Control de máquinas mediante el aprendizaje bayesiano por refuerzo

MOON abordará la aplicación de soluciones de Aprendizaje por Refuerzo para proporcionar adaptabilidad de herramientas y la optimización del control de dos máquinas diferentes: máquinas de costillas y máquinas de superficie. Para ello, MOON no solo se centrará en la optimización de variables de proceso, sino también en procesos de nivel superior involucrados en la productividad de estas máquinas. Estos procesos de nivel superior son la generación de estrategias de trayectorias para el caso de uso de la máquina de costillas, y el tiempo de postprocesamiento en el caso del mecanizado de superficies. La relación simbiótica entre estos dos niveles de evaluación de problemas proporcionará una definición dinámica de umbrales de herramientas para la solución global distribuida con su consiguiente robustez y una reducción significativa del tiempo típicamente invertido en calibración, control de calidad u optimización de estrategias. Esto derivará en una mejora sustancial en términos de productividad del proceso.

Para abordar problemas de información parcial en la aplicación de Aprendizaje por Refuerzo en el contexto propuesto, se seguirá un enfoque Bayesiano para la evaluación del estado del sistema en un marco de Aprendizaje por Refuerzo Bayesiano. Este enfoque permitirá la evaluación de la robustez y adaptabilidad del sistema bajo condiciones cambiantes, proporcionando un método para la cuantificación de la flexibilidad del sistema.

Para desplegar dicho Aprendizaje por Refuerzo de manera eficiente, considerando relaciones de muestreo en el rango de milisegundos, MOON desarrollará métodos de reducción de dimensionalidad basados en autoencoders. Esto se hará para comprimir las señales involucradas en el control del proceso en un solo estado dinámico dentro de un espacio latente reducido.

MOON también abordará la generación de datos sintéticos utilizando enfoques Generativos con el fin de mejorar la escalabilidad de la solución.