Timed Coloured Petri Net Simulation Model for Reinforcement Learning in the Context of Production Systems

Das Kapitel behandelt die Anwendung von Simulationsmodellen für zeitgesteuerte Petrinetze im Kontext von Reinforcement Learning für Produktionssysteme. Es beginnt mit der Einführung in die Bedeutung von Simulationsmodellen in der industriellen Automatisierung und den Herausforderungen, die die Integration künstlicher Intelligenz mit sich bringt. Anschließend gehen die Autoren den Besonderheiten der Petrinetze und ihrer Eignung zur Modellierung gleichzeitiger Prozesse in Produktionssystemen nach. In der vorgelegten Fallstudie geht es um die Erstellung eines Petrinetzmodells für eine Modellfabrik, mit dem ein Reinforcement Learning-Algorithmus trainiert wird. Die Ergebnisse der Fallstudie zeigen die Machbarkeit und Effizienz des Einsatzes von Petri-Netto-Modellen zur Erzeugung von Überwachungssteuergeräten und verdeutlichen deren Fähigkeit, komplexe Aspekte von Materialflusssystemen zu erfassen. Das Kapitel schließt mit einer Diskussion über die Grenzen des verwendeten Q-Learning-Algorithmus und schlägt zukünftige Forschungsrichtungen vor, insbesondere die Erforschung von Deep Reinforcement Learning-Algorithmen zur besseren Handhabung großer staatlicher Räume.