Reinforcement Learning für Fertigungssteuerung bei CHRIST Feinmechanik
CHRIST Feinmechanik testet einen mit Reinforcement Learning trainierten Agenten, der Auftragsreihenfolge und Materialfluss in der Präzisionsfertigung eigenständig optimiert.
Vertiefung
Zusammen mit dem Mittelstand-Digital Zentrum Darmstadt wurden bestehende Maschinen per Brownfield-Ansatz mit IoT-Gateways nachgerüstet, um Echtzeit-Produktionsdaten zu erfassen; der Retrofit ist noch nicht vollständig abgeschlossen. Parallel entstehen erste Modellentwürfe für einen Reinforcement-Learning-Agenten, der künftig über ein Belohnungssystem lernen soll, den Materialdurchsatz zu erhöhen und Transportwege zu verkürzen. Sobald echte Produktionsdaten vorliegen, soll der Agent trainiert und mit klassischen statistischen Optimierungsverfahren verglichen werden.