Проблема: Динамика и «бутылочные горлышки»
В гибридных производственных системах, объединяющих обработку и сборку, реальный график работы нарушается из-за динамического поступления заказов. Это создает двойную проблему: меняются зависимости поставок комплектующих (kitting) и перестраивается множество допустимых назначений задач станкам. Традиционные методы часто не справляются с такой изменчивостью, особенно когда возникает дефицит на этапе финальной сборки (tail-product bottleneck), что приводит к разреженному ландшафту наград в процессе обучения.
Решение: Архитектура SWRL
Авторы (Цзяньхун Цю, Цзиньцзюнь Лю и др.) предложили фреймворк Sliding-Window-Based Reinforcement Learning (SWRL). Задача сформулирована как марковское процесс принятия решений на гетерогенном графе. Ключевые компоненты системы:
- Механизм скользящего окна (Sliding-Window Filtering): Отфильтровывает неактивные узлы графа и приоритизирует операции, критичные для комплектации.
- Пространственно-временная сеть кодирования: Отслеживает сдвиги «бутылочных горлышек» между последовательными состояниями принятия решений.
- Динамическое отображение действий: Модуль с ограниченной стратегией ожидания, адаптирующийся к изменяющемуся пространству действий при вариативной топологии.
Результаты: Реальные данные и сравнения
Эксперименты проводились на реальных инстансах от производителя бытовой техники. Метрика эффективности оценивалась через снижение опозданий (tardiness) по сравнению с классическими правилами диспетчеризации и существующими методами глубокого обучения с подкреплением. SWRL продемонстрировал стабильное снижение опозданий и высокую устойчивость к изменениям конфигурации ресурсов и концентрации заказов.
| Характеристика | Описание в контексте SWRL |
|---|---|
| Тип задачи | Гибкая сборочная поточная линия (Flexible Assembly Flow Shop) с киттингом |
| Метод | Обучение с подкреплением (RL) с использованием скользящего окна |
| Ключевая метрика | Снижение tardiness (опозданий) относительно базовых правил |
| Устойчивость | Работает при вариативных нагрузках и конфигурациях ресурсов |
| Источник данных | Реальные данные производителя бытовой техники |
Значение для индустрии
Работа закрывает важный пробел в области промышленного ИИ: переход от статического планирования к онлайн-решениям, способным реагировать на изменения в реальном времени. Внедрение таких систем позволяет минимизировать простои и задержки поставок в сложных многопродуктовых средах.
Источник: arXiv cs.AI ↗