Advertisement

Agentenbasierte Steuerung Fahrerloser Transportsysteme im Umfeld von Industrie 4.0

  • Jens SchafferEmail author
  • Maira WeidenbachEmail author
Living reference work entry
Part of the Springer Reference Technik book series (SRT)

Zusammenfassung

Skalierbarkeit und höchste Flexibilität gehören zu den wesentlichen Anforderungen an ein zeitgemäßes Fahrerloses Transportsystem (FTS). Insbesondere die dezentrale Organisation des Gesamtsystems ist dafür eine wesentliche Voraussetzung. Die effiziente Umsetzung ermöglicht ein agentenbasierter Ansatz auf Basis der Eigenschaften von Schwarmintelligenz. In diesem Beitrag werden zunächst die notwendigen Eigenschaften eines FTS im Umfeld von Industrie 4.0 erarbeitet. Diese werden dann bei der Analyse einer bestehenden technischen Lösung zur Anwendung gebracht, um die bestehenden Eigenschaften sowie das zukünftige Potenzial zu beleuchten.

Schlüsselwörter

Fahrerlose Transportsysteme Automated Guided Vehicles Agentenbasierte Steuerung Dezentrale Steuerung Schwarmintelligenz Industrie 4.0 

Literatur

  1. Alechina N, Dastani M, Khan F, Logan B, Meyer J (2010) Using theorem proving to verify properties of agent programs. Specification and Verification of Multi-agent Systems. Kapitel 1. Springer, New York, S 1–33zbMATHGoogle Scholar
  2. Antoniou G, Van Harmelen F (2004) A semantic web primer. MIT Press, Cambridge, MAGoogle Scholar
  3. Bauernhansl T (2014) Die Vierte Industrielle Revolution – Der Weg in ein wertschaffendes Produktionsparadigma. Springer Fachmedien, Wiesbaden, S 5–35Google Scholar
  4. Beekman M, Sword GA, Simpson SJ (2008) Biological foundations of swarm intelligence. Springer, Berlin/Heidelberg, S 3–41CrossRefGoogle Scholar
  5. Beigi A, Mozayani N (2016) Dialogue strategy for horizontal communication in MAS organization. Comput Math Organ Theory 22(2):161–183CrossRefGoogle Scholar
  6. Beni G (2004) From swarm intelligence to swarm robotics. Springer, S 1–9Google Scholar
  7. Binder MD, Hirokawa N, Windhorst U (2009) Artificial intelligence. Springer, Berlin/Heidelberg, S 181–181Google Scholar
  8. Bordini RH, Dennis LA, Farwer B, Fisher M (2010) Directions for agent model checking*. Specification and Verification of Multi-agent Systems. Springer, New York, S 103–123CrossRefGoogle Scholar
  9. Brambilla M, Ferrante E, Birattari M, Dorigo M (2013) Swarm robotics: a review from the swarm engineering perspective. Swarm Intell 7(1):1–41CrossRefGoogle Scholar
  10. Breitman K, Casanova MA, Truszkowski W (2007) Software agents. Springer, London, S 219–228Google Scholar
  11. Bringsjord S (1992) Introduction. In: What robots can and can’t be. Studies in cognitive systems, Bd 12. Springer, DordrechtCrossRefGoogle Scholar
  12. Bubeck A, Gruhler M, Reiser U, Weißhardt F (2014) Vom fahrerlosen Transportsystem zur intelligenten mobilen Automatisierungsplattform. Springer Fachmedien, Wiesbaden, S 221–233Google Scholar
  13. Davidsson P, Johansson S, Svahnberg M (2006) Characterization and evaluation of multi-agent system architectural styles. In: Garcia A, Choren R, Lucena C, Giorgini P, Holvoet T, Romanovsky A (Hrsg) Software engineering for multi-agent systems IV. Springer, Berlin/Heidelberg, S 179–188CrossRefGoogle Scholar
  14. Dretske F (1993) Can intelligence be artificial? Philos Stud 71(2):201–216CrossRefGoogle Scholar
  15. Du K, Swamy MNS (2016) Ant colony optimization. Springer International Publishing, Cham, S 191–199Google Scholar
  16. Frisch K von (1977) Aus dem Leben der Bienen. Springer Berlin/HeidelbergGoogle Scholar
  17. Ganesharajah T, Hall NG, Sriskandarajah C (1998) Design and operational issues in AGV-served manufacturing systems. Ann Oper Res 76:109–154CrossRefGoogle Scholar
  18. Garnier S, Gautrais J, Theraulaz G (2007) The biological principles of swarm intelligence. Swarm Intell 1(1):3–31CrossRefGoogle Scholar
  19. Gorldt C, Wiesner S, Westphal I, Thoben KD (2017) Product-Service Systems im Zeitalter von Industrie 4.0 in Produktion und Logistik – Auf dem Weg zu Cyber-Physischen Product-Service Systemen. Springer Fachmedien, Wiesbaden, S 363–378Google Scholar
  20. Hermann M, Pentek T, Otto B (2016) Design Principles for Industrie 4.0 Scenarios. In: 2016 49th Hawaii International Conference on System Sciences (HICSS), Januar 2016, S 3928–3937Google Scholar
  21. Hodges A (2009) Alan turing and the turing test. Springer Netherlands, Dordrecht, S 13–22Google Scholar
  22. Huget MP (2014) Agent communication. Springer, Berlin/Heidelberg, S 101–133Google Scholar
  23. Industrie, Bundesministerium für Wirtschaft und Energie (BMWi), Artikelname: Industrie 4.0. https://www.bmwi.de/Redaktion/DE/Dossier/industrie-40.html. Zugegriffen am 09.09.2019
  24. Ingenieure, Verein D.: VDI/VDE 2653 (2018)Google Scholar
  25. Julián V, Carrascosa C (2008) Physical agents. Birkhäuser, Basel, S 117–143Google Scholar
  26. Kagermann H (2014) Chancen von Industrie 4.0 nutzen. Springer Fachmedien, Wiesbaden, S 603–614Google Scholar
  27. Kefalas P (2002) Formal modelling of reactive agents as an aggregation of simple behaviours. In: Vlahavas IP, Spyropoulos CD (Hrsg) Methods and applications of artificial intelligence. Springer, Berlin/Heidelberg, S 461–472CrossRefGoogle Scholar
  28. Kerr W (2012) Gas-mimetic swarms for surveillance and obstacle avoidance. Springer, Berlin/Heidelberg, S 193–221Google Scholar
  29. Malone TW (2012) Collective intelligence: a conversation with Thomas W. Malone. https://www.edge.org/conversation/thomas_w__malone-collective-intelligence. Version: 2012. Zugegriffen am 05.03.2019
  30. Mulgan G (2014) True collective intelligence? A sketch of a possible new field. Philos Technol 27(1):133–142CrossRefGoogle Scholar
  31. Nagwani NK (2009) Performance measurement analysis for multi-agent systems. In: 2009 international conference on intelligent agent multi-agent systems, S 1–4Google Scholar
  32. Online Etymology Dictionary (2018). https://www.etymonline.com/word/intelligence#etymonline_v_9381. Zugegriffen am 04.03.2019
  33. Ratsch U, Stamatescu IO (1998) Introduction. Springer, Berlin/Heidelberg, S 1–21Google Scholar
  34. Rizk Y, Awad M, Tunstel EW (2018) Decision making in multiagent systems: a survey. IEEE Trans Cogn Dev Syst 10(3):514–529CrossRefGoogle Scholar
  35. Safelog GmbH (2018a) Produkt-Datenblatt AGVL1. Safelog GmbH Kirchheim b, MünchenGoogle Scholar
  36. Safelog GmbH (2018b) Handbuch Safelog AGVM2. Safelog GmbH Kirchheim b, MünchenGoogle Scholar
  37. Safelog GmbH (2019a) Safelog Website: AGV. https://www.safelog.de/loesungen/agv/. Zugegriffen am 08.03.2019
  38. Safelog GmbH (2019b) Produkt-Datenblatt AGVS2. Safelog GmbH Markt, SchwabenGoogle Scholar
  39. Safelog GmbH (2019c) Produkt-Datenblatt AGVM3. Safelog GmbH Markt, SchwabenGoogle Scholar
  40. Sahin E, Winfield A (2008) Special issue on swarm robotics. Swarm Intell 2(2):69–72CrossRefGoogle Scholar
  41. Sahin E, Grigin S, Bayindir L, Turgut AE (2008) Swarm robotics, Bd 87. Springer, Berlin/Heidelberg, S 100Google Scholar
  42. Shehory O, Sturm A (2014a) A brief introduction to agents. Springer, Berlin/Heidelberg, S 3–11Google Scholar
  43. Shehory O, Sturm A (2014b) Multi-agent systems: a software architecture viewpoint. Springer, Berlin/Heidelberg, S 57–78Google Scholar
  44. Slowik A, Kwasnicka H (2018) Nature inspired methods and their industry applications – swarm intelligence algorithms. IEEE Trans Ind Inf 14(3):1004–1015CrossRefGoogle Scholar
  45. Spears WM, Spears DF (2012) Physicomimetics – physics-based swarm intelligence. Springer Science and Business Media, Berlin/HeidelbergGoogle Scholar
  46. Spears WM, Spears DF, Heil R (2005) A formal analysis of potential energy in a multi-agent system. In: Hinchey MG, Rash JL, Truszkowski WF, Rouff CA (Hrsg) Formal approaches to agent-based systems. Springer, Berlin/Heidelberg, S 131–145Google Scholar
  47. Staplerworld (2019) FTS-/AGV-Facts, Sonderausgabe, 11. Ausgabe, Februar, (Hrsg) TechTex-Verlag GmbH & Co. KGGoogle Scholar
  48. Tasci T, Ellwein C, Strljic MM, Riedel O (2017) Microservice-oriented master control for AGV in the automotive factory of the future. In: Bargende M, Reuss HC, Wiedemann J (Hrsg) Internationales Stuttgarter Symposium, Bd 17. Springer Fachmedien, Wiesbaden, S 807–821CrossRefGoogle Scholar
  49. Turing AM (1950) Computing machinery and intelligenceGoogle Scholar
  50. Vernon D (2014) Cognitive system. Springer, S 100–106Google Scholar
  51. Vescio B (2013) Pattern. Springer, New York, S 1661–1661Google Scholar
  52. Wang TC, Tong CS, Xu BL (2018) AGV navigation analysis based on multi-sensor data fusion. Multimed tools appl.  https://doi.org/10.1007/s11042-018-6336-3

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.YesCon ConsultingBielefeldDeutschland
  2. 2.SAFELOG GmbHMarkt SchwabenDeutschland

Section editors and affiliations

  • Michael ten Hompel
    • 1
  • Felix Feldmann
    • 2
  1. 1.Fraunhofer-Institut für Materialfluss und Logistik IMLDortmundDeutschland
  2. 2.Lehrstuhl für Förder- und Lagerwesen FLWTU DortmundDortmundDeutschland

Personalised recommendations