Detailansicht
Combining metaheuristics and process mining to improve manufacturing processes
Alexander Kinast
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium Wirtschaftswissenschaften (DissG: Wirtschaftsinformatik)
Betreuer*innen
Karl Franz Dörner ,
Stefanie Rinderle-Ma
DOI
10.25365/thesis.74769
URN
urn:nbn:at:at-ubw:1-27426.56858.851462-0
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Industrie und Logistik erleben derzeit einen deutlichen Wandel hin zu neuartigen Technologien wie kooperativen Robotern. Diese kooperativen Roboter können sich einen Arbeitsbereich mit einem menschlichen Arbeiter teilen und mit diesem in verschiedenen Aktivitäten zusammenarbeiten, ohne dass ein Sicherheitsabstand benötigt wird. Durch kurze Setupzeiten führt dies zu einer flexibleren Produktion als je zuvor. Bestehende Scheduling-Probleme berücksichtigen diese flexiblen Ressourcen nicht. Daher ist das erste Ziel dieser Arbeit, bestehende Scheduling-Probleme so zu erweitern, dass vor einem neuen Planugszeitraum kooperative Roboter auf die Arbeitsstationen zugewiesen werden. Das zweite Ziel dieser Arbeit ist es, einen Algorithmus zu erstellen, der die neu erstellten Probleme lösen kann. Um die neu erstellten Scheduling-Probleme mit Zuweisung von kooperativen Robotern zu Arbeitsstation zu losen, können bestehende Metaheuristiken wie ein genetischer Algorithmus eingesetzt werden. Um die Qualität der Ergebnisse des genetischen Algorithmus zu bewerten, wird eine Constraint-Programmierung Formulierung durchgeführt und die Ergebnisse werden verglichen. Die zuvor beschriebene rasante Entwicklung betrifft nicht nur die Produktionsumgebungen in der Industrie, sondern auch Algorithmen, die in verschiedenen praktischen Anwendungen und Forschungsgebieten verwendet werden. In den letzten Jahren wurde eine große Anzahl an Anwendungen für Process-Mining gefunden. Process-Mining beschreibt eine große Menge an Algorithmen, welche ein Prozessmodell aus einem Prozessprotokoll erstellen. Das finale Ziel der Arbeit ist es, Metaheuristiken mit Process-Mining-Algorithmen zu kombinieren. Es wird hier gezeigt, dass die Leistung eines memetischen Algorithmus durch eine neuartige Kombination mit Process-Mining-Algorithmen gesteigert werden kann.
Abstract
(Englisch)
Industry and logistics currently experience a significant shift towards novel technologies such as cooperative robots (cobots). These cobots can share a workspace with a human worker without needing a safe zone and cooperate with humans in different activities. Additionally, these cobots have short setup times which lead to more flexible production than ever before. Existing scheduling problems do not consider these flexible resources. Therefore, the first aim of this thesis is to extend existing scheduling problems with a cobot to workstation assignment which can be done before a planning period starts. The second aim of this work is to create an algorithm that can solve the newly introduced problems. Therefore, after introducing this extended cobot assignment and scheduling problems, existing metaheuristics, like a genetic algorithm, can be used to generate solutions. To rate the quality of the results generated by the metaheuristic, the problems are solved with a constraint programming formulation, and the results are compared. The rapid development described before affects not only the production environments in the industry but also algorithms used in different practical applications and research areas. Over the last few years process mining has found a large number of applications. Process mining describes a large set of algorithms which create a process model from a process event log. This work’s final aim is to combine metaheuristics and process mining algorithms. It is shown that a memetic algorithms performance can be boosted through a novel combination with a process mining algorithm.
Schlagwörter
Schlagwörter
(Deutsch)
Metaheuristiken Process Mining Optimierung
Schlagwörter
(Englisch)
Metaheuristics process mining optimization
Autor*innen
Alexander Kinast
Haupttitel (Englisch)
Combining metaheuristics and process mining to improve manufacturing processes
Publikationsjahr
2023
Umfangsangabe
X, 86 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Thomas Spengler ,
Günther Raidl
Klassifikation
54 Informatik > 54.52 Software engineering
AC Nummer
AC16994984
Utheses ID
67884
Studienkennzahl
UA | 796 | 305 | 175 |