多模态数据融合与深度强化学习在智能制造系统中用于动态资源调度，以应对多变的市场需求

《Scientific Reports》：Multi-modal data fusion and deep reinforcement learning for dynamic resource scheduling in intelligent manufacturing systems under variable market demand

　　

摘要

随着智能制造系统日益追求大规模定制和快速的市场响应能力，高效的资源分配已成为生产竞争力的关键决定因素。这类系统中的动态资源调度面临着由高度多变的市场需求和复杂的生产条件所带来的诸多挑战。本研究采用了一种多模态数据融合方法，并结合深度学习技术来解决具有可变需求场景下的动态资源调度问题。该方法通过中间融合手段整合了传感器数据、生产数据和市场数据；利用带有注意力机制的LSTM模型来预测需求，并采用双深度Q网络（DDQN）来控制资源调度决策。仿真结果显示，在正常情况下，该系统的资源利用率达到了82.6%，准时交付率达到了89.1%；然而，在高峰时段其性能表现不佳，导致总交付量中有12.8%出现严重延迟。与单一数据源的方法相比，多模态融合方法在预测准确性上提升了9.6%，但在跨行业泛化能力（效率保留率为67.9%）和计算效率（大规模场景下处理时间需18–35分钟）方面存在局限性。这些发现为人工智能驱动的调度系统在制造业环境中的实际应用提供了宝贵的参考。