h1

000856980 001__ 856980
000856980 005__ 20230328171647.0
000856980 0247_ $$2HBZ$$aHT021678646
000856980 0247_ $$2Laufende Nummer$$a41792
000856980 0247_ $$2datacite_doi$$a10.18154/RWTH-2022-11291
000856980 037__ $$aRWTH-2022-11291
000856980 041__ $$aEnglish
000856980 082__ $$a330
000856980 1001_ $$0P:(DE-82)IDM05538$$aAntons, Oliver$$b0$$urwth
000856980 245__ $$aDistributing decision-making authority: autonomous entities in manufacturing networks$$cvorgelegt von Oliver Antons$$honline
000856980 260__ $$aAachen$$bRWTH Aachen University$$c2022
000856980 300__ $$a1 Online-Ressource : Illustrationen
000856980 3367_ $$02$$2EndNote$$aThesis
000856980 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000856980 3367_ $$2BibTeX$$aPHDTHESIS
000856980 3367_ $$2DRIVER$$adoctoralThesis
000856980 3367_ $$2DataCite$$aOutput Types/Dissertation
000856980 3367_ $$2ORCID$$aDISSERTATION
000856980 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000856980 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2022$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2022$$gFak08$$o2022-12-14
000856980 5203_ $$aDie industrielle Produktion war in den vergangenen Jahren mit einer Reihe von Herausforderungen konfrontiert. Volatile Märkte, steigende Energiekosten und unterbrochene Lieferketten führten zu nachlassender Produktivität sowie einer gestiegenen Planungsunsicherheit. Weiterhin wurde die Komplexität der Produktionsplanung durch die gestiegene Nachfrage nach immer individuelleren Produkten erhöht. Zeitgleich sind die Hersteller mit einer steigenden Computerisierung der Produktionsmaschinen und -abläufe in Form von cyber-physikalischen Systemen (CPS) konfrontiert. Diese Systeme sind in der Lage, basierend auf eingebauten Sensoren ihren Zustand selbst zu bestimmen, Daten zu verarbeiten und in einem Netzwerk zu kommunizieren. Damit stellen sie der Produktion eine ganze Reihe von potentiellen Anwendungsmöglichkeiten zur Verfügung. Dazu gehört auch die Fähigkeit dieser Systeme autonom zu agieren, und damit Teile des gesamten Planungsprozesses selbstständig zu erledigen. Derartige Ansätze basieren auf einer verteilten Steuerung, die sich in ihren charakteristischen Eigenschaften von etablierten und zentralisierten Steuerungssystemen weitestgehend differenziert. In der Literatur beschäftigen sich eine Vielzahl von Forschungsfeldern mit den respektiven Vor- und Nachteilen von zentralisierten und verteilten Steuerungsansätzen. Während zahlreiche Forschungsartikel einen tiefen Einblick in spezielle Steuerungsansätze für bestimmte Produktionsnetzwerke bieten, so fehlt ein übergreifender Rahmen, welcher einen ganzheitlichen Vergleich zwischen diesen fundamentalen Steuerungsansätzen erlauben würde. In dieser Dissertation wird der Begriff der Entscheidungsgewalt in dem Kontext der Produktionssteuerung eingeführt (engl. decision-making authority), um den Entscheidungsspielraum eines autonomen Systems zu beschreiben. Weiterhin werden dabei sowohl zentralisierte sowie verteilte Steuerungsansätze für Produktionsnetzwerke betrachtet - für Produktionsnetzwerke mit Maschinen, welche über das Potential zur Autonomie verfügen. Für zentralisierte Steuerungsansätze agieren diese Maschinen als reine Befehlsempfänger, und haben somit keine Entscheidungsgewalt. In verteilten Steuerungsansätzen hingegen wird den Maschinen jedoch ein gewisser Entscheidungsspielraum zugeteilt, in dem diese autonom ihre Entscheidungsgewalt ausüben können. Basierend auf einer umfangreichen Literaturanalyse werden Umgebungsvariablen eines Produktionsnetzwerkes abgeleitet, welche die Grundlage für ein anspruchsvolles agentenbasiertes Simulationsmodell mit diskretem Zeithorizont bilden. In diesem Simulationsmodell sind die Objekte eines Produktionsnetzwerkes, beispielsweise Maschinen und Produkte, als Agenten repräsentiert. Für zentralisierte Steuerungsansätze folgen diese Agenten einem globalen Plan, der aus der Lösung eines gemischt-ganzzahligen linearen Programms abgeleitet wurde, während in einem verteilten Steuerungsansatz die Agenten in ihrem zugeordneten Entscheidungsspielraum autonom agieren können. Den Hauptteil dieser Dissertation stellen fünf Forschungsartikel dar, die in den Kapiteln II - VI präsentiert werden. Kapitel II betrachtet den historischen Wechsel zwischen zentralisierten und dezentralisierten Steuerungsparadigmen für Produktion, gefolgt von einer Literaturanalyse des Verständnisses von Autonomie in der Produktionsforschung sowie verwandten Forschungsfeldern. Darauf aufbauend wird in Kapitel III die unterschiedliche Wahrnehmung von lokalen Informationen möglicher autonomer Entitäten in Produktionsnetzwerken betrachtet. Kapitel IV erarbeitet einen Komplexitätsrahmen für Produktionssteuerung basierend auf Umgebungsvariablen, die zuvor aus der Literatur abgeleitet wurden. Dieser Komplexitätsrahmen stellt der Forschung und Praxis ein erstes Werkzeug zur generalisierten Evaluierung eines gegebenen Produktionsnetzwerkes für die Anwendung von zentralisierter und verteilter Steuerung zur Verfügung. Dabei wird auf eine selbstentwickelte Simulationsumgebung zurückgegriffen, um die Einflüsse der Umgebungsvariablen zu überprüfen. Kapitel V erweitert die Validierung des Komplexitätsrahmens durch weitere Simulationen, und studiert den Einfluss der Topologie eines Produktionsnetzwerkes auf die Anwendbarkeit der beiden Steuerungsansätze. Kapitel VI erkundet die möglichen Synergien der Kombination verteilter Kontrolle mit maschinellem Lernen für die Steuerung von Produktionsnetzwerken. Die Dissertation endet mit einer kurzen Zusammenfassung der Resultate, einhergehender Limitierungen des Forschungsansatzes sowie Ansatzpunkten für zukünftige Forschung.$$lger
000856980 520__ $$aIndustrial production was faced with increasing challenges in the last years. Market volatility, rising energy costs and disrupted supply networks resulted in an ever-increasing information variability, which decreases productivity and complicates production planning and control (PPC). Moreover, the ever-increasing demand for, and differentiation through customization also makes planning more difficult. At the same time manufacturing networks have seen a further computerization on a machine level by the introduction of cyber-physical systems (CPS). Capable to process information, gather sensor data locally and communicate within a network, these machine provide an enormous increase in potentials for manufacturing networks. Thus, the technical requirements for distributed production control approaches are fulfilled, based on CPS acting as autonomous entities within a manufacturing network. Such distributed production control approaches feature a number of interesting characteristics, which are often quite contrary to established concepts of traditional, centralized production control. In the literature, many research streams are concerned with the advantages and disadvantages of both centralized and distributed control. While many articles provide deep insights into the workings of specialized control approaches for specific manufacturing environments, an overarching framework allowing a holistic comparison between the two fundamental production control approaches is lacking. In this thesis, the term decision-making authority is introduced to describe the level of autonomy an entity is allowed to exhibit with regard to the potential decisions it could make. Furthermore, both centralized and distributed production control approaches for manufacturing networks based on potentially autonomous entities are explored. In the former case, every entity but one central controller is not allowed to exhibit any decision-making authority, acting purely as command recipients. In the latter case, however, the aforementioned entities have a predefined degree of decision-making authority, enabling them to make certain decisions of the production scheduling on their own. Based on environment variables derived by extensive literature review, a sophisticated simulation framework is developed in form of a multi-agent based discrete-event simulation (MAS-DES). This simulation framework represents all objects of a manufacturing network, such as machines and products as agents. These agents can either follow a global plan, derived from a mixed-integer linear program modeling a centralized production control approach, or act autonomously within the scope of their respective decision-making authority in a distributed production control approach. The main part of this thesis consists of five research articles, presented in Chapters II - VI. Chapter II reviews the historic ply between centralized and decentralized control, followed by a structured literature review regarding autonomy in production planning and control, manufacturing and related research streams. Extending this, Chapter III studies the difference in information scopes of different classes of potentially autonomous entities in a manufacturing network. Chapter IV provides guidance to both researchers and practitioners alike by introducing a scheduling complexity framework, based on environment variables derived from the literature. A multi-agent based discrete-event simulation is utilized to validate the framework quantitatively. Following, Chapter V extends the simulations to study the influence of a manufacturing network’s topology on its aptitude for both centralized and distributed production control approaches. Chapter VI explores synergistic potentials between machine learning and distributed production control for manufacturing networks. Lastly, the thesis ends with a conclusion summarizing results, noting limitations and presenting avenues for future research.$$leng
000856980 588__ $$aDataset connected to Lobid/HBZ
000856980 591__ $$aGermany
000856980 653_7 $$aautonomy
000856980 653_7 $$adecision-making authority
000856980 653_7 $$adiscrete-event simulation
000856980 653_7 $$adistributed control
000856980 653_7 $$amulti-agent system
000856980 653_7 $$aproduction planning and control
000856980 7001_ $$0P:(DE-82)IDM02810$$aPeis, Britta$$b1$$eThesis advisor$$urwth
000856980 7001_ $$aHütt, Marc-Thorsten$$b2$$eThesis advisor
000856980 7870_ $$0RWTH-2022-04936$$iRelatedTo
000856980 7870_ $$0RWTH-CONV-245144$$iRelatedTo
000856980 7870_ $$0RWTH-2022-06585$$iRelatedTo
000856980 8564_ $$uhttps://publications.rwth-aachen.de/record/856980/files/856980.pdf$$yOpenAccess
000856980 8564_ $$uhttps://publications.rwth-aachen.de/record/856980/files/856980_sources.zip$$yRestricted
000856980 909CO $$ooai:publications.rwth-aachen.de:856980$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery
000856980 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM05538$$aRWTH Aachen$$b0$$kRWTH
000856980 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02810$$aRWTH Aachen$$b1$$kRWTH
000856980 9141_ $$y2022
000856980 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000856980 9201_ $$0I:(DE-82)815110_20140620$$k815110$$lLehrstuhl für Management Science$$x0
000856980 961__ $$c2022-12-29T15:07:07.137714$$x2022-12-12T16:56:24.885496$$z2022-12-29T15:07:07.137714
000856980 9801_ $$aFullTexts
000856980 980__ $$aI:(DE-82)815110_20140620
000856980 980__ $$aUNRESTRICTED
000856980 980__ $$aVDB
000856980 980__ $$aphd