Thema

Title: Paralleles Reinforcement Learning zur ereignisdiskreten Ablaufsteuerung
Type:
  • Study thesis
  • Bachelor thesis
  • Master thesis
  • Diploma thesis
Advisor:
Status: available

Background

Der Trend zu immer kürzeren Produktzykluszeiten, bei gleichzeitig wachsender Variantenvielfalt und steigender Qualitätsanforderungen, erhöht die Anforderungen an die Produktionstechnik. Um trotz der verkürzten Produktzyklen konkurrenzfähig zu bleiben, muss auch die Zeit zur Planung und Produktionsvorbereitung verkürzt werden.

Problem

In Fertigungsstraßen werden in sich gesteuerte und ablaufoptimierte Bearbeitungsstation miteinander verkettet. Der Gesamtablauf zwischen den verketteten Anlagen ist anlagenspezifisch und sehr individuell. Die Steuerung des Gesamtprozesses wird daher für jede Anlage spezifisch programmiert. Dabei sind zur Ablaufprogrammierung und Verifizierung viele Iterationsschritte notwendig. Am ISW sind bereits erste Konzepte und Realisierungen von selbstständig gelernten Ablaufsteuerungen entstanden. Bei steigender Größe der Zustands- und Aktionsräume steigen die Lernzeiträume der Methoden jedoch deutlich an

Task

  • Konzeption und Implementierung eines parallelisierbaren Frameworks für die Verwendung von Maschinellem Lernen auf ein vorgegebenes maerialflussbasiertes Steuerungsproblem
  • Umsetzung einer daten- und einer aufgabenparallelen Methodik zur Parallelisierung des Reinforcement Learnings
  • Gegenüberstellung und Auswertung der beiden Lern-Varianten auf Korrektheit und Effizienz

Prerequisites

  • Interesse am Thema „Maschinelles Lernen“
  • Programmiererfahrung
  • Eigenständige Arbeitsweise
  • Sehr gute Deutsch- oder Englischkenntnisse

Acquired skill

  • Reinforcement Learning anhand einer industrienahen Problematik
  • Materialflusssimulation innerhalb von ISG-virtuos
  • Wissenschaftliches Arbeiten