Publication
COMPARAÇÃO DE MÉTODOS DE APRENDIZAGEM POR REFORÇO EM PROCESSOS INDUSTRIAIS DISCRETOS SEQUENCIAIS
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | pt_PT |
| dc.contributor.advisor | Bento, Luís Manuel Conde | |
| dc.contributor.advisor | Perdigoto, Luís Miguel Ramos | |
| dc.contributor.author | Silva, Tiago Resende da | |
| dc.date.accessioned | 2024-01-10T16:42:16Z | |
| dc.date.available | 2024-01-10T16:42:16Z | |
| dc.date.issued | 2023-07-06 | |
| dc.description.abstract | O processo de comissionamento de equipamentos durante a implementação de um novo sistema, ou na reconfiguração de um já existente, é uma etapa em que as empresas gastam dinheiro e tempo antes da entrada em operação. Baseando-se nesse problema, este trabalho analisa a utilização de Gémeos Digitais, que simulem o ambiente fabril, em conjunto com a utilização de técnicas de Aprendizagem por Reforço para permitir que o sistema se reconfigure e se programe de forma automática. Diferentemente das técnicas tradicionais de controlo, a Aprendizagem por Reforço encara o sistema como uma caixa negra, em que a interação entre o agente e o ambiente promove a sintonização dos parâmetros necessários para o funcionamento correto do processo industrial. Isso resulta na economia de dinheiro, na diminuição de tempo de produção e na busca de inúmeras possibilidades de operação até que se encontre a mais eficiente. Acrescenta-se a tudo isso a diminuição do tempo de exposição de pessoas ao processo de implementação inicial e consequente diminuição de acidentes, uma vez que o comissionamento ocorre no ambiente virtual. Dessa forma, este trabalho desenvolve e aplica alguns dos diferentes algoritmos de Deep Reinforcement Learning a um sistema de empacotamente de latas. O principal objetivo é avaliar a viabilidade e o desempenho de utilizar estes tipos de algoritmos na aprendizagem e otimização automática das sequências de controlo em processos industriais de natureza sequencial e discreta. Dada a natureza sequencial dos processos, com necessidade inerente de efeito de memória, foram experimentadas diferentes arquiteturas de redes neuronais, realizando um estudo comparativo sobre a performance das redes neuronais LSTM (Long Short-Term Memory) frente à utilização de buffers de memória de estados anteriores de diferentes tamanhos. Por fim, os modelos com melhores resultados e maior estabilidade foram aplicados aos Gémeos Digitais, mostrando a capacidade que estes tipos de algoritmos de aprendizagem automática têm para ser aplicados no controlo de sistemas industriais. | pt_PT |
| dc.identifier.tid | 203459903 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.8/9226 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Aprendizagem por reforço | pt_PT |
| dc.subject | LSTM | pt_PT |
| dc.subject | Controlo discreto de sistemas | pt_PT |
| dc.subject | Gémeos digitais | pt_PT |
| dc.title | COMPARAÇÃO DE MÉTODOS DE APRENDIZAGEM POR REFORÇO EM PROCESSOS INDUSTRIAIS DISCRETOS SEQUENCIAIS | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Electrotécnica | pt_PT |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- Dissertação_TiagoResende_corr_correções_formais.pdf
- Size:
- 3.96 MB
- Format:
- Adobe Portable Document Format
- Description:
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.32 KB
- Format:
- Item-specific license agreed upon to submission
- Description: