Real-time Scheduling of a Flexible Manufacturing System using a Two-phase Machine Learning Algorithm

در شرايط واقعي، رويكردهاي تحليلي موجود در مباحث تيوري توالي عمليات اجرا شدني نيست. بسياري از الگوريتم‌هاي موجود كارايي خود را در محيط‏هاي پويا از دست مي‏دهند. علي‌رغم اين مشكل، سه شاخصه‌ي اصلي در شرايط واقعي، چالش برانگيز است: اولاً، داده‌هاي كارها در ابتداي برنامه‌ريزي در دسترس نيست؛ ثانياً، پارامترهاي كنترلي كارگاه، احتمالي است؛ ثالثاً، در يك افق برنامه‌ريزي، هزاران كار بايستي زمان‌بندي شوند. در اين بررسي، سيستم خبره‌اي در محيط سيستم توليدي منعطف طراحي شده است تا با عملكردي كارا زمان‌بندي كارها را در شرايط واقعي انجام دهد. اين مدل خبره شامل دو مجموعه از ماژول‌ (پودمان)هاي كلي است: شبيه‌ساز كارگاه و تصميم‌گيرنده (كنترلر). داده‌ها و اطلاعات از مجموعه‌ي اول به مجموعه‌ي دوم در دو فاز تفسير مي‌شوند. ابتدا يك شبكه‌ي عصبي پس‏خوراند به عنوان مكانيزم يادگيري ماشيني نظارتي، شاخصه‌هاي صف سيستم را از كارگاه گرفته و قبل از اجراي مدل به وزن‌ها و پارامترهاي خود مقداردهي اوليه مي‌كند. سپس، حالات سيستم (در اجراي اصلي) به جز كنترلي كه خود شامل تابع فعال‌سازي آن‌لاين و شبكه‌ي عصبي است، ترجمه شده و بهترين استراتژي انتخاب مي‌شود. همچنين، به منظور ارزيابي سناريوهاي مختلف و كاهش زمان محاسباتي، مدلي مبني بر مفهوم شبيه‌سازي گسسته-پيشامد در تعامل با جز كنترلي به كار گرفته شده است. دو تابع هدف ميانگين حداكثر تاخير كارها و ميانگين مدت زمان جريان كارها در سيستم در ارزيابي مثال معروف سه ايستگاهي با پارامترهاي احتمالي در نظر گرفته شده است. نتايج و شواهد نشان دهنده‌ي سازگاري ادعاي مطرح شده و كارايي مدل است

The static and analytic scheduling approach is very difficult to follow and is not always applicable in real-time. Most of the scheduling algorithms are designed to be established in offline environment. However, we are challenged with three characteristics in real cases: First, problem data of jobs are not known in advance. Second, most of the shop’s parameters tend to be stochastic. Third, thousands of jobs should be scheduled in a long planning horizon. In this work we designed an expert model for achieving better performance of real-time scheduling tasks in a flexible manufacturing system (FMS). The proposed expert model is comprised of two sets of modules, namely FMS simulator and decision (control) modules. Information is translated from the first set of modules to the second in two phases. First, a feed-forward neural network as a supervised machine learning mechanism is set to capture the queueing attributes of the shop and train in initialization and pre-run mode. Second, system states (in real run) are interpreted to the control module which is comprised of interconnected online learning activation function and a feed-forward neural net, and finally the best strategy is selected. Therefore, an interactive discrete-event simulation model with control module is implemented in order to evaluate different scenarios and reduce the computational time and complexity. Eventually, the presented procedure is benchmarked through simulation modeling of a triple-stage-triple-machine flexible flow shop with some embedded stochastic concept. Results support our proposed methodology and follow our overall argument.