Andreas Kuhnle

Adaptive Order Dispatching based on Reinforcement Learning

Application in a Complex Job Shop in the Semiconductor Industry


voorkant	achterkant

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:

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.


	Document		Document
	Soort bestand		PDF
	Kosten		12,45 EUR
	Acties		Tonen en kopen van het bestand - 3,1 MB (3302101 Byte)
	Acties		Kopen en downloaden van het bestand - 3,1 MB (3302101 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 614 kB (628556 Byte)
	Acties		downloaden 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-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

Heutige 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.