Detailansicht
Machine learning approaches for flexible shop scheduling problems
Frank Benda
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doctor of Philosophy-Doktoratsstudium Wirtschaftswissenschaften Logistics and Operations Management
Betreuer*in
Richard F. Hartl
DOI
10.25365/thesis.62653
URN
urn:nbn:at:at-ubw:1-16304.78177.951467-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die vorliegende PhD-Thesis bearbeitet im ersten und zweiten Projekt Themen
aus dem Bereich Machine Learning für flexible Fließfertigungsprobleme. Die Basis für diese Projekte ist eine Industrie 4.0 Applikation des Industriepartners Syngroup. Für das dritte Projekt werden Daten des MedAustron Ionenstrahl-Centers in Wiener Neustadt herangezogen.
Das Ziel des ersten Projektes war die Entwicklung einer Prioritätsregel in Form eines Entscheidungsbaumes. Der Baum wird hierbei durch die Verwendung hochqualitativer Lösungen basierend auf einer Constraintprogrammierung-Formulierung erstellt. Die Neuheit liegt dabei in der vereinheitlichten Entscheidungsfindung bezüglich Job- und Maschinenauswahl. Ein Random Forest wurde ebenfalls implementiert, um Überanpassung entgegenzuwirken. Der Ansatz wurde auf verschiedensten Problemstellungen angewendet und lieferte überzeugende Ergebnisse in Hinblick auf Verkürzung der Produktionsdauer vor allem im Vergleich zu einfachen Prioritätsregeln. Das zweite Thema beinhaltete die Entwicklung eines evolutionären Algorithmus (genetische Programmierung) für dieselbe Problemstellung. Hier werden ebenfalls Entscheidungsbäume erstellt, die dafür verwendet werden, ein Ranking für anstehende Materialbewegungen zu erstellen und die höchst gerankte Option auszuwählen. Die Ergebnisse wurden mit denen aus Projekt 1 verglichen.
Es konnte eine deutliche Verbesserung gegenüber der Ergebnisse aus Projekt 1 festgestellt werden. Ein iterativer Ansatz zur Verbesserung bestehender Ablaufpläne
führte ebenfalls zum gewünschten Ziel, die Produktionsdauer zu verkürzen.
Im letzten Projekt wurde eine Regressionsanalyse durchgeführt. Hierbei wurden Daten von MedAustron bezüglich Ablaufplanung bei Behandlung von Krebs mittels Strahlentherapie dafür verwendet, die erwartete durchschnittliche Wartezeiten der Patienten in einem stochastischen Umfeld zu berechnen, um einen bestehenden,
aufwändigen “sample average approximation”-Ansatz zu ersetzen. Dafür wurden zunächst Features definiert, die diese Wartezeit beeinflussen können und mittels
Feature Selection die wichtigsten Features extrahiert. Mit diesen verschiedenen
Feature Sets wurde dann eine Regressionsanalyse durchgeführt, sowie ein neuronales Netz für die Vorhersage implementiert. Die Ergebnisse zeigen, dass mit dem vorliegenden Ansatz eine vielversprechende Vorhersagegenauigkeit erreicht und der
Ansatz durchaus als Ersatz für die “sample average approximation” verwendet werden kann.
Schlagwörter
Schlagwörter
(Englisch)
Machine Learning Neural Networks Flexible Shop Scheduling Regression Analysis
Schlagwörter
(Deutsch)
Produktionsplanung maschinelles Lernen neuronale Netze Regressionsanalyse
Autor*innen
Frank Benda
Haupttitel (Englisch)
Machine learning approaches for flexible shop scheduling problems
Publikationsjahr
2020
Umfangsangabe
XIII, 91 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Michael Manitz ,
Thomas Spengler
Klassifikationen
85 Betriebswirtschaft > 85.32 Beschaffung, Materialwirtschaft ,
85 Betriebswirtschaft > 85.35 Fertigung
AC Nummer
AC15760328
Utheses ID
55367
Studienkennzahl
UA | 794 | 370 | 403 |