Defensa de tesis doctoral en Inteligencia Artificial por el Sr. Abebaw Degu

La Universidad Euromed de Fez (UEMF) se complace en informar al público de la defensa de tesis doctoral en ’’Inteligencia Artificial’’

La defensa de tesis tendrá lugar el Sábado 22 de junio de 2024 a las 09:30 en la UEMF
Lugar : la Gran Sala del Incubador (LOC001994) 

La tesis será presentada por el Sr. Abebaw Degu WORKNEH bajo el tema:
”Sinergizar la Inteligencia y la Auto-mejora en la Programación de Talleres de Producción para la Fabricación Inteligente”

Abstract

La inteligentización, apoyada por metodologías de IA, ha emergido en las últimas décadas como un impulsor significativo para las industrias manufactureras, propulsando el crecimiento de la fabricación inteligente. La IA clásica ha recibido más capacidades en las industrias contemporáneas, resultando en la IA industrial, ahora la base tecnológica de la industria de fabricación inteligente. Los entornos de fabricación inteligente presentan desafíos únicos en la programación de taller (job shop scheduling) debido a su complejo entorno de máquinas, flujos de datos en tiempo real y naturaleza dinámica, lo que exige enfoques de programación dinámicos y adaptativos para optimizar eficazmente los procesos de producción. La complejidad de la fabricación inteligente, donde las máquinas están interconectadas y los entornos productivos cambian rápidamente, dificulta la operatividad de las técnicas de programación tradicionales. La adaptabilidad de RL y sus capacidades de toma de decisiones basada en datos ofrecen una solución potencialmente efectiva. Esta tesis investiga las aplicaciones prácticas de los algoritmos de aprendizaje por refuerzo (RL) para abordar estos desafíos y optimizar la programación tipo job-shop en el contexto de la fabricación inteligente. Se propone un modelo DRL que consiste en diferentes características y eventos dinámicos, como fallo de máquina y retrabajo de tareas, para el Problema de Programación de Job Shop (JSSP) con el objetivo de minimizar el makespan. El problema de programación se formula como un proceso de toma de decisiones secuencial para visualizar la naturaleza interactiva del entorno de producción real. También se ha desarrollado un enfoque general de solución de programación para un Problema de Programación de Taller Flexible (FJSSP). El enfoque es una Triple Deep Q Network (TDQN) caracterizada por fallo de máquina, inserción de trabajos, preparación de máquina y tiempos de procesamiento aleatorios. La característica distintiva del enfoque es la capacidad de generar de manera eficiente y consistente un calendario con menor tardanza total, su capacidad para aprender una política óptima rápidamente (en menos iteraciones) que DQN y DDQN, y su estabilidad. Los modelos DRL para JSSP se evalúan aplicándolos a instancias del conjunto de datos conocidos de OR-tools. Por otro lado, el modelo TDQN se entrena y evalúa con una instancia hipotéticamente generada que es, hasta donde sabemos, la primera

aproximación DRL y una solución de programación con múltiples eventos dinámicos en un entorno FJSSP, lo cual es difícil de encontrar. Para el problema con benchmarks disponibles, se indica que la solución DRL propuesta es competitiva con el mejor método en la literatura. Asimismo, el resultado del enfoque TDQN se evalúa en función del rendimiento del modelo en aprender una política estable y lograr la mínima tardanza total frente a los modelos DQN y DDQN con una configuración FJSSP similar. En conclusión, este estudio subraya las principales ventajas de RL para mejorar la programación de talleres en entornos de fabricación inteligente. Al adoptar RL, los fabricantes pueden abordar problemas del mundo real y maximizar la eficiencia de producción, aumentando su competitividad en el ecosistema de fabricación inteligente.
 

Palabras clave— Aprendizaje Profundo por Refuerzo, Programación de Job Shop, Fabricación Inteligente, Programación Inteligente, Optimización, Toma de Decisiones Secuencial

Esta tesis será presentada ante los miembros del jurado: