실험계획법과 메타모델을 활용한 상태 변수 조합 효과 탐색 프레임워크: 심층강화학습 기반 TFT-LCD 공정 스케줄링을 중심으로

국문 초록 (Abstract)

본 연구에서는 심층강화학습 기반 제조시스템 스케줄링에서 상태를 구성하는 설명변수 조합의 효과 분석을 위한 탐색 프레임워크를 제안한다. 제안 방법론은 전체적 관점으로 실험 설계를 진행하며, 다양한 요인 조합의 효과를 분석함과 동시에 스케줄링 에이전트 파인 튜닝 작업을 위한 좋은 상태 구성을 추천한다. 모든 설명변수 조합의 효과를 수집하는 것은 어렵기에 메타모델을 적용하여 설명 변수들의 조합으로 구성된 모든 가능한 상태 조합을 효율적으로 탐색한다. 예측 정확도를 극대화한 메타모델 생성을 위해서 2 수준 부분요인배치법을 활용하여 선별된 특정 설명변수 조합의 반응을 수집한다. 추가로, 여러 스케줄링 상황에서 요인 조합의 영향을 평가하기 위해 민감도 분석을 진행한다. 프레임워크의 검증은 TFT-LCD 제조 공정 실제 데이터에서 심층강화학습 에이전트를 설계하기 위한 강건한 상태를 추천하는 작업을 통해서 이뤄진다. 이 연구는 향후 심층강화학습 기반 제조 스케줄링 연구에서 상태를 구성하는 요인들을 분석하는 방법론의 기초가 될 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

This study presents a search framework for analyzing the effects of variable combinations in state designs for Deep Reinforcement Learning (DRL)-based manufacturing scheduling. The approach is based on a holistic design of experiments and identifies good state design baselines for further fine-tuning tasks while concurrently analyzing various factor combination effects. The framework efficiently explores all possible state designs influenced by input variables using a metamodel. A 2-level fractional factorial design and regression model is used to collect specific variable combinations, maximizing prediction accuracy of responses for remaining factor combinations. Sensitivity analysis is employed to assess the impact of factor combinations across multiple scheduling scenarios. Validation using real-world data from a TFT-LCD manufacturing facility demonstrates the frameworks effectiveness, leading to a robust state design recommendation. Our research aims to serve as a basis for analyzing factors in future manufacturing scheduling research that focuses on DRL.

목차 (Table of Contents)

• 초록
• ABSTRACT
• 1. 서론
• 2. 사전 연구
• 3. 제안 기법
• 4. 실험 및 결과
• 5. 결론
• References