Seit den 1960er-Jahren wird an der Optimierung von Fabriklayouts geforscht. Gängige Praxis ist die iterative Neuanordnung von Fabrikeinheiten, da Algorithmen als ungeeignet zur Ermittlung realistischer Lösungen gelten. Diese Dissertation widmet sich dem Einsatz von künstlicher Intelligenz zur Layoutoptimierung. Ein wesentlicher Ansatzpunkt ist die simulationsbasierte Bewertung von Layouts, die sowohl einen maßgebenden als auch limitierenden Faktor darstellt. Maßgebend durch die Definition der Randbedingungen und limitierend aufgrund des Bedarfs an Rechenkapazitäten. Diese Arbeit trägt zur Forschung durch die Konzeptionierung einer KI-Architektur bei, die Layouts mit einer vergleichbaren Güte wie eine Simulation bewerten kann. Dies gelingt durch die Kombination eines faltenden neuronalen Netzwerks zur Verarbeitung beliebiger Layouts in Bildform mit einem mehrschichtigen Perzeptron zur Wissensextraktion aus tabellarischen Daten.
Since the 1960s, research has been conducted to optimize factory layouts. Iterative rearrangement of factory units remains common, as algorithms are deemed unsuitable for generating realistic solutions. This dissertation explores the use of artificial intelligence (AI) in factory layout optimization, aiming to enhance the applicability of existing methods while reducing computational demands. A key focus lies on the simulation-based evaluation of layouts, which is both a determining and limiting factor - determining due to the definition of constraints and limiting due to the computational resources required. This research contributes to the field by developing an AI architecture capable of evaluating layouts with quality comparable to simulation. The architecture combines a convolutional neural network for processing arbitrary layouts in image form and a multilayer perceptron for extracting knowledge from tabular information.
Seit den 1960er-Jahren wird an der Optimierung von Fabriklayouts geforscht. Gängige Praxis ist die iterative Neuanordnung von Fabrikeinheiten, da Algorithmen als ungeeignet zur Ermittlung realistischer Lösungen gelten. Diese Dissertation widmet sich dem Einsatz von künstlicher Intelligenz zur Layoutoptimierung. Ein wesentlicher Ansatzpunkt ist die simulationsbasierte Bewertung von Layouts, die sowohl einen maßgebenden als auch limitierenden Faktor darstellt. Maßgebend durch die Definition der Randbedingungen und limitierend aufgrund des Bedarfs an Rechenkapazitäten. Diese Arbeit trägt zur Forschung durch die Konzeptionierung einer KI-Architektur bei, die Layouts mit einer vergleichbaren Güte wie eine Simulation bewerten kann. Dies gelingt durch die Kombination eines faltenden neuronalen Netzwerks zur Verarbeitung beliebiger Layouts in Bildform mit einem mehrschichtigen Perzeptron zur Wissensextraktion aus tabellarischen Daten.
Since the 1960s, research has been conducted to optimize factory layouts. Iterative rearrangement of factory units remains common, as algorithms are deemed unsuitable for generating realistic solutions. This dissertation explores the use of artificial intelligence (AI) in factory layout optimization, aiming to enhance the applicability of existing methods while reducing computational demands. A key focus lies on the simulation-based evaluation of layouts, which is both a determining and limiting factor - determining due to the definition of constraints and limiting due to the computational resources required. This research contributes to the field by developing an AI architecture capable of evaluating layouts with quality comparable to simulation. The architecture combines a convolutional neural network for processing arbitrary layouts in image form and a multilayer perceptron for extracting knowledge from tabular information.
Batteriespeicherflexibilität, die für eine Mehrzwecknutzung an einen Aggregator übermittelt wird, kann in Form von Leistungs- und Energiebändern ausgedrückt werden. Hierfür wurde das Modell „Amplify“ entwickelt. Mit diesem kann beschrieben werden, welche Beiträge einzelne Batteriespeicher für gemeinsam gegenüber dem Stromsystem erbrachte Produkte leisten können. Dabei wird durch das Leistungs- und Energieband nur solche Flexibilität dargestellt, die noch nicht für andere Verpflichtungen eingeplant worden ist. Es konnte gezeigt werden, dass sich mit Amplify Batteriespeicherflexibilität präzise beschreiben lässt. Zudem konnten Konflikte zwischen bestehenden Verpflichtungen, die zu einem Verletzen der Anlagenrandbedingungen führen können, in mit hoher Genauigkeit erkannt werden. Dabei wurde nachgewiesen, dass sich Flexibilität auch auf leistungsschwacher Hardware wie einem Raspberry Pi in weit unter einer Sekunde berechnen lässt und dass das Modell die Privatheit von lokalen Stromverbrauchsdaten erhöhen kann.
Battery storage flexibility, which is transferred to an aggregator for multi-purpose use, can be expressed in the form of power and energy bands. The “Amplify” model was developed to this end. It can be used to describe the contributions that individual batteries can make to products that are jointly supplied to the electricity system. Only the flexibility that has not yet been scheduled for other obligations is represented by the power and energy band. It was shown that Amplify can be used to precisely describe battery storage flexibility. In addition, conflicts between existing obligations that could lead to a violation of the device constraints could be identified with a high accuracy. Hereby, it was also demonstrated that flexibility can be calculated in well under a second, even on low-performance hardware such as a Raspberry Pi, and that the model can increase the privacy of local electricity consumption data.
