지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 유우식
- 발행연도
- 2019
- 저작권
- 인천대학교 논문은 저작권에 의해 보호받습니다.
이용수5
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 제조업체들은 제품의 생산방식이 고도화 되고, 복잡해 지면서 생산 장비를 효율적으로 사용하는데 어려움을 겪고 있다. 제조공정의 효율성을 방해하는 대표적인 요인들로는 작업물 종류 변경(job change)으로 인한 작업 준비 비용(Setup Cost)이 있다. 특히 반도체/LCD 공정과 같이 고가의 생산 장비를 사용하는 공정의 경우 장비의 효율적인 사용이 매우 중요하다. 상호 충돌하는 의사결정인 납기 준수를 최대화 하는 것과 작업물 종류 변경으로 인한 작업 준비 비용을 최소화 하는 것 사이에서 균형을 유지하는 것은 매우 어려운 일이다.
본 연구에서는 납기와 작업 준비 비용이 있는 병렬기계에서 머신러닝을 응용하여 납기준수작업 최대화와 작업 준비 비용 최소화를 달성하는 일정계획 모델을 개발하였다. 개발한 모델은 심층 신경망(Deep Neural Network: DNN)을 기반의 일정계획 생성 모델과 강화학습(Reinforcement Learning) 기반의 일정계획 생성 모델이다.
개발한 두 모델의 성능을 평가하기 위하여 기존의 휴리스틱 원칙 방식의 일정계획 모델들의 결과를 비교하였다. 비교 결과 강화학습 기반의 일정계획 생성 기법의 성능이 가장 좋은 것으로 나타났고, 심층 신경망 기반의 일정계획 생성 기법도 휴리스틱 원칙에 비해 성능이 좋은 것으로 나타났다.
본 연구에서는 납기와 작업 준비 비용이 있는 병렬기계에서 머신러닝을 응용하여 납기준수작업 최대화와 작업 준비 비용 최소화를 달성하는 일정계획 모델을 개발하였다. 개발한 모델은 심층 신경망(Deep Neural Network: DNN)을 기반의 일정계획 생성 모델과 강화학습(Reinforcement Learning) 기반의 일정계획 생성 모델이다.
개발한 두 모델의 성능을 평가하기 위하여 기존의 휴리스틱 원칙 방식의 일정계획 모델들의 결과를 비교하였다. 비교 결과 강화학습 기반의 일정계획 생성 기법의 성능이 가장 좋은 것으로 나타났고, 심층 신경망 기반의 일정계획 생성 기법도 휴리스틱 원칙에 비해 성능이 좋은 것으로 나타났다.
목차
제 1 장 서 론 11.1. 연구배경 11.2. 연구목적 51.3. 기존 연구 6제 2 장 머신러닝을 활용한 일정계획 생성 기법 82.1. 문제정의 82.2. 심층 신경망 기반의 일정계획 생성 기법 102.3. 강화학습 기반의 일정계획 생성 기법 17제 3 장 성능 평가 233.1. 실험 데이터 생성 233.2. 휴리스틱 원칙 기반의 일정계획 생성 기법 243.3. 생산 장비와 주문이 작은 사례 253.3.1. 생산 장비와 주문이 한가한 사례 253.3.2. 생산 장비와 주문이 적정한 사례 283.3.3. 생산 장비와 주문이 바쁜 사례 313.4. 생산 장비와 주문이 큰 사례 343.4.1. 생산 장비와 주문이 한가한 사례 343.4.2. 생산 장비와 주문이 적정한 사례 373.4.3. 생산 장비와 주문이 바쁜 사례 40제 4 장 결 론 43
최근 본 자료
댓글(0)
0