Generic multi-agent reinforcement learning approach for flexible job-shop scheduling
Die Dissertation von Dr.-Ing. Schirin Bär befasst sich mit der Entwicklung einer reaktiven Job Shop Scheduling Lösung für flexible Fertigungssysteme. Es werden Reinforcement Learning Strategien aufgezeigt, um kooperierende Agenten zu trainieren, die so verallgemeinert sind, dass sie mit unbekannten Aufträgen und Situationen umgehen können.
Wir haben Schirin zu seiner Dissertation befragt:
In welchem Kontext ist deine Dissertation entstanden? Welche Projekte oder anderen Faktoren haben deine Dissertation besonders beeinflusst?
In meiner Forschungseinheit bei der Siemens AG beschäftigt man sich stetig mit der Produktion der Zukunft. Dabei kam die Fragestellung auf, wie ein generisches Konzept mit geringem Engineering für flexible Auftragsplanung aussehen kann.
Deshalb habe ich in meiner Forschung Deep Reinforcement Learning Strategien und deren industrielle Anwendungsmöglichkeiten untersucht.
Das IMA Institut an der RWTH Aachen und das TMDT der Uni Wuppertal forschten außerdem an Deep Reinforcement Learning Strategien und deren Einsatz, wodurch diese wunderbare Zusammenarbeit entstand.
Welchen Beitrag leistet deine Arbeit zum Forschungsfeld?
Die Forschungsarbeit zeigt ein generisches Konzept auf, wie kooperierende Agenten trainiert werden können, um Teil-Produkte durch eine Produktion zu navigieren. Damit kann eine flexible Produktionssteuerung für eine hohe Anzahl an Produktvarianten entwickelt werden, die reaktiv auf Events und Veränderungen reagiert, da sie situativ Entscheidungen trifft.
Der Beitrag zur Forschung zeigt auf, welche Deep Reinforcement Learning Strategien sich für die Fragestellung eignen und welche Konzepte für State, Aktion und Reward Designs vorteilhaft sind, um kooperierende Agenten zu trainieren, die nach einem lokalen und globalen Optimierungsziel agieren und dabei verallgemeinert werden, dass sie mit unbekannten Situationen und Aufträgen umgehen können.
Wie geht es nun für dich und das Thema weiter?
Die Kooperation zwischen dem TMDT und der Siemens AG wird von weiteren Doktoranden fortgeführt, die sich damit befassen wie Deep Reinforcement Learning für industrielle Fragestellungen, wie Transportprozesse in der Logistik, zum Einsatz kommen kann.
Im letzten Jahr meiner Promotion begann ich ein Leadership Programm bei Amazon und habe mit meinen Teams unter anderem dafür gesorgt, dass priorisierte Aufträge rechtzeitig die Warenlager verlassen.
Nach zwei Jahren an drei verschiedenen Amazon Standorten ging es für mich in Elternzeit und parallel dazu zogen wir nach Suzhou in China, wo unser Sohn zur Welt kam. Nach einer wundervollen Familienzeit wurde ich von Siemens nach China delegiert und führe heute unser neues Produktportfolio der HMI-Panels in den Markt ein.
Auf diesem Weg konnte ich neben Technologie und Forschung, operative Shop Floor und Leadership Erfahrung sammeln und darf nun lernen den chinesischen Markt zu verstehen, um strategisch Produkte zu platzieren.
