【标题】Opportunistic maintenance scheduling with deep reinforcement learning

【作者团队】Alexander Valet, Thomas Altenmüller, Bernd Waschneck, Marvin Carl May, Andreas Kuhnle, Gisela Lanza

【发表日期】2022.8.11

【论文链接】https://www.sciencedirect.com/science/article/pii/S0278612522001285

【推荐理由】先进制造工艺的高度复杂性以及制造设备的高投资成本使得维护调度的集成成为一项具有挑战性但同样至关重要的任务。通过考虑维护措施的机会成本，机会性维护调度具有提高运营绩效的潜力。同时，强化学习（RL）已被证明能够处理复杂的调度任务。因此，RL 构成了一种很有前途的方法来开发一个集成的维护调度模型，以在单个决策支持系统中考虑订单调度和维护调度。本文通过使用离散事件仿真模拟了半导体前端晶圆制造的真实用例。在模拟场景中，集成调度和维护调度的性能受适用于机会维护和强化学习的复杂新颖启发式算法的调节。结果表明，RL 策略能够通过包含内部和外部机会主义机会来学习有竞争力的联合调度策略。


内容中包含的图片若涉及版权问题，请及时与我们联系删除