• Home
  • Over ons
  • Uw publicatie
  • Catalogus
  • Recensies
  • Help
  • Account
  • Contact / Impressum
Dissertatie - Publicatiereeks - Congresbundel - Vakboek - Collegedictaat/Studieboek - CD-Rom/DVD - Online Publicatie
Winkelmandje
Catalogus : Details

Andreas Kuhnle

Adaptive Order Dispatching based on Reinforcement Learning

Application in a Complex Job Shop in the Semiconductor Industry

voorkantachterkant
 
ISBN:978-3-8440-7762-9
Reeks:Forschungsberichte aus dem wbk, Institut für Produktionstechnik, Karlsruher Institut für Technologie (KIT)
Uitgever: Prof. Dr.-Ing. Jürgen Fleischer, Prof. Dr.-Ing. Gisela Lanza en Prof. Dr.-Ing. habil. Volker Schulze
Karlsruhe
Volume:241
Trefwoorden:Production Control; Semiconductor Industry; Reinforcement Learning; Order Dispatching
Soort publicatie:Dissertatie
Taal:Engels
Pagina's:248 pagina's
Gewicht:326 g
Formaat:21 x 14,8 cm
Bindung:Softcover
Prijs:49,80 € / 62,30 SFr
Verschijningsdatum:December 2020
Kopen:
  » plus verzendkosten
Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.

 
 DocumentDocument 
 Soort bestandPDF 
 Kosten37,35 EUR 
 ActiesTonen en kopen van het bestand - 3,1 MB (3302101 Byte) 
 ActiesKopen en downloaden van het bestand - 3,1 MB (3302101 Byte) 
     
 
 DocumentInhoudsopgave 
 Soort bestandPDF 
 Kostengratis 
 ActiesHet bestand tonen - 614 kB (628556 Byte) 
 Actiesdownloaden van het bestand - 614 kB (628556 Byte) 
     

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:  niet aangemeld
Acties:  aanmelden/registreren
 Paswoord vergeten?
Aanbevelen:Wilt u dit boek aanbevelen?
Recensie-exemplaarBestelling van een recensie-exemplaar.
VerlinkingWilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.
SamenvattingHeutige Produktionssysteme tendieren durch die Marktanforderungen getrieben zu immer kleineren Losgrößen, höherer Produktvielfalt und größerer Komplexität der Materialflusssysteme. Diese Entwicklungen stellen bestehende Produktionssteuerungsmethoden in Frage. Im Zuge der Digitalisierung bieten datenbasierte Algorithmen des maschinellen Lernens einen alternativen Ansatz zur Optimierung von Produktionsabläufen. Aktuelle Forschungsergebnisse zeigen eine hohe Leistungsfähigkeit von Verfahren des Reinforcement Learning (RL) in einem breiten Anwendungsspektrum.

Unter den Aufgaben der Produktionsplanung und -steuerung gewährleistet die Auftragssteuerung (engl. order dispatching) eine hohe Leistungsfähigkeit und Flexibilität der Produktionsabläufe, um eine hohe Kapazitätsauslastung und kurze Durchlaufzeiten zu erreichen. Motiviert durch komplexe Werkstattfertigungssysteme, wie sie in der Halbleiterindustrie zu finden sind, schließt diese Dissertation die Forschungslücke und befasst sich mit der Anwendung von RL für eine adaptive Auftragssteuerung. Die Einbeziehung realer Systemdaten ermöglicht eine genauere Erfassung des Systemverhaltens als statische Heuristiken oder mathematische Optimierungsverfahren. Zusätzlich wird der manuelle Aufwand reduziert, indem auf die Inferenzfähigkeiten des RL zurückgegriffen wird.

Der Lösungsansatz wird auf der Grundlage von zwei realen Produktionsszenarien eines Halbleiterherstellers analysiert. Die Ergebnisse zeigen, dass RL-Agenten adaptive Steuerungsstrategien erlernen können und bestehende regelbasierte Benchmarkheuristiken übertreffen. Damit stellt die Forschungsarbeit einen wesentlichen Beitrag in Richtung selbstoptimierender und autonomer Produktionssysteme dar.