X-Kanban wird kofinanziert durch ZIM – Zentrales Innovationsprogram Mittelstand

 

Entwicklung eines selbstlernenden E-Kanban-Systems mit funkbasierten Sensormodulen namens X-Kanban.

 

Im Projektvorhaben X-Kanban wird ein selbstlernendes eKanban-Systems unter Verwendung optischer Sensormodule entwickelt, welches funkbasiert und batteriebetrieben zur automatisierten Echtzeit-Bedarfsmeldung von Klein-, Groß- und Spezialladungsträger eingesetzt werden können. Zentraler Bestandteil ist die Verwendung von Online-Lernverfahren zur optimalen Dimensionierung der Kanban-Regelkreise in Kombination mit einer Simulationsumgebung für Initiallösungen. Der Batteriebetrieb ist notwendige Voraussetzung, um eine schnelle Installier- und Anwendbarkeit der Lösung im Sinne des Plug-and-Play zu gewährleisten. Dies führt neben der Kanban-Optimierung zur Entwicklung eines neuartigen Energiemanagements für die Endgeräte. Letzteres beinhaltet die Nutzung von Machine Learning Algorithmen zur kontinuierlichen Optimierung der Stand-By-, Power-Down- und Aktiv-Phasen der funktionalen Komponenten Sensorik und Funkübertragung sowie die Integration des Energy Harvesting. Signal Cruncher ist für die Entwicklung der Online-Lernverfahren zur Kanban-Steuerung verantwortlich sowie für die adaptive Steuerung des Energiemanagements.

Förderformat: ZIM – Zentrales Innovationsprogramm Mittelstand, Kooperationsnetzwerk STRATUS begleitet durch embeteco

Projektpartner:

 

 

 

Ziele:

  • Entwicklung eines selbstlernenden E-Kanban-Systems basierend auf Reinforcement Learning (RL)
  • Integration von intelligenten Füllstandserkennung durch optische Sensoren
  • Schaffung einer funkbasierten batteriebetriebenen Bestandsinfrastruktur
  • Minimierung der Gesamtspeicherkosten in komplexen industriellen Produktionssystemen, Entwicklung
    eines energieeffizienten Systems zur Bedarfserkennung und -vorhersage

Erwartete Ergebnisse:

  • Einrichtung eines RL-basierten Frameworks zur Echtzeitsteuerung von E-Kanban-Systemen
  • Automatische prädiktive E-Kanban-Lösung unter Verwendung eines LoRa-LPWAN-Netzwerks für Sensoren
  • Toolkit zur lokalen energieeffizienten Füllstandserkennung, insbesondere für 2D
  • Validierung der Ergebnisse im realen Produktionsprozess, beginnend mit Labortests