Цифровая трансформация
9 августа 2024
Магистрант МАИ обучил нейронную сеть оптимизировать производственный процесс
Студент кафедры № 316 «Системное моделирование и автоматизированное проектирование» Семён Беляев применил современные IT-инструменты для изучения возможности повышения эффективности мелкосерийного производства.
— Одна из ключевых особенностей мелкосерийного производства — быстрая смена задач, необходимость частой перенастройки оборудования в связи с переменным спросом, оно подвержено различным формам неопределённости. Обычные математические методы, которые применяются при оптимизации производственных процессов, часто не способны справиться с такой сложной задачей, поскольку строгие математические методы плохо работают с динамикой ввиду высоких временных и вычислительных затрат, требуют точных данных, которых может и не быть, и они не адаптивны — каждый раз надо подбирать новые параметры для описания системы. Поэтому я решил исследовать применения метода машинного обучения с подкреплением, а в частности нейронной сети архитектуры Deep Deterministic Policy Gradients (DDPG), — рассказывает Семён Беляев.Для этой цели исследователь сформировал компьютерную имитационную модель, которая описывает производственный процесс целевой функцией. Фактически, такая модель представляет собой цифровой двойник производства, который отражает состояние производства и различные события в определённые моменты времени. Модель учитывает ряд ключевых параметров: типы оборудования, коэффициент загрузки (на какой тип оборудования сколько задействовано рабочих), конфигурация оборудования (сколько единиц продукции в определённый момент времени данное оборудование производит) и его износ.
При помощи этой модели Семён обучил нейронную сеть и смог добиться увеличения значения целевой функции на 30-40%. А именно — более успешного распределения загруженности станков и уменьшения простоев между сменами номенклатуры производства.
— Нейросеть показала большой потенциал обучаемости и способна к ещё большей адаптивности, есть перспектива выстраивать не только текущее, но и будущее состояние производственной системы, реагировать на непредвиденные ситуации, — отметил он.
В следующем году исследователь планирует продолжить работу по улучшениию архитектуры нейросети — теперь уже с данными реального производства.
Материал подготовлен при поддержке Минобрнауки России.
