정보가 없습니다.
강화학습 기반의 생산 일정 계획 최적화에 관한 연구
- 강형원
- 인천대학교
- 작품구분일반형
- 공개여부비공개
- 카테고리정보, 전자, 기계, 유통/물류
- 등록일2019-06-14
- 팀원(공동개발자)강형원, 이전우, 우창윤
- 출품 경진대회2019-1학기 산학 캡스톤디자인 경진대회( 학생팀&멘토 모집)
- 0
- 0
- 1,525
상세설명
1. 수행배경
- 현업에서 제품의 생산방식이 고도화 되고 복잡해졌다.
- 일정계획을 효율적으로 세우기가 어려워짐
- 일정계획을 수립하는데 많은 시간이 필요함
- 기존에 존재하는 룰을 이용한 일정계획은 최적의 모델과 거리가 멀다.
- 문제가 단순한 경우에는 기존의 룰도 좋은 해를 구할 수 있지만, 문제가 점차 복잡해짐으로써 좋은 해를 구하기 쉽지 않음
- 산업경영공학에서 배운 일정계획에 대한 지식과 연계전공(인공지능 소프트웨어)에서 배운 딥러닝 지식을 이용하여 일정계획을 수립함으로써 최적의 모델에 근접 할 수 있도록 하며 일정계획에 많은 시간과 비용을 소모하지 않도록 하고자 한다.
- 기존의 존재하는 룰보다 좋은 성능을 가지게 된다면 공정의 자동화에 도움이 될 수 있음을 기대한다.
2. 수행기간
추진일정표
일련번호
주요내용
추진일정
기간
(주)
3월
4월
5월
6월
1
경진대회 주제 선정 및 기업담당자 미팅
2
2
강화학습 관련 학습 및 기본 룰 코딩
4
3
DDQN 모델 구축
4
4
모델 개선
6
5
결과 보고서 작성 및 제출
2
6
개선 및 교내외 경진대회 참가
6
3. 개발작품 설명
- 스케줄링은 단순한 문제일 경우 어려움이 없으나, 복잡한 문제의 경우 많은 시간과 비용이 소모됨.
- 강화학습(DDQN)을 이용하여 일정계획을 수립함으로써 시간과 비용 절감
- 1차적으로 장비의 제약이 없고, 주문 분리가 불가능하고, 병렬기계인 경우의 문제를 해결하려고 한다.
- 작업의 타입이 바뀌는 경우 setup time이 발생하며 2시간으로 설정하였다.
- 총 납기 지연 시간을 최소화하는 일정 계획을 수립한다.
- 총 머신의 개수는 18개이며 작업의 타입은 13개, 오더의 개수는 100개를 1세트로 설정하였다.
- 기본 룰(FCFS, LPT, SPT, MOR, LOR, Slack)과의 성능을 비교/분석한다.
- 딥러닝 플랫폼은 keras를 사용하며, 사용 기술로는 강화학습중 DDQN(Double DQN)기법을 사용한다.
- Input(State)는 총 360개로 이루어져 있음
10개의 order가 각각 마지막으로 할당된 작업의 타입이 같은지, 해당 머신에 할당할 경우 slack의 양에 대한 정보가 담겨있음.
Output은 총 18개로 이루어져 있음
18가지 액션에 대한 Q-value 값을 가지고 있으며, 값이 큰 액션을 실행
각 action에 대한 reward의 정보를 가지고 있으며 agent에게 주는 정보를 이용하여 network를 업데이트한다. (reward = -7*setup여부 –1*violation due date)
Input의 정보를 state로 하여 어떤 액션을 행할지 구하는 DDQN 모델
활성화함수는 모두 Relu를 사용하였다.
Q 함수를 거쳐 행동에 대한 Q-value가 가장 높은 액션을 취함
학습 방법은 하나의 오더로 반복 학습과 일반화 학습을 하였다.
scores 그래프와 납기지연시간 그래프 모두 수렴하기 때문에 학습이 올바르게 되었음을 알 수 있다.
하나의 order로 반복 학습한 경우와 일반화까지 진행한 경우의 성능을 확인하기 위하여 기본 룰을 이용하여 orderlist 10세트의 성능을 비교하였다
기본 룰중에서 가장 성능이 좋은 slack에 비하여 하나의 order로 반복 학습한 경우 20.28%, 일반화 한 경우 20.11% 정도의 성능이 개선되었음을 확인하였다.
하나의 오더로 반복 학습 시킨 경우가 일반화 보다 좋은 결과를 내는 경우, 또는 쉬운 문제의 경우 기본 룰이 일반화 보다 좋을 결과를 내는 경우가 있다.
4. 활용방안
- 일정계획을 수립하는데 걸리는 시간과 비용 감소 가능할 것으로 기대된다.
- 기존의 일정계획보다 우수한 성능의 계획을 수립 가능할 것으로 예상된다.
- 공정의 일정 계획의 자동화가 가능할 것으로 기대된다.