Reinforcement-Learning
zur dispositiven Auftragssteuerung
in der Variantenreihenproduktion
zum download...


Das Reinforcement-Learning-Modell, dessen Wurzeln stark interdisziplinär geprägt sind, bietet einen neuartigen Ansatz zur Entwicklung von Strategien zur dispositiven Auftragssteuerung in Produktionsformen die prinzipiell den Fließproduktionen und insbesondere den Variantenreihenproduktionen zuzurechnen sind. Im Zentrum des Reinforcement-Learning-Modells steht ein Agent der mit seiner Umgebung interagiert und diese zunächst über Versuch und Irrtum analysiert. Durch eine qualitative Bewertung, die zu einem nahezu beliebigen Zeitpunkt in der Zukunft dem Agenten mitgeteilt wird, lernt er vollkommen automatisch seine Strategien entsprechend dem vorgegebenen Zielsystem anzupassen.

Optimierungspfade der Reinforcement-Learning-Agenten

Dieses Modell kann, wie in dieser Arbeit gezeigt wird, auch in der Auftragssteuerung von Variantenreihenproduktionen erfolgreich eingesetzt werden. Dazu wurde das Modell in ein Steuerungsystem integriert und technische Detaillösungen entwickelt. Im Mittelpunkt stehen die Bewertungsfunktionen der vier logistischen Teilziele. Des weiteren wurden Themen behandelt wie die agentengerechte Abbildung der Umgebung entsprechend dem Zielsystem oder die Struktur des Steuerungssystems die sich flexibel an unterschiedlichste Materialflusssysteme anpassen läßt.

In einer beispielhaften Anwendung wurden anhand eines Referenzsystems und zweier realer Anlagen die Vorteile des entwickelten agentenbasierten Steuerungsystems gegenüber konventionellen Steuerungen herausgearbeitet. Deutlich wird dabei zum einen die verbesserte Steuerungsqualität und die erhebliche Reduzierung der Entwicklungszeiten und -aufwandes. Des weiteren kennzeichnen das entwickelte Steuerungssystem eine hohe Flexibilität, Echtzeitfähigkeit und situative Entscheidungsfindung.


Reinforcement-Learning zur dispositiven Auftragssteuerung in der Variantenreihenproduktion Dissertation zum
downloaden...


Die Dissertation ist in gedruckter Form im Herbert Utz Verlag unter der ISBN-Nummer 3-89675-826-8 erhältlich.





Bei Fragen, Anregungen, Interesse:
Dr. Frank Stegherr
e-mail:
info@reinforcement-learning.de