Zusammenfassung
Bei der Entwicklung automatisierter Systeme im Bereich der Automatisierungstechnik haben Ingenieure viele Aufgaben oft unter Zeitdruck zu bearbeiten, unter anderem Simulationen. Um Ingenieure bei diesen aufwändigen Simulationsaufgaben zu unterstützen, wird ein Framework vorgestellt, das Simulationen basierend auf strukturiertem Wissen parallel und dezentral koordiniert und durchführt. Hierbei können verschiedene Lösungsansätze eines Problems automatisiert simuliert und miteinander verglichen werden. Komplexe Problemstellungen, d. h. umfangreiche und häufig aus mehreren voneinander abhängigen Teilen bestehende Aufgaben, werden hierzu in Teilprobleme zerlegt und ihre Lösungsansätze separat mit dem jeweils geeignetsten Softwaretool bearbeitet. Zur flexiblen Koordination der dezentralen Simulationen werden kooperierende Softwareagenten eingesetzt. Diese autonomen Einheiten kommunizieren miteinander, um die parallelen Tätigkeiten während eines Simulationsprojekts zu steuern. Evaluiert wird das vorgestellte Konzept anhand der Anwendungsgebiete des Regelungsentwurfs und der multiphysikalischen Simulation. Hierzu wurden entsprechende prototypische Agentensysteme mithilfe des entwickelten Frameworks realisiert. Zusätzlich zum Framework zur parallelen Simulation wird auch ein Konzept zur Ergänzung des Agentensystems um eine lernende Case-Based-Reasoning-Komponente vorgestellt. Durch die Ergänzung des Agentensystems um Lernfähigkeit, konnte die Performance der Simulationen weiter gesteigert werden. Aufgrund der parallel durchgeführten Simulation verschiedener Ansätze mit teils stark variierenden Rechenzeiten, stehen Ergebnisse häufig bereits früher zu Verfügung. Auch die Qualität der Simulationsergebnisse kann durch die Untersuchung verschiedener Ansätze mit dem Agentensystem verbessert werden.
Abstract
In the development of automated systems in the field of industrial automation, engineers often have to work on many tasks under time pressure, including simulations. In order to support engineers in these complex simulation tasks, a framework is presented which coordinates and calculates simulations based on structured knowledge in a parallelized, decentralized way. Different approaches for a problem are simulated automatically and compared with each other. Therefore, complex problems, meaning large-scale ones that often consist of coupled problem parts, are decomposed into partial problems. Their approaches are subsequently processed separately each using the most suitable software tool. Cooperating software agents are utilized to achieve a flexible coordination of decentralized simulations. These autonomous software units communicate with each other to control the parallelized activities during a simulation project. The presented concept is evaluated based on the application fields of control design and multiphysics simulation. Hence, multi-agent systems (MAS) were generated prototypically using the developed framework. As an addition to the framework for parallel simulation, a concept for supplementing the MAS with a case-based reasoning component is presented. Using the case-based reasoning addition, the performance of the simulations was further improved. Due to the varying computation time of the different approaches, analyzed in parallel, results are often available earlier. The MAS is also capable of improving the quality of the results because of the automatic analysis and comparison of different approaches.
Funding source: Deutsche Forschungsgemeinschaft
Award Identifier / Grant number: RU 720/11-2
Award Identifier / Grant number: WE 5312/8-2
Funding statement: Die Autoren bedanken sich bei der Deutschen Forschungsgemeinschaft für die Unterstützung bei dem Projekt GekoProAg (RU 720/11-2 & WE 5312/8-2).
About the authors
Desirée Vögeli, M. Sc., ist wissenschaftliche Mitarbeiterin am Institut für Automatisierungstechnik und Softwaresysteme der Universität Stuttgart. Hauptarbeitsgebiet: Agentenbasiertes Assistenzsystem für die Koordination von parallelisierten Abläufen im Engineering.
Prof. Dr.-Ing. Dr. h. c. Peter Göhner ist ehemaliger Leiter des Instituts für Automatisierungs- und Softwaretechnik der Universität Stuttgart. Hauptarbeitsgebiete: Agentenbasierte Automatisierungssysteme.
Prof. Dr.-Ing.. Dr. h. c. Michael Weyrich ist Leiter des Instituts für Automatisierungstechnik und Softwaresysteme der Universität Stuttgart. Hauptarbeitsgebiete: Methoden und Tools zur Komplexitätsreduktion von Software in der Automatisierungstechnik.
Literatur
1. Ashtari Talkhestani, B., Schlögl, W., Weyrich, M., „Synchronisierung von digitalen Modellen – Anwendung einer Ankerpunktmethode für Fertigungszellen“, atp edition – Automatisierungstechnische Praxis, vol. 59, Nr. 07–08, S. 62–69, 2017.10.17560/atp.v59i07-08.1902Search in Google Scholar
2. Clement, S. J., McKee, D. W., Romano, R., Xu, J., Lopez, J. M., Battersby, D., „The Internet of Simulation: Enabling agile model based systems engineering for cyber-physical systems“, in System of Systems Engineering Conference, S. 1–6, 2017.10.1109/SYSOSE.2017.7994948Search in Google Scholar
3. Nagel, W. E., Kröner, D. H., Resch, M. M.,: „High Performance Computing in Science and Engineering 17: Transactions of the High Performance Computing Center, Stuttgart (HLRS) 2017“, Springer, 2018.10.1007/978-3-319-68394-2Search in Google Scholar
4. Vögeli, D., Jazdi, N., Grabmaier, S., Jüttner, M., Weyrich, M., Göhner, P., Rucker, W. M.: „Softwareagenten zur zuverlässigen Durchführung dezentraler multiphysikalischer Simulationen“, at – Automatisierungstechnik, vol. 65, Nr. 11, S. 793–803, 2017.10.1515/auto-2017-0065Search in Google Scholar
5. Pronk, S., Páll, S., Schulz, R., Larsson, P., Bjelkmar, P., Apostolov, R., et al., „GROMACS 4.5: A high-throughput and highly parallel open source molecular simulation toolkit”, Bioinformatics, vol. 29, Nr. 7, S. 845–854, 2013.10.1093/bioinformatics/btt055Search in Google Scholar PubMed PubMed Central
6. Beyer, T., Göhner,P., „Agentenbasiertes Assistenzsystem zur Entwicklung und Adaption von automatisierten Systemen am Beispiel von Aufzugsystemen“, in Automation 2016 07.–08.06.2016 Baden-Baden, 2016.Search in Google Scholar
7. IEEE 1278: IEEE Standard for Distributed Interactive Simulation, 2012.Search in Google Scholar
8. IEEE 1516: IEEE Standard for Modeling and Simulation High Level Architecture, 2010.Search in Google Scholar
9. Jung, T., Jazdi, N., Weyrich, M., „Dynamische Co-Simulation von Automatisierungssystem und ihren Komponenten im Internet der Dinge – Prozessorientierte Interaktion von IoT-Komponenten“, EKA, 2018.10.51202/9783181023303-745Search in Google Scholar
10. Durfee, E. H., „Distributed Problem Solving and Planning“, in ECCAI Advanced Course on Artificial Intelligence, S. 118–149, Springer, Berlin, Heidelberg, 2001.10.1007/3-540-47745-4_6Search in Google Scholar
11. VDI/VDE 2653: „Agentensysteme in der Automatisierungstechnik“, Grundlagen, 2017.Search in Google Scholar
12. Pech, S., „Agentenbasierte Informationsgewinnung für automatisierte Systeme“, IAS – Forschungsberichte Band 1/2014.Search in Google Scholar
13. Xindong Wu et al., “Knowledge Engineering with Big Data”, IEEE Intelligent Systems, vol. 30, Nr. 5, S. 46–55, 2015.10.1109/MIS.2015.56Search in Google Scholar
14. Grabmaier, S., Jüttner, M., Vögeli, D., Rucker, W. M., Göhner, P., „Numerical framework for the simulation of dielectric heating using finite and boundary element method“, International Journal of Numerical Modelling: Electronic Networks, Devices and Fields, 2017.10.1002/jnm.2273Search in Google Scholar
15. Vögeli, D., Grabmaier, S., Jüttner, M., Weyrich, M., Göhner, P., Rucker, W. M., „Intelligent and Distributed Solving of Multiphysics Problems Coordinated by Software Agents“, in International Conference on Agents and Artificial Intelligence, Madeira, Portugal, 2018.10.5220/0006590402000207Search in Google Scholar
© 2019 Walter de Gruyter GmbH, Berlin/Boston
