Please use this persistent identifier to cite or link to this item: doi:10.24405/4338
DC FieldValueLanguage
dc.contributor.advisorFay, Alexander-
dc.contributor.authorLadiges, Jan-
dc.date.accessioned2019-09-20T09:35:26Z-
dc.date.available2019-09-20T09:35:26Z-
dc.date.issued2018-
dc.identifier.otherhttp://edoc.sub.uni-hamburg.de/hsu/volltexte/2018/3210/-
dc.identifier.urihttps://doi.org/10.24405/4338-
dc.description.abstractProduktionssysteme stehen heutzutage einem immer dynamischeren Umfeld gegenüber. Volatile Beschaffungs- und Absatzmärkte, ein steigender Bedarf an individualisierten Produkten sowie sich ändernde Umwelteinflüsse und Technologien gehören zu den wichtigsten Gründen für sich stetig ändernde Anforderungen an die zu produzierenden Produkte und somit auch an die Produktionssysteme. Um diesem dynamischen Umfeld gerecht zu werden, unterliegen Produktionssysteme üblicherweise einer stetigen Evolution. Meist weisen industrielle Produktionssysteme einen hohen Komplexitätsgrad auf, weshalb die vollständigen Auswirkungen solcher Änderungen an den Systemen häufig kaum abschätzbar sind. Von besonderer Bedeutung ist daher, dass vorgenommene Änderungen zum einen gut dokumentiert und zum anderen bewertet werden. Dass dies in der Praxis eher selten der Fall ist, zeigt die in der vorgelegten Arbeit aufgezeigte Literaturrecherche. Um die adressierte wissenschaftliche Lücke aufzuzeigen, werden insb. zwei Arten von Methoden hinsichtlich ihrer Eignung zur Unterstützung von Anlagenevolution untersucht. Modellbasierte Ansätze verwenden Struktur- und/oder Verhaltensmodelle zum Engineering und zur Analyse von Systemen. Wesentlicher Vorteil solcher Ansätze ist der hohe Abstraktionsgrad der verwendeten Modelle. Dem gegenüber steht allerdings der hohe Aufwand, der zur Erstellung der Modelle notwendig ist. Die zweite Art untersuchter Methoden sind modelllernende Ansätze. Sie erlauben eine nahezu aufwandslose Modellerstellung, da sie auf Beobachtungen des Systemverhaltens basieren. Problematisch ist jedoch, dass die resultierenden Modelle einen sehr geringen Abstraktionsgrad aufweisen. Ziel der vorgelegten Arbeit ist es, eine evolutionsunterstützende Methode aufzuzeigen, die insbesondere der Bewertung von Änderungen anhand von Ausprägungen anerkannter Qualitätsmerkmale dient. Hierzu kombiniert der Ansatz modellbasierte und modelllernende Verfahren. Der manuelle Aufwand zur Durchführung des Ansatzes ist dabei möglichst gering gehalten, um o.g. Defiziten entgegenzuwirken. Der allgemeine Ansatz sieht vor, die dynamischen Daten, die an der Schnittstelle zwischen dem technischen Prozess und der Anlagenautomation aufkommen, zu verwenden, um automatisiert Verhaltensmodelle der Anlage zu generieren. Um das Abstraktionsniveau der generierten Modelle und damit deren Interpretierbarkeit hinsichtlich der abgezielten Eigenschaften anzuheben, werden statische a-priori Informationen hinzugezogen. Sie werden in Form eines Informationsmodells entsprechenden Algorithmen zur Generierung und zur Analyse der Verhaltensmodelle zur Verfügung gestellt. Es werden zwei Arten von Petri-Netz- Modellen definiert, die sich (1) zur automatisierten Generierung aus Ereignisdaten, (2) zur automatisierten Analyse hinsichtlich der abgezielten Eigenschaften und (3) zur Erkennung sich ändernden Verhaltens am realen System eignen. Die hierfür benötigten Algorithmen werden ebenfalls in der Arbeit aufgezeigt und diskutiert. Aufgrund ihrer Allgemeingültigkeit wird zur Modellanalyse der Fokus auf nicht-funktionale Eigenschaften gelegt. Welche Eigenschaften im Bereich der industriellen Fertigung bekannt und relevant sind, wird anhand einer umfassenden Literaturrecherche ermittelt. Vorwiegend aus einschlägigen Normen wurden Metriken zur Bestimmung der Merkmalsausprägungen dieser Eigenschaften recherchiert. Hieraus ergibt sich eine Menge an Messelementen, die zur Berechnung der Merkmalsausprägungen herangezogen werden können. Ein Großteil dieser kann mithilfe der generierten Modelle ermittelt werden. Dies wird anhand zweier Fallstudien praktisch evaluiert.-
dc.description.abstractNowadays, production systems have to cope with an ever more dynamic environment. Volatile markets, an increasing demand for individualized products as well as changing environmental and technological influences belong to the most important reasons for ever changing requirements on the products and, therefore, on the production systems. To fulfil the demand of such a dynamic environment, production systems typically undergo a continuous evolution. Most industrial production systems show a high degree of complexity. Accordingly, the full repercussions of such system changes can often not be estimated. Of particular significance is therefore a well documentation and evaluation of system adaptations. This also shows the literature research given in the submitted thesis. To highlight the addressed scientific gap, mainly two kinds of methods have been investigated regarding their suitability for supporting plant evolution. Model based approaches use structure models and/or behaviour models for engineering and analysing systems. The main advantage of such approaches is the high degree of abstraction that the resulting models show. However, engineering of such models usually requires high effort and expert knowledge. The other class of methods are model mining approaches. They allow for almost effortless generation of models since they are based on data gathered by observation of the system behaviour. However, disadvantageous is that the resulting models show a low degree of abstraction. Aim of the present work is to show up a method that supports production plant evolution by evaluating plant changes in terms of well-known and acknowledged quality characteristics. To do so, the approach combines model based methods with model mining methods. The manual effort for applying the approach is kept to a minimum in order to counteract above mentioned deficiencies. The general approach intends to use the dynamic data available at the interface between the production process and its automation system to automatically generate models reflecting the behaviour of the system. To increase the level of abstraction of the resulting models and therefore, their analysability regarding the aimed evaluation characteristics, static a priori information is used. The information is provided in form of an information model which is used by the algorithms for generating and analysing the behaviour models. Two types of petri net based models are defined to model the system behaviour. They are suitable for (1) automated generation from event data, (2) automated analysis regarding quality characteristics, and (3) for detection of changes in the behaviour of the real system. The needed algorithms are also part of the thesis. Due to their general character the main focus of the model analysis is on non-functional characteristics. Which properties are well-known and relevant in the field of industrial manufacturing is established by an extensive literature research. Metrics for determining characteristic values of those properties are mainly taken from pertinent norms and standards. From those, a set of base measurements is derived to calculate the characteristic values. The majority of these base measurements can be determined out of the generated petri-net models. This is practically evaluated by two case studies in the work.-
dc.description.sponsorshipAutomatisierungstechnik-
dc.language.isoger-
dc.publisherUniversitätsbibliothek der HSU / UniBwH-
dc.subjectIndustrielle Automatisierung-
dc.subjectManufacturing Automation-
dc.subjectAnlagenengineering-
dc.subjectPlant Evolution-
dc.subjectModel Generation-
dc.subject.ddc670 Industrielle Fertigung-
dc.titleAutomatisierte Bestimmung von Eigenschaften industrieller Produktionssysteme unter Einfluss evolutionärer Änderungen-
dc.typeThesis-
dcterms.dateAccepted2018-08-31-
dc.contributor.refereeLamersdorf, Wilfried-
dc.identifier.urnurn:nbn:de:gbv:705-opus-32106-
dc.contributor.grantorHSU Hamburg-
dc.type.thesisPhD Thesis-
local.submission.typefull-text-
hsu.dnb.deeplinkhttps://d-nb.info/1167328361/-
item.languageiso639-1de-
item.fulltext_sWith Fulltext-
item.openairetypeThesis-
item.grantfulltextopen-
item.fulltextWith Fulltext-
Appears in Collections:2 - Theses
Files in This Item:
File Description SizeFormat
openHSU_4338.pdf4.55 MBAdobe PDFView/Open
Show simple item record

CORE Recommender

Google ScholarTM

Check


Items in openHSU are protected by copyright, with all rights reserved, unless otherwise indicated.