Dynamische Regelselektion in der Reihenfolgeplanung Prognose von Steuerungsparametern mit Gaußschen Prozessen

Jens Heger stellt ein Verfahren vor, das auf der prioritätsregelbasierten Reihenfolgeplanung aufbaut. Erstmals werden mithilfe der Gaußschen Prozesse Regression Modelle gelernt, die für nicht untersuchte Situationen Prognosen über das Verhalten der Regeln abgeben.

Jens Heger stellt ein Verfahren vor, das auf der prioritätsregelbasierten Reihenfolgeplanung aufbaut. Da keine Regel existiert, die in allen Situationen das anvisierte Zielkriterium bestmöglich erreicht, findet eine dynamische Auswahl bzw. Adaption der Regeln statt. Die dafür nötige Wissensbasis wird mit vorgelagerten Simulationsstudien berechnet. Erstmals werden mithilfe der Gaußschen Prozesse Regression Modelle gelernt, die für nicht untersuchte Situationen Prognosen über das Verhalten der Regeln abgeben. Die Evaluation in der Werkstatt- bzw. flexiblen Fließfertigung hat gezeigt, dass die Gaußschen Prozesse zu signifikant besseren Prognoseergebnissen geführt haben und dass dieses neu entwickelte Steuerungsverfahren zu ebensolchen Leistungssteigerungen führte.

Der Inhalt

• Dynamik und Effizienz in der Produktionslogistik
• Aufgaben der Produktionsplanung und -steuerung
• Analyse bekannter Ansätze zur Reihenfolgeplanung und Regression
• Lernverfahren zur Verbesserung der prioritätsbasierten Reihenfolgeplanung
• Dynamische Selektion von Prioritätsregeln bzw. Adaption ihrer Parameter

Die Zielgruppen

• Dozierende und Studierende der Informatik und Produktionstechnik bzw. Logistik sowie des Operations Research
• Produzierende Unternehmen, Software- und Beratungsfirmen im Bereich der Produktionsplanung und -steuerung

Der Autor

Dr.-Ing. Jens Heger ist tätig im Bremer Institut für Produktion und Logistik an der Universität Bremen mit dem Forschungsschwerpunkt der Reihenfolgeplanung, Prozessoptimierung und des maschinellen Lernens.

Jens Heger stellt ein Verfahren vor, das auf der prioritätsregelbasierten Reihenfolgeplanung aufbaut. Da keine Regel existiert, die in allen Situationen das anvisierte Zielkriterium bestmöglich erreicht, findet eine dynamische Auswahl bzw. Adaption der Regeln statt. Die dafür nötige Wissensbasis wird mit vorgelagerten Simulationsstudien berechnet. Erstmals werden mithilfe der Gaußschen Prozesse Regression Modelle gelernt, die für nicht untersuchte Situationen Prognosen über das Verhalten der Regeln abgeben. Die Evaluation in der Werkstatt- bzw. flexiblen Fließfertigung hat gezeigt, dass die Gaußschen Prozesse zu signifikant besseren Prognoseergebnissen geführt haben und dass dieses neu entwickelte Steuerungsverfahren zu ebensolchen Leistungssteigerungen führte.