کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5469794 1519295 2016 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Optimized Adaptive Scheduling of a Manufacturing Process System with Multi-skill Workforce and Multiple Machine Types: An Ontology-based, Multi-agent Reinforcement Learning Approach
ترجمه فارسی عنوان
بهینه سازی زمانبندی انطباق یک سیستم فرایند تولید با نیروی کار چند مهارت و انواع ماشین های چندگانه: روش مبتنی بر یونیتولوژی مبتنی بر چند منظوره تقویت
کلمات کلیدی
برنامه ریزی، مدیریت نیروی کار، تقویت یادگیری، چند عامل چند مرحله ای، چند محصول، چند مهارت، اطلاعات در زمان واقعی، تولید پیشرفته، نظریه بازی،
ترجمه چکیده
انگیزه برای یک سیستم تولیدی متصل، کارآمد و سازگار، که به موجب انقلاب صنعت 4.0 و آخرین تحولات در فن آوری اطلاعات پیشرفت کرده است، پیشرفته ساختن در سال های اخیر تبدیل به موضوع تحقیق برجسته شده است. یکی از جنبه های مهم تولید پیشرفته، چگونگی ادغام اطلاعات تقاضای اطلاعات در زمان واقعی با اطلاعات منابع سازنده، از جمله داده های نیروی کار و ظرفیت دستگاه و اطلاعات وضعیت، از جمله دیگر، برای بهینه سازی برنامه های تولید با چندین اهداف است. به طور کلی، برنامه ریزی تولید بهینه سازی شده، مشکل سخت افزاری غیرمترژیک است. با توجه به پیچیدگی، برنامه ریزی چندین چالش برای یافتن بهترین راه حل های ممکن را ارائه می دهد. این تحقیق، یک چارچوب مبتنی بر هستی شناسی را ارائه می دهد که به صورت رسمی یک فروشگاه جریان همزمان با ایستگاه مبتنی بر نیروی کار چند مهارت و انواع مختلف ماشین ها را نمایندگی می کند. بر اساس هستی شناسی، این تحقیق یک روش یادگیری تقویت چند عامل را برای برنامه ریزی مطلوب یک سیستم تولید فرایندهای چند مرحله ای برای انواع مختلف محصولات با ماشین های مختلف و نیروی کار چند ماهه توسعه می دهد. با استفاده از یک الگوریتم یادگیری، این رویکرد، همکاری در زمان واقعی را بین نیروی کار و ماشین ها را تقویت می کند و برنامه های تولید را با توجه به تغییرات پویا در زمان واقعی به روز می کند.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی صنعتی و تولید
پیش نمایش مقاله
بهینه سازی زمانبندی انطباق یک سیستم فرایند تولید با نیروی کار چند مهارت و انواع ماشین های چندگانه: روش مبتنی بر یونیتولوژی مبتنی بر چند منظوره تقویت
چکیده انگلیسی
The impetus for an interconnected, efficient, and adaptive manufacturing system, as advocated by the Industry 4.0 revolution, together with the latest developments in information technology, advanced manufacturing has become a prominent research topic in recent years. One critical aspect of advanced manufacturing is how to incorporate real-time demand information with a manufacturer's resource information, including workforce data and machine capacity and condition information, among others, to optimally schedule manufacturing processes with multiple objectives. In general, optimized manufacturing scheduling is a non-deterministic polynomial-time hard problem. Due to the complexity, scheduling presents a number of challenges to find the best possible solutions. This research proposes an ontology-based framework to formally represent a synchronized, station-based flow shop with a multi-skill workforce and multiple types of machines. Based on the ontology, this research develops a multi-agent reinforcement learning approach for the optimal scheduling of a manufacturing system of multi-stage processes for multiple types of products with various machines and a multi-skilled workforce. By employing a learning algorithm, this approach enables real-time cooperation between the workforce and the machines, and adaptively updates production schedules according to dynamically changing real-time events.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Procedia CIRP - Volume 57, 2016, Pages 55-60
نویسندگان
, , , ,