Sequence optimization in the automotive industry using reinforcement learning

Abstract: Manufacturing fundamentally changed when, in the late 1980s, growing demand for product variants led to the manufacturing paradigm of mass customization. The goal was to develop products that had so much variety and customizability that nearly everyone could find a product that matched his or her requirements. Despite this development, low production costs remained an important factor. Advancements such as mixed model assembly lines in the automotive industry became useful tools for producing multiple car variants while keeping costs low. However, such systems must be well-defined and operated to handle the high number of variants and increasingly complex production processes.

This thesis presents a new machine learning-based approach to coping with product variety in real-world automotive scheduling problems. As the solution quality in scheduling is affected by the limited computation time, the idea of the presented method is to use reinforcement learning to train a scheduling policy before production. The real problem instance with real parameters is solved on production day by applying the trained scheduling policy.

The results of this study indicate that the presented method can lead to improved solution qualities, lower computation times and better incorporation of real-world characteristics. The study is structured into five chapters. In the first chapter, the motivation, basic concepts and thesis structure are introduced. Each of the following chapters II to IV presents an individual application of the developed method to one of three types of sequencing problems. In chapter V the results are summarized, implications are given, and paths for future research are presented
Abstract: Mit der wachsenden Nachfrage nach Produktvarianten entwickelte sich in den späten 1980er Jahren in der industriellen Fertigung das Paradigma der kundenindividuellen Massenproduktion. Ziel war es, Produkte zu entwickeln, die so vielfältig und individuell anpassbar sind, dass fast jeder Kunde ein Produkt finden kann, das seinen Anforderungen entspricht. Trotz dieser Entwicklung blieben niedrige Produktionskosten ein wichtiger Faktor. Technologische Fortschritte, wie z. B. die Einführung von Mixed Model Assembly Lines in der Automobilindustrie, wurden zu nützlichen Werkzeugen, um mehrere Fahrzeugvarianten zu produzieren und gleichzeitig die Kosten niedrig zu halten. Die Entwicklung und der Betrieb solcher Systeme sind vor dem Hintergrund von immer komplexeren Produktionsprozesse jedoch herausfordernd.

In dieser Arbeit wird ein neuartiger, auf maschinellem Lernen basierender Ansatz zur Bewältigung der Produktvielfalt bei realen Sequenzierungsproblemen in der Automobilindustrie vorgestellt. Da die Lösungsgüte bei der Sequenzplanung durch die verfügbare Rechenzeit begrenzt wird, besteht die Idee der vorgestellten Methode darin, Reinforcement Learning zu verwenden, um vor Beginn der Produktion eine Planungsstrategie zu erlernen. Das reale Problem mit realen Parametern wird am Produktionstag durch Anwendung der trainierten Planungsstrategie gelöst.

Die Ergebnisse der Arbeit zeigen, dass die präsentierte Methode zu einer verbesserten Lösungsgüte, geringeren Berechnungszeiten und einer besseren Berücksichtigung von realen Eigenschaften des Problems führen kann. Die Arbeit ist in fünf Kapitel gegliedert. Im ersten Kapitel werden die Motivation, die grundlegenden Konzepte und die Struktur der Arbeit vorgestellt. In den folgenden Kapiteln II bis IV wird jeweils die individuelle Anwendung der entwickelten Methode auf eine von drei Arten von Sequenzierungsproblemen vorgestellt. In Kapitel V werden die Ergebnisse zusammengefasst, Implikationen gegeben und Wege für zukünftige Forschung aufgezeigt

Object Details

• Location: Deutsche Nationalbibliothek Frankfurt am Main
• Extent: Online-Ressource
• Language: Englisch
• Notes: Universität Freiburg, Dissertation, 2021

Classification and Topics

• Keyword: Reihenfolgeproblem ; Ablaufplanung ; Produktionsplanung ; Fließfertigung

Contributors, Places and Time

• Event: Veröffentlichung
• (where): Freiburg
• (who): Universität
• (when): 2021
• Creator: Brammer, Janis
• Contributor: Neumann, Dirk ; Albert-Ludwigs-Universität Freiburg. Wirtschafts- und Verhaltenswissenschaftliche Fakultät

Further information

• DOI: 10.6094/UNIFR/220039
• URN: urn:nbn:de:bsz:25-freidok-2200398
• Rights: Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
• Last update: 25.03.2025, 1:46 PM CET