Skalierung der Online-Job-Shop-Planung durch Reinforcement Learning

In flexiblen Fertigungssystemen für verschiedene Produkte

Autor/innen

  • Schirin Bär
  • Felix Bär Siemens AG
  • Sebastian Pol Siemens AG
  • Tobias Meisen Bergische Universität Wuppertal

DOI:

https://doi.org/10.17560/atp.v63i5.2584

Schlagworte:

Produktionsplanung, Scheduling, Variantenreiche Fertigung

Abstract

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

25.05.2022

Ausgabe

Rubrik

Hauptbeitrag / Peer-Review

Am häufigsten gelesenen Artikel dieser/dieses Autor/in