Quantum‑DRL mit LSTM und OU‑Noise reduziert Textil‑Schneidplanungsfehler

Die Planung der Schneidreihenfolge (Cut Order Planning, COP) ist ein entscheidender Faktor in der Textilproduktion. Sie beeinflusst die Ausnutzung des Stoffes und die Produktionskosten direkt. Traditionelle Verfahren, die auf statischen Heuristiken und katalogbasierten Schätzungen beruhen, haben Schwierigkeiten, sich an die dynamischen Anforderungen moderner Fertigungsumgebungen anzupassen, was zu suboptimalen Lösungen und erhöhtem Abfall führt.

Um diesem Problem entgegenzuwirken, wurde ein neuartiges, quantum‑inspiriertes Deep‑Reinforcement‑Learning‑Framework entwickelt. Es kombiniert Long‑Short‑Term‑Memory‑Netze (LSTM) mit Ornstein‑Uhlenbeck‑Rauschen. Der Ansatz adressiert gezielt drei zentrale Forschungsfragen: die Vorteile quanten‑inspirierten, probabilistischen Darstellungen, die Rolle von LSTM‑basiertem Gedächtnis bei der Erfassung sequentieller Abhängigkeiten und die Effektivität von OU‑Noise für eine sanfte Exploration und schnellere Konvergenz.

Nach 1.000 Trainingsepisoden erzielte das Modell einen durchschnittlichen Reward von 0,81 ± 0,03 und reduzierte den Vorhersagefehler auf 0,15 ± 0,02. Im Vergleich zu herkömmlichen Methoden konnten bis zu 13 % an Stoffkosten eingespart werden. Die statistische Analyse zeigte zudem eine geringe Streuung und ein stabiles Konvergenzverhalten.

Obwohl die Simulationsumgebung vereinfachende Annahmen enthält, verdeutlichen die Ergebnisse das enorme Potenzial dieses skalierbaren und adaptiven Frameworks, die Effizienz der Fertigung zu steigern und neue Innovationen in der COP‑Optimierung voranzutreiben.