A machine learning-based simulation metamodeling method for dynamic scheduling in smart manufacturing systems
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».