Assistenz für die Simulation in Produktion und Logistik |
Eine literaturbasierte Einordnung
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 5, Seite 66-76 |
| Open Access | https://doi.org/10.30844/I4SD.25.5.66 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Der Einsatz der ereignisdiskreten Simulation für komplexe Produktions- und Logistiksysteme wird trotz marktgängiger Simulationswerkzeuge immer herausfordernder. Er bedingt umfangreiches Fachwissen, eine hohe Datenqualität und zeitliche sowie finanzielle Ressourcen. Seit vielen Jahren wird daher die methodische und organisatorische Unterstützung der Durchführung von Simulationsstudien gefordert und erforscht. Dieser Beitrag möchte basierend auf einer Analyse einschlägiger Publikationen die bisherigen Forschungen zur Verbesserung des Simulationseinsatzes einordnen, die Frage nach der Notwendigkeit einer Assistenz für die Anwendung der ereignisdiskreten Simulation aufwerfen und Handlungsfelder aufzeigen.
Motivation zur Reduzierung von Hürden beim Simulationseinsatz
Obwohl sich der Einsatz der ereignisdiskreten Simulation bei der Planung und dem Betrieb von Produktions- und Logistiksystemen seit vielen Jahren in der Industrie bewährt hat, bestehen auch heute noch Hemmnisse bei der Anwendung. Diese begründen sich insbesondere durch einen hohen Modellierungsaufwand, fehlende Daten oder eine unzureichende Datenqualität, eine für den Untersuchungszweck nicht erreichbare hinreichende Modellgültigkeit und einen hohen Experimentieraufwand.
Darüber hinaus führt insbesondere der Fachkräftemangel dazu, dass qualifiziertes Personal für die konsequente Anwendung der Simulation fehlt. Dieses ist vor allem vor dem Hintergrund der Umsetzung digitaler Zwillinge notwendig. Daher beschäftigen sich Forschungen seit Jahren mit der Reduktion des Aufwandes beim Simulationseinsatz und der effizienteren Durchführung von Simulationsstudien.
Der vorliegende Beitrag analysiert literaturbasiert, wie unterschiedliche Phasen einer Simulationsstudie unterstützt werden können, und zeigt mögliche Assistenzen phasenorientiert auf. Das Feld der simulationsgestützten Assistenzsysteme wird nicht betrachtet. Abgerundet wird der Beitrag durch eine Diskussion offener Forschungsthemen.
Kurze Begriffseinordnung zu Assistenz und Assistenzsystemen
Der Begriff „Assistenzsystem“ im Kontext der Entscheidungsunterstützung ist nicht neu. Bereits 2008 wurde im Rahmen des Sonderforschungsbereichs SFB 559 „Modellierung großer Netze der Logistik“ zu diesem Begriff ein disziplinübergreifender Diskurs zwischen Informatik, Logistik und Soziologie geführt. Danach werden in [1, S. 242] Assistenzsysteme als „rechnerbasierte Systeme, die den Menschen bei der Entscheidungsfindung und -durchführung unterstützen,“ bezeichnet; zudem wird in [1, S. 242] festgelegt, dass Assistenzsysteme zur Entscheidungsunterstützung „durch die Merkmale Identifikation einer Lösungsmenge, Auswahl und Bewertung von Alternativen sowie autonomes Agieren gekennzeichnet“ sind.
Die Autoren ergänzen, dass das Leistungspotenzial von Assistenzsystemen in „der Fähigkeit, intelligente Prozeduren durchzuführen, bei deren Ausführung die Menschen angesichts hoher Schwierigkeitsgrade und (System-)Komplexitäten aufgrund ihrer begrenzten kognitiven Fähigkeiten systematisch scheitern“ [1, S. 242] liegt.
Assistenzsysteme als Mensch-Maschine-Systeme besitzen je nach Umfang einer digitalen Unterstützung unterschiedliche Automatisierungsstufen und damit unterschiedliche Verteilungen der Aufgaben und Entscheidungen zwischen Mensch und Rechner. Assistenzwerkzeuge zur Unterstützung der Aufgaben bei der Durchführung von Simulationsstudien in Produktion und Logistik werden u. a. in [2] diskutiert; hier wird allerdings der Fokus auf die Bereitstellung von Wissen und Assistenzfunktionen zur Verringerung von Routinetätigkeiten gelegt; die Entscheidungsunterstützung liegt hier nur bedingt im Fokus.
Mit dem fortschreitenden Einsatz von Methoden der künstlichen Intelligenz (KI) werden zunehmend auch Entscheidungsprozesse auf den Rechner verlagert. Der im Rahmen dieses Beitrags verwendete Begriff „Assistenz“ wird in Bezug auf die Unterstützung von Simulationsstudien allerdings bewusst weiter gefasst als Assistenzsystem. Er umfasst für die Literaturrecherche sowohl rechnerbasierte Werkzeuge als auch Forschungen zur Aufwandreduzierung wie bspw. Vorgehensmodelle und Methodiken. Diese Erweiterung wird gewählt, da sich aus zunächst nicht rechnergestützten Assistenzen bei entsprechender Akzeptanz in der Anwendung rechnerbasierte Umsetzungen realisieren lassen.
Assistenz für die ereignisdiskrete Simulation
Zur Untersuchung der Bandbreite der Assistenz für die ereignisdiskrete Simulation wird eine Recherche in der einschlägigen wissenschaftlichen Simulationsliteratur durchgeführt. Hierfür werden die Tagungsbände zur ASIM-Fachtagung „Simulation in Produktion und Logistik“ sowie zum „ASIM-Symposium Simulationstechnik SST“ seit 2010 analysiert. Weiterhin werden die Tagungsbände der Winter Simulation Conference in produktions- und logistikbezogenen Tracks seit 2010 sowie die Ausgaben des Journal of Simulation sowie der Simulation Notes Europe seit 2020 einbezogen.
Auf Basis von Titel und Abstract werden Publikationen identifiziert, deren Ergebnisse in den Bereichen Assistenz oder Assistenzsystem entsprechend dem obigen Begriffsverständnis verortet sind. Weitere projektbezogene Literatur aus den aktuellen Grundlagenforschungsprojekten LOCsGEN – Generierung von Kennflächen für Kommissioniersysteme unter Untersicherheit (DFG 544959882) sowie KL4SiM – Automatisierte Generierung von Strukturvarianten für Simulationsmodelle der Produktion und Logistik mittels kombinatorischer Logik (DFG 511349842), die sich mit dem verbesserten Einsatz der Simulation beschäftigen, wird ebenfalls berücksichtigt.
Durch dieses Vorgehen werden zunächst 69 wissenschaftliche Beiträge identifiziert. Basierend auf der bereits erwähnten Definition von Assistenz sowie den Zwischenergebnissen der initialen Recherche wird der folgende Suchstring für eine systematische Recherche in der Datenbank Web of Science formuliert:
(TI=(“discrete-event simulation”) OR TI=(“discrete event simulation”) OR AB=(“discrete-event simulation”) OR AB=(“discrete event simulation”) ) AND (ALL=(“production”) OR ALL=(“manufacturing”) OR ALL=(“logistic“)) AND (ALL=(“standardization”) OR ALL=(“standardisation”) OR ALL=(“procedure model“)OR ALL=(“checklist“) OR ALL=(“guide“) OR ALL=(“knowledge base”) OR ALL=(“template“) OR ALL=(“automat“) OR ALL=(“ontolog“) OR ALL=(“machine learning”) OR ALL=(“LLM“) OR ALL=(“Large Language Model“) OR ALL=(“Large-Language Model“)).
Der Suchzeitraum wird auf die Jahre ab 2010 beschränkt. Insgesamt werden durch diese Abfrage zunächst 545 Treffer ermittelt, die basierend auf Titel und Abstract ausgewertet werden, wobei zunächst 81 Quellen für die Überprüfung des Volltexts aus der Datenbank aufgenommen werden.
Hinzu kommen 69 Quellen, die bereits in der initialen Recherche identifiziert werden, sodass in Summe die Inhalte von 150 wissenschaftlichen Beiträgen anhand des Volltexts ausgewertet werden. Nach Überprüfung der Inhalte verbleiben 73 Quellen, die sich mit der Assistenz während der Durchführung von Simulationsstudien beschäftigen. Bei Quellen, die direkt aufeinander aufbauende Weiterentwicklungen desselben Autorenteams darstellen, wird jeweils nur die aktuelle Quelle aufgenommen. Diese sind in der Konzeptmatrix in Bild 1 aufgelistet und ihren zugehörigen Simulationsstudienphasen zugeordnet. Die Phasen orientieren sich an den Phasen des Vorgehensmodells zur Durchführung von Simulationsstudien nach [3, S. 6], betrachten aber nicht die Angebotsphase.
Zudem werden unter Modellbildung („MB“) die Systemanalyse, die Modellformalisierung und Implementierung subsumiert. Die beiden Phasen der Datenbeschaffung und Datenaufbereitung werden der Informations- und Datengewinnung („I/D“) zugeordnet. Die Verifikation und Validierung (V&V) der Daten und Modelle sind keine eigene Phase, ziehen sich aber als Aufgaben durch alle Phasenergebnisse und werden daher ebenfalls betrachtet. Die in Bild 1 aufgelisteten Quellen werden im nachfolgenden Text mit [ID 1] – [ID 73] indiziert.
Assistenz für die Modellbildung
Die Anzahl an Publikationen zur Assistenz in der Modellbildung (Bild 1) zeigt, dass für die recht aufwendige Phase der Modellerstellung immer wieder Effizienzsteigerungen erforscht werden und hier insbesondere die Reduzierung von Aufwänden der manuellen Modellerstellung durch den Einsatz einer (teil-)automatischen Modellgenerierung (AMG) im Fokus steht.
Die Autoren in [ID 8] fassen den Begriff der AMG als Gruppe von Ansätzen auf, bei denen Modelle nicht gänzlich manuell, sondern über die Nutzung (simulations-)externer Datenquellen datengetrieben generiert werden. Beispiele für derartige Datenquellen sind Computer-Aided-Design-Modelle (CAD-Modelle), auf deren Basis Simulationsmodelllayouts automatisch generiert bzw. überprüft werden können.
Im Rahmen dieses Beitrags wird das Begriffsverständnis um externalisiertes Wissen als Basis für die AMG erweitert. So stellt [ID 25] ein ontologiebasiertes Software-Modul für die automatische Konfiguration und Überprüfung von Modelllayouts vor, während in [ID 30] ein ontologiebasierter Ansatz zur Modellversionierung präsentiert wird, welcher die Erkennung und Aufzeichnung von Änderungen in verschiedenen Modellversionen einschließlich einer Überprüfung von Inkonsistenzen ermöglicht.
[ID 73] nutzt einen semantischen Modellierungsansatz zur Modellerstellung und Ergebnisvisualisierung, während [ID 31] Ontologien zur Förderung der Interoperabilität zwischen Simulationsmodellen und anderen Werkzeugen der Digitalen Fabrik anwenden.
In [ID 16, ID 21] werden Ontologien abgefragt, um passende Ressourcen für die Darstellung in einem Simulationsmodell zu identifizieren. Aus den aufgezeigten Forschungen wird die Reife des Einsatzes semantischer Modelle in der Simulation ersichtlich, die in den aufgezeigten Forschungen als Modelle der symbolischen künstlichen Intelligenz (SKI) aufgefasst werden können.
Weitere Ansätze für die Assistenz in Form von SKI nutzen zur AMG die Softwaresynthese auf Basis kombinatorischer Logik. Ein Beispiel hierfür findet sich in [ID 42]; die Autoren erzeugen algorithmisch verschiedene Maschinenkonfigurationen in Modellvarianten durch Softwaresynthese, um die Simulationsmodellvarianten anschließend im Vertrieb für die gemeinsame Systemlösungsfindung beim Kunden einzusetzen.
Weitere Publikationen fokussieren die Automatisierung der Transformation von Phasenergebnissen während der Modellbildung. Ein Beispiel hierfür ist der Beitrag [ID 55], in welchem die Autoren ein Assistenzsystem zur AMG eines ausführbaren Modells auf Basis eines vorhandenen (semiformalen) Konzeptmodells (als Ergebnis der Phase der Systemanalyse) präsentieren. Hieran anknüpfend setzen jüngste Forschungen Large Language Models (LLMs) ein, um auf Basis natürlichsprachiger Beschreibungen automatisch Modellspezifikationen und ausführbare Modelle zu generieren [ID 15, ID 33].
Besonders in [ID 15] wird die Idee aufgegriffen, LLMs als Technologie für eine „Copilot“-Anwendung für die Modellerstellung einzusetzen. LLMs sind Modelle des maschinellen Lernens (ML), die auf Basis von Daten trainiert werden. Weitere datengetriebene Ansätze finden sich ebenfalls im Kontext der Modellbildung. So nutzen bspw. [ID 22, ID 41, ID 47] Process-Mining-Algorithmen, um auf Basis von Ereignisdaten ausführbare Modelle bzw. Modellparameter (teil-)automatisch zu extrahieren. [ID 50] extrahieren auf der Basis von Daten aus speicherprogrammierbaren Steuerungen Modellstrukturen einschließlich der Modelltopologie.
Ein weiteres Beispiel für Assistenz während der Modellbildung sind standardisierte Schnittstellen wie CMSD (Core Manufacturing Simulation Data), die besonders während der 2010er Jahre Anwendung fanden. So nutzen [ID 7, ID 8, ID 29] Daten im CMSD-Format, um Aufwände im Zusammenhang mit der Modellierung von Elementen wie Ressourcen, Schichtmodellen oder Aufträgen zu reduzieren. [ID 51] präsentieren standardisierte Datenstrukturen, damit Anwender mit geringer Kenntnis eines spezifischen Simulationswerkzeugs Modelle erstellen können.
Die aufgezeigten Forschungen legen die Schlussfolgerung nahe, dass Assistenz im Kontext der Modellbildung bereits eine Bandbreite an Methoden der künstlichen Intelligenz umfasst – jedoch diese noch keine vollwertigen Assistenzsysteme darstellen.
Assistenz für die Informations- und Datengewinnung
Um Simulation erfolgreich durchführen zu können, müssen die jeweils relevanten Informationen und Daten beschafft und aufbereitet werden. Dies stellt jedoch eine erhebliche Herausforderung dar. Gründe hierfür sind u. a. fehlende Daten, ein begrenzter Zugang zu Datenquellen sowie eine mangelnde Datenqualität [ID 38]. Die Ansätze zur Unterstützung der Informations- und Datenbeschaffung (Bild 1) zielen daher darauf ab, die mit der Informations- und Datengewinnung verbundenen Aufwände zu reduzieren, die Eingangsdatenqualität zu verbessern und somit die Ergebnisgüte der Simulation maßgeblich zu verbessern.
Zur Unterstützung der Informations- und Datenbeschaffung liegen bereits Vorgehensmodelle [ID 13, ID 18, ID 38] und Softwarewerkzeuge [ID 39] vor. [ID 38] erweitert das Vorgehensmodell zur Durchführung einer Simulationsstudie [3], um Phasen zur Informations- und Datenbeschaffung sowie um ein konsequentes Verifikations- und Validierungskonzept dieser Phasenergebnisse. Die einzelnen Schritte reichen von der Zieldefinition über die Informationsidentifikation, -erhebung und -erfassung bis hin zur Datenstrukturierung und -analyse sowie der Datennutzbarkeitsprüfung.
Zudem gibt es spezielle Softwarewerkzeuge zur Unterstützung der Datenbeschaffung, -aufbereitung und -analyse über die verschiedenen Phasen der Simulationsstudie hinweg. So umfassen EDASim [ID 11] und AssistSim [ID 39] Hilfsfunktionen für die Auswahl, Validierung und Aufbereitung von Eingangsdaten sowie für die Analyse von Ausgangsdaten aber auch für die Experimentplanung und Durchführung (siehe auch weiter unten). Sie sind inzwischen gemeinsam als Assistenzsystem am Markt erhältlich [4].
Ein weiterer Ansatzpunkt ist die Nutzung eines Expertensystems, welches relevantes Simulationswissen umfasst [ID 44]. Die strukturierte Erfassung und Verwaltung des Expertenwissens nach einem definierten Regelwerk verbessert die Datenbeschaffung und -aufbereitung und reduziert den Lern- und Schulungsaufwand für die Simulationsanwendung. Die Umsetzung des Expertensystems kann beispielsweise in Form eines Wikis erfolgen [ID 19]. Insbesondere visuelle Wikis ermöglichen die kollaborative Erstellung und Pflege von Systembeschreibungen und erleichtern die Kommunikation zwischen der Modellierungs- und Fachabteilung [ID 19].
Des Weiteren werden Datenrepositories zur Datenbeschaffung [ID 65] und die Wertstromanalyse als ergänzende Methode zur Datenerfassung eingesetzt [ID 5]. Letztere visualisiert Material- und Informationsflüsse und erleichtert so die Identifizierung benötigter Daten sowie die Kategorisierung bereits vorhandener Informationen. Dies vereinfacht den Datenerhebungsprozess und liefert wertvolle Einblicke in das zu modellierende System.
Neben einer Assistenz für die Durchführung der Informations- und Datenbeschaffung setzen weitere Ansätze den Schwerpunkt auf die Verbesserung des Zugangs zu Daten und Informationen. Die Autoren in [ID 1] zeigen, wie aus bereinigten RFID-Daten Zeitparameter für die Simulation extrahiert werden können, um so Aufwände im Zusammenhang mit einer manuellen Datenerhebung zu vermeiden. [ID 3, ID 8] präsentieren ein Tool zur Extraktion simulationsrelevanter Daten aus verschiedenen betrieblichen Informationssystemen wie (z. B. ERP- oder ME-Systemen), das bereits durch die Anwendung statistischer Verfahren fehlende Daten extrapoliert und somit aufbereitet.
Eine ähnliche Funktionalität bietet das Tool von [ID 59], das jedoch darüber hinaus Daten im CMSD-Format formalisiert und diese somit simulationswerkzeugunabhängig formal beschreibt. Einen ähnlichen jedoch weniger funktionalen Ansatz stellen [ID 34] durch einen Connector für die Übertragung von Betriebsdaten in ein Simulationsmodell vor.
[ID 62, ID 65] stellen ebenfalls einen Ansatz zur Vorverarbeitung von Daten durch die Anwendung statistischer Verfahren für besonders produktvariantenreiche Untersuchungssysteme vor. Anstatt direkt die Eigenschaften eines Datums zu verändern, nutzt ihr Framework Clustering, um automatisch repräsentative Produktfamilien für die Simulation auszuwählen, auf deren Basis Schlüsse für das Gesamtsystem abgeleitet werden können. Dadurch verringern sich die Aufwände im Zusammenhang mit der Informations- und Datengewinnung, Modellbildung und Experimentdurchführung.
Assistenz für die Phase „Experimente und Analyse“
Die Phase „Experimente und Analyse“ kann zeitaufwendig sein, da sie die Planung und Durchführung einer Vielzahl von Simulationsexperimenten und deren Analyse umfasst. Assistenzsysteme bieten hier vielfältige Möglichkeiten zur Aufwandsreduktion (Bild 1). So versuchen Werkzeuge wie das bereits erwähnte AssistSim [ID 39] bzw. das marktgängige Werkzeug SimAssist [4] oder SAFE [ID 49] die Experimentplanung und -durchführung zu automatisieren, um Zeit zu sparen und die Fehleranfälligkeit zu reduzieren. Die Unterstützung umfasst den Entwurf des Experimentplans mit den zu variierenden Parameterkonfigurationen bis hin zur Ergebnisauswertung und -visualisierung; dies kommt insbesondere auch unerfahrenen Anwenderinnen und Anwendern zugute. Weitere Ansätze zur Automatisierung der Simulationsexperimentplanung und -durchführung finden sich beispielsweise in [ID 18, ID 68].
Zusätzlich gibt es einige Ansätze, welche einzelne Aspekte bei der Experimentplanung und -durchführung unterstützen. Zu diesen gehören z. B. die templatebasierte Simulationsexperimentspezifikation [ID 56] und die automatische Variation von Modellstrukturen mittels kombinatorischer Logik [ID 69, ID 70]. Im Vergleich zu den Ansätzen, die in der Modellbildung [ID 42] angewandt werden, werden in diesem Fall ausgehend von einem validen ausführbaren Modell automatisch Modellstrukturvarianten generiert, sodass eine automatisierte Strukturvariation zugelassen wird. Dadurch können eine Vielzahl an Modellstrukturvarianten simuliert und in Bezug auf ihre Ergebnisgüte verglichen werden.
Ein weiterer wichtiger Ansatz ist die statistische Metamodellierung [ID 32, ID 37, ID 71, ID 72]. Anstatt eine große Anzahl aufwendiger Simulationsexperimente durchzuführen, wird ein vereinfachtes, approximatives Modell – das Metamodell – auf Basis von wenigen Simulationsläufen und Replikationen erstellt. Dieses Metamodell kann dann genutzt werden, um das Verhalten des zugrundeliegenden Simulationsmodells in einem größeren Parameterraum zu untersuchen.
Des Weiteren gibt es Ansätze zur verteilten Simulation [ID 43, ID 64], um die Modellierung großer und komplexer Produktions- und Logistiksysteme zu ermöglichen und die damit verbundene Rechenlast zu bewältigen. Häufig werden Standards [ID 6, ID 64] verwendet, um die Interoperabilität der verteilten Simulationsmodelle zu fördern. Neben Ansätzen für die webbasierte Verteilung von Simulationsexperimenten gibt es auch verteilte Simulation auf mobilen Endgeräten [ID 43], sodass eine flexiblere und zugänglichere Durchführung von Simulationsstudien für unerfahrene Personen möglich ist.
Zusätzlich können durch die Visualisierung von Simulationsexperimenten [ID 17] die Analyse und Kommunikation der Ergebnisse erleichtert werden, um allen beteiligten Personen einen intuitiven Zugang zu ermöglichen. In diesem Kontext erlauben zudem cloudbasierte Assistenzsysteme [ID 2, ID 66] die flexible Durchführung und den Zugriff auf Simulationsexperimente über mobile Endgeräte.
Assistenz für die Verifikation und Validierung
V&V-Softwarefunktionalitäten werden heute bereits in marktgängigen ereignisdiskreten Simulationswerkzeugen zur Überprüfung des ausführbaren Modells (z. B. Konsistenzchecks) oder auch der Eingangs- und Ergebnisdaten (z. B. Funktionen zur Regressions- und Korrelationsanalyse oder zur Berechnung von Konfidenzintervallen) angeboten [5]. Zudem werden einzelne V&V-Techniken wie z. B. die Animation direkt durch die Werkzeuge unterstützt (zu V&V-Techniken vgl. u. a. [6]).
Allerdings ist die V&V-Assistenz oftmals anwendungsspezifisch und nicht durchgängig für alle Phasen des Simulationsvorgehens nutzbar. Beispielsweise präsentieren [ID 23] ein Assistenzsystem zur V&V systembetriebsparalleler Simulationsmodelle in der Halbleiterindustrie. [ID 47] bietet ein Framework für die V&V auf Basis operativer Daten und unter Nutzung von Process-Mining, das jedoch nur während der Modellbildung eingesetzt werden kann.
Assistenz für die Nachnutzung
Durchgeführte Simulationsstudien bieten wertvolle Erfahrungen für die Anwendung der Simulation in Folgestudien, vorausgesetzt, die gewonnenen Informationen und das gewonnene Wissen sind entsprechend dokumentiert. Hierfür stellt [ID 61] eine ontologiebasierte Methodik zur Unterstützung der Nachnutzung von Simulationswissen vor, die auf einer kontinuierlich erweiterten Wissensbasis basiert.
Bewertung der Analyse und offene Forschungsthemen
Die aufgezeigten Forschungen verdeutlichen einerseits die Vielfalt an Formen der Assistenz im Kontext einer Simulationsstudie, sie zeigen jedoch auch, dass die Ergebnisse der Forschungsanstrengungen einen unterschiedlichen Reifegrad besitzen und dass eine durchgängige Assistenz fehlt.
So stehen beispielsweise für die Experimentphase Werkzeuge zur Automatisierung der Experimentplanung und -durchführung und für die Phase der Informations- und Datengewinnung Werkzeuge für die Datenaggregation und -aufbereitung zur Verfügung. In den Phasen der Modellbildung weisen die vielfältigen Ansätze zur Assistenz wie bspw. die Standardisierung von Schnittstellen, die Nutzung simulationswerkzeugunabhängiger Modellformalismen oder die statistische Metamodellierung über den Betrachtungszeitraum der letzten 15 Jahre auf Trends hin – eine Konsolidierung scheint aber noch nicht ersichtlich.
Wenig ausgereift ist die Forschung zur Assistenz für die V&V sowie die Nachnutzung von Ergebnissen. Zwar sind auch hier Vorgehensmodelle sowie Methodiken als Forschungsergebnisse zur Assistenz identifizierbar, jedoch ist der Umfang der Forschungen im Vergleich zu den zuvor genannten Phasen begrenzt; hierin liegt Forschungspotenzial, da nur durch eine durchgängige V&V belastbare Untersuchungen durchgeführt und diese durch eine systematische Nachnutzung von Ergebnissen beschleunigt werden können.
Die Analyse der wissenschaftlichen Literatur zeigt, dass es für verschiedene Aufgaben in den Phasen einer Simulationsstudie eine Vielfalt an Formen der Assistenz gibt, die zum Teil als Checklisten, Vorgehensmodelle, Softwarefunktionen oder auch eigenständige Werkzeuge umgesetzt sind. Allerdings sind Assistenzsysteme zur tatsächlichen Entscheidungsunterstützung (im Sinne der zu Beginn des Beitrags eingeführten Definition) noch kaum vorhanden, obwohl der Bedarf sowie damit verbundene Forschungslücken sowohl in der Wissenschaft als auch in der Anwendung erkennbar sind. Durchgängige phasenübergreifende Assistenzsysteme fehlen vollständig. Damit diese Lücken geschlossen werden, müssen sich die zukünftigen Handlungsfelder für Assistenzsysteme im Kontext der Simulation auf folgende Aspekte beziehen:
- Verbesserung der automatisierten Erzeugung von Modellen
- Qualitätskonforme und zeitsynchrone Informationsgewinnung für Simulationsmodelle auf Basis von realen Systemdaten
- Sicherstellung der Validität von Modellen und Daten durch eine durchgängige und geführte V&V-Assistenz
- Natürlichsprachige Planung, Durchführung und Auswertung von Experimenten sowie Reduktion des Experimentaufwands bei gleichzeitiger Verbesserung der Ergebnisgenauigkeit
- Schaffung eines nachhaltigen wieder- und weiterverwendbaren Simulationswissens auch nach Projektende
- Regelbasierte Befähigung zur Interoperabilität von Modellen und Werkzeugen
Aktuelle Forschungen zu Methoden der statistischen Metamodellierung, zur künstlichen Intelligenz oder auch zu theoretischen Modellen der Informatik können hier zielführend unterstützen (z. B. [8] sowie [ID 15, ID 32, ID 70]). So birgt der Einsatz von LLMs für die Handlungsfelder 1 und 3 Anwendungspotenzial, während Methoden der statistischen Metamodellierung vor allem bei 5 eingesetzt werden können.
Als weiterer Ausgangspunkt für das Handlungsfeld 5 bieten theoretische Modelle der Informatik wie in [ID 70] erweiterte Möglichkeiten für die automatische Variation nicht-numerischer Parameter wie Strukturen oder Steuerungsstrategien im Rahmen von Experimenten. Für das Handlungsfeld 2 werden Methoden der statistischen Datenanalyse und KI einzusetzen sein, während bei Handlungsfeld 4 maschinelle Lernverfahren und bei Handlungsfeld 6 Ontologien zum Einsatz kommen können.
Vor dem Hintergrund des kombinierten Einsatzes der Simulation mit anderen einschlägigen Verfahren wie bspw. der Optimierung, dem maschinellen Lernen oder Process-Mining gewinnt die Interoperabilität von Modellen und Werkzeugen (Handlungsfeld 7) ebenfalls zunehmend an Bedeutung (bspw. zur Umsetzung digitaler Zwillinge) und bedarf entsprechender Assistenz bspw. in Form von ontologiebasierten „Copilot“-Anwendungen.
Beim Einsatz von KI-Methoden – und dabei insbesondere Verfahren des maschinellen Lernens wie bspw. LLMs – sind auch im Kontext der Simulation die Erklärbarkeit von KI („Explainable ArtificiaI Intelligence“ oder „XAI“) bzw. weiterführend die Vertrauenswürdigkeit („Trustworthy Artificial Intelligence“ [9]) wesentliche Voraussetzungen für die erfolgreiche Umsetzung von Assistenz in den aufgezeigten Handlungsfeldern.
Zusammenfassung und Ausblick
Basierend auf einer Literaturanalyse ermittelt der Beitrag verschiedene Möglichkeiten der Assistenz entlang des Vorgehensmodells für die ereignisdiskrete Simulation in Produktion und Logistik, um so Forschungslücken abzuleiten.
Aus der Recherche wird erkennbar, dass es bereits eine Vielzahl an Assistenzmöglichkeiten zur Unterstützung des Simulationseinsatzes gibt. Allerdings wird auch deutlich, dass Assistenzsysteme zur Entscheidungsunterstützung für die Simulation auch in den methodischen Grundlagen noch längst nicht hinreichend erforscht sind. Methoden aus den Bereichen KI und Statistik, welche die ereignisdiskrete Simulation ergänzen, können neue Wege der Entscheidungsunterstützung eröffnen und so Zeit- und Aufwandsreduktionen bei Simulationsstudien ermöglichen.
Dies ist ein Originalbeitrag. Die englische Übersetzung finden Sie unter der DOI: 10.30844/I4SE.25.5.64
Literatur
[1] Blutner, D.; Cramer, S. et al.: Assistenzsysteme für die Entscheidungsunterstützung. In: Buchholz, P.; Clausen, U. (Hrsg): Große Netze der Logistik. Berlin Heidelberg 2009.[2] Mayer, G.; Spieckermann, S.; Wenzel, S.: Steigerung der Produktivität in
Simulationsstudien mit Assistenzwerkzeugen. In: Zeitschrift für wirtschaftlichen Fabrikbetrieb 107 (2012), S. 174-177.
[3] Wenzel, S.; Weiß, M. et al.: Qualitätskriterien für die Simulation in Produktion und Logistik – Planung und Durchführung von Simulationsstudien. Berlin Heidelberg 2008.
[4] SimPlan AG: SimAssist. URL: https://www.simassist.de/, Abrufdatum 23.04.2025.
[5] VDI: VDI-3633 Blatt 13 Simulation von Logistik-, Materialfluss- und Produktionssystemen – Verifizierung und Validierung (V&V). Berlin 2023.
[6] Rabe, M.; Spieckermann, S.; Wenzel, S.: Verifikation und Validierung für die Simulation in Produktion und Logistik – Vorgehensmodelle und Techniken. Berlin Heidelberg 2008.
[7] Furmans, K.; Hanschke, T. et al.: Simulation für Produktion und Logistik. Düsseldorf 2021.
[8] Schweitzer, F.; Habel, L. et al.: Metamodel-based Simulation Optimization Using Machine Learning for Solving Production Planning Problems in the Automotive Industry. In: Bui, T. X. (Hrsg): Proceedings of the 58th Hawaii International Conference on System Sciences. Honolulu 2024.
[9] Longo, L.; Brcic, M. et al.: Explainable Artificial Intelligence (XAI) 2.0: A Manifesto of Open Challenges and Interdisciplinary Research Directions. In: Information Fusion 106 (2024), S. 1-22.
[10] Altaf, M. S.; Bouferguene, A. et al.: Integrated Production Planning and Control System for a Panelized Home Prefabrication Facility Using Simulation and RFID. In: Automation in Cunstruction 85 (2018), S. 369-383.
[11] Al-Zoubi, K.; Wainer, G.: Mobile Experimentation Using Modelling and Simulation in the Fog/Cloud. In: Journal of Simulation 16 (2022) 6, S. 550-571.
[12] Barlas, P.; Heavey, C.; KE tool: An Open Source Tool for Automated Input Data in Simulation. In: Roeder, P.; Frazier, P. I. et al. (Hrsg): Proceedings of the 2016 Winter Simulation Conference. Washington (USA) 2016.
[13] Barrera-Diaz, C. A.; Oscarsso, J. et al.: Discrete Event Simulation Output Data-Handling System in an Automotive Manufacturing Plant. In: Procedia Manufacturing 25 (2018), S. 23-30.
[14] Bärring, M. V. L.; Nafors, D. et al.: A VSM Approach to Support Data Collection for a Simulation Model. In: Chan, W. K. V.; D’Ambrogio, A. et al. (Hrsg): Proceedings of2017 Winter Simulation Conference. Las Vega (USA) 2017.
[15] Bergmann, S.: A New Web Based Method for Distribution of Simulation Experiments based on the CMSD Standard. In: Laroque, C.; Himmelspach, J. et al. (Hrsg): Proceedings of the 2012 Winter Simulation Conference. Berlin 2012.
[16] Bergmann, S.: Automatische Generierung adaptiver Modelle zur Simulation von Produktionssystemen. Ilmenau 2014.
[17] Bergmann, S.; Straßburger, S.: Automatische Modellgenerierung – Stand, Klassifizierung und ein Anwendungsbeispiel. In: Mayer, G.; Pöge, C. et al. (Hrsg): Ablaufsimulation in der Automobilindustrie. Berlin, Heidelberg 2020.
[18] Billiet, H.; Stark, R.: Automatic Generation of a Simulation Model to Support the Rescheduling of a Fixed-Layout Assembly System. In: Bergmann, S.; Feldkamp, N. et al. (Hrsg): 20. ASIM Fachtagung Simulation in Produktion und Logistik 2023. Ilmenau 2023.
[19] Bloomfield, R.; Mazhari, E. et al.: Interoperability of Manufacturing Applications Using the Core Manufacturing Simulation Data (CMSD) Standard Information Model. In: Computers & Industrial Engineering 62 (2012) 4, S. 1065-1079.
[20] Bogon, T.; Timm, I. J. et al.: Towards Assisted Input and Output Data Analysis in Manufacturing Simulation: The EDASim Approach. In: Laroque, C.; Himmelspach, J. et al. (Hrsg): Proceedings of the 2012 Winter Simulation Conference. Berlin 2012.
[21] Bohn, D.; Angelidis, E. et al.: Grafisches Werkzeug zur Erstellung von Optimierungsalgorithmen für komplexe Montagesysteme. In: Dangelmaier, W.; Laroque, C.; Klaas, A. (Hrsg): Simulation in Produktion und Logistik 2013. Paderborn 2013.
[22] Bokrantz, J.; Skoogh, A. et al.: A Methodology for Continuous Quality Assurance of Production Data. In: (Hrsg): Proceedings of the 2015 Winter Simulation Conference. Huntington Beach (USA) 2015.
[23] Bokrantz, J.; Skoogh, A. et al.: Data Quality Problems in Discrete Event Simulation of Manufacturing Operations. In: SIMULATION 94 (2018) 11, S. 1009-1025.
[24] Carreira-Munich, T.; Paz-Marcolla, V.; Castro, R.: DEVS COPILOT: Towards Generative AI-Assisted Formal Simulation Modelling based on Large Language Models. In: Lam, H.; Azar, D. et al. (Hrsg): Proceedings of the 2024 Winter Simulation Conference. Orlando (USA).
[25] Chinnathai, M. K.; Al-Mowafy, Z. et al.: A Framework for Pilot Line Scale-up Using Digital Manufacturing. In: Procedia CIRP 81 (2019), S. 962-967.
[26] Däumler, M.; Reith, K. B. et al.: Approach on Evaluating Material Handling Simulation Runs under Consideration of Different Target Groups. In: 24. Symposium Simulationstechnik. Hamburg 2018.
[27] Doud, K.; Yilmaz, L.: Framework for Formal Automated Analysis of Simulation Experiments Using Probabilistic Model Checking. In: Chan, W. K. V.; D’Ambrogio, A. et al. (Hrsg): Proceedings of the 2017 Winter Simulation Conference. Las Vega (USA) 2017.
[28] Dungan, P.; Heavey, C.: Proposed Visual Wiki System for Gathering Knowledge about Discrete Event Systems: In: Johansson, B.; Jain, S. et al. (Hrsg): Proceedings of the 2010 Winter Simulation Conference. Baltimore (USA) 2010.
[29] Elbasheer, M.; D’Augusta, V. et al.: Leveraging Auto-generative Simulation for Decision Support in Engineer-to-Order Manufacturing. In Procedia Cumputer Science 232 (2024), S. 1319-1328.
[30] Folkerts, H.; Pawletta, T.; Deatcu, C.: Model Generation for Multiple Simulators Using SES/MB and FMI 13: In: Deatcu C.; Lückerath, D. et al. (Hrsg): 25. Symposium Simulationstechnik. Online 2020.
[31] Friederich, J.; Wetong, C. et al.: Equipment-centric Data-driven Reliability Assessment of Complex Manufacturing Systems. In: Loper, M.; Jin, D. (Hrsg): SIGSIM-PADS ’23. Orlando (USA) 2023.
[32] Gan, B. P.; Lendermann, G. P. et al. (2013): Automatic Model Verification for Semiconductor Manufacturing Simulation. In: Pasupathy, R.; Kim, S.-H. et al. (Hrsg): Proceedings of the 2013 Winter Simulation Conference. Washington (USA) 2013.
[33] Genath, J.; Bergmann, S. et al.: Development of an Integrated Solution for Data Farming and Knowledge Discovery in Simulation Data. Simulation Notes Europe 32 (2022) 3, S. 121-126.
[34] Gocev, P.; Rabe, M.: Graphical Layout Planning Module within a Semantic Web Framework for Modelling and Simulation. In: Zülch, G.; Stock, P. (Hrsg): 14. ASIM-Fachtagung Simulation in Produktion und Logistik. Karlsruhe 2010.
[35] Haoyu, L.; Tang, Y. et al.: Large Language Model Assisted Experiment Design with Generative Human-Behavior Agents. In: Lam, H.; Azar, D. et al. (Hrsg): Proceedings of the 2024 Winter Simulation Conference. Orlando (USA) 2024.
[36] Hofmann, W.; Lang, S. et al.: A Brief Introduction to Deploy Amazon Web Services for Online Discrete-Event Simulation. In: Procedia Computer Science 200 (2022), S. 386-393.
[37] Hutabarat, W.; Oyekan, J.: Combining Virtual Reality Enabled Simulation with 3D Scanning Technologies Towards Smart Manufcturing. In: Roeder, P.; Frazier, P. I. et al. (Hrsg): Proceedings of the 2016 Winter Simulation Conference. Washington (USA) 2016.
[38] Jain, S.; Lechevalier, D.: Standards Based Generation of a Virtual Factory Model. In: Roeder, P.; Frazier, P. I. et al. (Hrsg): Proceedings of the 2016 Winter Simulation Conference. Washington (USA) 2016.
[39] Ji, F.; Vogel-Heuser, B. et al.: Ontology Versioning for Managing Inconsistencies in Engineering Models Arising from Model Changes in the Design of Intralogistics Systems. In: IEEE Transactions on Automation Science and Engineering 22 (2024), S. 1249-1261.
[40] Kádár, B.; Terkaj, W.; Sacco, M.: Semantic Virtual Factory Supporting Interoperable Modelling and Evaluation of Production Systems: In: CRIP Annals 62 (2013) 1, S. 443-446.
[41] Kirchhoff, D.; Kirberg, M. et al.: Metamodel-based Optimization of Shift Planning in Highbay Warehouse Operations. In: Quality and Reliability Engineering International 39 (2022) 2, S. 590-608.
[42] Krämer, R.; Heger, J.: Beschleunigte Erstellung von Simulationsmodellen für Produktions- und Logistikprozesse mithilfe von GPT-basierten Large Language Models. In: Rose, O.; Uhlig, T. (Hrsg): ASIM SST 2024 Tagungsband Kurzbeiträge. München 2024.
[43] Krenczyk, D.; Kempa, W. M. et al.: Integration of Manufacturing Operations Management Tools and Discrete Event Simulation. In: IOP Conference Series: Materials Science and Engineering 400 (2018) 2.
[44] Kruse, T.; Schmidtmann, A.: Generierung eines Simulationsmodells auf Basis einer CMDB. In: Dangelmaier, W.; Laroque, C.; Klaas, A. (Hrsg): Simulation in Produktion und Logistik 2013. Paderborn 2013.
[45] Kugler, M.; Franz, V.: CiSmo – CAD-integrierte Simulationsmodellierung für die Bauablaufsimulation im Hochbau. In: Zülch, G.; Stock, P. (Hrsg): 14. ASIM-Fachtagung Simulation in Produktion und Logistik. Karlsruhe 2010.
[46] Kuhnt, S.; Kirchhoff, D. et al.: Generating Logistic Characteristic Curves using Discrete Event Simulation and Response Surface Models. In: Simulation Notes Europe 30 (2020) 3, S. 95-104.
[47] Kuhnt, S.; Wenzel, S.: Information Acquisition for Modelling and Simulation of Logistics Networks. In: Journal of Simulation 4 (2010) 2, S. 109-115.
[48] Lattner, D. A.; Pisch, H.: AssistSim – Towards Automation of Simulation Studies in Logistics. In: Simulation Notes Europe 21 (2011) 3-4, S. 119-128.
[49] Lizotte, M.; Rioux, F.: IMAGE-Scenarization: A Computer-Aided Approach for Agent-based Analysis and Design. In: Johansson, B.; Jain, S. et al. (Hrsg): Proceedings of the 2010 Winter Simulation Conference. Baltimore (USA) 2010.
[50] Lugaresi, G.; Matta, A.: Automated Digital Twins Generation for Manufacturing Systems: A Case Study. In: IFAC-PapersOnLine 54 (2021) 1, S. 749-754.
[51] Mages, A.; Mieth, C. et al.: Automatic Component-based Synthesis of User-Configured Manufacturing Simulation Models. In: Feng, B.; Pedrielli, G. et al. (Hrsg): Proceedings of the 2022 Winter Simulation Conference. Singapur 2022.
[52] Maqbool, F.; Malik, A. W. et al.: SEECSSim: A Toolkit for Parallel and Distributed Simulations for Mobile Devices. In: Journal of Simulation 15 (2021) 3, S. 235-260.
[53] Meyer, T.; Müller-Sommer, H.; Straßburger, S.: Erhöhung der Wiederverwendbarkeit von Eingangsdaten für Belieferungssimulationen durch Expertensysteme. In: Zülch, G.; Stock, P. (Hrsg): 14. ASIM-Fachtagung Simulation in Produktion und Logistik. Karlsruhe 2010.
[54] Milde, M.; Reinhart, G.: Automated Model Development and Parametrization of Material Flow Simulations. In: Mustafee, N.; Bae, K.-H. G. et al. (Hrsg): Proceedings of the 2019 Winter Simulation Conference. National Harbor (USA) 2019.
[55] Özkul, F.; Sutherland, R. et al.: Einsatz von Process-Mining zur Verifikation und Validierung von Simulationsmodellen in Produktion und Logistik. In: Bergmann, S.; Feldkamp, N. et al. (Hrsg): Simulation in Produktion und Logistik 2023. Ilmenau 2023.
[56] Özkul, F.; Sutherland, R. et al.: Verknüpfung von ereignisdiskreter Simulation und Process-Mining in Produktion und Logistik. In: Breitenecker, F.; Deatcu, C. et al. (Hrsg): ASIM SST 2022 Proceedings Langbeiträge. Wien 2022.
[57] Penn, M. L.; Monks, T.: Towards Generic Modelling of Hospital Wards: Reuse and Redevelopment of Simple Models. In: Journal of Simulation 14 (2020) 2, S. 107-118.
[58] Perrone, L. F.; Main, C. S.; Ward, B. C.: SAFE: Simulation Automation Framework for Experiments. In: Laroque, C.; Himmelspach, J. et al. (Hrsg): Proceedings of the 2012 Winter Simulation Conference. Berlin 2012.
[59] Popovics, G.; Monostori, L.: ISA Standard Simulation Model Generation Supported by Data Stored in Low Level Controllers. In: Procedia CIRP 12 (2013), S. 432-437.
[60] Popovics, G.; Pfeiffer, A.; Monostori, L.: Generic Data Structure and Validation Methodology for Simulation of Manufacturing Systems. In: International Journal of Computer Integrated Manufacturing 29 (2016) 12, S. 1272-1286.
[61] Prajapat, N.; Tiwari, A. et al.: A Framework for Next Generation Interactive and Immersive DES Models. In: Vyatkin, V.; Martinez, J. L. et al. (Hrsg): IEEE 17th International Conference on Industrial Informatics. Helsinki (Finnland) 2019.
[62] Prajapat, N.; Turner, C. et al.: Real-Time Discrete Event Simulation: A Framework for an Intelligent Expert System Approach Utilising Decision Trees. In: The International Journal of Advanced Manufacturing Technology 110 (2020), S. 2893-2911.
[63] Reed, S.; Löfstrand, M.; Andrews, J.: Modelling Cycle for Simulation Digital Twins. In: Manufacturing Letters 28 (2021), S. 54-58.
[64] Rioux, F.; Lizotte, M.: IMAGE-Scenarization: From Conceptual Models to Executable Simulation. In: Jain, S.; Himmelspach, J. et al. (Hrsg): Proceedings of the 2011 Winter Simulation Conference. Phoenix (USA) 2011.
[65] Ruscheinski, A.; Budde, K. et al.: Generating Simulation Experiments based on Model Documentations and Templates. In: Rabe, M.; Juan, A. A. et al. (Hrsg): Proceedings of the 2018 Winter Simulation Conference. Göteborg (Schweden) 2018.
[66] Schutz, J.; Sauvey, C. et al.: A Practical and Sustainable Approach to Industrial Engineering Discrete-Event Simulation with Free Mathematical and Programming Software. In: Sustainability 17 (2025) 9, S. 3973.
[67] Shariatzadeh, N.; Sivard, S.; Lindberg, L.: An Approach for Manufacturing Process Representation in Product Lifecycle Management. In: Engineering Materials 572 (2013), S. 239-244.
[68] Skoogh, A.; Johansson, B.; Stahre, J.: Automated Input Data Management: Evaluation of a Concept for Reduced Time Consumption in Discrete Event Simulation. In: Simulation 88 (2012) 11, S. 1279-1293.
[69] Stogniy, I.; Scholl, W.: Using Accuracy Measurements to Evaluate Simulation Model Simplification. In: Bae, K.-H.; Feng, B. et al. (Hrsg): Proceedings of the 2020 Winter Simulation Conference. Orlando (USA) 2020.
[70] Stolipin, J.; Wenzel, S.: Ontologie-basierte Methodik zur Unterstützung der Nachnutzung von Simulationswissen. In: Putz, M.; Schlegel, A. (Hrsg): Simulation in Produktion und Logistik 2019. Chemnitz 2019.
[71] Strasser, S.; Peirleitner, A.: Reducing Variant Diversity by Clustering Data Pre-Processing for Discrete Event Simulation Models. In: Bernardino, J.; Quix, C.; Filipe, J. (Hrsg): Proceedings of the 6th International Conference on Data Science, Technology and Applications. Madrid (Spanien) 2017.
[72] Tako, A. A.; Vasilakis, C.; Kotiadis, K.: A Participative Modelling Framework for Developing Conceptual Models in Healthcare Simulation Studies. In: Johansson, B.; Jain, S. et al. (Hrsg): Proceedings of the 2010 Winter Simulation Conference. Baltimore (USA) 2010.
[73] Taylor, S. J. E.; Turner, S. J.: Bridging the Gap: A Standards-Based Approach to OR/MS Distributed Simulation. In: Transactions on Modeling and Computer Simulation 22 (2012) 4, S. 1-23.
[74] Ullrich, O.; Potapenko, V.; Rishe, N.: Examining Repositories for Simulation Data. In: Simulation Notes Europe 30 (2020) 2, S. 61-66.
[75] Vaidya, R.; Mittal, A.; Nanaware, G.: Cloud based Simulation Platform (CSP): A Novel Way to Democratize Simulation based Experimentation. In: Lam, H.; Azar, D. et al. (Hrsg): Proceedings of the 2024 Winter Simulation Conference. Orlando (USA).
[76] Van Steenbergen, R.; Brunetti, M.; Mes, M.: Network Generation for Simulation of Multimodal Logistics Systems. In: Kim, S.; Feng, B. et al. (Hrsg): Proceedings of the 2021 Winter Simulation Conference. Phoenix (USA) 2021.
[77] Wagner, T.; Schwenke, C.: Automated Planning, Execution and Evaluation of Simulation Experiments of Semiconductor AMHS. In: Pasupathy, R.; Kim, S.-H. et al. (Hrsg): Proceedings of the 2013 Winter Simulation Conference. Washington (USA) 2013.
[78] Wenzel, S.; Stolipin, J. et al.: Trends in Automatic Composition of Structures for Simulation Models in Production and Logistics. In: Mustafee, N.; Bae, K.-H. G. et al. (Hrsg): Proceedings of the 2019 Winter Simulation Conference. National Harbor (USA) 2019.
[79] Winkels, J.; Özkul, F. et al.: Component-Based Synthesis of Structural Variants of Simulation Models for Changeable Material Flow Systems. In: Lam, H.; Azar, D. et al. (Hrsg): Proceedings of the 2024 Winter Simulation Conference. Orlando (USA).
[80] Xie, W.; Wang, B.; Zhang, P.: Metamodel-Assisted Sensitivity Analysis for Controlling the Impact of Input Uncertainty. In: Mustafee, N.; Bae, K.-H. G. et al. (Hrsg): Proceedings of the 2019 Winter Simulation Conference. National Harbor (USA) 2019.
[81] Zhang, H.; He, J.: Neural Network-Assisted Simulation Optimization with Covariates. In: Kim, S.; Feng, B. et al. (Hrsg): Proceedings of the 2021 Winter Simulation Conference. Phoenix (USA) 2021.
[82] Zheng, X. C.; Hu, X. et al.: An Aircraft Assembly Process Formalism and Verification Method Based on Semantic Modeling and MBSE. In: Advanced Engineering Informatics 60 (2024), S. 102412.
Ihre Downloads
Das könnte Sie auch interessieren
