論文の概要: Reinforcement Learning based Condition-oriented Maintenance Scheduling for Flow Line Systems

• arxiv url: http://arxiv.org/abs/2108.12298v1
• Date: Fri, 27 Aug 2021 14:21:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 14:09:44.072198
• Title: Reinforcement Learning based Condition-oriented Maintenance Scheduling for Flow Line Systems
• Title（参考訳）: 強化学習に基づくフローラインシステムの条件指向メンテナンススケジューリング
• Authors: Raphael Lamprecht, Ferdinand Wurst, Marco F. Huber
• Abstract要約: 本稿では,フローラインシステムにおける条件指向型メンテナンススケジューリングのための深層強化学習手法を提案する。 報酬モデリングに基づいて、異なるポリシーを学習し、分析し、ベンチマークのスケジューリングに対して評価する。 学習方針の評価は、強化学習に基づくメンテナンス戦略が提示されたユースケースの要件を満たすことを示し、店舗フロアでのメンテナンススケジューリングに適していることを示している。
• 参考スコア（独自算出の注目度）: 31.64715462538063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maintenance scheduling is a complex decision-making problem in the production domain, where a number of maintenance tasks and resources has to be assigned and scheduled to production entities in order to prevent unplanned production downtime. Intelligent maintenance strategies are required that are able to adapt to the dynamics and different conditions of production systems. The paper introduces a deep reinforcement learning approach for condition-oriented maintenance scheduling in flow line systems. Different policies are learned, analyzed and evaluated against a benchmark scheduling heuristic based on reward modelling. The evaluation of the learned policies shows that reinforcement learning based maintenance strategies meet the requirements of the presented use case and are suitable for maintenance scheduling in the shop floor.
• Abstract（参考訳）: メンテナンススケジューリングは、計画外の生産停止を防ぐために、多数のメンテナンスタスクとリソースを本番環境に割り当て、スケジュールする必要がある生産領域における複雑な意思決定問題である。 生産システムの動的および異なる条件に適応できるインテリジェントなメンテナンス戦略が必要である。 本稿では,フローラインシステムにおける条件指向メンテナンススケジューリングのための深層強化学習手法を提案する。 報酬モデリングに基づくベンチマークスケジューリングヒューリスティックに対して、異なるポリシーを学習し、分析し、評価する。 学習方針の評価は,強化学習に基づくメンテナンス戦略が,提示したユースケースの要件を満たし,店舗におけるメンテナンススケジューリングに適したことを示す。

関連論文リスト

• LLM-R: A Framework for Domain-Adaptive Maintenance Scheme Generation Combining Hierarchical Agents and RAG [7.864939415613373]
  本稿では,大規模言語モデル(LLM-R)に基づくメンテナンススキーム生成手法を提案する。 提案手法にはいくつかの重要な革新が含まれている。 実験の結果,提案手法が生成したメンテナンス方式の精度は91.59%に達した。
  論文  参考訳（メタデータ） (2024-11-07T07:07:34Z)
• Learning-enabled Flexible Job-shop Scheduling for Scalable Smart Manufacturing [11.509669981978874]
  スマートマニュファクチャリングシステムでは、生産性を最大化するためのソリューションを最適化するために、輸送制約付きフレキシブルなジョブショップスケジューリングが不可欠である。 近年, 深部強化学習(DRL)に基づくFJSPT法の開発が, 大規模一般化の課題に直面している。 Heterogeneous Graph Scheduler (HGS) と呼ばれる新しいグラフベースのDRL法を導入する。
  論文  参考訳（メタデータ） (2024-02-14T06:49:23Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Reinforcement and Deep Reinforcement Learning-based Solutions for Machine Maintenance Planning, Scheduling Policies, and Optimization [1.6447597767676658]
  本稿では,保守計画と最適化問題に対する強化学習と深部強化学習の応用に関する文献的考察を行う。 システムやマシンの状態監視データを強化学習に活用することにより、スマートメンテナンスプランナを開発することができ、スマートファクトリの実現の先駆けとなる。
  論文  参考訳（メタデータ） (2023-07-07T22:47:29Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Continual Learning for Predictive Maintenance: Overview and Challenges [6.620789302906817]
  本稿では,予測保守,非定常環境,継続学習について紹介する。 次に,予測的メンテナンスと継続的学習の両面での現在の課題について議論し,両領域の交差点における今後の方向性を提案する。
  論文  参考訳（メタデータ） (2023-01-29T15:32:53Z)
• Learning Goal-Conditioned Policies Offline with Self-Supervised Reward Shaping [94.89128390954572]
  本稿では,モデルの構造と力学を理解するために,事前収集したデータセット上に,新たな自己教師型学習フェーズを提案する。 提案手法を3つの連続制御タスクで評価し,既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-05T15:07:10Z)
• Evaluating Disentanglement in Generative Models Without Knowledge of Latent Factors [71.79984112148865]
  本稿では,学習中に提示される学習力学に基づいて生成モデルのランキング付けを行う手法を提案する。 本手法は,近年の解離の理論的特徴から着想を得たものであり,その根底にある潜伏因子の監督は不要である。
  論文  参考訳（メタデータ） (2022-10-04T17:27:29Z)
• Online Constrained Model-based Reinforcement Learning [13.362455603441552]
  主要な要件は、限られた時間とリソース予算内に留まりながら、継続的な状態とアクションスペースを扱う能力である。 本稿では,ガウス過程回帰と回帰水平制御を組み合わせたモデルに基づくアプローチを提案する。 本研究では,自動走行作業におけるオンライン学習のメリットを実証する。
  論文  参考訳（メタデータ） (2020-04-07T15:51:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。