CONTROLLO DI UNA LINEA DI PRODUZIONE ENERGY-AWARE IN SIMULINK MEDIANTE DEEP REINFORCEMENT LEARNING

Le moderne linee di produzione industriale devono affrontare il problema di garantire elevati livelli di produttività mantenendo sotto controllo i consumi energetici e la qualità del movimento dei sistemi automatizzati, dunque diviene sempre più importante lo sviluppo di strategie di controllo capaci di adattarsi alle condizioni operative e di considerare simultaneamente obiettivi differenti. In tale contesto, le tecniche di Deep Reinforcement Learning (DRL) offrono la possibilità di apprendere automaticamente tali strategie attraverso l'interazione con il sistema e l'ottimizzazione di una funzione di ricompensa. Il presente lavoro di tesi analizza l'applicazione di un approccio DRL al controllo di una cella di produzione industriale, sviluppata mediante MATLAB e Simulink, costituita da un nastro trasportatore e da un attuatore robotico. Lo scopo è dunque valutare l'efficacia di questa metodologia per affrontare problemi di controllo multi-obiettivo in ambito industriale, verificando la possibilità di ottenere un compromesso tra efficienza energetica e prestazioni produttive.