論文の概要: A Modular Test Bed for Reinforcement Learning Incorporation into Industrial Applications

• arxiv url: http://arxiv.org/abs/2306.01440v1
• Date: Fri, 2 Jun 2023 11:00:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 15:35:29.237188
• Title: A Modular Test Bed for Reinforcement Learning Incorporation into Industrial Applications
• Title（参考訳）: 産業応用における強化学習のためのモジュラーテストベッド
• Authors: Reuf Kozlica, Georg Sch\"afer, Simon Hirl\"ander, Stefan Wegenkittl
• Abstract要約: 本稿では、あらかじめ定義されたルールに従って、モデルファクトリを通じて商品を輸送・組み立てする作業を行うユースケースを提案する。 目的は、商品を組立ステーションに搬送し、各製品に2つのリベットを設置し、上部を下部に接続することである。 本研究は, この課題に対処し, 生産プロセスの効率化を図るため, 強化学習技術の応用に焦点を当てた。
• 参考スコア（独自算出の注目度）: 1.5136939451642133
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This application paper explores the potential of using reinforcement learning (RL) to address the demands of Industry 4.0, including shorter time-to-market, mass customization, and batch size one production. Specifically, we present a use case in which the task is to transport and assemble goods through a model factory following predefined rules. Each simulation run involves placing a specific number of goods of random color at the entry point. The objective is to transport the goods to the assembly station, where two rivets are installed in each product, connecting the upper part to the lower part. Following the installation of rivets, blue products must be transported to the exit, while green products are to be transported to storage. The study focuses on the application of reinforcement learning techniques to address this problem and improve the efficiency of the production process.
• Abstract（参考訳）: 本稿では,市場投入期間の短縮,大量カスタマイズ,バッチサイズ1生産など,産業4.0の需要に対応するために強化学習(RL)を利用する可能性について検討する。 具体的には、あらかじめ定義されたルールに従って、モデルファクトリを通じて商品を輸送・組み立てする作業を行う。 各シミュレーションは、特定の数の無作為な色の商品をエントリポイントに配置する。 目的は、各製品に2つのリベットを設置し、上部と下部を接続する組立所へ商品を輸送することである。 リベットの設置後、青い製品は出口に運ばれ、緑色の製品は倉庫に運ばれなければならない。 本研究は, この課題に対処し, 生産プロセスの効率化を図るため, 強化学習技術の応用に焦点を当てた。

関連論文リスト

• Optimizing Job Shop Scheduling in the Furniture Industry: A Reinforcement Learning Approach Considering Machine Setup, Batch Variability, and Intralogistics [0.0]
  本稿では,家具産業におけるDeep Reinforcement Learningの活用の可能性について考察する。 スケジューリングの精度と効率を向上させるために,より詳細な情報を提供するモデルの概念を提案する。 このモデルは、ジョブボリューム、バッファ管理、輸送時間、マシンセットアップ時間を含む、JSSPへの従来のアプローチを拡張している。
  論文  参考訳（メタデータ） (2024-09-18T09:12:40Z)
• Management Decisions in Manufacturing using Causal Machine Learning -- To Rework, or not to Rework? [0.5772546394254112]
  本稿では,製造システムにおける最適リワークポリシーを推定するためのデータ駆動モデルを提案する。 我々は、任意の再作業ステップを可能にする、多段階のロットベースシステム内の単一のプロダクションステージについて検討する。 本研究では、因果機械学習、特にDML(Double/debiased Machine Learning)の手法を用いて、データから条件付き処理効果を推定する。
  論文  参考訳（メタデータ） (2024-06-17T08:14:40Z)
• Smaller Batches, Bigger Gains? Investigating the Impact of Batch Sizes on Reinforcement Learning Based Real-World Production Scheduling [2.2530496464901106]
  この研究は、強化学習ソリューションに対する様々なバッチサイズの影響について考察する。 適切なバッチサイズの選択に関して、インフォームドな決定を下すことができる。 この研究の成果は、同等のスケジューリング問題を持ついくつかの工業用ユースケースに応用できる可能性をもたらす。
  論文  参考訳（メタデータ） (2024-06-04T13:16:08Z)
• PRILoRA: Pruned and Rank-Increasing Low-Rank Adaptation [65.268245109828]
  我々はPRILoRAを導入し、各層ごとに異なるランクを線形に割り当て、トレーニングプロセスを通してプルーニングを行う。 8つのGLUEベンチマークで広範な実験を行い,PRILoRAの有効性を検証する。
  論文  参考訳（メタデータ） (2024-01-20T20:25:17Z)
• Causally Learning an Optimal Rework Policy [0.0]
  生産ロットの再作業には、最終製品が要求仕様を満たすように調整された前の生産段階を繰り返すことが含まれる。 光電子半導体製造における色変換過程における再加工工程の条件処理効果を機械学習を用いて推定する。
  論文  参考訳（メタデータ） (2023-06-07T07:58:58Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• Modeling the Material-Inventory Transportation Problem Using Multi-Objective Optimization [0.0]
  本研究は,輸送による材料在庫調整に関するモデルを提案する。 このモデルの目的は、生産コストと総輸送コストを最小化することである。
  論文  参考訳（メタデータ） (2022-06-06T04:39:34Z)
• Concepts and Algorithms for Agent-based Decentralized and Integrated Scheduling of Production and Auxiliary Processes [78.120734120667]
  本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。 要求の一部は、線形にスケールする通信アーキテクチャを開発することである。 このアプローチは、工業的要件に基づいた例を使って説明されます。
  論文  参考訳（メタデータ） (2022-05-06T18:44:29Z)
• Supervised learning of sheared distributions using linearized optimal transport [64.53761005509386]
  本稿では,確率測度空間における教師付き学習課題について検討する。 最適輸送フレームワークを用いて確率測度の空間を$L2$空間に埋め込むことでこの問題に対処する。 正規の機械学習技術は線形分離性を達成するために使われる。
  論文  参考訳（メタデータ） (2022-01-25T19:19:59Z)
• Towards Standardizing Reinforcement Learning Approaches for Stochastic Production Scheduling [77.34726150561087]
  強化学習はスケジューリングの問題を解決するのに使える。 既存の研究は、コードが利用できない複雑なシミュレーションに依存している。 から選ぶべきRLの設計の広大な配列があります。 モデル記述の標準化 - 生産セットアップとRL設計の両方 - と検証スキームは前提条件です。
  論文  参考訳（メタデータ） (2021-04-16T16:07:10Z)
• Detection and Classification of Industrial Signal Lights for Factory Floors [63.48764893706088]
  目標は、工場のフロアを撮影するビデオカメラからの入力を用いて、運用状態を測定するソリューションを開発することである。 自動走行車における信号認識に一般的に用いられる手法を用いて、特定条件の99%以上の精度のシステムを示す。
  論文  参考訳（メタデータ） (2020-04-23T14:26:39Z)

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。