Optimierung in verteilten Produktionssystemen

Maschinelles Lernen mittels Spieltheorie auf der SPS

Autor/innen

  • Andreas Schwung
  • Dorothea Schwung
  • Vatsal Patel Fachhochschule Südwestfalen
  • Steven X. Ding Universität Duisburg-Essen

DOI:

https://doi.org/10.17560/atp.v62i11-12.2511

Schlagworte:

Verteilte Optimierung, Selbstlernende Systeme Selbstlernende Systeme, Spieltheorie, Produktionssysteme

Abstract

Der vorliegende Beitrag beschäftigt sich mit der Entwicklung von selbstlernenden Algorithmen für verteilte Produktionssysteme und deren feldnaher Umsetzung auf der SPS. Ausgehend von einer vollständig dezentralen Systemarchitektur in Form eines Multi-Agenten Systems (MAS) werden mithilfe von spieltheoretischen Verfahren Lernalgorithmen definiert, die ein Selbstlernen der Steuerungsfunktionen sowie die Koordination der Module untereinander gewährleisten. Der Fokus des Beitrags liegt auf der Umsetzung der Verfahren auf der SPS und dem Nachweis der Leistungsfähigkeit nicht nur in der Simulation, sondern auch auf der realen Anlage. Hierzu wird ein Framework präsentiert, das ein effizientes Training und einen ressourcenschonenden Transfer von Simulation zu realer Anwendung erlaubt. Die Ergebnisse zeigen die Umsetzbarkeit und Leistungsfähigkeit des Ansatzes für die Implementierung in realen Anlagen.

##submission.downloads##

Veröffentlicht

2020-11-17

Ausgabe

Rubrik

Hauptbeitrag / Peer-Review

Am häufigsten gelesenen Artikel dieser/dieses Autor/in