Home | english  | Impressum | Datenschutz | Sitemap | KIT

M.Sc. Andreas Kuhnle

Teamleiter Produktionssystemplanung
Bereich: Produktionssysteme
Sprechstunden: Nach Vereinbarung
Raum: Geb. 50.36, 110
Tel.: +49 1523 9502593
Andreas KuhnleOam9∂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.

[ 6 ] Kuhnle, A.; Jakubik, J. & Lanza, G. (2018), „Reinforcement learning for opportunistic maintenance optimization“, Production Engineering, Band 1, S. 33-41. https://doi.org/10.1007/s11740-018-0855-7
Abstract:
Intelligent systems, that support the maintenance of production resources, offer real-time data-based approaches to optimize the maintenance effort and to reduce the usage of resources within production systems. However, unused potentials remain regarding maintenance schedules with minimal opportunity costs of the measures taken. This work provides a novel, machine-learning-based approach for the exploitation of these remaining optimization opportunities as an exemplary extension of the current state of the art. The determination of an optimal maintenance schedule for parallel working machines, is based on the data of a production system. The main result of this work is the performance of the implemented reinforcement learning algorithms, both in terms of downtime reduction, which increases the production output, and in terms of reducing maintenance costs compared to existing maintenance strategies. Hence, this work provides a holistic approach to the optimization of maintenance strategies and gives further evidence of a meaningful applicability of reinforcement learning algorithms in manufacturing processes.

[ 7 ] Lanza, G.; Nyhuis, P.; Hübner, M.; Kuhnle, A.; Liebrecht, C.; Malessa, N. & Ungermann, F. (2018), Industrie 4.0 für die Praxis: Befähigungs- und Einführungsstrategien, TEWISS Verlag, TEWISS-Technik und Wissen GmbH, Garbsen. ISBN/ISSN: 978-3-95900-224-0
Abstract:
Eine effiziente und zielgerichtete Einführung von Informations- und Kommunikationstechniken im Sinn der Vision von Industrie 4.0 in die Fabriken produzierender Unternehmen verspricht große Produktivitätsgewinne. Bei der Realisierung dieser Vorteile stehen jedoch insbesondere mittelständische Unternehmen vor großen Herausforderungen. Unzureichende Ressourcen und mangelndes Know-how erschweren die Einführung neuer Technologien und Methoden. Insbesondere hohe Investitionen in Technologien stellen für mittelständische Unternehmen ein Hindernis dar. Darüber hinaus ist aufgrund der unterschiedlichen Entwicklungsstufen die Einführung von Lösungen in einem Unternehmen in Abhängigkeit vom aktuellen „Industrie 4.0 Reifegrad“ entscheidend, um finanzielle und damit wirtschaftliche Risiken zu minimieren. Erfolgskritische Faktoren für die Realisierung stellen dabei vor allem auch betroffene Mitarbeiter und Führungskräfte dar. Sie sind als Umsetzer und Anwender von Industrie 4.0 sowie als Entscheider in der Produktion zu verstehen. Dieses Buch stellt eine Zusammenfassung der wesentlichen Ergebnisse von drei Jahren Forschung und Anwendung in der Praxis dar. In Verbindung mit den im Projekt entwickelten Werkzeugen bildet es einen Handlungsleitfaden, der die Einführung von Industrie 4.0-Methoden in KMU durch ein strukturiertes Vorgehen zur Entwicklung einer eigenen Einführungsstrategie vereinfacht.

[ 8 ] Ungermann, F.; Kuhnle, A.; Stricker, N. & Lanza, G. (2019), „Entscheidungsunterstützungssysteme in der Produktion“, ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, S. 34-38.
Abstract:
Bayessche Netze werden vielfach zur Fehlerdiagnose angewendet. Eine praxistaugliche standardisierte Vorgehensweise zur Konfiguration und Implementierung als Entscheidungsunterstützungssystem im Produktionsumfeld existiert jedoch nicht. Dieser Beitrag stellt ein solches Vorgehen vor, welches Unternehmen als Richtlinie dient, die Bayessche Netze zur Fehlerdiagnose einsetzen möchten. Der Ansatz wird an einer Erodierlinie exemplarisch angewendet.

[ 9 ] Kuhnle, A.; Röhrig, N. & Lanza, G. (2019), „Autonomous order dispatching in the semiconductor industry using reinforcement learning“, Procedia CIRP - 12th CIRP Conference on Intelligent Computation in Manufacturing Engineering, S. 391-396. https://doi.org/10.1016/j.procir.2019.02.101
Abstract:
Cyber Physical Production Systems (CPPS) provide a huge amount of data. Simultaneously, operational decisions are getting ever more complex due to smaller batch sizes, a larger product variety and complex processes in production systems. Production engineers struggle to utilize the recorded data to optimize production processes effectively because of a rising level of complexity. This paper shows the successful implementation of an autonomous order dispatching system that is based on a Reinforcement Learning (RL) algorithm. The real-world use case in the semiconductor industry is a highly suitable example of a cyber physical and digitized production system.

[ 10 ] Kuhnle, A. & Lanza, G. (2019), „Investigation of closed-loop supply chains with product refurbishment as integrated location-inventory problem“, Production Engineering, Band 4, S. 293-303. 10.1007/s11740-019-00885-4
Abstract:
Traditionally, the three most important decisions in Supply Chain Management (SCM) are: Facility location, inventory management and distribution decisions. These decisions are often analysed separately in order to reduce the computational complexity of the corresponding planning problems. This typically results in non-optimal decisions, as in reality the different decisions interact with each other. The major focus of this paper is to bridge the gap between location and inventory planning. The resulting problem is known as location-inventory problem and the e-commerce business serves as motivating example. A solution methods (second-order cone programm) is developed which is able to solve large-scale real-world problem instances. The structure of the closed-loop supply chain network is investigated and altogether promising insights are obtained for decision makers in SCM.

[ 11 ] Kuhnle, A.; Schäfer, L.; Stricker, N. & Lanza, G. (2019), „Design, Implementation and Evaluation of Reinforcement Learning for an Adaptive Order Dispatching in Job Shop Manufacturing Systems“. Procedia CIRP, Hrsg. Elsevier, S. 234-239.
Abstract:
Modern production systems tend to have smaller batch sizes, a larger product variety and more complex material flow systems. Since a human oftentimes can no longer act in a sufficient manner as a decision maker under these circumstances, the demand for efficient and adaptive control systems is rising. This paper introduces a methodical approach as well as guideline for the design, implementation and evaluation of Reinforcement Learning (RL) algorithms for an adaptive order dispatching. Thereby, it addresses production engineers willing to apply RL. Moreover, a real-world use case shows the successful application of the method and remarkable results supporting real-time decision-making. These findings comprehensively illustrate and extend the knowledge on RL.

[ 12 ] Ungermann, F.; Kuhnle, A.; Stricker, N. & Lanza, G. (2019), „Data Analytics for Manufacturing Systems – A Data-Driven Approach for Process Optimization“. Procedia CIRP, Hrsg. Elsevier, S. 369-374.
Abstract:
In the course of digitalization many small and medium-sized companies face the challenge of using the existing database for process optimization in manufacturing. Furthermore, the demand-oriented expansion of the database is a great challenge. A lack of competencies, limited financial resources and historically grown data structures, which show a strong heterogeneity and lack of transparency, are the central obstacles. A specific approach, how data analytics projects for process optimization should be carried out in manufacturing, is presented. In particular, the question which sensors should be implemented to expand the database is answered. The approach is applied exemplarily for a manufacturing line.