Am Beispiel moderner Automatisierungssysteme wird deutlich, dass die Steuerung und optimale Führung der technischen Prozesse eng verbunden ist mit der Verfügbarkeit eines möglichst exakten Prozessmodells. Steht jedoch kein Modell des zu steuernden Systems zur Verfügung oder ist das System nicht ausreichend genau analytisch beschreibbar, muss ein adäquates Modell auf der Basis von Beobachtungen (Messdaten) abgeleitet werden. Erschwerend wirken sich hierbei starke Nichtlinearitäten sowie der zeitvariante Charakter der zu identifizierenden Systeme aus. Die Zeitvarianz, beispielsweise durch Alterung oder Verschleiß hervorgerufen, erfordert zusätzlich eine schritthaltende Adaption an den sich verändernden Prozess. Das einmalige, zeitlich begrenzte Erstellen eines Modells ist somit nicht ausreichend. Stattdessen muss zeitlich unbegrenzt "nachtrainiert" werden, was dementsprechend als "Kontinuierliches Lernen" bezeichnet wird. Auch wenn das Ableiten eines Systemmodells anhand von Beobachtungen eine typische Aufgabenstellung für Neuronale Netze ist, stellt die Zeitvarianz Neuronale Netze dennoch vor enorme Probleme. Im Rahmen der Dissertation wurden diese Probleme identifiziert und anhand von unterschiedlichen Neuronalen Netzansätzen analysiert. Auf den sich hieraus ergebenden Ergebnissen steht anschließend die Entwicklung eines neuartigen Neuronalen Netzansatzes im Mittelpunkt. Die besondere Eigenschaft des hybriden ICE-Lernverfahrens ist die Fähigkeit, eine zur Problemkomplexität adäquate Netztopologie selbstständig zu generieren und diese entsprechend des zeitvarianten Charakters der Zielfunktion dynamisch adaptieren zu können. Diese Eigenschaft begünstigt insbesondere schnelles Initiallernen. Darüber hinaus ist das ICE-Verfahren in der Lage, parallel zur Modellausgabe Vertrauenswürdigkeitsprognosen für die aktuelle Ausgabe zur Verfügung zu stellen. Den Abschluss der Arbeit bildet eine spezielle Form des ICE-Ansatzes, bei der durch asymmetrische Aktivierungsfunktionen Parallelen zur Fuzzy-Logik hergestellt werden. Dadurch wird es möglich, automatisch Regeln abzuleiten, welche das erlernte Modell beschreiben. Die "Black-Box", die Neuronale Netze in der Regel darstellen, wird dadurch transparenter. / One of the main requirements for an optimal industrial control system is the availability of a precise model of the process, e.g. for a steel rolling mill. If no model or no analytical description of such a process is available a sufficient model has to be derived from observations, i.e. system identification. While nonlinear function approximation is a well-known application for neural networks, the approximation of nonlinear functions that change over time poses many additional problems which have been in the focus of this research. The time-variance caused for example by aging or attrition requires a continuous adaptation to process changes throughout the life-time of the system, here referred to as continuous learning. Based on the analysis of different neural network approaches the novel incremental construction algorithm ICE for continuous learning tasks has been developed. One of the main advantages of the ICE-algorithm is that the number of RBF-neurons and the number of local models of the hybrid network have not to be determined in advance. This is an important feature for fast initial learning. The evolved network is automatically adapted to the time-variant target function. Another advantage of the ICE-algorithm is the ability to simultaneously learn the target function and a confidence value for the network output. Finally a special version of the ICE-algorithm with asymmetric receptive fields is introduced. Here similarities to fuzzy logic are intended. The goal is to automatically derive rules which describe the learned model of the unknown process. In general a neural network is a "black box". In contrast to that an ICE-network is more transparent.

På senaste tiden har leveransprecision blivit allt viktigare eftersom kunder idag kännetecknas av att vara mer tidskänsliga och ständigt söker efter produkter som är specifikt anpassade till kunden. Tid har därmed betraktats som ett kriterium för konkurrens och är betydande för företag att kunna konkurrera på marknaden. Osäkerheter i marknaden har en stor påverkan på leveransprecision och det är en stor utmaning för företag att planera produktion utifrån dessa osäkerheter. När produktion för en artikel planeras måste en planerare ta hänsyn till osäkerheter som exempelvis att en maskin kan sluta fungera, att en defekt produkt måste omarbetas eller att det tar längre tid än planerat för att utföra ett arbetsmoment som leder till att en ledtid blir längre. Syftet med studien var att identifiera orsaker till skillnaden mellan planerad och verklig produktionstid samt ge förbättringsförslag för att minska skillnaden. Syftet har uppfyllts med hjälp utav en fallstudie på AQ Group i Pålsboda och genom intervjuer där planerad och verklig produktionstid har undersökts. En litteraturstudie har utnyttjats och tre frågeställningar har formulerats till studien. Dessa frågeställningar lyder: Hur ser skillnaden ut mellan planerad och verklig produktionstid? Vad är orsakerna till dessa skillnader? Hur kan dessa orsaker elimineras? Under det teoretiska avsnittet har fokuset varit på cykeltider, ställtider, produktionstid, Lean och produktionsplanering. Resultatet visar en total skillnad på 24 % mellan den planerade och verkliga produktionstiden över en 5-dagarsperiod. Några orsaker som påträffats är att de standardiserade arbetssätten inte är uppdaterade, inte är tvingande för operatörer att utföra och att det inte existerar några illustrationer för standardiseringen. En annan orsak är onödiga arbetsmoment där verktyg ligger långt ifrån arbetsstationerna och ibland fattas som gör att produktionstiden blir längre än planerat. Avslutningsvis presenteras kritiska förbättringsförslag som specifikt påverkar skillnaden i produktionstiderna och allmänna förbättringsförslag som AQ Group i Pålsboda kan ta nytta av för att effektivisera verksamheten. / In recent times delivery precision has become more important to customers, which today are characterized by being more time sensitive and constantly looking for products that are specifically tailored to the customer. Time is being seen as a criterion for competitors and it is important for companies to be able to compete in the market. Uncertainties in the current market have an effect on delivery precision and it is a major challenge for companies to plan production based on these uncertainties. When production for an article is planned, it should be planned in consideration of uncertainties, for example, a machine may break down, a defective product may need a rework or that it takes longer than planned to carry out an operation leading to a longer lead time. The purpose of the study was to identify causes of difference between planned and actual production time and to provide improvement suggestions to reduce the difference. The purpose has been achieved through a case study in AQ Group in Pålsboda with help of interviews where planned and actual production time has been investigated. A literature study has been used as well as three questions. These questions are: What is the difference between planned and actual production time? What are the causes of these differences? How can these causes be eliminated? During the theoretical section, the focus has been on cycle times, setup times, production time, Lean and production planning. The results show a total difference of 24% between the planned and actual production time over a 5-day period. Causes that have been found are that the standardized working methods are not up to date, are not mandatory for operators to perform and that there exist no illustrations for the standardization. Another cause is unnecessary work steps where tools is far away from the workstations and sometimes missing which leads to the production time being longer than planned. Lastly the study provides critical improvement suggestions that specifically affect the differences between planned and actual production times and general improvement suggestions that AQ Group in Pålsboda can take part of to streamline operations.

Am Beispiel moderner Automatisierungssysteme wird deutlich, dass die Steuerung und optimale Führung der technischen Prozesse eng verbunden ist mit der Verfügbarkeit eines möglichst exakten Prozessmodells. Steht jedoch kein Modell des zu steuernden Systems zur Verfügung oder ist das System nicht ausreichend genau analytisch beschreibbar, muss ein adäquates Modell auf der Basis von Beobachtungen (Messdaten) abgeleitet werden. Erschwerend wirken sich hierbei starke Nichtlinearitäten sowie der zeitvariante Charakter der zu identifizierenden Systeme aus. Die Zeitvarianz, beispielsweise durch Alterung oder Verschleiß hervorgerufen, erfordert zusätzlich eine schritthaltende Adaption an den sich verändernden Prozess. Das einmalige, zeitlich begrenzte Erstellen eines Modells ist somit nicht ausreichend. Stattdessen muss zeitlich unbegrenzt "nachtrainiert" werden, was dementsprechend als "Kontinuierliches Lernen" bezeichnet wird. Auch wenn das Ableiten eines Systemmodells anhand von Beobachtungen eine typische Aufgabenstellung für Neuronale Netze ist, stellt die Zeitvarianz Neuronale Netze dennoch vor enorme Probleme. Im Rahmen der Dissertation wurden diese Probleme identifiziert und anhand von unterschiedlichen Neuronalen Netzansätzen analysiert. Auf den sich hieraus ergebenden Ergebnissen steht anschließend die Entwicklung eines neuartigen Neuronalen Netzansatzes im Mittelpunkt. Die besondere Eigenschaft des hybriden ICE-Lernverfahrens ist die Fähigkeit, eine zur Problemkomplexität adäquate Netztopologie selbstständig zu generieren und diese entsprechend des zeitvarianten Charakters der Zielfunktion dynamisch adaptieren zu können. Diese Eigenschaft begünstigt insbesondere schnelles Initiallernen. Darüber hinaus ist das ICE-Verfahren in der Lage, parallel zur Modellausgabe Vertrauenswürdigkeitsprognosen für die aktuelle Ausgabe zur Verfügung zu stellen. Den Abschluss der Arbeit bildet eine spezielle Form des ICE-Ansatzes, bei der durch asymmetrische Aktivierungsfunktionen Parallelen zur Fuzzy-Logik hergestellt werden. Dadurch wird es möglich, automatisch Regeln abzuleiten, welche das erlernte Modell beschreiben. Die "Black-Box", die Neuronale Netze in der Regel darstellen, wird dadurch transparenter. / One of the main requirements for an optimal industrial control system is the availability of a precise model of the process, e.g. for a steel rolling mill. If no model or no analytical description of such a process is available a sufficient model has to be derived from observations, i.e. system identification. While nonlinear function approximation is a well-known application for neural networks, the approximation of nonlinear functions that change over time poses many additional problems which have been in the focus of this research. The time-variance caused for example by aging or attrition requires a continuous adaptation to process changes throughout the life-time of the system, here referred to as continuous learning. Based on the analysis of different neural network approaches the novel incremental construction algorithm ICE for continuous learning tasks has been developed. One of the main advantages of the ICE-algorithm is that the number of RBF-neurons and the number of local models of the hybrid network have not to be determined in advance. This is an important feature for fast initial learning. The evolved network is automatically adapted to the time-variant target function. Another advantage of the ICE-algorithm is the ability to simultaneously learn the target function and a confidence value for the network output. Finally a special version of the ICE-algorithm with asymmetric receptive fields is introduced. Here similarities to fuzzy logic are intended. The goal is to automatically derive rules which describe the learned model of the unknown process. In general a neural network is a "black box". In contrast to that an ICE-network is more transparent.