Construção de um modelo de aprendizado por reforço profundo para um problema de controle de linha

Abstract

Este estudo aborda a aplicação inovadora do Aprendizado por Reforço Profundo (Deep Reinforcement Learning - DRL) na otimização do controle de produção de embalagens de alumínio em uma empresa multinacional líder. Explorando a interseção entre inovação, tecnologia e produção, o trabalho concentra-se na integração do DRL com a simulação da linha de produção, visando aumentar a eficiência, reduzir paradas não planejadas e promover inovações na indústria. Com base em testes e experimentações, o modelo de DRL revelou desafios significativos em relação à convergência e desempenho em comparação com o baseline estabelecido pelo ambiente de simulação, destacando a complexidade dos problemas enfrentados na modulação da linha de produção e a necessidade de considerar uma abordagem mais abstrata na definição de parâmetros. Além disso, surgiram questões sobre a validação do ambiente de simulação e a lógica de auto-restart, sugerindo a importância de estudos mais aprofundados para garantir a eficácia das soluções propostas. Apesar dos desafios encontrados, o estudo contribui para o avanço do conhecimento em aprendizado de máquina aplicado à manufatura, destacando a necessidade de considerar cuidadosamente os elementos do ambiente de produção ao desenvolver e implementar soluções inovadoras.