个人信息
参与实验室科研项目
人机智能协同关键技术及其在智能制造中的应用
非可信智能驱动的可靠智造
学术成果
共撰写/参与撰写专利 0 项，录用/发表论文 1 篇，投出待录用论文0篇。 联培学生可能有其他不在此展示的论文/专利。
Journal Articles
-
Deep Reinforcement Learning for Maintenance Optimization of Multi-Component Production Systems Considering Quality and Production Plan
Ming Chen,
Yu Kang,
Kun Li,
Pengfei Li,
and Yun-Bo Zhao
Quality Engineering
2024
[doi]
[pdf]
学位论文
Theses
-
多部件系统的质量-维护-调度联合优化研究
陈明
中国科学技术大学, 合肥
2024
[Abs]
[pdf]
随着生产系统的复杂度不断提升，多部件系统逐渐成为现代生产制造过程 的核心，其生产管理研究引起了学术界和产业界的广泛关注。在此背景下，产品 质量、维护决策和生产调度是生产过程中的三个主要因素，且彼此间存在紧密的 相互作用。系统中任一部件故障会导致生产停机，影响生产计划的执行；在生产 调度过程中需要考虑维护时机，以便在计划的生产停机时间进行维护，减少维护 产生的停机成本；通过维护可以减少系统状态退化造成的质量损失，但频繁的维 护会增加维护成本。由于三者之间相互影响，同时优化质量、维护成本和交货期 这三个关键目标面临挑战。 针对以上问题，论文以多部件系统为研究对象，将产品质量退化过程纳入到 维护决策中，考虑维护与调度之间的相关性，在强化学习和遗传算法框架下，实 现质量、维护与调度的联合优化，主要研究内容包括： （1）针对固定生产计划下多部件系统的产品质量和维护决策联合优化问题， 将维护决策建模为马尔可夫决策过程，引入当前生产批次剩余时间的概念，在奖 励函数中加入质量损失以及与生产计划相关的停机成本，使用深度强化学习对 决策问题求解，实现降低维护成本的同时减少质量损失，并能够根据生产计划变 化动态调整维护策略。 （2）针对多部件系统的产品质量、维护决策和生产调度联合优化问题，设计 了一种两阶段联合优化方法。第一阶段以维护决策为主，在维护中考虑生产计划 以及产品质量，利用强化学习实现能够根据生产计划变化动态调整的维护策略。 第二阶段利用第一阶段得到的维护策略，计算生产过程中的维护时间、维护成本 和质量损失，使用遗传算法求解联合优化模型，实现减少延误成本的同时减少维 护成本和质量损失。 （3）针对生产计划扰动下并行多机系统的动态调度问题，设计了基于周期和 事件混合驱动策略，减少静态调度随时间累积的误差以及扰动事件对生产带来 的影响。并针对不同扰动事件分别设计了相应的调度修复策略，实现了处理生产 计划扰动的同时保持生产过程的稳定性。
毕业去向
阿里巴巴， 算法工程师