Skalierung der Online-Job-Shop-Planung durch Reinforcement Learning – In flexiblen Fertigungssystemen für verschiedene Produkte
In diesem Artikel wird ein reaktives Job-Shop-Scheduling-Verfahren für eine flexible Fertigung vorgestellt. Flexible Fertigungssysteme können eine hohe Anzahl an Produktvarianten effizient fertigen. Deshalb liegt der Fokus des Beitrags auf dem Skalieren der Lösung auf eine hohe Produktvarianz durch ein spezielles State Encoding. Mit einem Deep-Q-Networks-Agenten-Ansatz werden Produkte durch die Fertigung navigiert und zu Resourcen zugewiesen. Nach einem Training mit 600 Produktvarianten wird bewiesen, dass die Agenten mit unbekannten Produkten umgehen können. Mit dem State Encoding stellen wir eine Lösung für ein selbstlernendes reaktives Job Shop Scheduling vor, welches sich für eine hohe Produktvarianz skalieren lässt.
| Autoren | Schirin Baer, Felix Baer, Sebastian Pol, Tobias Meisen, |
|---|---|
| Erscheinungsdatum | 27.05.2022 |
| Format | |
| Verlag | Vulkan-Verlag GmbH |
| Sprache | Deutsch |
| Seitenzahl | 9 |
| Titel | Skalierung der Online-Job-Shop-Planung durch Reinforcement Learning – In flexiblen Fertigungssystemen für verschiedene Produkte |
| Beschreibung | In diesem Artikel wird ein reaktives Job-Shop-Scheduling-Verfahren für eine flexible Fertigung vorgestellt. Flexible Fertigungssysteme können eine hohe Anzahl an Produktvarianten effizient fertigen. Deshalb liegt der Fokus des Beitrags auf dem Skalieren der Lösung auf eine hohe Produktvarianz durch ein spezielles State Encoding. Mit einem Deep-Q-Networks-Agenten-Ansatz werden Produkte durch die Fertigung navigiert und zu Resourcen zugewiesen. Nach einem Training mit 600 Produktvarianten wird bewiesen, dass die Agenten mit unbekannten Produkten umgehen können. Mit dem State Encoding stellen wir eine Lösung für ein selbstlernendes reaktives Job Shop Scheduling vor, welches sich für eine hohe Produktvarianz skalieren lässt. |
