DE102021128795B4 - System, Verfahren und Computerprogrammprodukt zur optimierten regelbasierten Prozessplanung für eine Entität - Google Patents

System, Verfahren und Computerprogrammprodukt zur optimierten regelbasierten Prozessplanung für eine Entität Download PDF

Info

Publication number
DE102021128795B4
DE102021128795B4 DE102021128795.2A DE102021128795A DE102021128795B4 DE 102021128795 B4 DE102021128795 B4 DE 102021128795B4 DE 102021128795 A DE102021128795 A DE 102021128795A DE 102021128795 B4 DE102021128795 B4 DE 102021128795B4
Authority
DE
Germany
Prior art keywords
quantum
planning
classical
sensors
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
DE102021128795.2A
Other languages
English (en)
Other versions
DE102021128795A1 (de
Inventor
Alissa Helena Wilms
Marian Mularski
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dr Ing HCF Porsche AG
Original Assignee
Dr Ing HCF Porsche AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dr Ing HCF Porsche AG filed Critical Dr Ing HCF Porsche AG
Priority to DE102021128795.2A priority Critical patent/DE102021128795B4/de
Publication of DE102021128795A1 publication Critical patent/DE102021128795A1/de
Application granted granted Critical
Publication of DE102021128795B4 publication Critical patent/DE102021128795B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04Manufacturing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20Models of quantum computing, e.g. quantum circuits or universal quantum computers

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

System (100) zur optimierten regelbasierten Prozessplanung in einer Entität (10), insbesondere für den Produktionsablauf in einer Produktionsanlage wie insbesondere zur Herstellung eines Kraftfahrzeugs, umfassend Sensoren (20) und/oder zumindest eine Datenbank (35) zur Bereitstellung von Daten von ausgewählten Parametern (P) und Variablen (V) für die Prozessplanung, wobei die Sensoren (20) als Uhren, Zähler, Drucksensoren, Piezosensoren, Drehzahlsensoren, kapazitive Sensoren, induktive Sensoren, Temperatursensoren, bildaufnehmende Kameras im sichtbaren Bereich, UV-Kameras im ultravioletten Bereich, IR-Kameras im infraroten Bereich, LIDAR (Light detection and ranging) Systeme mit optischer Abstands- und Geschwindigkeitsmessung, stereoskopische optische Kamerasysteme, Ultraschallsysteme und/oder Radarsysteme ausgebildet sind und über Mobilfunkmodule des 5G-Standards verfügen, um die von den Sensoren (20) aufgenommenen Messdaten in Echtzeit an eine Cloud-Computing-Infrastruktur (80) für die Verarbeitung der Messdaten zu senden; ein klassisches Planungsmodul (30) mit zumindest einem klassischen Prozessor (32) und zumindest einem Speichermodul (34), wobei das klassische Planungsmodul (30) ausgebildet ist, mittels klassischer Algorithmen die bereitgestellten Daten der ausgewählten Parameter (P) und Variablen (V) zu bearbeiten, um zumindest eine klassische Planungsfunktion für einen Prozess, wie insbesondere einen Zeitplan für einen Prozessablauf, zu berechnen; einen Encoder (40), der ausgebildet ist, die Daten der Parameter (P) und Variablen (V) und/oder die berechnete klassische Planungsfunktion als Quantendaten zu kodieren; ein Quantenplanungsmodul (70) mit einem Quantenprozessor (72), wobei das Quantenplanungsmodul (70) ausgebildet ist, mittels Quantenalgorithmen die kodierten Quantendaten der Daten der Parameter (P) und Variablen (V) und/oder der klassischen Planungsfunktion zu bearbeiten, um zumindest eine optimierte Quantenplanungsfunktion zu generieren; einen Decoder (50), der ausgebildet ist, die optimierte Quantenplanungsfunktion zu dekodieren und an das klassische Planungsmodul (30) weiterzugeben; und wobei das klassische Planungsmodul (30) und das Quantenplanungsmodul (40) mit der Cloud-Computing-Infrastruktur (80) über eine Kommunikationsverbindung verbunden sind.

Description

  • Die Erfindung betrifft ein System, ein Verfahren und ein Computerprogrammprodukt zur optimierten regelbasierten Prozessplanung für eine Entität, insbesondere für den Produktionsablauf in einer Produktionsanlage.
  • In der industriellen Fertigung und Produktion ist die optimale Zuordnung von bestimmten oder allgemeinen Arbeitsaufträgen an bestimmte Mitarbeiter und Maschinen sowie die optimale Verwendung von begrenzt vorhandenen Bauelementen und Rohstoffen eine wichtige Organisationsaufgabe. Diese Aufgabe wird aus praktischer als auch mathematischer Sicht im allgemein als sehr komplex angesehen. So ist die Vorhersage zukünftiger Prozessabläufe, wie beispielsweise die Erstellung eines Zeitplans für die Produktion eines Produkts für einen bestimmten Produktionsstandorts, sehr ressourcenintensiv, sowohl hinsichtlich der Anzahl der beteiligten Personen als auch der benötigten Zeit und der Kosten.
  • Die Erstellung einer optimierten Kostenfunktion für die Herstellung eines Produkts weist somit eine hohe Anzahl von Variablen auf und ist aufgrund der möglichen Kombinationen der Variablen sehr komplex. Bei den Variablen handelt es sich insbesondere um zeitliche, physikalische, räumliche und wirtschaftliche Vorgaben. Zudem wächst mit der Größe einer Produktionsanlage die Anzahl der Nebenbedingungen.
  • Es werden daher zunehmend mathematische Verfahren unter Verwendung von klassischen Algorithmen eingesetzt, um Kostenoptimierungsfunktionen zu lösen. Allerdings sind aufgrund der großen Anzahl von Parametern, Variablen und Randbedingungen die Ergebnisse nicht immer sehr zuverlässig und oft zu ungenau, um in der Praxis umgesetzt werden zu können. Dies wird noch verstärkt durch Zeitbeschränkungen für die Berechnung der Analysen aufgrund der hohen Rechenzeiten. Des Weiteren ergeben sich bei komplexen Systemen oft Lösungsräume mit einer Vielzahl von lokalen Nebenmaxima, so dass oft nicht ersichtlich ist, wie tatsächlich das optimale Hauptmaximum und damit die Hauptlösung aussehen könnte.
  • Die WO 2021/072221 A1 beschreibt einen quantenklassischen Hybridansatz zur Lösung von Optimierungsproblemen wie beispielsweise für Produktionsprozesse, Lieferkettenmanagement, Fahrzeugroutenplanung. Das Optimierungsproblem wird in zwei Teilprobleme geteilt. Das erste Teilproblem wird auf einem klassischen Computer gelöst und das Ergebnis des ersten Teilproblems an einen Quantencomputer weitergeleitet. Der Quantencomputer löst dann das zweite Teilproblem auf der Grundlage des Ergebnisses des ersten Teilproblems des klassischen Computers. Der Quantencomputer leitet dann sein Ergebnis wieder an den klassischen Computer, um das erste Problem erneut zu lösen. Die iterative Berechnung wird so lange fortgesetzt, bis eine Endbedingung erfüllt ist.
  • Das Dokument von Yarkoni, Sheir, et al.: „Multi-car paint shop optimization with quantum annealing" (In: 2021 IEEE International Conference on Quantum Computing and Engineering. IEEE, Oct. 2021, S. 35-41) offenbart eine Lösung für die Optimierung des Lackierungsprozesses einer Vielzahl von Kraftfahrzeugen, die mit unterschiedlichen Außenfarben lackiert werden, mittels eines Quantenalgorithmus, so dass die Anzahl der Farbwechsel minimiert werden kann.
  • Das Dokument von Burkacky, Ondrej, et al.: „Will quantum computing drive the automotive future. (In: Report, McKinsey & Company, 2020. S. 33-38) befasst sich mit der Fragestellung, für welche Bereiche und Fragestellungen in der Automobilindustrie Quantencomputing eingesetzt werden kann, wobei ein hybrider Ansatz der Verwendung von klassischen Computern und Quantencomputern als ein tragfähiger Ansatz für die Lösung von Optimierungsaufgaben bewertet wird.
  • Das Dokument von Luckow, Andre, et al.: „Quantum Computing; Towards industry reference problems. (In: Digitale Welt, 2021, 5. Jg., Nr. 2, S. 38-45) befasst sich ebenfalls mit der Fragestellung, für welche Bereiche und Fragestellungen in der Automobilindustrie Quantencomputing eingesetzt werden kann, wobei gleichfalls ein hybrider Ansatz der Verwendung von klassischen Computern und Quantencomputern als ein tragfähiger Ansatz für die Lösung von Optimierungsaufgaben bewertet wird.
  • Eine Aufgabe der vorliegenden Erfindung besteht somit darin, ein System, ein Verfahren und ein Computerprogrammprodukt zur optimierten regelbasierten Prozessplanung für eine Entität, insbesondere für den Produktionsablauf in einer Produktionsanlage, schnell und zeitnah zu schaffen, um hierdurch eine verbesserte Effizienz der Prozessabläufe und der Kostenstruktur zu erreichen.
  • Diese Aufgabe wird hinsichtlich eines Systems durch die Merkmale des Patentanspruchs 1, hinsichtlich eines Verfahrens durch die Merkmale des Patentanspruchs 7, und hinsichtlich eines Computerprogrammprodukt durch die Merkmale des Patentanspruchs 12 erfindungsgemäß gelöst. Die weiteren Ansprüche betreffen bevorzugte Ausgestaltungen der Erfindung.
  • Gemäß einem ersten Aspekt betrifft die Erfindung ein System zur optimierten regelbasierten Prozessplanung für eine Entität, insbesondere für den Produktionsablauf in einer Produktionsanlage wie insbesondere zur Herstellung eines Kraftfahrzeugs. Das System umfasst Sensoren und/oder zumindest eine Datenbank zur Bereitstellung von Daten von ausgewählten Parametern P und Variablen V für die Prozessplanung. Die Sensoren sind als Uhren, Zähler, Drucksensoren, Piezosensoren, Drehzahlsensoren, kapazitive Sensoren, induktive Sensoren, Temperatursensoren, bildaufnehmende Kameras im sichtbaren Bereich, UV-Kameras im ultravioletten Bereich, IR-Kameras im infraroten Bereich, LIDAR (Light detection and ranging) Systeme mit optischer Abstands- und Geschwindigkeitsmessung, stereoskopische optische Kamerasysteme, Ultraschallsysteme und/oder Radarsysteme ausgebildet und verfügen über Mobilfunkmodule des 5G-Standards, um die von den Sensoren aufgenommenen Messdaten in Echtzeit an eine Cloud-Computing-Infrastruktur für die Verarbeitung der Messdaten zu senden. Das System verfügt zudem über ein klassisches Planungsmodul mit zumindest einem klassischen Prozessor und zumindest einem Speichermodul, wobei das klassische Planungsmodul ausgebildet ist, mittels klassischer Algorithmen die Daten der ausgewählten Parameter P und Variablen V für die Prozessplanung zu bearbeiten, um zumindest eine klassische Planungsfunktion für einen Prozess, wie insbesondere einen Zeitplan für einen Prozessablauf, zu berechnen; einen Encoder, der ausgebildet ist, die Daten der Parameter P und Variablen V und/oder die berechnete klassische Planungsfunktion als Quantendaten zu kodieren; ein Quantenplanungsmodul mit einem Quantenprozessor, wobei das Quantenplanungsmodul ausgebildet ist, mittels Quantenalgorithmen die kodierten Quantendaten der Parameter P und Variablen V und/oder der berechneten klassischen Planungsfunktion zu bearbeiten, um zumindest eine optimierte Quantenplanungsfunktion zu generieren; einen Decoder, der ausgebildet ist, die optimierte Quantenplanungsfunktion zu dekodieren und an das klassische Planungsmodul weiterzugeben. Das klassische Planungsmodul und das Quantenplanungsmodul sind mit der Cloud-Computing-Infrastruktur über eine Kommunikationsverbindung verbunden.
  • In einer Weiterentwicklung ist eine Benutzerschnittstelle vorgesehen, die ausgebildet ist, die dekodierte optimierte Quantenplanungsfunktion auszugeben.
  • Vorteilhafterweise umfassen die Quantenalgorithmen einen Grover Fixpunkt Algorithmus und/oder einen Shor-Algorithmus.
  • Insbesondere umfassen die klassischen Algorithmen dynamische Programmierung, Beschränkungs-Programmierung, Algorithmen der künstlichen Intelligenz wie heuristische Evolutionsverfahren mit genetischen Algorithmen, Monte-Carlo-Algorithmen, evolutionäre Algorithmen, memetische Algorithmen und/oder Deep Learning mit neuronalen Netzen.
  • In einer vorteilhaften Ausführungsform ist das klassische Planungsmodul ausgebildet, die klassischen Daten in Echtzeit zu verarbeiten und/oder das Quantenplanungsmodul ist ausgebildet, die kodierten Quantendaten in Echtzeit zu verarbeiten.
  • Vorteilhafterweise ist die Kommunikationsverbindung als Mobilfunkverbindung und/oder einer Nahfeldkommunikationsverbindung wie Bluetooth®, Ethernet, NFC (near field communication) oder Wi-Fi® ausgebildet.
  • Gemäß einem zweiten Aspekt betrifft die Erfindung ein Verfahren zur optimierten regelbasierten Prozessplanung für eine Entität, insbesondere für den Produktionsablauf in einer Produktionsanlage wie insbesondere zur Herstellung eines Kraftfahrzeugs. Das Verfahren umfasst die folgenden Verfahrensschritte: Bereitstellen von Daten von ausgewählten Parametern P und Variablen V für die Prozessplanung mittels Sensoren und/oder einer Datenbank, wobei die Sensoren als Uhren, Zähler, Drucksensoren, Piezosensoren, Drehzahlsensoren, kapazitive Sensoren, induktive Sensoren, Temperatursensoren, bildaufnehmende Kameras im sichtbaren Bereich, UV-Kameras im ultravioletten Bereich, IR-Kameras im infraroten Bereich, LIDAR (Light detection and ranging) Systeme mit optischer Abstands- und Geschwindigkeitsmessung, stereoskopische optische Kamerasysteme, Ultraschallsysteme und/oder Radarsysteme ausgebildet sind und über Mobilfunkmodule des 5G-Standards verfügen, um die von den Sensoren aufgenommenen Messdaten in Echtzeit an eine Cloud-Computing-Infrastruktur für die Verarbeitung der Messdaten zu senden; Weiterleiten der bereitgestellten Daten an ein klassisches Planungsmodul, das zumindest einen klassischen Prozessor und zumindest ein Speichermodul umfasst; Berechnen zumindest einer klassischen Planungsfunktion für einen Prozess, wie insbesondere einen Zeitplan für einen Prozessablauf, von dem Planungsmodul, wobei mittels klassischer Algorithmen die Daten der Parameter P und Variablen V und/oder der berechneten klassischen Planungsfunktion bearbeitet werden; Kodieren der Daten der Parameter P und Variablen V und/oder der berechneten klassischen Planungsfunktion von einem Encoder als Quantendaten; Generieren zumindest einer optimierten Quantenplanungsfunktion von einem Quantenplanungsmodul, wobei das Quantenplanungsmodul zumindest einen Quantenprozessor umfasst, und die kodierten Quantendaten der Parameter P und Variablen V und/oder der berechneten klassischen Planungsfunktion mittels Quantenalgorithmen bearbeitet werden; Dekodieren der optimierten Quantenplanungsfunktion von einem Decoder; Weitergeben der dekodierten Quantenplanungsfunktion von dem Decoder an das klassische Planungsmodul. Das klassische Planungsmodul und das Quantenplanungsmodul sind mit der Cloud-Computing-Infrastruktur über eine Kommunikationsverbindung verbunden.
  • In einer Weiterentwicklung ist vorgesehen, dass die dekodierte optimierte Quantenplanungsfunktion auf einer Benutzerschnittstelle ausgegeben wird.
  • Vorteilhaftweise werden als Quantenalgorithmen ein Grover Fixpunkt Algorithmus und/oder ein Shor-Algorithmus verwendet.
  • Insbesondere werden als klassische Algorithmen dynamische Programmierung, Beschränkungs-Programmierung, Algorithmen der künstlichen Intelligenz wie heuristische Evolutionsverfahren mit genetischen Algorithmen, Monte-Carlo-Algorithmen, evolutionäre Algorithmen, memetische Algorithmen und/oder Deep Learning mit neuronalen Netzen verwendet.
  • In einer vorteilhaften Ausführungsform ist vorgesehen, dass das klassische Planungsmodul die klassischen Daten und/oder das Quantenplanungsmodul die dekodierten Quantendaten in Echtzeit verarbeitet.
  • Gemäß einem dritten Aspekt betrifft die Erfindung ein Computerprogrammprodukt, umfassend einen ausführbaren Programmcode, der so konfiguriert ist, dass er bei seiner Ausführung das Verfahren gemäß dem zweiten Aspekt ausführt.
  • Nachfolgend wird die Erfindung anhand eines in der Zeichnung dargestellten Ausführungsbeispiels näher erläutert.
  • Dabei zeigt:
    • 1 eine schematische Darstellung eines erfindungsgemäßen Systems zur optimierten regelbasierten Prozessplanung für eine Produktionsanlage;
    • 2 ein Flussdiagramm zur Erläuterung der einzelnen Verfahrensschritte eines erfindungsgemäßen Verfahrens;
    • 3 ein Computerprogrammprodukt gemäß einer Ausführungsform der des dritten Aspekts der Erfindung.
  • Zusätzliche Merkmale, Aspekte und Vorteile der Erfindung oder ihrer Ausführungsbeispiele werden durch die ausführliche Beschreibung in Verbindung mit den Ansprüchen ersichtlich.
  • 1 zeigt ein System 100 zur optimierten regelbasierten Prozessplanung für eine Entität 10. Insbesondere kann es sich bei der Entität 10 um eine Produktionsanlage zur Herstellung eines Produktes handeln, wie beispielsweise um eine Produktionsanlage zur Herstellung eines Kraftfahrzeugs handeln. Bei der Produktionsanlage kann es sich auch um einen miteinander vernetzten Verbund von Produktionsanlagen handeln, der ein gemeinsames Produkt oder eine Vielfalt von verschiedenen Produkten entwickelt und herstellt. Insbesondere können auch Lieferketten berücksichtigt werden wie die Produktion durch Dritte sowie Logistikaspekte wie Transportwege und Liefertermine.
  • Es kann sich bei der Entität 10 aber auch um Modellrechnungen für wissenschaftliche Studien, Klimamodelle, ökonomische Modelle wie den Aktienhandel, Entwicklungsprojekte wie eine Medikamentenentwicklung oder eine Produkteinwicklung, Verwaltungsaufgaben, Routenplanung, Softwareentwicklungen beispielsweis für autonomes Fahren, etc. handeln. Eine Entität 10 ist allgemein durch eine Wechselwirkung zwischen physikalischen Objekten und Prozessschritten gekennzeichnet.
  • Eine Produktionsanlage ist üblicherweise in verschiedene Produktionsbereiche und zugehörige Produktionspuffer unterteilt. Die Produktionspuffer enthalten produzierte Bauteile und Komponenten, die im nächsten Produktionsschritt benötigt werden. Die Produktionspuffer dienen dazu, die Produktion unabhängig von kurzen Stillstandzeiten oder Wartungsarbeiten reibungslos laufen zu lassen. Die Produktionsbereiche weisen Maschinenparks auf, die ein oder mehrere Maschinen enthalten und zudem mit Schutzzonen ausgestattet sind. Die Maschinen sind insbesondere als Industrieroboter ausgebildet.
  • Für den Produktionsablauf ist eine Planung vorgesehen, die den jeweiligen Mitarbeitern und den Maschinen die anstehenden Arbeitsaufträge und das dafür vorgesehene Zeitfenster zuweist. Die Planung wird für jeden Schichtwechsel der Mitarbeiter in Echtzeit neu berechnet, damit sie stets auf dem aktuellen Stand ist. Für die Bestimmung eines Arbeitsauftrags sind insbesondere zwei variable Eigenschaften von Bedeutung: der Zeitrahmen, d.h. der Beginn und die Zeitdauer des Arbeitsauftrags, sowie der genaue Ort innerhalb des Maschinenparks, an dem der jeweilige Arbeitsauftrag erledigt wird. Die Planung umfasst zudem die Zuordnung der Arbeitsaufträge zu einer fest vorgegebenen Anzahl von Mitarbeitern, wobei weitere Einschränkungen berücksichtigt werden können.
  • Das Ziel der Planung besteht darin, die Gesamteffizienz Produktionsanlage 10 oder eines Verbundes von Produktionsanlagen zu optimieren. Ein Teilaspekt der Optimierung der Gesamteffizienz der Produktionsanlage ist es beispielsweise, dass die Puffer in der Produktion kontinuierlich gefüllt sind. Gleichzeitig ist es wichtig, eine Über- oder Unterproduktion zu vermeiden. Eine Maßnahme kann daher beispielsweise darin bestehen, verschiedene Arbeitsaufträge von einer Maschine ausführen zu lassen. Mit der Anzahl der in die Planung integrierten Maschinen, die ein wesentlicher Faktor für die Größe der Produktionsanlage ist, steigt die Komplexität der Planung und damit die Schwierigkeit einer Optimierung. Die Planung stellt sich somit als ein hochkomplexes kombinatorisches Optimierungsproblem dar. Insbesondere bei einer Erweiterung des Maschinenparks stößt die Planung schnell an ihre Grenzen. Eine Planungssicherheit unter dem Aspekt der Skalierbarkeit ist jedoch unabdingbar, wenn eine zukunftsorientierte Planung von Prozessschritten und Produktionsvorgängen in einer sich verändernden und erweiternden Produktionsanlage unter Einbeziehung von sich ändernden Randbedingungen wie beispielsweise Lieferschwierigkeiten von Teilkomponenten sichergestellt werden soll.
  • Die Entität 10, wie insbesondere eine Produktionsanlage, lässt sich durch verschiedene Parameter P und Variablen V charakterisieren. Die Parameter P können numerische, zeitliche, räumliche, akustische, optische, chemische und/oder sonstige Eigenschaften umfassen. Die Parameterwerte der verschiedenen Parameter P einer Entität 10 werden mit Sensoren 20 gemessen und stellen die Daten der Sensoren 20 dar. Bei den Sensoren 20 kann es sich beispielsweise um Uhren, Zähler, Drucksensoren, Piezosensoren, Drehzahlsensoren, kapazitive Sensoren, induktive Sensoren, Temperatursensoren und/oder bildaufnehmende Sensoren wie Kameras handeln. Die Kameras sind insbesondere als RGB-Kameras im sichtbaren Bereich mit den Grundfarben Blau, Grün und Rot ausgebildet. Es können aber auch UV-Kameras im ultravioletten Bereich und/oder IR-Kameras im infraroten Bereich insbesondere als Nachtsichtgeräte vorgesehen sein. Zudem können LIDAR (Light detection and ranging) Systeme mit optischer Abstands- und Geschwindigkeitsmessung, stereoskopische optische Kamerasysteme, Ultraschallsysteme und/oder Radarsysteme verwendet werden.
  • Erfindungsgemäß weist das System 100 ein klassisches Planungsmodul 30 und ein Quantenplanungsmodul 70 auf. Das klassische Planungsmodul 30 ist mit zumindest einem Prozessor 32 und zumindest einem Speichermodul 34 versehen. Das klassische Planungsmodul 30 ist ausgebildet, die Daten der Sensoren 20 und/oder oder Daten der Datenbank 35 mittels klassischer Algorithmen zu bearbeiten, um eine Planungsfunktion zu berechnen. Im Rahmen der Erfindung kann die Planungsfunktion auch als Prognosefunktionen oder Optimierungsfunktionen bezeichnet werden.
  • Das quantenmechanische Planungsmodul 70 weist zumindest einen Quantenprozessor 72 auf, der ausgebildet ist, einen Quantenalgorithmus auszuführen. Das Quantenplanungsmodul 70 ist ausgebildet, die Daten der Sensoren 20 und/oder oder Daten der Datenbank 35 mittels Quantenalgorithmen zu bearbeiten, um eine Quantenplanungsfunktion zu generieren. Das klassische Planungsmodul 30 und das Quantenplanungsmodul 70 sind mittels einer Kommunikationsverbindung miteinander verbunden.
  • Die Sensoren 20 geben die Daten der gemessenen Parameterwerte an den Prozessor 32 zur weiteren Verarbeitung weiter. Es ist aber auch denkbar, dass die Daten zunächst in dem Speichermodul 34 oder einem anderen Softwaremodul gespeichert werden und erst zu einem späteren Zeitpunkt von dem Prozessor 32 verarbeitet werden.
  • Es kann des Weiteren vorgesehen sein, dass der Prozessor 32 auf eine Datenbank 35 zugreift, in der die Parameter P und weitere Variablen V und Eigenschaften der gesamten Entität 10 und ihrer Komponenten abgelegt sind. Die Parameter P für eine als Produktionsanlage ausgebildete Entität 10 können beispielsweise die Zeit für den Transport eines Bauteils von einem Ort A zu einem Ort B, die Zeitdauer für einen spezifischen Montagevorgang wie Verschrauben, Schweißen, Lackieren, Fräsen, Stanzen, etc, die Zeitdauer und den Ort für eine Software-Konfigurierung, die Zeitdauer für Testabläufe, etc. umfassen. Insbesondere können Verknüpfungen zwischen den verschiedenen Parametern P und Variablen V der Entität 10 in der Datenbank 35 oder in einem anderen Softwaremodul abgelegt sein. Des Weiteren kann die Datenbank 35 graphische Bilder wie Konstruktionspläne des Fahrzeugs sowie von Teilkomponenten wie beispielsweise von einem Lager eines Getriebes oder des Motors enthalten. Des Weiteren können als weitere Variablen V der Entität 10 Zielgrößen und Zielwerte, die beispielsweise einen Sicherheitsstandard definieren, in der Datenbank 35 abgelegt sein. Insgesamt können somit Informationen bzw. Daten von Variablen V und Parametern P wie Messwerte, Eigenschaften, graphische Bilder, etc. der Entität 10 und die Verknüpfung dieser Variablen V und Parameter P in der Datenbank 35 gespeichert sein.
  • Des Weiteren ist eine Benutzerschnittstelle 90, die als Display ausgebildet sein kann, zur Eingabe von Daten und Informationen und zur Ausgabe von Berechnungsergebnisse vorgesehen.
  • Unter einem „Modul“ kann daher im Zusammenhang mit der Erfindung beispielsweise ein Prozessor und/oder eine Speichereinheit zum Speichern von Programmbefehlen verstanden werden. Beispielsweise ist das Modul speziell dazu eingerichtet, die Programmbefehle derart auszuführen, um das erfindungsgemäße Verfahren oder einen Schritt des erfindungsgemäßen Verfahrens zu implementieren oder zu realisieren.
  • Unter einem klassischen „Prozessor“ kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schaltung oder ein leistungsfähiger Computer verstanden werden. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor oder einen Mikrocontroller, beispielsweise eine anwendungsspezifische integrierte Schaltung oder einen digitalen Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, handeln. Auch kann unter einem Prozessor ein virtualisierter Prozessor, eine virtuelle Maschine oder eine Soft-CPU verstanden werden. Es kann sich beispielsweise auch um einen programmierbaren Prozessor handeln, der mit Konfigurationsschritten zur Ausführung des genannten erfindungsgemäßen Verfahrens ausgerüstet wird oder mit Konfigurationsschritten derart konfiguriert ist, dass der programmierbare Prozessor die erfindungsgemäßen Merkmale des Verfahrens, der Komponente, der Module, oder anderer Aspekte und/oder Teilaspekte der Erfindung realisiert. Außerdem können hochparallele Recheneinheiten und leistungsfähige Grafikmodule vorgesehen sein.
  • Unter einer „Speichereinheit“ oder einem „Speichermodul“ und dergleichen kann im Zusammenhang mit der Erfindung beispielsweise ein flüchtiger Speicher in Form von Arbeitsspeicher (engl. Random-Access Memory, RAM) oder ein dauerhafter Speicher wie eine Festplatte oder ein Datenträger oder z. B. ein wechselbares Speichermodul verstanden werden. Es kann sich bei dem Speichermodul aber auch um eine cloudbasierte Speicherlösung handeln.
  • Unter den aufgenommenen Daten der Sensoren 20 sind im Zusammenhang mit der Erfindung sowohl die Rohdaten als auch bereits aufbereitete Daten zu verstehen.
  • Die Sensoren 20 sind insbesondere drahtlos mittels einer Kommunikationsverbindung wie einer Mobilfunkverbindung oder einer Nahfeldkommunikationsverbindung (Bluetooth®, Ethernet, NFC (near field communication), Wi-Fi®, etc.) mit dem Speichermodul 34 und/oder dem Prozessor 32 und/oder einer anderen Speichereinheit verbunden. Insbesondere ist die Speichereinheit als Cloud-Computing Infrastruktur 80 ausgebildet.
  • Auch die Kommunikationsverbindung zwischen dem klassischen Planungsmodul 30 und dem Quantenplanungsmodul 70 kann drahtlos mittels einer Mobilfunkverbindung oder einer Nahfeldkommunikationsverbindung (Bluetooth®, Ethernet, NFC (near field communication), Wi-Fi®, etc.) ausgebildet sein.
  • Insbesondere verfügen die Sensoren 20 über Mobilfunkmodule des 5G-Standards. 5G ist der Mobilfunkstandard der fünften Generation und zeichnet sich im Vergleich zum 4G-Mobilfunkstandard durch höhere Datenraten bis zu 10 Gbit/sec, der Nutzung höherer Frequenzbereiche wie beispielsweise 2100, 2600 oder 3600 Megahertz, eine erhöhte Frequenzkapazität und damit einen erhöhten Datendurchsatz und eine Echtzeitdatenübertragung aus, da bis zu eine Million Geräte pro Quadratkilometer gleichzeitig ansprechbar sind. Die Latenzzeiten betragen wenige Millisekunden bis unter 1 ms, so dass Echtzeitübertragungen von Daten und von Berechnungsergebnissen möglich sind. Die von den Sensoren 20 aufgenommenen Messdaten können in Echtzeit an die Cloud-Computing-Infrastruktur 80 gesendet werden.
  • Zudem können in der Cloud-Computing-Infrastruktur 80 Analysen und Berechnungen zur Optimierung der Prozessabläufe in der Produktionsanlage 10 durchgeführt werden. Die Berechnungsergebnisse können in Echtzeit insbesondere mittels der Mobilfunkmodule des 5G-Standards an das klassische Planungsmodul 30 zurückgesandt werden, so dass eine Erstellung der Planung in Echtzeit ermöglicht ist. Diese Geschwindigkeit bei der Datenübermittlung ist insbesondere vorteilhaft, wenn cloudbasierte Lösungen für die Verarbeitung der Messdaten verwendet werden sollen. Cloudbasierte Lösungen bieten den Vorteil von hohen und damit schnellen Rechenleistungen. Um die Verbindung zu einer Cloud-Computing-Infrastruktur 80 mittels einer Mobilfunkverbindung zu schützen, sind insbesondere kryptographische Verschlüsselungsverfahren vorgesehen. Kryptographische Verschlüsselungsverfahren können aber auch für die Verbindungen zwischen den Sensoren 20 und dem klassischen Planungsmodul 30 vorgesehen sein.
  • Zur Bearbeitung und Auswertung der Daten, Variablen V und Parameter V verwendet der Prozessor 32 klassische Algorithmen wie dynamische Programmierung oder Beschränkungs-Programmierung (engl. Constraint Programming) oder Algorithmen der künstlichen Intelligenz wie heuristische Evolutionsverfahren mit genetischen Algorithmen, Monte-Carlo-Algorithmen, evolutionäre Algorithmen, memetische Algorithmen und/oder Deep Learning mit neuronalen Netzen.
  • Ein neuronales Netzwerk besteht aus Neuronen, die in mehreren Schichten angeordnet und unterschiedlich miteinander verbunden sind. Ein Neuron ist in der Lage, an seinem Eingang Informationen von außerhalb oder von einem anderen Neuron entgegenzunehmen, die Information in einer bestimmten Art zu bewerten und sie in veränderter Form am Neuronen-Ausgang an ein weiteres Neuron weiterzuleiten oder als Endergebnis auszugeben. Hidden-Neuronen sind zwischen den Input-Neuronen und Output-Neuronen angeordnet. Je nach Netzwerktyp können mehrere Schichten von Hidden-Neuronen vorhanden sein. Sie sorgen für die Weiterleitung und Verarbeitung der Informationen. Output-Neuronen liefern schließlich ein Ergebnis und geben dieses an die Außenwelt aus. Durch die Anordnung und die Verknüpfung der Neuronen entstehen verschiedene Typen von neuronalen Netzwerken wie Feedforward-Netzwerke, Rekurrente Netzwerke oder Convolutional Neural Networks. Die Netzwerke lassen sich durch unbeaufsichtigtes oder überwachtes Lernen trainieren
  • Als Quantenalgorithmus wird im Folgenden ein Algorithmus bezeichnet, der zur Ausführung einen Quantencomputer benötigt. Da in der Quantenmechanik der Zustand eines Systems nicht wie in der klassischen Mechanik exakt vorhersagbar ist und daher einem möglichen Messwert nur eine Wahrscheinlichkeit zuordnen lässt, handelt es sich bei Quantenalgorithmen um probabilistische Algorithmen, die nur eine Wahrscheinlichkeit für ein Ergebnis angeben können. Allerdings kann durch Wiederholung von Rechenoperationen mit dem Quantenalgorithmus die Fehlerwahrscheinlichkeit beliebig klein werden. Für die Berechnung werden verschiedene, gleichzeitig existierende quantenmechanische Zustände von Teilsystemen überlagert (Superpositions-Prinzip). Die Variablen der Algorithmen werden in Quantenbits (Qubits) gespeichert.
  • Insbesondere wird als Quantenalgorithmus der Grover Fixpunkt Algorithmus verwendet, der zur Suche in einer unsortierten Datenbank mit N Einträgen geeignet ist. Der Algorithmus wurde 1996 von Lov Grover veröffentlich und für ihn konnte bewiesen werden, dass mit ihm durchgeführte Rechenoperationen auf Quantencomputern schneller sind als mit klassischen Rechnern.
  • Für die Übermittlung der klassischen Daten des klassischen Planungsmoduls 50 an das Quantenplanungsmodul 70 werden diese an einen Encoder 40 übermittelt, der die Daten in einen Quantenzustand kodiert bzw. umgewandelt. Die kodierten Quantendaten werden im Quantenzustand als Vektor oder Matrix dargestellt und an das Quantenplanungsmodul 70 weitergeleitet.
  • Im Folgenden wird ein Ausführungsbeispiel einer optimierten Prozessplanung am Beispiel eines Zeitplans für die Herstellung eines Produkts mit einer Produktionsanlage beschrieben. Ein Optimierungsparameter ist beispielsweise die Gesamtlaufzeit des Zeitplans, wobei die Gesamtlaufzeit aus einer Überlagerung von Einzellaufzeiten für verschiedene Arbeitsaufträge besteht. Es werden N verschiedene Aufträge betrachtet, die zur Herstellung des Produkts erforderlich sind.
  • In einer klassischen Betrachtungsweise ergeben sich diese N Arbeitsaufträge aus 2n Arbeitsaufträgen: 2 n = N
    Figure DE102021128795B4_0001
  • In einer quantenmechanischen Betrachtungsweise werden diese Arbeitsaufträge im Folgenden in kursiver Schrift als N Arbeitsaufträge bezeichnet mit: 2 n = N
    Figure DE102021128795B4_0002
  • Diese Arbeitsaufträge N / N können an M / M Maschinen ausgeführt werden mit 2 m = M / 2 m = M
    Figure DE102021128795B4_0003
  • Jeder Arbeitsauftrag benötigt eine bestimmte Zeitspanne T in einer Einheit von 1 bis Q Zeiteinheiten für die Fertigstellung: 2 q = Q / 2 q = Q
    Figure DE102021128795B4_0004
  • Die Zeitspannen T können bei jeder Maschine unterschiedlich sein. Als Randbedingungen können beispielsweise auftreten, dass eine Maschine nur einen Arbeitsauftrag zur gleichen Zeit bearbeiten kann und dass jeder Arbeitsauftrag zumindest einmal ausgeführt werden muss. Die Zuordnung zwischen den Maschinen, den sie bedienenden Personen und den definierten Arbeitsaufträgen wird als Zeitplan bezeichnet.
  • Für die Datenverarbeitung in dem Quantenplanungsmodul 70 werden die relevanten Daten in dem Encoder 40 in Bitketten (Bitstrings, Bitvektor) zu Quantendaten umgewandelt, da sie in dem Quantenplanungsmodul 70 in einem quantenmechanischem 2-Zustands-System gespeichert werden müssen.
  • Um eine Superposition bzw. Überlagerung aller möglichen Zeitpläne zu erreichen, wird für jeden Arbeitsauftrag ein Arbeitsauftrags-Zustandsvektor (j .j) erstellt, der aus (m m) Maschineninformations-Qubits und aus (q q) Zeitinformations-Qubits besteht. Die Maschinen-Informations-Qubits kodieren einen Maschinenindex und die Zeitinformations-Qubits kodieren die entsprechende Ausführungszeit des Arbeitsauftrags (j j) auf dieser Maschine. Der Arbeitsauftrags-Zustandsvektor (j .j) ordnet einer Maschine den zugehörigen Arbeitsauftrag zu. Für die weitere Verarbeitung der Daten werden Verfahren wie Hadamard-Gatter auf die Maschineninformations-Qubits angewendet. Danach werden X Gatter auf die Zeitinformations-Qubits angewendet, wobei diese von der Arbeitsauftragszeit abhängen und durch den Maschinenindex gesteuert werden. Durch die (M M)-malige Wiederholung dieses Prozesses werden alle möglichen Arbeitsauftrags-Maschinen-Kombinationen im Arbeitsauftrags-Zustandsvektor (j .j) kodiert. Da es insgesamt (N N) Arbeitsaufträge gibt, werden (N N) Arbeitsauftrags-Zustandsvektoren (j .j) erstellt, die jeweils einem möglichen Zeitplan für die Prozessplanung in der Produktionsanlage 10 darstellen.
  • In einer quantenmechanischen Betrachtungsweise würde eine Messung in einem Quantenschaltkreis bestehend aus den einzelnen (N N) Arbeitsauftrags-Zustandsvektoren (j .j) einen zufälligen Arbeitsauftrags-Zustandsvektor (j .j) ergeben, der jedem Arbeitsauftrag eine zufällige Maschine zuweist und damit einen zufälligen Zeitplan abbildet. Wenn jedoch nicht gemessen wird, befinden sich alle möglichen Zeitpläne in einer Superposition.
  • Um nun aus der Gesamtanzahl von möglichen Zeitplänen den Zeitplan mit der geringsten Fertigstellungszeit zu finden, muss zunächst die Fertigstellungszeit eines jeden Zeitplans berechnet werden. Dazu wird die Gesamtlaufzeit für jede Maschine berechnet. Dies geschieht durch die Addition aller Arbeitsauftragszeiten zu einem neuen Laufzeitvektor (T T) für jede Maschine. Wenn zum Beispiel eine Maschine zwei Aufträge erhält, die 5 und 7 Zeiteinheiten benötigen, würde der Laufzeitvektor (T T) für diese Maschine die Zahl (5+7=12 5+7=12) enthalten.
  • Die Durchführung von arithmetischen Operationen wie einer Addition kann mit Quantenalgorithmen auf verschiedene Weise erreicht werden. In diesem Ausführungsbeispiel wurde die Quanten-Fouriertransformation verwendet, bei dem ein Quantenschalkreis bestehend aus Hadamard-Gattern und Phasengattern implementiert wird. Die Quanten-Fouriertransformation ist wiederum Bestandteil des Shor-Algorithmus, der einen der bekanntesten Quantenalgorithmen darstellt.
  • Um die Gesamtlaufzeit oder die Zeitspanne des Zeitplans zu bestimmen, wird nun das Maximum dieser Laufzeitvektoren (T T) berechnet, wozu wiederum Quantenalgorithmen eingesetzt werden.
  • Beispielhaft werden zwei Maschinen betrachtet. Zwei kodierte Zahlen a und b werden verglichen, indem b von a subtrahiert wird und das Vorzeichen des Ergebnisses in ein Vorzeichen-Qubit eintragen wird, und dann wird b wieder zu a addiert. Ist das Vorzeichen negativ bzw. das Vorzeichen-Qubit beträgt 1, so ist b größer als a, und entsprechend umgekehrt. Nun kann durch das Vorzeichen-Qubit eine gesteuerte Addition durchgeführt werden, um das Maximum der beiden Zahlen in ein separates Register zu kopieren. Da (M M) im Allgemeinen größer als 2 ist, kann dieses Verfahren dazu verwendet werden, zwei mögliche Zeitpläne gleichzeitig auszuschließen, wobei alle möglichen Zeitpläne, d.h. jede mögliche Kombination hinsichtlich der Arbeitsaufträge, der Maschinen und der benötigten Zeiteinheiten, durchlaufen werden.
  • Durch diese Quantenarithmetik ergibt sich eine Superposition aller möglichen Zeitpläne und ihrer jeweiligen Gesamtlaufzeit. Hierdurch wird ein Suchraum erstellt, auf den zur Findung eines Maximums der Grover Fixpunkt Algorithmus angewendet werden kann, um einen optimierten Zeitplan zu finden. Das Berechnungsergebnis des Quantenalgorithmus in Form eines optimierten Zeitplans wird dann über einen Decoder 50 an das klassische Planungsmodul 30 übermittelt. In dem Decoder 50 werden die Quantendaten des optimierten Zeitplans in einen klassischen Code umgewandelt. Der gefundene Zeitplan kann in dem klassischen Planungsmodul 50 noch weiterverarbeitet werden oder direkt über die Benutzerschnittstelle 90 ausgegeben werden. Es ist auch denkbar, dass ein iteratives Berechnungsverfahren zwischen dem klassischen Planungsmodul 30 und dem Quantenplanungsmodul 70 abläuft, so dass durch sich wiederholende Berechnungsschleifen sukzessive die optimale Planungsfunktion generieren wird.
  • In dem beschriebenen Ausführungsbeispiel wird eine sehr einfache Struktur der Arbeitsaufträge dargestellt. Dabei wird eine beliebige Anzahl von N Arbeitsaufträgen auf eine beliebige Anzahl von M Maschinen verteilt und die Aufgabe besteht darin, eine Optimierungsfunktion zu finden, um die Gesamtlaufzeit zu minimieren. Dabei beinhaltet jeder Arbeitsauftrag pro Maschine eine individuelle Laufzeit. Eine Priorisierung bestimmter Arbeitsaufträge wird jedoch nicht berücksichtigt. Zudem werden bestimmte Kombinationen von bestimmten Arbeitsaufträgen und bestimmten Maschinen nicht ausgeschlossen.
  • In einer Weiterentwicklung können jedoch bestimmte Einschränkungen und Randbedingungen (engl. constraints) wie Lieferbedingungen, Klimaneutralität, Umweltbedingungen, etc. vorgesehen sein. Um diese Constraints umzusetzen, können positive oder negative Belohnungen definiert werden, mit denen die Berechnungsergebnisse bewertet werden. Diese Belohnungen können sowohl auf der klassischen Seite in dem klassischen Planungsmodul 50 in einem entsprechend ausgebildeten Algorithmus integriert werden als auch in dem Quantenplanungsmodul 70 in einem Quantenalgorithmus.
  • Eine Belohnung kann sowohl für die individuelle Laufzeit einer einzelnen Maschine oder für die Gesamtlaufzeit des Zeitplans für die Produktionsanlage 10 vorgesehen werden. Beispielsweise kann eine individuelle Beschränkung für jede Maschine derart aussehen, dass bei N=4 Arbeitsaufträge und M=4 Maschinen, die Maschine 1 dafür positiv belohnt wird, die Arbeitsaufträge 1 und 2 zusammen auszuführen. Auf anderen Maschinen ist diese Kombination jedoch nicht erlaubt. Die Gesamtlaufzeit von Maschine 1 reduziert sich um die Laufzeit eines der Arbeitsaufträge 1 und 2, wobei der Arbeitsauftrag mit der kürzeren Laufzeit maßgebend ist. Zudem ist eine Gewichtung im Rahmen einer maximal vorgegebenen Zeitdauer möglich: Sind beispielsweise maximal 16 Zeiteinheiten erlaubt, so könnte die Kombination der Arbeitsaufträge 1 und 1 mit einer Zusatzzeit von 16, eine andere Kombination weniger stark mit 8 gewichtet werden und wiederum eine andere Kombination mit -4 belohnt werden.
  • Neben einer Optimierungsfunktion hinsichtlich der Gesamtlaufzeit sind auch Optimierungsfunktionen hinsichtlich anderer Zielgrößen wie der Anzahl der Maschinen, der eingesetzten Mitarbeiter, der Art der Arbeitsaufträge, etc. möglich. In einer Weiterentwicklung ist vorgesehen, dass nur für bestimmte vorab definierte Prognosefunktionen bzw. Optimierungsfunktionen eine Kodierung der dafür notwendigen spezifizierten Variablen V und Parameter P in dem Encoder 40 vorgesehen ist. Nur diese kodierten Quantendaten der Variablen V und Parameter V werden von dem Encoder 40 an das Quantenplanungsmodul 70 für die Berechnung einer Planungsfunktion weitergegeben
  • Durch die Verwendung des Quantenplanungsmoduls 70 wird eine Beschleunigung der Rechenzeit für eine vorausschauende Prozessplanung für die Entität 10 ermöglicht. Das Quantenplanungsmodul 70 kann die begrenzte Suchraumauswertung bei der alleinigen Verwendung eines klassischen Computers bzw. Planungsmoduls 30 ausgleichen und ermöglicht eine Komplexitätsreduktion, so dass die Voraussetzungen für eine Skalierbarkeit einer vorausschauenden Prozessplanung geschaffen werden. Das Quantenplanungsmodul 70 berechnet aus historischen Daten und Echtzeitdaten eine Prognose für die zukünftig beste Lösung. Insbesondere können kollektive Phänomene wie beispielsweise Produktionsausfälle berechnet werden. Hierdurch können die Ursachen von kollektiven Phänomenen wie beispielsweise Produktionsausfälle in ihrer Komplexität besser verstanden und geeignete Maßnahmen eingeleitet werden.
  • Erfindungsgemäß ist vorgesehen, dass das Quantenplanungsmodul 70 in eine bestehende Hard- und Softwarearchitektur eingebettet werden kann. Dies bedeutet, dass an dem klassischen Teil des Systems 100 keine oder nur geringe Veränderungen vorgenommen werden müssen, um das Quantenplanungsmodul 70 zu integrieren.
  • Ein Verfahren zur optimierten regelbasierten Prozessplanung in einer Entität 10 umfasst die folgenden Verfahrensschritte:
    • In einem Schritt S10 werden Daten von ausgewählten Parametern P und Variablen V für die Prozessplanung mittels Sensoren 20 und/oder einer Datenbank 35 bereitgestellt.
  • In einem Schritt S20 werden die bereitgestellten Daten an ein klassisches Planungsmodul 30, das zumindest einen klassischen Prozessor 32 und zumindest ein Speichermodul 34 umfasst, weitergeleitet.
  • In einem Schritt S30 wird zumindest eine Planungsfunktion für einen Prozess, wie insbesondere einen Zeitplan einen Prozessablauf, von dem Planungsmodul 30 berechnet, wobei die Daten der ausgewählten Parameter P und Variablen V und/oder der berechneten klassischen Planungsfunktion mittels klassischer Algorithmen bearbeitet werden.
  • In einem Schritt S40 werden die Daten der Parameter P und Variablen V und/oder der berechneten klassischen Planungsfunktion von einem Encoder 40 zu Quantendaten kodiert.
  • In einem Schritt S50 wird zumindest eine optimierte Quantenplanungsfunktion von einem Quantenplanungsmodul 70 generiert, wobei das Quantenplanungsmodul 70 zumindest einen Quantenprozessor 72 umfasst, und die kodierten Quantendaten der Parameter P und Variablen V und/oder die berechnete klassische Planungsfunktion mittels Quantenalgorithmen bearbeitet werden.
  • In einem Schritt S60 wird die optimierte Quantenplanungsfunktion von einem Decoder 50 dekodiert.
  • In einem Schritt S70 wird die dekodierte Quantenplanungsfunktion von dem Decoder 50 an das klassische Planungsmodul 30 weitergegeben.
  • Die vorliegende Erfindung bietet durch die Integration von Quantenhardware und quantenmechanischen Berechnungen mittels Quantenalgorithmen in eine bestehende klassische Computing-Umgebung die Möglichkeit, die Rechengeschwindigkeit für komplexe Optimierungsprobleme deutlich zu erhöhen. Hierdurch kann die Skalierbarkeit von bestehenden klassischen Lösungen verbessert werden, da die Komplexität durch einen quantenmechanischen Vorhersagealgorithmus reduziert wird. Dies ermöglicht eine höhere Prognosegenauigkeit, da eine höhere Bandbreite an für eine Prozessplanung relevanten Parametern für die Berechnung eingesetzt werden können.
  • Bezugszeichen
  • 10
    Entität
    20
    Sensoren
    30
    klassisches Planungsmodul
    32
    Prozessor
    34
    Speichermodul
    35
    Datenbank
    40
    Encoder
    50
    Decoder
    70
    Quantenplanungsmodul
    72
    Prozessor
    80
    Cloud-Computing-Infrastruktur
    90
    Benutzerschnittstelle
    100
    System
    200
    Computerprogrammprodukt
    250
    Programmcode

Claims (12)

  1. System (100) zur optimierten regelbasierten Prozessplanung in einer Entität (10), insbesondere für den Produktionsablauf in einer Produktionsanlage wie insbesondere zur Herstellung eines Kraftfahrzeugs, umfassend Sensoren (20) und/oder zumindest eine Datenbank (35) zur Bereitstellung von Daten von ausgewählten Parametern (P) und Variablen (V) für die Prozessplanung, wobei die Sensoren (20) als Uhren, Zähler, Drucksensoren, Piezosensoren, Drehzahlsensoren, kapazitive Sensoren, induktive Sensoren, Temperatursensoren, bildaufnehmende Kameras im sichtbaren Bereich, UV-Kameras im ultravioletten Bereich, IR-Kameras im infraroten Bereich, LIDAR (Light detection and ranging) Systeme mit optischer Abstands- und Geschwindigkeitsmessung, stereoskopische optische Kamerasysteme, Ultraschallsysteme und/oder Radarsysteme ausgebildet sind und über Mobilfunkmodule des 5G-Standards verfügen, um die von den Sensoren (20) aufgenommenen Messdaten in Echtzeit an eine Cloud-Computing-Infrastruktur (80) für die Verarbeitung der Messdaten zu senden; ein klassisches Planungsmodul (30) mit zumindest einem klassischen Prozessor (32) und zumindest einem Speichermodul (34), wobei das klassische Planungsmodul (30) ausgebildet ist, mittels klassischer Algorithmen die bereitgestellten Daten der ausgewählten Parameter (P) und Variablen (V) zu bearbeiten, um zumindest eine klassische Planungsfunktion für einen Prozess, wie insbesondere einen Zeitplan für einen Prozessablauf, zu berechnen; einen Encoder (40), der ausgebildet ist, die Daten der Parameter (P) und Variablen (V) und/oder die berechnete klassische Planungsfunktion als Quantendaten zu kodieren; ein Quantenplanungsmodul (70) mit einem Quantenprozessor (72), wobei das Quantenplanungsmodul (70) ausgebildet ist, mittels Quantenalgorithmen die kodierten Quantendaten der Daten der Parameter (P) und Variablen (V) und/oder der klassischen Planungsfunktion zu bearbeiten, um zumindest eine optimierte Quantenplanungsfunktion zu generieren; einen Decoder (50), der ausgebildet ist, die optimierte Quantenplanungsfunktion zu dekodieren und an das klassische Planungsmodul (30) weiterzugeben; und wobei das klassische Planungsmodul (30) und das Quantenplanungsmodul (40) mit der Cloud-Computing-Infrastruktur (80) über eine Kommunikationsverbindung verbunden sind.
  2. System (100) nach Anspruch 1, mit einer Benutzerschnittstelle (90), die ausgebildet ist, die dekodierte optimierte Quantenplanungsfunktion auszugeben.
  3. System (100) nach Anspruch 1 oder 2, wobei die Quantenalgorithmen einen Grover Fixpunkt Algorithmus und/oder einen Shor-Algorithmus umfassen.
  4. System (100) nach einem der Ansprüche 1 bis 3, wobei die klassischen Algorithmen dynamische Programmierung, Beschränkungs-Programmierung, Algorithmen der künstlichen Intelligenz wie heuristische Evolutionsverfahren mit genetischen Algorithmen, Monte-Carlo-Algorithmen, evolutionäre Algorithmen, memetische Algorithmen und/oder Deep Learning mit neuronalen Netzen umfassen.
  5. System (100) nach einem der Ansprüche 1 bis 4, wobei das klassische Planungsmodul (30) ausgebildet ist, die klassischen Daten in Echtzeit zu verarbeiten und/oder das Quantenplanungsmodul (40) ausgebildet ist, die kodierten Quantendaten in Echtzeit zu verarbeiten.
  6. System (100) nach einem der Ansprüche 1 bis 5, wobei die Kommunikationsverbindung als Mobilfunkverbindung und/oder Nahfeldkommunikationsverbindung wie Bluetooth®, Ethernet, NFC (near field communication) oder Wi-Fi® ausgebildet ist.
  7. Verfahren zur optimierten regelbasierten Prozessplanung in einer Entität (10), insbesondere für den Produktionsablauf in einer Produktionsanlage wie insbesondere zur Herstellung eines Kraftfahrzeugs, umfassend die folgenden Verfahrensschritte: - Bereitstellen (S10) von Daten von ausgewählten Parametern (P) und Variablen (V) für die Prozessplanung mittels Sensoren (20) und/oder einer Datenbank (35), wobei die Sensoren (20) als Uhren, Zähler, Drucksensoren, Piezosensoren, Drehzahlsensoren, kapazitive Sensoren, induktive Sensoren, Temperatursensoren, bildaufnehmende Kameras im sichtbaren Bereich, UV-Kameras im ultravioletten Bereich, IR-Kameras im infraroten Bereich, LIDAR (Light detection and ranging) Systeme mit optischer Abstands- und Geschwindigkeitsmessung, stereoskopische optische Kamerasysteme, Ultraschallsysteme und/oder Radarsysteme ausgebildet sind und über Mobilfunkmodule des 5G-Standards verfügen, um die von den Sensoren (20) aufgenommenen Messdaten in Echtzeit an eine Cloud-Computing-Infrastruktur (80) für die Verarbeitung der Messdaten zu senden; - Weiterleiten (S20) der bereitgestellten Daten an ein klassisches Planungsmodul (30), das zumindest einen klassischen Prozessor (32) und zumindest ein Speichermodul (34) umfasst; - Berechnen (S30) zumindest einer Planungsfunktion für einen Prozess, wie insbesondere einen Zeitplan einen Prozessablauf, von dem Planungsmodul (30), wobei die Daten der ausgewählten Parameter (P) und Variablen (V) und/oder der berechneten klassischen Planungsfunktion mittels klassischer Algorithmen bearbeitet werden; - Kodieren (S40) der Daten der Parameter (P) und Variablen (V) und/oder der berechneten klassischen Planungsfunktion von einem Encoder (40) zu Quantendaten; - Generieren (S50) zumindest einer optimierten Quantenplanungsfunktion von einem Quantenplanungsmodul (70), wobei das Quantenplanungsmodul (70) zumindest einen Quantenprozessor (72) umfasst, und die kodierten Quantendaten der Parameter (P) und Variablen (V) und/oder die berechnete klassische Planungsfunktion mittels Quantenalgorithmen bearbeitet werden, - Dekodieren (S60) der optimierten Quantenplanungsfunktion von einem Decoder (50); - Weitergeben (S70) der dekodierten Quantenplanungsfunktion von dem Decoder (50) an das klassische Planungsmodul (30); wobei das klassische Planungsmodul (30) und das Quantenplanungsmodul (40) mit der Cloud-Computing-Infrastruktur (80) über eine Kommunikationsverbindung verbunden sind.
  8. Verfahren nach Anspruch 7, wobei die dekodierte optimierte Quantenplanungsfunktion auf einer Benutzerschnittstelle (90) ausgegeben wird.
  9. Verfahren nach Anspruch 7 oder 8, wobei als Quantenalgorithmen ein Grover Fixpunkt Algorithmus und/oder ein Shor-Algorithmus verwendet werden.
  10. Verfahren nach einem der Ansprüche 7 bis 9, wobei als klassische Algorithmen dynamische Programmierung, Beschränkungs-Programmierung, Algorithmen der künstlichen Intelligenz wie heuristische Evolutionsverfahren mit genetischen Algorithmen, Monte-Carlo-Algorithmen, evolutionäre Algorithmen, memetische Algorithmen und/oder Deep Learning mit neuronalen Netzen verwendet werden.
  11. Verfahren nach einem der Ansprüche 7 bis 10, wobei das klassische Planungsmodul (30) die klassischen Daten und/oder das Quantenplanungsmodul (40) die dekodierten Quantendaten in Echtzeit verarbeitet.
  12. Computerprogrammprodukt (200), umfassend einen ausführbaren Programmcode (250), der so konfiguriert ist, dass er bei seiner Ausführung das Verfahren nach einem der Ansprüche 7 bis 11 ausführt.
DE102021128795.2A 2021-11-05 2021-11-05 System, Verfahren und Computerprogrammprodukt zur optimierten regelbasierten Prozessplanung für eine Entität Active DE102021128795B4 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102021128795.2A DE102021128795B4 (de) 2021-11-05 2021-11-05 System, Verfahren und Computerprogrammprodukt zur optimierten regelbasierten Prozessplanung für eine Entität

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021128795.2A DE102021128795B4 (de) 2021-11-05 2021-11-05 System, Verfahren und Computerprogrammprodukt zur optimierten regelbasierten Prozessplanung für eine Entität

Publications (2)

Publication Number Publication Date
DE102021128795A1 DE102021128795A1 (de) 2023-05-11
DE102021128795B4 true DE102021128795B4 (de) 2024-05-02

Family

ID=86053080

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021128795.2A Active DE102021128795B4 (de) 2021-11-05 2021-11-05 System, Verfahren und Computerprogrammprodukt zur optimierten regelbasierten Prozessplanung für eine Entität

Country Status (1)

Country Link
DE (1) DE102021128795B4 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021072221A1 (en) 2019-10-09 2021-04-15 Cornell University Quantum computing based hybrid solution strategies for large-scale discrete-continuous optimization problems

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021072221A1 (en) 2019-10-09 2021-04-15 Cornell University Quantum computing based hybrid solution strategies for large-scale discrete-continuous optimization problems

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Burkacky, Ondrej, et al.: „Will quantum computing drive the automotive future. (In: Report, McKinsey & Company, 2020. S. 33-38
BURKACKY, Ondrej; PAUTASSO, L.; MOHR, N.: Will quantum computing drive the automotive future. In: Report, Mckinsey & Company, 2020, S. 33-38.
Luckow, Andre, et al.: „Quantum Computing; Towards industry reference problems. (In: Digitale Welt, 2021, 5. Jg., Nr. 2, S. 38-45
LUCKOW, Andre; KLEPSCH, Johannes; PICHLMEIER, Josef: Quantum computing: Towards industry reference problems. In: Digitale Welt, 2021, 5. Jg., Nr. 2, S. 38-45.
Yarkoni, Sheir, et al.: „Multi-car paint shop optimization with quantum annealing" (In: 2021 IEEE International Conference on Quantum Computing and Engineering. IEEE, Oct. 2021, S. 35-41
YARKONI, Sheir, et al.: Multi-car paint shop optimization with quantum annealing. In: 2021 IEEE International Conference on Quantum Computing and Engineering (QCE). IEEE, Oct 2021. S. 35-41.

Also Published As

Publication number Publication date
DE102021128795A1 (de) 2023-05-11

Similar Documents

Publication Publication Date Title
US20230124864A1 (en) Graph Representation Querying of Machine Learning Models for Traffic or Safety Rules
DE102019114577A1 (de) Systeme, vorrichtungen und verfahren für eingebettete codierungen von kontextbezogenen informationen unter verwendung eines neuronalen netzwerks mit vektorraummodellierung
DE102019209736A1 (de) Verfahren zur Bewertung möglicher Trajektorien
WO2019243029A1 (de) Selektive deaktivierung von recheneinheiten für künstliche neuronale netzwerke
DE102019123455A1 (de) Gemeinsame synthese und platzierung von objekten in szenen
DE102021203440A1 (de) Computerimplementiertes Verfahren, Computerprogramm und Anordnung zum Vorhersagen und Planen von Trajektorien
EP1546823B1 (de) Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme
DE102021128795B4 (de) System, Verfahren und Computerprogrammprodukt zur optimierten regelbasierten Prozessplanung für eine Entität
DE102022118245A1 (de) System, Verfahren und Computerprogrammprodukt zur optimierten Testplanung für das Prototypenmanagement einer Entität
DE102022108379A1 (de) Verfahren, System und Computerprogrammprodukt zum optimierten Konstruieren und/oder Designen einer technischen Komponente
DE102021213344A1 (de) Verfahren zum Ermitteln von Agenten-Trajektorien in einem Multi-Agenten-Szenario
Al-Zinati et al. Simulation of traffic network re-organization operations
Chen et al. MMTP: Multi-modal trajectory prediction with interaction attention and adaptive task weighting
DE102022118246A1 (de) System, Verfahren und Computerprogrammprodukt zur Optimierung der Anzahl von Produktvarianten eines Produkts
DE102020104267A1 (de) Computerimplementiertes Regelungs- oder Folgeregelungsverfahren oder Optimierungsverfahren zur Absicherung von Steuerungsalgorithmen einer Regelung und/oder Regelungsalgorithmen
DE112020006317T5 (de) Computersystem und verfahren zum trainieren eines verkehrsagenten in einer simulationsumgebung
DE102022118244A1 (de) System, Verfahren und Computerprogrammprodukt zur optimierten Testplanung für das Prototypenmanagement einer Entität
DE102021109754A1 (de) Verfahren und Vorrichtung zum Ermitteln von Netzkonfigurationen eines neuronalen Netzes unter Erfüllung einer Mehrzahl von Nebenbedingungen
DE102022113690A1 (de) Verfahren, System und Computerprogrammprodukt zum autonomen intuitiven Kalibrieren eines technischen Bauteils, insbesondere eines Fahrzeugantriebsstrangs für ein Kraftfahrzeug
EP3961329A1 (de) Steuereinheit sowie verfahren zum steuern von transporten einer vielzahl an werkstücken in einem modularen montagesystem mittels eines genetischen algorithmus; montagesystem
DE102022113355A1 (de) Simulationsbasierte korridorgestaltung für verbundene autonome fahrzeuge
CN117193316A (zh) 一种面向协同避障和自主规划的多机器人运动规划方法
DE102022119715A1 (de) Verfahren, System und Computerprogrammprodukt zur objektiven Bewertung der Leistungsfähigkeit eines ADAS/ADS-Systems
DE102022127529A1 (de) Steuerung des automatisierten fahrbetriebs von fahrzeugen mit einem unabhängigen planungsmodell und einem kognitiven lernmodell
DE102022107158A1 (de) Verfahren zum Testen automatisiert agierender Systeme

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division