Verbundprojekt 05M2020 - LEOPLAN: Lernen und Optimierung mit großen Datenmengen auf Netzwerken. Teilprojekte 1, 2.

Abstract

Die Verfügbarkeit großer Datenmengen bietet die Möglichkeit komplexe Verfahren und Systeme in Produktion und Dienstleistung umfangreich zu analysieren und zu optimieren. Dies lässt sich mit Mathematischer Modellierung, Simulation und Optimierung (MMSO) realisieren und führt zu wirtschaftlicheren, ressourcenschonenderen, umweltverträglicheren und lebensqualitätssteigernden Lösungen. Dabei besteht die Schwierigkeit, dass in der Praxis auftretende Systeme nur durch sehr unterschiedliche mathematische Methoden beherrscht werden können. Zwar sind mathematische Methoden für jedes einzelne der drei Teilgebiete in Unternehmen mit führenden MMSO-Kentnissen bereits verbreitet, allerdings erfordern viele Praxisanwendungen verknüpfende Ansätze, die die direkte Zusammenarbeit mit der Wissenschaft erfordern. Konkret erfordern alle drei Anwendungsfälle eine Verknüpfung von datengetriebenen und modellbasierten Methoden. Das Verbundprojekt LEOPLAN befasste sich unter Verbundkoordinator Prof. Dr. Sebastian Stiller in verknüpften Teilprojekten mit der erforderlichen Modellierung, Simulation und Optimierung. Dies betraf große Datenmengen auf einem Netzwerk in den Anwendungen Kläranlage, Supply Nets der Ersatzteillogistik sowie Tourenplanung. Die Entwicklung von Modellen und mathematischen Methoden war darauf ausgelegt auf die konkreten Problemstellungen der Industriepartner angewandt zu werden. Das Verbundprojekt behandelte mehrere Fragestellungen im Rahmen der Zukunftsaufgaben “Nachhaltigkeit, Umweltschutz, Energie” , “Sicherheit” sowie ”Wirtschaft und Arbeit 4.0” der Hightech-Strategie 2025 der Bundesregierung. Die Methoden im Verbundprojekt adressierten folgende mathematischen Felder: ● Analyse, Annotation und Simulation für reale Sensordaten (insbesondere Graph Learning) ● Bewertung von Grenzen datengetriebener Modelle (insbesondere datenstabile Optimierung) ● Modellierung, Simulation, Optimierung von Greybox/Hybriden Modellen ● Echtzeitsimulation und Echtzeitoptimierung in allen drei Anwendungsfällen ● Prozesse auf Graphen