KOARCH - Kognitive Architektur für Cyber- physische Produktionssysteme und Industrie 4.0. Schlussbericht

CIplus Band 1/2023 KOARCH - Kognitive Architektur für Cyberphysische Produktionssysteme und Industrie 4.0 Thomas Bartz-Beielstein Richard Schulz II Danksagung und Erklärung III Wissenschaftlicher Abschlussbericht zum BMBF-Forschungsvorhaben: „KOARCH - Kognitive Architektur für Cyber-physische Produktionssysteme und Industrie 4.0“ Im Rahmen der BMBF-Förderbekanntmachung „IngenieurNachwuchs – Kooperative Promotion“ Förderkennzeichen: 13FH007IB6 Projektlaufzeit: 01.01.2018 – 31.12.2022 Technische Hochschule Köln – Campus Gummersbach Fakultät für Informatik und Ingenieurwissenschaften IDE+A - Institut für Data Science, Engineering, and Analytics Steinmüllerallee 1 51643 Gummersbach Gefördert vom: Bundesministerium für Bildung und Forschung (BMBF) Projektträger: VDI Technologiezentrum GmbH VDI-Platz 1 40468 Düsseldorf Verfasst von: Richard Schulz, M. Sc. Prof. Dr. Thomas Bartz-Beielstein (Forschungskoordinator) (Projektleiter) Gummersbach, 28.06.2023 Danksagung und Erklärung IV Danksagung und Erklärung Die Autoren und die Technische Hochschule Köln möchten sich bei dem Fördergeldgeber BMBF für das entgegengebrachte Vertrauen bedanken. Wir möchten auch den Partnerfirmen Telekom Innovation Laboratories, Telexiom AG und OPITZ Consulting Deutschland GmbH für die konstruktive Zusammenarbeit danken. Ebenso gilt unser Dank dem inIT und der Technischen Hochschule Ostwestfalen-Lippe für die Zusammenarbeit in Bezug auf die kognitive Referenzarchitektur und die Bereitstellung der Demonstratoren in deren SmartFactoryOWL. Es ist zu beachten, dass das BMBF keine Gewähr für die Richtigkeit, Genauigkeit und Vollständigkeit der Angaben übernimmt, sowie für die Beachtung privater Rechte Dritter. Die Autoren sind verantwortlich für den Inhalt dieser Veröffentlichung. Inhalt V Inhalt Danksagung und Erklärung ...................................................................................... IV Tabellenverzeichnis ................................................................................................... VI Abbildungsverzeichnis ............................................................................................. VII 1 Kurze Darstellung ................................................................................................ 1 1.1 Aufgabenstellung ................................................................................................... 1 1.2 Voraussetzungen, unter denen das Vorhaben durchgeführt wurde ...................... 2 1.3 Planung und Ablauf des Vorhabens ...................................................................... 2 1.4 Wissenschaftlicher und technischer Stand ............................................................ 4 1.5 Zusammenarbeit mit anderen Stellen ................................................................... 5 2 Eingehende Darstellung ..................................................................................... 6 2.1 Verwendung der Zuwendung und Projektergebnisse ........................................... 6 2.1.1 Arbeitsschwerpunkte der einzelnen Arbeitspakete ...................................... 6 2.1.2 Ergebnisse der wissenschaftlich-technischen Untersuchungen und wichtige Verfahrensweiterentwicklungen ................................................................... 10 2.2 Wichtigste Positionen des zahlenmäßigen Nachweises ..................................... 13 2.3 Notwendigkeit und Angemessenheit der geleisteten Arbeit ................................ 13 2.4 Voraussichtlicher Nutzen, insbesondere Verwertbarkeit der Ergebnisse ............ 14 2.5 Während des Vorhabens bekannt gewordene Fortschritte anderer Stellen ........ 14 2.6 Gesamteinschätzung über den Fortgang der FE-Arbeiten des Verbundvorhabens und die Kooperation des Verbundes ................................................................... 15 2.7 Erfolgte oder geplante Veröffentlichungen der Ergebnisse ................................. 15 Literaturverzeichnis .................................................................................................. 18 VI Tabellenverzeichnis Tabelle 1: Arbeitspakete des Projektes ....................................................................... 3 Tabelle 2: Veröffentlichungen .................................................................................... 15 Abbildungsverzeichnis VII Abbildungsverzeichnis Abbildung 1: Architekturen und identifizierter Forschungsbedarf [37] ....................... 11 Abbildung 2: Kognitive Referenzarchitektur (CAAI) ................................................... 12 Abbildung 3: Deployment in Kubernetes ................................................................... 13 Kurze Darstellung 1 1 Kurze Darstellung 1.1 Aufgabenstellung In den letzten Jahren ist die Komplexität der Produktionssysteme aufgrund des globalen Wettbewerbs und der zunehmenden Produktkomplexität stark angestiegen. Insbesondere im Maschinenbau hat die Softwareentwicklung einen großen Anteil an dieser Entwicklung übernommen. Diese wachsende Komplexität stellt eine Herausforderung für Automatisierer, Systemingenieure und Anlagenbauer dar. Industrie 4.0, Cyber-physische Systeme (CPS) und intelligente Automatisierungssysteme bieten eine mögliche Lösung für diese wachsende Belastung, indem menschliches Expertenwissen in die Automatisierung integriert wird. Im Gegensatz zum traditionellen prozeduralen Ansatz in der klassischen Automation formuliert der Experte lediglich seine Ziele, wie zum Beispiel die Beschreibung des Endprodukts, der Durchsatzziele oder des maximalen Energieverbrauchs. Das Wissen bezieht sich auf die Beschreibung dieser Ziele durch Aussagesätze anstatt auf die Beschreibung von Schritten, um diese Ziele zu erreichen. Mit anderen Worten, das Wissen wird deklarativ statt prozedural formuliert. Dieser neue Ansatz ermöglicht es intelligenten Systemen, ausreichend Handlungsspielraum zur Umsetzung der Zielvorgaben zu haben, einschließlich Anpassung und Optimierung. Dadurch wird der menschliche Aufwand in der Automatisierung, beispielsweise bei der Optimierung, Inbetriebnahme und beim Anlagenumbau, reduziert. Um eine solche intelligente Automation umzusetzen, sind neue Automatisierungstechniken und insbesondere neue Software-Services erforderlich, die diese Methoden unterstützen. Dazu gehören unter anderem Methoden des maschinellen Lernens, ConditionMonitoringund Diagnose-Algorithmen sowie Optimierungsverfahren. Derzeit werden diese neuen Software-Services im Rahmen von Industrie 4.0-Ansätzen unabhängig voneinander von verschiedenen Partnern implementiert. Die Schnittstellen sind proprietär, sodass notwendige Daten, Modelle und Ergebnisse nicht ohne zusätzlichen Aufwand ausgetauscht werden können. Dennoch soll es möglich sein, dass Geräte und Komponenten unterschiedlicher Hersteller in der Industrie 4.0 zusammenarbeiten können. Im Rahmen des Projekts wurden technologische und produktionstechnische Schwerpunkte bearbeitet. Das Institut für Data Science, Engineering, and Analytics (IDE+A) war für die folgenden, praxisrelevanten Inhalte verantwortlich: - Algorithmenentwurf und -implementierung - Entwicklung einer Big Data Plattform unter Berücksichtigung von Industrie 4.0 Standards - Einrichtung des Big Data Labs - Konzeptionelle Entwicklung einer Referenzarchitektur für intelligente Automation im Umfeld von Industrie 4.0 2 1.2 Voraussetzungen, unter denen das Vorhaben durchgeführt wurde Ursprünglich war die Projektlaufzeit für einen Zeitraum von 36 Monaten geplant, und zwar vom 01.01.2018 bis zum 31.12.2021. Aufgrund der Corona-Pandemie und dem Wechsel der Projektleitung von Herrn Prof. Niggemann zu Herrn Prof. Henning Trsek am 01.04.2021 wurde die Projektlaufzeit um weitere 12 Monate bis zum 31.12.2022 verlängert, wobei diese Verlängerung keine Auswirkungen auf die finanzielle Förderung hatte. Insgesamt waren drei Industriepartner und vier Partner aus Hochschulen und Forschungseinrichtungen an dem Projekt beteiligt. Die Gesamtprojektkoordination wurde vom inIT der Technischen Hochschule Ostwestfalen-Lippe (TH OWL) übernommen und die Teilprojektleitung vom IDE+A (Institut für Data Science, Engineering, and Analytics) der Technische Hochschule Köln (TH Köln). 1.3 Planung und Ablauf des Vorhabens Das Gesamtprojekt bestand aus insgesamt fünf Arbeitspaketen, wobei vier davon durch die Technische Hochschule Köln mitbearbeitet wurden. Ein Schwerpunkt (zweites Arbeitspaket) stellte der Entwurf und die Implementierung von Algorithmen dar. Hierbei wurden vor allem Recherchen, Entwürfe, Implementierungen und Erweiterungen von Algorithmen durchgeführt. Außerdem wurde all dies mit den aktuellen Industrie 4.0-Standards abgeglichen. Ein weiterer Schwerpunkt lag auf der Big-Data Plattform (drittes Arbeitspaket). Hier wurde neben der dazugehörigen Recherche und Implementierung vor allem das Konzept und die Umsetzung einer verteilten Architektur vorangetrieben. Auch hier wurden die aktuellen Industrie 4.0-Standards berücksichtigt. Das vierte Arbeitspaket beschäftigte sich mit der Evaluation der in den vorherigen Arbeitspaketen entwickelten Lösungen. Unser Fokus lag dabei auf der Verifikation der erarbeiteten Datenstrukturen, indem deren Funktionalität und Plausibilität ausführlich getestet wurde. Im Anschluss erfolgten praktische Tests, wofür Hardware, Algorithmen und Big-Data-Plattform verknüpft wurden. Im fünften Arbeitspaket sollte die Anwendbarkeit der entwickelten Konzepte und Formalismen für unterschiedliche Branchen und Unternehmen geprüft werden. Die entwickelten Konzepte und Formalismen wurden der Produktionsbranche auf nationalen und europäischen Veranstaltungen vorgestellt. Als herausragendes Ergebnis des Projekts ist die erfolgreiche Durchführung von drei Promotionen zu erwähnen. Eingehende Darstellung 9 IT-Infrastrukturen zu ermöglichen, wurde auf quell-offene Standards und Frameworks der Cloud Native Computing Foundation (z. B. Kubernetes) und der Apache Software Foundation (z. B. Kafka und AVRO) gesetzt. Durch die Umsetzung in Kubernetes ermöglichen wir eine verteilte Verarbeitung der Daten und ermöglichen es dem kognitiven Modul, selbstständig neue Machine Learning Algorithmen auf der Plattform zu instanziieren und aus den Resultaten zu lernen. Die Ergebnisse dieser Arbeit wurden gemeinsam mit der Arbeitsgruppe aus Lemgo in einer Pre-Print-Publikation auf Arxiv veröffentlicht [34]. 2.1.1.3 AP 4 - Evaluation in SmartFactoryOWL und Big Data Lab AP 4.2 - Verifikation der Standards im Big Data Lab Die Arbeiten am Arbeitspaket 4.2 konnten Ende 2021 abgeschlossen werden. Es wurde vor allem untersucht, inwiefern sich die Algorithmen für den Einsatz in der Big Data Plattform eignen. Ein Algorithmus wurde für das kognitive Modul entwickelt, um vielversprechende Kandidaten aus den verfügbaren Algorithmen auszuwählen. Diese Kandidaten wurden anhand generierter Testfunktionen evaluiert, um einen Algorithmus für zukünftige Produktionszyklen auszuwählen. Die Untersuchung mit mehreren Algorithmen unterschiedlicher Komplexität ermöglichte Rückschlüsse auf die Übertragbarkeit der Ergebnisse von den Testfunktionen auf den realen Anwendungsfall. Die anschließende Implementierung im Big Data Lab basierte auf den vorher erarbeiteten Lösungen. Der Schwerpunkt des Anpassungsbedarfs lag auf der dynamischen Orchestrierung einzelner Module, um den Betrieb der Big Data Plattform zu gewährleisten und verschiedene geeignete Algorithmen in einem Benchmark auf Simulationsdaten zur Laufzeit anzuwenden und zu vergleichen. Die Cognition-Komponente wählte und orchestrierte die Kandidaten-Algorithmen aus und setzte den resultierenden Algorithmus auf die Zielfunktion an. Um eine sinnvolle Auswahl der Algorithmen gemäß der zur Laufzeit verfügbaren Ressourcen auf dem verwendeten System zu treffen, spielt das Algorithmen-Portfolio eine entscheidende Rolle. Unser Ansatz sieht die Implementierung eines Portfolios mit hoher Diversität vor, welches Algorithmen aus verschiedenen Algorithmen-Familien enthält [35]. Dennoch kann es für spezielle Probleme notwendig sein, Anpassungen am Portfolio vorzunehmen, beispielsweise durch das Hinzufügen geeigneter Algorithmen. Dabei kann Expertenwissen genutzt werden, um die Effizienz der Lösung zu steigern, indem ungeeignete oder bekannte ineffiziente Algorithmen deaktiviert werden. Dadurch wird der Suchraum der Cognition-Komponente entsprechend verkleinert. Die Beispielimplementierung und die Daten aus den Experimenten sind im KOARCH GitHub Repository verfügbar [36]. AP 4.3 - Klärung der Anwendbarkeit anhand unterschiedlicher Demonstratoren Das Arbeitspaket 4.3 wurde Anfang 2022 abgeschlossen. Der Fokus lag dabei auf der Untersuchung der Anpassbarkeit und Anwendbarkeit der Architektur auf neue 10 Problemstellungen. Es wurde damit begonnen, verschiedene Optimierungsalgorithmen zu untersuchen, um ein besseres Verständnis für deren Eigenschaften in Bezug auf das Problem zu gewinnen. Dies verbesserte die Anpassbarkeit der Architektur. 2.1.1.4 AP 5 - Individualisierung bei verschiedenen Kunden AP 5.1 - Klärung der Anwendbarkeit für unterschiedliche Branchen und Firmen Aufgrund von Herausforderungen wie der COVID-19 Pandemie und einer hohen Fluktuation im Team (alle drei Hauptentwickler des CAAI-Projekts haben das Projekt verlassen), wurde die Zielsetzung von Arbeitspaket 5 angepasst. Das Hauptaugenmerk lag nun darauf, die Erfahrungen mit Implementierungsproblemen der CAAI-Plattform in anderen Branchen und Anwendungen zusammenzufassen, um kontinuierliche Verbesserungen vorzunehmen. Zusätzlich wurde ein kritisches Review-Paper erstellt, welches potenzielle Verbesserungsmöglichkeiten für die Plattform aufzeigt und in die zukünftige Entwicklung einfließt. Darüber hinaus wurden die Vorund Nachteile der CAAI-Architektur in KOARCH diskutiert. Das Paper soll in Kürze veröffentlicht werden. 2.1.2 Ergebnisse der wissenschaftlich-technischen Untersuchungen und wichtige Verfahrensweiterentwicklungen Im Rahmen des Projekts wurden sowohl bestehende Architekturen als auch neue Ansätze anhand ausgewählter Anwendungsfälle bewertet. Diese Anwendungsfälle dienten als Grundlage, um die Eignung vorhandener Architekturen zu analysieren und Schwachstellen aufzudecken. Dabei wurden sowohl allgemeine Anforderungen an eine kognitive Architektur für cyber-physische Produktionssysteme (CPPS) als auch spezifische Anforderungen für jeden einzelnen Anwendungsfall definiert. Sowohl Architekturen aus dem Bereich der Automatisierungstechnik wie RAMI4.0 und die 5C-Architektur als auch kognitive Architekturen aus der Kognitionspsychologie wie Soar und ACT-R wurden betrachtet. Die Architekturen wurden hinsichtlich ihres Abstraktionsgrades und ihrer Generalisierbarkeit analysiert. Die Ergebnisse zeigten, dass eine Kombination beider Architekturtypen erforderlich ist, um sowohl den kognitiven Aspekt als auch den Aspekt der Automatisierung angemessen abzudecken. Abbildung 1 veranschaulicht die Ergebnisse der Architekturanalyse sowie den ermittelten Forschungsbedarf. Eingehende Darstellung 11 Abbildung 1: Architekturen und identifizierter Forschungsbedarf [37] In enger Zusammenarbeit mit den Industriepartnern telexiom AG und OPITZ Consulting wurden passende Anwendungsfälle ausgewählt, die als Ausgangspunkt für die weiteren Arbeiten dienten. Es wurde beschlossen, Ontologien als Formalismus zu verwenden, um die benötigten Informationen auf deklarative Weise zu beschreiben. Diese Entscheidung ermöglichte eine präzise und strukturierte Erfassung der relevanten Informationen im Rahmen des Projekts. Basierend auf den vorherigen Erkenntnissen wurde eine kognitive Referenzarchitektur (Cognitive Architecture for Artificial Intelligence - CAAI) entwickelt, die im weiteren Verlauf des Projekts prototypisch umgesetzt wurde (siehe Abbildung 2). Die Architektur wurde modular aufgebaut, was es Geräteherstellern ermöglicht, vorhandene Softwareservices direkt zu nutzen und ihren Kunden einen Mehrwert zu bieten. Sollten keine passenden Softwaremodule verfügbar sein, haben die Gerätehersteller die Möglichkeit, eigene Module auf Basis der kognitiven Architektur zu entwickeln und anzubieten. Für jeden neuen Service müssen die Eigenschaften und Parameter einmalig in der Wissensbasis angegeben werden, um eine reibungslose Integration zu gewährleisten. 12 Abbildung 2: Kognitive Referenzarchitektur (CAAI) Für die erste Evaluierung wurde das Versatile Production System (VPS) verwendet. Das VPS ist eine modulare Fertigungsanlage in der SmartFactoryOWL, die verschiedene Produktionsschritte durchläuft, darunter die Anlieferung, den Transport und die Abfüllung des Produktionsmaterials sowie die Herstellung von Verpackungsmaterial aus Mais. Im Anwendungsfall "Online Prozessoptimierung" müssen im Gegensatz zur herkömmlichen Batchverarbeitung die Daten während der Produktion online erfasst und verarbeitet werden. In diesem Zusammenhang wurde ein Anwendungsfall aus dem Bereich der Prozessoptimierung ausgewählt: die datengetriebene Optimierung der Prozessparameter. Es wurden Daten während der Produktion mit verschiedenen Materialqualitäten und unterschiedlichen Maschineneinstellungen erfasst, um die Evaluierung vorerst offline mit den von uns entwickelten Algorithmen durchzuführen. Hierbei konnten wir die Algorithmen auf der prototypisch implementierten Architektur im BigData Lab des IDE+A testen. Die Ergebnisse dieser Tests dienen als Grundlage für die Dissertation von Andreas Fischbach, die voraussichtlich im Juli 2023 abgeschlossen sein wird. Die CAAI nutzt Kubernetes für die Orchestrierung von Softwareservices. Vorherige Recherchen haben gezeigt, dass in verschiedenen Projekten gute Erfahrungen damit Eingehende Darstellung 13 gesammelt wurden. Kubernetes ermöglicht ein deklaratives Clustermanagement, bei dem der Benutzer den gewünschten Zustand der Anwendung spezifiziert und der Kubernetes-Controller die erforderlichen Maßnahmen ergreift, um diesen Zustand zu erreichen. Die Anwendung wird aus verschiedenen Bausteinen erstellt, was gut zum modularen Ansatz der CAAI-Architektur passt. Der kleinste Baustein in Kubernetes ist ein Pod, der einen oder mehrere Anwendungscontainer und optional ein Volume für die Datenspeicherung enthält. Der Lebenszyklus dieser Pods wird über ein sogenanntes Deployment gesteuert. Abbildung 3 veranschaulicht den Aufbau dieser Kubernetes-Struktur. Abbildung 3: Deployment in Kubernetes Im Rahmen des Arbeitspakets 5 wurde angestrebt, die Ergebnisse des Projekts in die Industrie zu übertragen. Zu Beginn wurden gemeinsam mit den Industriepartnern Anforderungsdefinitionen erstellt und während der Projektlaufzeit regelmäßige Meetings abgehalten, um den Fortschritt zu besprechen. Schließlich wurde vereinbart, dass die Architektur zunächst im Forschungsbereich weiter getestet werden sollte, bevor sie direkt in den produktiven Betrieb integriert wird. Aus diesem Grund wurde im IDE+A eine detaillierte Analyse der bisherigen CAAI-Architektur durchgeführt, begleitet von einem entsprechenden Review. Im inIT wurde ein weiterer Anwendungsfall definiert, um die Architektur weiter zu testen. Zum Abschluss des Projekts wurde eine wissenschaftliche Untersuchung durchgeführt, in der die Vorund Nachteile der CAAI-Architektur in KOARCH diskutiert werden. Unter der Federführung der TH Köln ist geplant, dass dieses Paper in naher Zukunft veröffentlicht wird. 2.2 Wichtigste Positionen des zahlenmäßigen Nachweises Die Aufwendungen und der Kostenrahmen wurden größtenteils eingehalten, jedoch gab es Abweichungen innerhalb der einzelnen Positionen. Die größte Differenz wurde in der Position 817 (Beschäftigte E1-E11) festgestellt. Nähere Einzelheiten dazu finden Sie im zahlenmäßigen Nachweis. 2.3 Notwendigkeit und Angemessenheit der geleisteten Arbeit Die geleistete Arbeit im Rahmen des Projekts war von großer Bedeutung, um das Potenzial einer kognitiven Referenzarchitektur für Innovationen nachzuweisen. Angesichts der steigenden Komplexität von Produktionssystemen aufgrund des globalen Wettbewerbs und der zunehmenden Produktkomplexität sowie des wachsenden Anteils der Softwareentwicklung wurde deutlich, dass eine Entlastung von Automatisierern, Systemingenieuren und Anlagenbauern erforderlich ist. Durch den Einsatz von Software- 14 Services und einen deklarativen Ansatz zur Formulierung von Wissen kann die Belastung erheblich reduziert werden. Die im Rahmen des Projekts entwickelte kognitive Referenzarchitektur (CAAI) bietet all diese Möglichkeiten und ermöglicht es Geräteherstellern, einzelne Software-Services direkt zu nutzen und potenziellen Kunden einen Mehrwert zu bieten. Die Projektergebnisse konnten nur durch die Zusammenarbeit eines Konsortiums bestehend aus Forschungspartnern und mittelständischen Industriepartnern erzielt werden. Die TH Köln und das IDE+A brachten dabei die Interessen und Kompetenzen im Bereich der Algorithmenentwicklung, Data Science und Optimierungsverfahren ein. Die vorgelegten Ergebnisse wären ohne die Förderung nicht möglich gewesen. Der Umfang der geleisteten Arbeit wird durch die Präsentationen auf wissenschaftlichen Konferenzen, die laufende Berichterstattung, die Zwischenberichte und die aktive Teilnahme an den Projekttreffen deutlich. 2.4 Voraussichtlicher Nutzen, insbesondere Verwertbarkeit der Ergebnisse In diesem Abschnitt werden die Punkte des Verwertungsplans behandelt: 1. Im Verlauf des Projekts wurden Anforderungen gemeinsam mit den Industriepartnern erarbeitet und in regelmäßigen Meetings Anwendungsfälle und andere relevante Themen diskutiert. Aktuell gibt es noch keinen direkten industriellen Einsatz der Projektergebnisse, aber dies ist für die Zukunft durchaus möglich. Im Forschungsumfeld haben die Prototypen der Architektur bereits Vorteile gegenüber herkömmlichen Ansätzen gezeigt. 2. Die Projektergebnisse aus dem Bereich Algorithmenentwicklung wurden von Prof. Bartz-Beielstein im Institut IDE+A im Lehrund Forschungsbetrieb eingesetzt. Zudem wurden an der TH Köln durch das Projekt zwei Bachelorarbeiten, zwei Masterarbeiten, eine bereits abgeschlossene Promotion und eine Promotion, die voraussichtlich im Juli 2023 abgeschlossen wird, ermöglicht. 3. Es ist geplant, die Projektergebnisse in zukünftigen Forschungsprojekten weiterzuverwenden und weiterzuentwickeln. 4. Die Projektergebnisse wurden in renommierten Fachzeitschriften veröffentlicht und auf zahlreichen Konferenzen präsentiert (siehe 2.7 „Erfolgte oder geplante Veröffentlichungen der Ergebnisse“). 2.5 Während des Vorhabens bekannt gewordene Fortschritte anderer Stellen Es ist keine vergleichbare kognitive Referenzarchitektur bekannt geworden. Eingehende Darstellung 15 2.6 Gesamteinschätzung über den Fortgang der FE-Arbeiten des Verbundvorhabens und die Kooperation des Verbundes Die Zusammenarbeit zwischen den einzelnen Partnern im Projekt war stets sehr gut. Es fanden regelmäßige Gesamttreffen statt, bei denen alle Projektpartner vertreten waren und aktiv an den Diskussionen teilnahmen. Zusätzlich gab es wöchentliche Abstimmungsmeetings zwischen der TH Köln und der TH OWL, in denen detailliert über den jeweiligen Projektstand berichtet wurde. Diese enge Zusammenarbeit und der regelmäßige Austausch ermöglichten es, das aufgebaute Wissen auch während personeller Veränderungen im Projektteam weiterzugeben und auszubauen. Das Team konnte somit von einem reibungslosen Wissenstransfer profitieren. Besonders zwischen den Partnern TH Köln und TH OWL besteht die Absicht, auch in zukünftigen Forschungsprojekten weiterhin zusammenzuarbeiten. 2.7 Erfolgte oder geplante Veröffentlichungen der Ergebnisse Die Ergebnisse wurden auf Fachkonferenzen in den Jahren 2018, 2019, 2020 und 2021 präsentiert. Zusätzlich entstanden im Projektzeitraum von Seiten der TH Köln zwei Bachelorarbeiten, zwei Masterarbeiten und eine Dissertation, wobei eine weitere Dissertation im Juli 2023 voraussichtlich abgeschlossen wird. Tabelle 2: Veröffentlichungen 2019 [Bunt19a] A. Bunte, A. Fischbach, J. Strohschein, T. Bartz-Beielstein, H. FaeskornWoyke, and O. Niggemann, “Evaluation of cognitive architectures for cyberphysical production systems,” in 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Sep. 2019, pp. 729–736. [Stor18c] J. Stork, M. Zaefferer, and T. Bartz-Beielstein, “Improving neuroevolution efficiency by surrogate model-based optimization with phenotypic distance kernels,” in Applications of Evolutionary Computation - 22nd International Conference, EvoApplications 2019, Held as Part of EvoStar 2019, Leipzig, Germany, April 24-26, 2019, Proceedings, ser. Lecture Notes in Computer Science, P. Kaufmann and P. A. Castillo, Eds., vol. 11454. Springer, 2019, pp. 504–519. 16 2020 [fisc20a] A. Fischbach, J. Strohschein, A. Bunte, J. Stork, H. Faeskorn-Woyke, N. Moriz, and T. Bartz-Beielstein, “CAAI—a cognitive architecture to introduce artificial intelligence in cyber-physical production systems,” The International Journal of Advanced Manufacturing Technology, vol. 111, no. 1, pp. 609–626, 2020. [Online]. Available: https://doi.org/10.1007/s00170-020-06094-z [Fisc18a] A. Fischbach and T. Bartz-Beielstein, “Improving the reliability of test functions generators,” Applied Soft Computing, vol. 92, p. 106315, 2020. [Online]. Available: http://www.sciencedirect.com/science/article/pii/S1568494620302556 [bart20gcos] T. Bartz-Beielstein, C. Doerr, D. van den Berg, J. Bossek, S. Chandrasekaran, T. Eftimov, A. Fischbach, P. Kerschke, W. L. Cava, M. Lopez-Ibanez, K. M. Malan, J. H. Moore, B. Naujoks, P. Orzechowski, V. Volz, M. Wagner, and T. Weise, “Benchmarking in optimization: Best practice and open issues,” 2020, arXiv e-prints:2007.03488. [Online]. Available: https://arxiv.org/abs/2007.03488/ [Stroh20aarxiv] J. Strohschein, A. Fischbach, A. Bunte, H. Faeskorn-Woyke, N. Moriz, and T. Bartz-Beielstein, “Cognitive capabilities for the caai in cyber-physical production systems,” 2020, arXiv e-prints:2012.01823. [Online]. Available: https://arxiv.org/abs/2012.01823/ [stroh20b] J. Strohschein, A. Lara-Palma, and H. Faeskorn-Woyke, “Employee technology acceptance on industry 4.0,” in Paradigm Shifts in ICT Ethics - Proceedings of the ETHICOMP 2020, Sep. 2020. B. Atay, “3-D Drucker als Anwendungsbeispiel in der Optimierung,“ Bachelorarbeit TH Köln, 2020. I. Aboubakar, “Einsatz künstlicher Intelligenz als Erfolgsfaktor für die Industrie 4.0 in mittelständischen Unternehmen,“ Bachelorarbeit TH Köln, 2020. Eingehende Darstellung 17 2021 [Stroh20a] J. Strohschein, A. Fischbach, A. Bunte, H. Faeskorn-Woyke, N. Moriz, and T. Bartz-Beielstein, “Cognitive capabilities for the CAAI in cyber-physical production systems,” The International Journal of Advanced Manufacturing Technology, 2021. [rehb21a] Rehbach, F., Zaefferer, M., Fischbach, A., Rudolph, G., and Bartz-Beielstein, “T. Benchmark-driven configuration of a parallel model-based optimization algorithm,“ IEEE Transactions on Evolutionary Computation (2022), 1–1. S. Kuhl, “Anwendung von Design of Experiments für die Prozessparameteroptimierung von 3D-Druckern,“ Masterarbeit TH Köln, 2021. D. Bamberger, “Analyse und Optimierung der Energieeffizienz beim 3D-Druck,“ Masterarbeit TH Köln, 2021. [Stroh21a] J. Strohschein, “Big Data Reference Architecture for Industry 4.0 - Including Economic and Ethical Implications,” Dissertation Universidad de Burgos, 2021 2023 A. Fischbach, “Automatic Online Algorithm Selection for Optimization in Cyber-Physical Production Systems,“ Dissertation Universität Dortmund, 07.2023 18 Literaturverzeichnis [1] J. Toussaint und K. Cheng, „Design agility and manufacturing responsiveness on the Web,“ in Integr Manuf Syst 13(5):328–339, 2002. [2] L. Hu, N. Xie, Z. Kuang und Zhao K, „Review of cyberphysical system architecture,“ in Proceedings - 2012 15th IEEE international symposium on object/component/service-oriented real-time distributed computing workshops, ISORCW 2012, pp 25–30, 2012. [3] J. Shi, J. Wan, H. Yan und H. Suo, „A survey of cyber-physical systems,“ in Wireless Communications and Signal Processing (WCSP), 2011 International Conference on, 2011. [4] Y. Tan, S. Goddard und L. C. Perez, „A prototype architecture for cyberphysical systems,“ ACM Sigbed Review, Bd. 5, Nr. 1, p. 26, 2008. [5] Y. Tan, M. C. Vuran und S. Goddard, „Spatio-temporal event model for cyber-physical systems,“ in Distributed Computing Systems Workshops, 2009. ICDCS Workshops' 09. 29th IEEE International Conference on, 2009. [6] J. Lee, B. Bagheri und H.-A. Kao, „A cyber-physical systems architecture for industry 4.0-based manufacturing systems,“ Manufacturing Letters, Bd. 3, pp. 18-23, 2015. [7] X. Koutsoukos, N. Kottenstette, J. Hall, P. Antsaklis und J. Sztipanovits, „Passivity-based control design for cyber-physical systems,“ in International Workshop on Cyber-Physical Systems Challenges and Applications, 2008. [8] T. L. Crenshaw, E. Gunter, C. L. Robinson, L. Sha und P. Kumar, „The simplex reference model: Limiting fault-propagation due to unreliable components in cyber-physical system architectures,“ in Real-Time Systems Symposium, 2007. RTSS 2007. 28th IEEE International, 2007. [9] B. Balaji, A. Faruque, M. Abdullah, N. Dutt, R. Gupta und Y. Agarwal, „Models, abstractions, and architectures: the missing links in cyber-physical systems,“ in Proceedings of the 52nd Annual Design Automation Conference, 2015.