• Treffer 18 von 498
Zurück zur Trefferliste

Methode zur dynamischen Anpassung von Reihenfolgeregeln mit bestärkendem Lernen

Method for dynamically adjusting sequencing rules with reinforcement learning

  • Die Einführung von Industrie 4.0 und der damit verbundene Wandel des Produktionsumfeldes führen zu neuen Herausforderungen, bieten auf der anderen Seite aber auch neue Möglichkeiten für Unternehmen. Ausgehend von den Herausforderungen der Produktionsplanung und Steuerung als zentrales Element der Produktherstellung, z.B. Komplexität, Dynamik und neue Organisationsformen, werden bestehenden Methoden der Reihenfolgeplanung auf ihre Tauglichkeit zur Verwendung hin geprüft. Die Analyse zeigt, dass Aspekte wie die Ableitung von Handlungen und der Transfer von Wissen in unbekannten Situationen zu den größten Herausforderungen für bestehende Verfahren zählen. Die in der Arbeit neu entwickelte Methode zur dynamischen Auswahl und Anpassung von Reihenfolgeregeln in komplexen Fertigungssystemen mit bestärkendem Lernen greift diese Herausforderungen auf und untersucht mögliche Lösungsstrategien. Die im Rahmen der Arbeit neu entwickelte Methode wird über ein Spektrum an unterschiedlichsten Szenarien evaluiert und mit anderen Methoden verglichen. Dabei werden verschiedene Ausprägungen und Komplexitäts-Niveaus von Handlungen, der Beobachtungsraum und die Mengen an benötigten Daten detailliert analysiert. Schlussendlich zeigt sich, dass die neue Methode in der Lage ist, die Anforderungen an die Produktionsplanung- und Steuerung zu erfüllen und in bekannten wie in unbekannten Szenarien gut Leistung zu erbringen. Zusätzlich ist die Methode in der Lage menschenähnliche Leistungen zu bringen und kann in einem realen Anwendungsfall zur Unterstützung der Produktionsplanung und -Steuerung genutzt werden.
  • Due to the fourth industrial revolution, the central element of product manufacturing - production planning and control – has been subject to various new challenges as well as opportunities. The literature review shows that topics like complexity, dynamics, and new organizational forms are already being focused on. Still, aspects such as derivation of actions and the transfer of knowledge in unknown situations are among the greatest challenges for existing methods. The method developed in this thesis addresses these challenges and investigates possible solution strategies. Additionally, the new method is evaluated over a variety of scenarios and compared to other methods. Different characteristics and complexity levels of actions, the observation space, and the amounts of data required for successful training are analyzed. Finally, it is shown that the new method can fulfill the requirements of production planning and control and perform well in unknown scenarios. Additionally, the method is capable of human-like performance and can be used in a real-world scenario.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar
Metadaten
Verfasserangaben:Thomas VoßORCiDGND
URN:urn:nbn:de:gbv:luen4-opus4-13123
URL: https://pub-data.leuphana.de/frontdoor/index/index/docId/1312
Betreuer:Jens Heger (Prof. Dr. - Ing.)
Gutachter:Jens Heger (Prof. Dr. - Ing.)ORCiDGND, Matthias Schmidt (Prof. Dr. -Ing. habil.), Burkhardt Funk (Prof. Dr.)ORCiDGND
Dokumentart:Dissertation
Sprache:Deutsch
Erscheinungsjahr:2023
Datum der Veröffentlichung (online):07.06.2023
Datum der Erstveröffentlichung:07.06.2023
Veröffentlichende Institution:Leuphana Universität Lüneburg, Universitätsbibliothek der Leuphana Universität Lüneburg
Titel verleihende Institution:Leuphana Universität Lüneburg
Datum der Abschlussprüfung:06.09.2022
Datum der Freischaltung:07.06.2023
Fakultät / Forschungszentrum:Fakultät Management und Technologie / Institut für Produktionstechnik und-Systeme (IPTS)
Lizenz (Deutsch):License LogoDeutsches Urheberrecht