1. Proceedings
  2. I3M
  3. 2018
  4. EMSS
  5. 10.46354/i3m.2018.emss.014

Process model for a simulation-based early warning system using Artificial Intelligence

  • a David Weigert  ,
  • b Tim Lippke  ,
  • c Tobias Reggelin  , 
  • d Michael Schenk  
  • a, b, c, d Otto von Guericke University Magdeburg, Magdeburg (Germany)
Cite as
Weigert D., Lippke T., Reggelin T., Schenk M. (2018). Process model for a simulation-based early warning system using Artificial Intelligence. Proceedings of the 30th European Modeling & Simulation Symposium (EMSS 2018), pp. 97-106. DOI: https://doi.org/10.46354/i3m.2018.emss.014

Abstract

In the present paper a procedure model for forecasting component of an early warning system is developed. For this purpose, the simulation tool Siemens - Plant Simulation is combined with Artificial Intelligence (AI) in the form of neural networks. A prototypical production layout is used to calculate the system throughput under different parameter configurations (eg. processing times, buffer sizes). The simulation results are used to train a neural network, which then predicts the system throughput based on the current parameter configuration. The article should show the possibility and the benefits of the combination of simulation and AI. Two approaches have been developed. The first approach describes a general procedure for combining simulation and AI as an early warning system in production and logistics. The second approach describes a possible improvement of the prognosis and solution quality of the system. Here, commercial tools (Matlab, Excel) and open-source tools (TensorFlow, Kreas) were used.

References

  1. Bousonville, T.: Logistik 4.0: Die digitale Transformation der Wertschöpfungskette.
    Wiesbaden: Springer Gabler 2017.
  2. Chen, H.; Chiang, R.H.; Storey, V.C.: Business intelligence and analytics. Management information systems : mis quarterly 36 (2012) 4, S. 1165–1188.
  3. Faingloz, L.; Tolujew, J.: Simulation Modelling Application in Real-time Service Systems. Procedia Engineering 178 (2017), S. 200–205.
  4. Gössler, G., Tiefenbrunner, M.: Selbstlernende Analyse-, Planungs- und Optimierungs-Modelle für reale und virtuelle SCM-Netzwerke. In: Engelhardt- Nowitzki, C.; Krenn, B.; Nowitzki, O. (Hrsg.): Management komplexer Materialflüsse mittels Simulation. s.l.: Gabler Verlag 2008, S. 147–162.
  5. Gruber, M.; Rinner, M.; Löscher, T.; Almeder, C.; Hartl, R.; Katzensteiner, S.: Vorausschauende
    Produktionsregelung durch simulationsbasierte heuristische Optimierung. In: März, L.; Krug, W.;
    Rose, O.; Weigert, G. (Hrsg.): Simulation und Optimierung in Produktion und Logistik. Berlin,
    Heidelberg: Springer-Verlag Berlin Heidelberg 2011, S. 65–77.
  6. Hanisch, A.; Tolujew, J.; Richter, K.; Schulze, T.: Online simulation of pedestrian flow in public
    buildings. In: Chick, S.E. (Hrsg.): Proceedings of the 2003 Winter Simulation Conference, New
    Orleans, LA, USA, 7-10 Dec. 2003, 2003, S. 1635– 1641.
  7. Hanisch, A.; Tolujew, J.; Schulze, T.: Initialization of Online Simulation Models. In: Kuhl, M.E. (Hrsg.): Proceedings of the 2005 Winter Simulation Conference, Orlando, FL. USA, Dec. 4, 2005, 2005, S. 1795–1803.
  8. Hausladen, I.: IT-gestützte Logistik: Systeme - Prozesse - Anwendungen. Wiesbaden: Springer Gabler 2016.
  9. Hausman, W.H.; Lee, H.; Subramanian, U.: Global Logistics Indicators, Supply Chain Metrics, and
    Bilateral Trade Patterns. SSRN Electronic Journal (2005).
  10. Helmig, J., Schmidt, C., Kompa, S.: Zeitdynamische Simulation in der Produktion. In: Schuh, G.; Stich, V. (Hrsg.): Produktionsplanung und -steuerung 2. Berlin: Springer 2012, S. 195–231.
  11. Heuer, J.: Neuronale Netze in der Industrie: Einführung - Analyse - Einsatzmöglichkeiten. Wiesbaden: Deutscher Universitätsverlag 1997.
  12. Hinton, G.E.; Salakhutdinov, R.R.: Reducing the dimensionality of data with neural networks.
    Science (New York, N.Y.) 313 (2006) 5786, S. 504–507.
  13. Hotz, I.: Simulationsbasierte Frühwarnsysteme zur Unterstützung der operativen Produktionssteuerung und -planung in der Automobilindustrie. Magdeburg, Otto-von-Guericke Universität,Dissertation, 2007.
  14. Hotz, I.; Hanisch, A.; Schulze, T.: Simulation-Based Early Warning Systems as a Practical Approach for the Automotive Industry. In: Proceedings of the 38th conference on Winter simulation, Monterey, CA, USA, 3/12/2006 - 6/12/2006, 2006, S. 1962–1970.
  15. John Walker, S.: Big Data. International Journal of Advertising 33 (2015) 1, S. 181–183.
  16. Li, Y.; Kramer, M.R.; Beulens, A.J.M.; van der Vorst, J.G.A.J.: A framework for early warning and
    proactive control systems in food supply chain networks. Computers in Industry 61 (2010) 9, S.
    852–862.
  17. Lueth, K. L., Patsioura, C., Williams, Z. D., Kermani, Z. Z., 2016: Industrial Analytics 2016/2017: The current state of data analytics usage in industrial companies. Hg. v. IOT Analytics, Digital Analytics Association Germany.
  18. Markwardt, U., Schulze, F.: Neuronale Netze als Meta- Modelle in der Materialfluss-Simulation. In: Hohmann, R. (Hrsg.): Simulationstechnik, Magdeburg, 16.09.2003, 2003, S. 397–402.
  19. März, L.; Krug, W.; Rose, O.; Weigert, G. (Hrsg.): Simulation und Optimierung in Produktion und
    Logistik: Praxisorientierter Leitfaden mit Fallbeispielen. Berlin, Heidelberg: Springer-Verlag
    Berlin Heidelberg 2011.
  20. Rabe, M.; Hellingrath, B. (Hrsg.): Handlungsanleitung Simulation in Produktion und Logistik: Ein
    Leitfaden mit Beispielen für kleinere und mittlere Unternehmen. Erlangen, San Diego, Calif.: SCS European Publ. House; SCS International 2001.
  21. Reggelin, T.; Schauf, C.; Lang, S.; Weigert, D.: Application of discrete-rate based mesoscopic
    simulation models for production and logistics planning. In: The 19th International Conference on Harbor, Maritime and Multimodal Logistics Modelling and Simulation (HMS 2017): Barcelona, Spain, September 18-20, 2017. Genova: DIME Università 2017, S. 141–147.
  22. Schenk, M.; Wirth, S.; Müller, E.: Fabrikplanung und Fabrikbetrieb: Methoden für die wandlungsfähige, vernetzte und ressourceneffiziente Fabrik. Berlin: Springer Vieweg 2014.
  23. Schmidt, T.: Grobplanung mit künstlichen neuronalen Netzwerken für die Halbleiterfertigung. Heimsheim: Jost-Jetter 2000.
  24. choenherr, T.; Speier-Pero, C.: Data Science, Predictive Analytics, and Big Data in Supply Chain
    Management. Journal of Business Logistics 36 (2015) 1, S. 120–132.
  25. Schulze, F., Marquardt, H.-G: Neuronale Netze in der Materialflußsimulation. In: Mertins, K. (Hrsg.): The new simulation in production and logistics: prospects, views and attitudes. Berlin: IPK Eigenverl. 2000, S. 473–482.
  26. Timm, I. J., Lattner, A.D.: Künstliche Intelligenz in der Logistik. KI - Künstliche Intelligenz 24 (2010) 2, S. 99–103.
  27. VDI 3633: Simulation of systems in materials handling, logistics and production. Berlin, Düsseldorf: Beuth 2013.
  28. Waller, M.A.; Fawcett, S.E.: Data Science, Predictive Analytics, and Big Data. Journal of Business
    Logistics 34 (2013) 2, S. 77–84.
  29. Weber, M.: Vorgageermittlung mit künstlichen neur onalen netzen für die variantenreiche
    kleinserienfertigung. Heinsheim: Jost Jetter Verlag 1999.
  30. Weigert, D.: Development of an early warning system in production and logistics through the combination of artificial intelligence and material flow simulation. In: 10th International Doctoral Students Workshop on Logistics, June 20, 2017, Magdeburg. OvGU 2017, S. 57–62.
  31. Weigert, D.: Prozessbegleitende Simulation, Analyse, Planung und Steuerung logistischer Systeme. Ressourceneffiziente Produktion und Logistik : 18. Forschungskolloquium am Fraunhofer IFF (2017b),S. 19–28.