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
来源：计算机集成制造系统杂志2023年第1期北京时间：
作者：黎声益, 马玉敏, 刘鹃
单位：同济大学电子与信息工程学院
摘要：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。
关键词：智能车间,设备负荷,调度,深度Q学习网络
基金资助：国家重点研发计划资助项目(2018AAA0101704);国家自然科学基金资助项目(61873191,71690230,71690234)。
