Dynamische Regelselektion in der Reihenfolgeplanung: Prognose von Steuerungsparametern mit Gaußschen Prozessen

ینس هگر روشی را ارائه می‌کند که بر اساس توالی‌بندی مبتنی بر قوانین اولویت است. از آنجایی که هیچ قانونی وجود ندارد که معیار هدف را به بهترین نحو ممکن در همه موقعیت ها به دست آورد، یک انتخاب یا تطبیق پویا از قوانین صورت می گیرد. پایگاه دانش مورد نیاز برای این کار با مطالعات شبیه‌سازی بالادستی محاسبه می‌شود. برای اولین بار، فرآیندهای گاوسی برای یادگیری مدل‌های رگرسیون استفاده می‌شوند که در مورد رفتار قوانین برای موقعیت‌هایی که بررسی نشده‌اند، پیش‌بینی می‌کنند. ارزیابی در تولید جریان کارگاهی و انعطاف‌پذیر نشان داده است که فرآیندهای گاوسی منجر به نتایج قابل‌توجهی پیش‌بینی بهتری شده است و این روش کنترلی جدید توسعه‌یافته منجر به افزایش عملکرد مشابهی شده است.

Jens Heger stellt ein Verfahren vor, das auf der prioritätsregelbasierten Reihenfolgeplanung aufbaut. Da keine Regel existiert, die in allen Situationen das anvisierte Zielkriterium bestmöglich erreicht, findet eine dynamische Auswahl bzw. Adaption der Regeln statt. Die dafür nötige Wissensbasis wird mit vorgelagerten Simulationsstudien berechnet. Erstmals werden mithilfe der Gaußschen Prozesse Regression Modelle gelernt, die für nicht untersuchte Situationen Prognosen über das Verhalten der Regeln abgeben. Die Evaluation in der Werkstatt- bzw. flexiblen Fließfertigung hat gezeigt, dass die Gaußschen Prozesse zu signifikant besseren Prognoseergebnissen geführt haben und dass dieses neu entwickelte Steuerungsverfahren zu ebensolchen Leistungssteigerungen führte.