Студент кафедры 316 «Системное моделирование и автоматизированное проектирование» МАИ Семён Беляев придумал, как повысить эффективность мелкосерийного производства с помощью нейросети.
— Одна из ключевых особенностей мелкосерийного производства — быстрая смена задач, необходимость частой перенастройки оборудования в связи с переменным спросом. Обычные математические методы, которые применяются при оптимизации производственных процессов, часто не способны справиться с такой сложной задачей, поскольку требуют точных данных, которых может и не быть, — каждый раз надо подбирать новые параметры для описания системы. Поэтому я решил применить для этой задачи метод машинного обучения с подкреплением, а в частности нейронную сеть архитектуры Deep Deterministic Policy Gradients (DDPG), — рассказывает Семён Беляев.
Исследователь сформировал компьютерную имитационную модель, которая описывает производственный процесс целевой функцией. Фактически такая модель представляет собой цифровой двойник производства, который отражает его состояние и различные события в определённые моменты времени. Модель учитывает ряд ключевых параметров: типы оборудования, коэффициент загрузки (сколько задействовано рабочих на каждый тип), конфигурация оборудования (сколько оно производит единиц продукции в определённый момент времени) и его износ.
В результате работы нейросети удалось получить обнадеживающий результат, а именно — более оптимальной загруженности станков и уменьшения простоев между сменами номенклатуры производства.
— Нейросеть показала большой потенциал обучаемости и способна к ещё большей адаптивности, есть перспектива выстраивать не только текущее, но и будущее состояние производственной системы, реагировать на непредвиденные ситуации, — отметил он.
Маёвец планирует продолжить работу по улучшениию архитектуры нейросети — теперь уже с данными реального производства.
