Fertigung & Industrie 4.0

Bei der Fertigungsplanung werden die Aufträge unter Berücksichtigung von Ressourcen-, Reihenfolge- und Lieferbeschränkungen den Maschinen zugewiesen. Dies ist ein klassisches Optimierungsproblem in der Fertigung. Da die Produktionslinien immer komplexer werden und die Just-in-Time-Erwartungen steigen, haben herkömmliche Planungsmethoden mit der Skalierung und Flexibilität zu kämpfen.
Ein Anwendungsfall für Quantencomputer in diesem Bereich untersucht, wie Quantenoptimierungsalgorithmen, wie der Quantum Approximate Optimization Algorithm (QAOA), die Planungseffizienz in der Fabrikhalle verbessern können. Typische Ziele sind die Minimierung der Produktionsspanne, die Verringerung von Leerlaufzeiten und die dynamische Handhabung von Störungen oder Nacharbeiten in Echtzeit.

Reale oder simulierte Produktionsszenarien werden als Quadratic Unconstrained Binary Optimization (QUBO)-Probleme formuliert, wobei Einschränkungen wie Maschinenverfügbarkeit, Aufgabenabhängigkeiten und Schichtmuster erfasst werden. Quantenlöser werden dann eingesetzt, um qualitativ hochwertige Planungslösungen zu finden und mit klassischen Heuristiken zu vergleichen.

Für die Hersteller wird untersucht und hervorgehoben, wie Quantencomputing eine agilere, effizientere und widerstandsfähigere Produktionsplanung unterstützen kann, insbesondere in Umgebungen mit hohem Mix und hoher Variabilität.

‍

Die vorausschauende Instandhaltung beruht auf der Analyse von Sensordaten, um Geräteausfälle zu verhindern, bevor sie auftreten. Klassifizierungsmodelle sind für diesen Prozess von zentraler Bedeutung, da sie helfen, Muster zu erkennen, die auf eine Verschlechterung oder Fehlfunktion hindeuten. Da die Datensätze immer komplexer und umfangreicher werden, haben klassische Methoden oft Probleme mit der Skalierbarkeit und der Interaktion der Merkmale.

Eine Quantencomputer-Anwendung für die vorausschauende Wartung untersucht den Einsatz von Quanten-Maschinenlernalgorithmen, wie z. B. Quanten-Support-Vektor-Maschinen (QSVM) oder Variationsklassifikatoren, um die Genauigkeit und Effizienz der Fehlererkennung zu verbessern. Diese Modelle können Vorteile bei der Verarbeitung hochdimensionaler, nichtlinearer Daten bieten, die häufig in industriellen IoT-Systemen vorkommen.

Die Anwendung beinhaltet in der Regel das Training von Quantenklassifizierern auf markierten Wartungsdatensätzen und den Vergleich ihrer Leistung mit klassischen Benchmarks in Bezug auf Vorhersagegenauigkeit, falsch-positive Ergebnisse und Trainingszeit.
Verbesserte Fähigkeiten zur vorausschauenden Wartung können zu geringeren Ausfallzeiten, niedrigeren Betriebskosten und höherer Zuverlässigkeit der Anlagen führen, was dies zu einem wichtigen Anwendungsbereich für die frühzeitige Erforschung von Quanteneffekten in der Fertigungs-, Energie- und Transportbranche macht.