A machine learning-based simulation metamodeling method for dynamic scheduling in smart manufacturing systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Conventional Digital Twins (DTs) in smart manufacturing rely on complex and time-intensive simulation models, hindering real-time DT-based decision-making. However, the availability of big data in Manufacturing Execution Systems (MES) enables training different Machine Learning (ML) models for fast and accurate predictions and decision assessments. Accordingly, this paper proposes an ML-Based Simulation Metamodeling Method (MLBSM) to facilitate DT-based decision-making for dynamic production scheduling in complex Stochastic Flexible Job Shop (SFJS) environments. The proposed MLBSM integrates three modules: a novel data vectorizing method (SPBM), multi-output Adaptive Boosting Regressor (ABR) models, and a new statistical risk evaluation method. SPBM converts unstructured production log data into numerical vectors for ABR training by calculating numeric penalty scores for each job based on the position of operations in the schedule queue. Each trained ABR predicts mean job completion times for various dynamic scenarios based on shift schedules. The risk evaluation method estimates the standard deviation of job completion times and calculates the delay probability scores for each job, aiding DT in promptly evaluating production schedules. Working seamlessly together, MLBSM modules present a novel way of using production log data for ML training and ultimately bypassing several computationally intensive simulation replications. In this research, a simulation model generates the synthetic MES data, focusing on the machining process at a photolithography workstation in the semiconductor manufacturing. Experiments demonstrate the MLBSM’s accuracy and efficiency, predicting high-risk jobs with over 80% recall and being at least 70 times faster than conventional simulation runs. Sensitivity analyses also confirm the MLBSM’s consistency under different workstation conditions. • A Virtual Fab is created to reflect operational constraints of a complex factory. • A new sequencing priority-based method is proposed to vectorize production log data. • A Machine Learning (ML) model is trained on vectorized dataset. • A new empirical statistical method is presented to evaluate risk scores for jobs. • The ML model and risk evaluation method are used to develop a simulation metamodel.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle