基于Q学习的智能车间自适应调度方法

为降低智能车间中动态不确定因素对生产性能的影响，提出一种基于Q学习的智能车间自适应调度方法。该方法设计基于强化学习的智能车间自适应调度框架，采用Q学习算法，通过智能体—环境交互试错机制，自主训练调度模型，并根据生产车间环境变化动态更新调度模型，以支持能够指导车间运行的最优决策轨迹的生成。所提方法在MiniFab半导体生产线模型上进行了验证，结果证明该方法能够有效应对智能车间生产环境变化，在生产全过程中能对调度决策进行实时调整，优化车间综合性能指标，同时显著降低时间与人力成本。     

基于双深度Q学习网络的面向设备负荷稳定的智能车间调度方法

在车间管理中，设备负荷是一个关键性能指标，负荷稳定直接影响了生产效率与生产成本，但目前鲜有研究关注如何实现设备负荷稳定的问题。为此，提出一种面向设备负荷稳定的智能车间调度方法。该方法通过一个含有深度神经网络调度模型的调度智能体，分析车间生产状态与设备负荷间的相关性，及时输出满足期望目标的调度方案。针对深度神经网络调度模型，设计了一个基于双深度Q学习网络(DDQN)的深度神经网络调度模型训练器，其利用奖惩学习免监督地形成调度样本，借此对深度神经网络调度模型进行网络参数更新，实现模型自学习。所提方法在MiniFab半导体生产车间模型中进行了验证，证明了所提调度方法能实现对智能车间设备负荷的控制，从而保证车间整体设备负荷的稳定性。