Institut für Business Engineering

Dauerhafte URI für die Sammlunghttps://irf.fhnw.ch/handle/11654/45

Listen

Filter

2020 - 20212

Einstellungen

Dateien dazu vorhanden?: JaThema: search.filters.subject.Reinforcement Learning

Ergebnisse nach Hochschule und Institut

Gerade angezeigt 1 - 2 von 2
  • Vorschaubild
    Publikation
    Intelligent geplant. Prozess-intelligente Assistenzsysteme bringen die Produktionsplanung voran
    (GITO, 01.03.2021) Specker, Adrian; Waldburger, Raoul
    Die Maschinen-, Elektro- und Metall-Industrie (MEM-Industrie) in der DACH-Region ist eine führende Technologie-Branche mit ausgeprägter Innovations-, Gestaltungs- und Wirtschaftsstärke. ERP-Systeme sind bei Stückgutfertigenden in der MEM-Industrie erfolgsrelevant und werden zusammen mit Bestellbestandsverfahren standardmäßig für die operative Produktionsplanung und -steuerung eingesetzt. Im Rahmen des nachfolgend beschriebenen Forschungsprojektes wird der Einsatz intelligenter „digitaler Zwillinge“ in der Produktionsplanung vorgestellt. Ziel ist es, durch den Einsatz von Process Mining und der damit verbundenen Kenntnis der Bearbeitungszeiten, eine systematische Reduktion der Durchlaufzeiten, eine erhöhte Flexibilität und Liefertermintreue zu erreichen – bei konstant hoher Kapazitätsauslastung. Erste Resultate zeigen, dass die Durchlaufzeiten, um mehr als 50 Prozent reduziert werden konnten.
    01B - Beitrag in Magazin oder Zeitung
  • Vorschaubild
    Publikation
    Solving the Job-Shop Scheduling Problem with Reinforcement Learning
    (01.09.2020) Schlebusch, David; Siegenthaler, Roger; Waldburger, Raoul; Innosuisse
    This study explores the research done into solving the job-shop scheduling problem with linear optimization and reinforcement learning methods. It looks at a timeline of the problem and how methods to solve it have changed over time. The research should give an understanding of the problem and explore possible solutions. For that, an extensive search for papers was done on Scopus, a research paper database. 27 promising papers were selected, rated, and categorized to facilitate a sound understanding of the problem and define further research fields. Two such research fields were further elaborated; Firstly, little research has been done on how reinforcement learning can be improved by implementing data or process mining strategies to further improve accuracy. Secondly, no research was found yet connecting reinforcement learning with a takt schedule. The gathered papers give an extensive overview of the problem and demonstrate a multitude of solutions to the job-shop scheduling problem, which are discussed in detail in the results of this report.
    11 - Studentische Arbeit