Студент кафедры 316 "Системное моделирование и автоматизированное проектирование" МАИ Семен Беляев придумал, как повысить эффективность мелкосерийного производства с помощью нейросети.

- Одна из ключевых особенностей мелкосерийного производства - быстрая смена задач, необходимость частой перенастройки оборудования в связи с переменным спросом. Обычные математические методы, которые применяются при оптимизации производственных процессов, часто не способны справиться с такой сложной задачей, поскольку требуют точных данных, которых может и не быть, - каждый раз надо подбирать новые параметры для описания системы. Поэтому я решил применить для этой задачи метод машинного обучения с подкреплением, а в частности нейронную сеть архитектуры Deep Deterministic Policy Gradients (DDPG), - рассказывает Семен Беляев.

Исследователь сформировал компьютерную имитационную модель, которая описывает производственный процесс целевой функцией. Фактически такая модель представляет собой цифровой двойник производства, который отражает его состояние и различные события в определенные моменты времени. Модель учитывает ряд ключевых параметров: типы оборудования, коэффициент загрузки (сколько задействовано рабочих на каждый тип), конфигурация оборудования (сколько оно производит единиц продукции в определенный момент времени) и его износ.

При помощи этой модели Семен Беляев обучил нейронную сеть и смог добиться увеличения значения целевой функции на 30-40%. А именно - более оптимальной загруженности станков и уменьшения простоев между сменами номенклатуры производства.

- Нейросеть показала большой потенциал обучаемости и способна к еще большей адаптивности, есть перспектива выстраивать не только текущее, но и будущее состояние производственной системы, реагировать на непредвиденные ситуации, - отметил он.

Маевец планирует продолжить работу по улучшениию архитектуры нейросети - теперь уже с данными реального производства.