• Keine Ergebnisse gefunden

Reinforcement Learning zur online Produktionssteue-rung und Fabrikplanung in flexiblen Montagesystemen

N/A
N/A
Info
Herunterladen
Protected

Academic year: 2022

Aktie "Reinforcement Learning zur online Produktionssteue-rung und Fabrikplanung in flexiblen Montagesystemen"

Copied!
1
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Jetzt herunterladen ( 1 Seite )

Volltext

(1)

Ausgangssituation

Bedingt durch erhöhte Produkt- und Variantenvielfalt wächst der Bedarf nach flexibel gestalteten Montage- systemen. Im Gegensatz zur klassi- schen Linienproduktion werden in der frei verketteten Montage Produk- ten individuelle Montagerouten zuge- ordnet. In Abhängigkeit der Verfüg- barkeit von Produktionsressourcen erfolgt eine situative Zuordnung von Montageoperationen zu Montagesta- tionen. Die Mobilisierung der (Teil-)Produkte wird durch fahrerlose Transportfahrzeuge realisiert.

Eine wesentliche Herausforderung dieser flexiblen Produktionssysteme stellt der erhöhte Planungs- und Steuerungsaufwand dar. Ein Leitsys- tem dient der optimierten Planung (Ablauf- und Reihenfolgeplanung) und ist in der Lage, dynamisch auf Maschinenausfälle und Verzögerun- gen zu reagieren. Zur Umsetzung ei- nes solchen Leitsystems wurde ein Simulationsmodell mit entsprechen- den Entscheidungsalgorithmen ent- wickelt. Durch eine optimierte Anord- nung der Stationen auf der Hallenflä- che (Layout) und eine dynamische Anpassung (z.B. bei Änderung des

Produktmix oder ausgefallenen Stati- onen) sollen weitere Potentiale der frei verketteten Montage untersucht werden.

Inhalt der Arbeit

Im Rahmen dieser Arbeit soll ein be- stehender Reinforcement Learning Algorithmus zur dynamisch optimier- ten Layoutplanung in flexiblen Mon- tagesystemen weiterentwickelt wer- den. Ziel ist es, die Anordnung von Stationen auf dem Shopfloor dyna- misch an den aktuellen Systemzu- stand anzupassen. Dabei müssen Restriktionen durch die Größe und Form der Stationen berücksichtigt werden.

Im Rahmen einer Literaturrecherche ist zunächst ein Überblick über exis- tierende Modellierungsformen zur Layoutplanung mittels Reinforce- ment Learning zu erarbeiten. Existie- rende Modelle gilt es hinsichtlich ih- rer Eignung für den Anwendungsfall zu bewerten. Basierend auf dieser Bewertung ist ein Ansatz auszuwäh- len, für die Layoutplanung in frei ver- ketteten Montagesystemen anzupas- sen und zu implementieren. Ab- schließend erfolgt eine Validierung der Arbeit durch Integration in eine existierende Simulationsumgebung

und Anwendung auf ein industriena- hes Testszenario.

Die Arbeit erfolgt im Rahmen des vom BMWi geförderten Forschungs- projektes AIMFREE – Agile Montage von Elektrofahrzeugen durch freie Verkettung.

http://aimfree.wzl.rwth-aachen.de/

Themenumfeld

• Produktionsplanung und -steuerung, Montageplanung

• Reinforcement Learning, Ma- chine Learning

• Operation Research, ANN Voraussetzungen

• Interesse an Optimierung und Si- mulation

• Motivation und Selbstständigkeit

• Sehr gute Deutsch- oder Eng- lischkenntnisse

Geboten wird

• Offenes und nettes Arbeitsklima

• Umfangreiche Betreuung

• Abgegrenzte Aufgabenstellung, schnelle Bearbeitung möglich

• Mitarbeit an aktuellen For- schungsthemen

Bachelor-/Masterarbeit

Reinforcement Learning zur online Produktionssteue- rung und Fabrikplanung in flexiblen Montagesystemen

Werkzeugmaschinenlabor WZL

Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement

Abteilung Modellbasierte Systeme

Ansprechpartner M.Sc. Lea Grahn

Campus-Boulevard 30, 3A105 D-52074 Aachen

Telefon 0241 / 80 25457 l.grahn@wzl.rwth-aachen.de Stand

Juni 2021

Referenzen

Jetzt herunterladen ( PDF - 1 Seite - 83.74 KB )

ÄHNLICHE DOKUMENTE

Imitation-Projected Programmatic Reinforcement Learning

First, we view our learning task as optimization in policy space, modulo the constraint that the desired policy has a programmatic representation, and solve this optimization

Deep Reinforcement Learning Environments - Praktikum -

• Eine diskrete Aktion wird gewählt und erhält zusätzliche Informationen durch die kontinuierliche Aktion... Hybride

Digitale Produktion: Maschine Learning basierte Layoutoptimierung in flexiblen Montagesystemen

Im Rahmen dieser Arbeit soll ein Modell zur online optimierten Layoutplanung mit Stationen veränderlicher Größe in flexiblen Montagesystemen entwickelt werden. Das

Inverse reinforcement learning in contextual MDPsStav Belogolovsky

Similarly to the autonomous driving simulation we use two setups: (1) we train the methods with the expert’s feature expecta- tions for each context, and (2) instead of using

Scaffolding for learning from reinforcement: Improving interaction learning

Reinforcement learning is a class of machine learning algorithms whose underlying mechanism is inspired by behaviourist psychology, where the learner and decision maker — called agent

Optimale Trajektorien mit Reinforcement Learning

Reinforcement Learning(RL) ist der ¨ Uberbegriff f¨ ur eine Reihe von Methoden des Maschinellen Lernens. Der große Vorteil dieser Verfahren ist die F¨ ahigkeit ” k¨ unstlich“

with Deep Reinforcement Learning

TPC-H Workloads - Single Table-Workload Pair, or Set of Table- Workload Pairs: In order to give an optimal partitioning for the tables in the TPC-H workload at SF10 cases

Learning-Augmented Data Management with Deep Reinforcement Learning

However, when applying DRL to specific cases, such as data management applications (DRLDM), the impact of design choices (concerning problem framing, model charac- teristics,