandt wird.

The manufacturing industry is increasingly confronted with the requirement to guarantee a wide range of products with fast delivery and high adherence to delivery dates, which increases the importance of flexible production structures such as job shop production. However, this flexibility leads to increased effort in production control, as numerous individual production routes must be coordinated in order to meet logistical target values and customer requirements. The increasing complexity and dynamics of modern, highly varied workshop production require automated decision-making in production control to ensure on-time delivery and efficiency even in the event of unforeseeable disruptions. Conventional mathematical optimization methods reach their limits with such complex problem variables, so that modern software systems continue to rely on known heuristics. At the same time, simulation methods for mapping these complex interactions are regarded as proven, but their use requires extensive expert knowledge and remains challenging. The combination of reinforcement learning with simulation-based production models offers a promising approach because it can develop efficient decision-making strategies for complex, dynamic production environments through iterative learning. The aim of this dissertation is to develop a practical methodology for automated decision-making for order release in complex material flows in order to ensure high adherence to delivery dates under dynamic system conditions. For this purpose, a systematic procedure for the application of simulation and reinforcement learning to production control is proposed, which is scalable to realistic problem sizes. The focus is also on practical applicability, so that the methodology is implemented in a comprehensive software concept and applied prototypically using the use case of a component manufacturer.

OpenAccess:
PDF
(additional files)