Reinforcement Learning for Segmented Manufacturing

  • The manufacturing of large components is, in comparison to small components, cost intensive. This is due to the sheer size of the components and the limited scalability in number of produced items. To take advantage of the effects of small component production we segment the large components into smaller parts and schedule the production of these parts on regular-sized machine tools. We propose to apply and adapt recent developments in reinforcement learning in combination with heuristics to efficiently solve the resulting segmentation and assignment problem. In particular, we solve the assignment problem up to a factor of 8 faster and only a few percentages less accurate than a classic solver from operations research.

Volltext Dateien herunterladen

  • Paul_AI4M_2024.pdf
    eng

Metadaten exportieren

Weitere Dienste

Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Nathalie Paul, Alexander Kister, Thorben Schnellhardt, Maximilian Fetz, Dirk Hecker, Tim Wirtz
Persönliche Herausgeber*innen:Rosa Meo, Fabrizio Silvestri
Dokumenttyp:Beitrag zu einem Tagungsband
Veröffentlichungsform:Verlagsliteratur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):Machine Learning and Principles and Practice of Knowledge Discovery in Databases
Jahr der Erstveröffentlichung:2025
Organisationseinheit der BAM:VP Vizepräsident
VP Vizepräsident / VP.1 eScience
Verlag:Springer Cham
Jahrgang/Band:1
Ausgabe/Heft:1
Erste Seite:470
Letzte Seite:485
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten
Freie Schlagwörter:Assignment Problem; Large component manufacturing; Reinforcement Learning
Themenfelder/Aktivitätsfelder der BAM:Material
Material / Additive Fertigung
Veranstaltung:European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases 2023
Veranstaltungsort:Turin, Italy
Beginndatum der Veranstaltung:18.09.2023
Enddatum der Veranstaltung:22.09.2023
DOI:10.1007/978-3-031-74640-6_38
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:05.05.2025
Referierte Publikation:Ja
Datum der Eintragung als referierte Publikation:05.05.2025
Schriftenreihen ohne Nummerierung:Wissenschaftliche Artikel der BAM
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.