Home | english  | Impressum | Datenschutz | Sitemap | KIT

M.Sc. Andreas Kuhnle

Akad. Mitarbeiter
Bereich: Produktionssysteme
Sprechstunden: Nach Vereinbarung
Raum: Geb. 50.36, 109
Tel.: +49 721 608-46166
Fax: +49 721 608-45005
Andreas KuhnleSah7∂kit edu

76131 Karlsruhe
Kaiserstraße 12


M.Sc. Andreas Kuhnle

Forschungs- und Arbeitsgebiete:

  • Maschinelles Lernen in der Produktionsplanung und -steuerung
  • Big Data Analysen in der Produktion
  • Industrie 4.0

 

Allgemeine Aufgaben:

  • Lernfabrik für Lean Management und Industrie 4.0
  • Vorlesungsbetreuung Global Production Engineering (Carl-Benz School)

 

Projekte:

  • Intro 4.0 – Befähigungs- und Einführungsstrategien für Industrie 4.0
  • ProData - Wertschöpfung durch Big Data Analysen

 

Dissertation: Anwendung von Reinforcement Learning zur Produktionssteuerung einer komplexen Werkstattfertigung

 

Lebenslauf:

seit 09/2016 Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT) 
2011 - 2016 Studium des Wirtschaftsingenieurwesens am Karlsruher Institut für Technologie (KIT)
17/06/1991 Geboren in Pforzheim

Veröffentlichungen

[ 1 ] Hübner, M.; Liebrecht, C.; Malessa, N.; Kuhnle, A.; Nyhuis, P. & Lanza, G. (2017), „Vorgehensmodell zur Einführung von Industrie 4.0“, wt Werkstattstechnik online, S. 266-272.
Abstract:
Im Zuge der Einführung von Industrie4.0 fühlen sich viele Unternehmen überfordert, zielgerichtete und bedarfsgerechte Einführungsstrategien zu entwickeln. Dieser Fachbeitrag stellt ein unternehmensindividuelles und problemorientiertes Vorgehen vor, bei dem ausgehend von einer Reifegradermittlung Potentiale ermittelt und mit Methoden der Industrie 4.0 gehoben werden. Diskutiert werden die iterativen Schritte für eine problemspezifische Auswahl und Anwendung von Industrie 4.0-Methoden.

[ 2 ] Liebrecht, C.; Jacob, A.; Kuhnle, A. & Lanza, G. (2017), „Multi-Criteria Evaluation of Manufacturing Systems 4.0 under Uncertainty“. Procedia CIRP 63 (2017), Hrsg. Elsevier B.V. , S. 224-229.
Abstract:
Introducing Manufacturing Systems 4.0 is essential for the existence of competing industrial companies. Nevertheless, knowledge about benefits of Manufacturing Solutions 4.0 is limited. This paper introduces an approach to evaluate Manufacturing Systems 4.0. Uncertainty is integrated via fuzzy set theory and stochastic models. The financial impact of non-monetary criteria is directly modelled. A Monte-Carlo Simulation aggregates criteria in a probability distribution of the projects net present value (NPV). Comparing distributions of different alternatives determines the most favorable alternative and analyses potential and risk. Through this concept understanding of Manufacturing Systems 4.0 is improved and their benefits are displayed comprehensively.

[ 3 ] Kuhnle, A.; Kuttler, M.; Dümpelmann, M. & Lanza, G. (2017), „Intelligente Produktionsplanung und -steuerung“, wt Werkstattstechnik online, S. 625-629.
Abstract:
Moderne Produktionstechnik liefert schon heute eine Vielzahl an Prozess- und Produktdaten. Diese werden häufig nur zur effizienten Steuerung von Maschinen verwendet. Weitergehende Ansätze des Advanced Analytics finden v.a. bei kleinen und mittleren Unternehmen (KMU) bisher kaum Anwendung. Dieser Beitrag zeigt auf und diskutiert generelle Einsatzmöglichkeiten und Potentiale von Advanced Analytics in Bezug auf ein effizientes Produktionsmanagement.

[ 4 ] Wagner, R.; Kuhnle, A. & Lanza, G. (2017), „Optimising Matching Strategies for High Precision Products by Functional Models and Machine Learning Algorithms “. WGP-Jahreskongress, Hrsg. Schmitt, R. & Schuh, G., S. 1-9.
Abstract:
Companies are confronted with increasing product quality requirements to manufacture high quality products, close to technological limits, in a cost-effective way. Matching of assembly components offers an approach to cope with this challenge by means of adapted production strategies. To satisfy and optimize precise functionality requirements a model that integrates process variation and functionality is applied to enhance existing matching strategies. This paper demonstrates the implementation of functional models within production strategies for fuel injector systems. The injector system must fulfil high requirements regarding the functionality, i.e. providing a homogeneous fuel mixture at a constant level. To enhance matching strategies and the functional models for the assembled components, a machine learning algorithm will be applied. This model is utilized to determine and quantify a model for the functional relation between pre-process variations and product functionality and to optimize matching strategies by selecting the relevant features.

[ 5 ] Stricker, N.; Kuhnle, A.; Sturm, R. & Friess, S. (2018), „Reinforcement learning for adaptive order dispatching in the semiconductor industry“, CIRP Annals - Manufacturing Technology, S. 511-514. https://doi.org/10.1016/j.cirp.2018.04.041
Abstract:
The digitalization of production systems tends to provide a huge amount of data from heterogeneous sources. This is particularly true for the semiconductor industry wherein real time process monitoring is inherently required to achieve a high yield of good parts. An application of data-driven algorithms in production planning to enhance operational excellence for complex semiconductor production systems is currently missing. This paper shows the successful implementation of a reinforcement learning-based adaptive control system for order dispatching in the semiconductor industry. Furthermore, a performance comparison of the learning-based control system with the traditionally used rule-based system shows remarkable results. Since a strict rulebook does not bind the learning-based control system, a flexible adaption to changes in the environment can be achieved through a combination of online and offline learning.