Skalierung der Online-Job-Shop-Planung durch Reinforcement Learning
In flexiblen Fertigungssystemen für verschiedene Produkte
DOI:
https://doi.org/10.17560/atp.v63i5.2584Schlagworte:
Produktionsplanung, Scheduling, Variantenreiche FertigungAbstract
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.
Veröffentlicht
Ausgabe
Rubrik
Lizenz
Copyright (c) 2022 Vulkan-Verlag GmbHDie Zeitschrift und alle in ihr enthaltenen Beiträge und Abbildungen sind urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Bearbeitung in elektronischen Systemen. Auch die Rechte der Wiedergabe durch Vortrag, Funk- und Fernsehsendung, im Magnettonverfahren oder ähnlichem Wege bleiben vorbehalten.