Deep Reinforcement Learning Management System For Secure Intralogistics

• Autor(a) principal: Quintaneiro, João André Neves
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10362/144494
• topic: Indústria; Problemas de planeamento; FSSP; Q-learning; SIMIO; Otimização da produção; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

O crescimento e desenvolvimento da Indústria tem vindo a ser notório ao longo dos últimos anos devido, em boa parte, às revoluções industriais que existiram. Estas fizeram com que a competitividade na Indústria aumentasse e, com isso, fosse necessário ter em conta fatores potenciadores de sucesso perante as outras ofertas existentes no mercado. O planeamento da produção é crucial e, quando realizado com qualidade, traz vários benefícios. Um bom planeamento permite ampliar a capacidade de produção, minimi- zando os desperdícios e, consequentemente, aumentar a competitividade da empresa. Nesse sentido, a presente dissertação tem por objetivo criar um sistema apto a obter um planeamento capaz de trazer benefícios à produção num caso real. De forma a caracterizar o problema, foi realizado um estudo que permitiu identificar o mesmo como um Flow-Shop Scheduling Problem (FSSP) assim como as soluções existentes para o mesmo. Destas soluções, optou-se por recorrer ao algoritmo Q-learning de forma a obter um sistema capaz de otimizar a produção. De modo a visualizar e a tornar este sistema mais fidedigno, recorreu-se ao software SIMIO para se realizarem comparações por forma a aferir os resultados. Quanto aos resultados obtidos, estes mostraram-se positivos para os diferentes testes realizados. Primeiramente, com o intuito de validar o algoritmo a utilizar recorreu-se à otimização de casos conhecidos, nos quais se obtiveram resultados próximos dos ótimos garantindo o bom funcionamento do mesmo. De seguida, modelou-se o sistema para que o mesmo representasse, de forma assertiva, o sistema real em estudo. Por último, realizaram-se otimizações no planeamento do caso real que resultaram em melhorias significativas do mesmo. Em suma, o sistema mostrou-se capaz de obter soluções que otimizam e beneficiam o sistema real. Contudo, o algoritmo demostrou algumas limitações e identificaram-se pontos do sistema passiveis de serem otimizados para que seja possível obter melhores resultados.