Dieses Bild zeigt Johannes  Sigel

Johannes Sigel

M.Sc.

Akademischer Mitarbeiter
Institut für Automatisierungstechnik und Softwaresysteme

Kontakt

+49 711 685 67305
+49 711 685 67302

Pfaffenwaldring 47
70569 Stuttgart
Deutschland
Raum: 1.136

Forschungsschwerpunkt:

Kontextabhängige Entscheidungsoptimierung von komplexen modularen Automatisierungssystemen in dynamischen Umgebungen

 

Beschreibung:

Modulare Automatisierungssysteme, wie sie gegenwärtig in zunehmendem Maße in Produktionsanlagen zum Einsatz kommen, sind darauf angewiesen, sich kontinuierlich neuen Gegebenheiten anzupassen. Insbesondere die Transportfahrzeuge, welche die Aufgabe erfüllen, verschiedene Werkstücke zwischen den Anlagen zu transferieren, gewinnen zunehmend an Bedeutung. In Abhängigkeit von der jeweiligen Auftragslage ist die kurzfristige Umsetzung von Änderungen in der Zusammenarbeit der Fahrroboter erforderlich. Die dynamische Umgebung, in der die Fahrzeuge agieren, führt zudem zu einer Vielzahl an unvorhergesehenen Situationen, auf die die Transportroboter adäquat und sicher reagieren müssen.

Im Rahmen dieses Forschungsprojekts wird ein Konzept entwickelt, welches einen anpassungsfähigen Aufbau und eine flexible Kommunikation von verschiedenen Modulen eines Automatisierungssystems ermöglicht. Entsprechend des Agentenansatzes erfolgt eine gemeinsame Verhandlung der Module hinsichtlich der Ausführung eines Auftrags. So kann das System nach verschiedenen Parametern und Aspekten, darunter Kosten, Auslastung, Nachhaltigkeit und Safety, während der Laufzeit optimiert werden.

Zur Umsetzung und Evaluierung der Konzeption wird ein Modellprozess mit einem System aus verschiedenen Unmanned Grounded Vehicles (UGVs) realisiert. Diese werden mit Large-Language-Model-basierten Agenten (LLM-Agenten) ausgestattet, da diese in der Lage sind, verschiedenste Formen von Informationen zu verarbeiten und auszuwerten. Durch die LLM-Auswertung der Umgebungsinformationen ist es nun möglich, den Kontext der aktuellen Situation zu erfassen und somit flexibel auf die jeweiligen unterschiedlichen Situationen zu reagieren. Dabei hilft auch die umfangreiche Wissensbasis, mit der die LLM-Agenten trainiert wurden, sodass auch in unvorhergesehenen Situationen ein verbesserter Entscheidungsprozess durchgeführt werden kann.

Institutsleitung

Lehrbeauftragter

Sekretariat

Angestellte

Akademische Mitarbeiter

Digitaler Zwilling für die Automatisierungstechnik

Komplexitätsbeherrschung in der Automatisierungstechnik

Intelligente und perzeptive Systeme

Risikoanalyse und Anomalieerkennung für vernetzte Automatisierungssysteme

Stipendiat Graduate School of Excellence advanced Manufacturing Engineering (GSaME)

Externe Doktoranden

Auszubildende

Zum Seitenanfang