Надійний штучний інтелект в ситуаційному управлінні керованими робототехнічними платформами промислових підприємств.
DOI:
https://doi.org/10.34121/1028-9763-2024-1-34–54Ключові слова:
guided robotic platform, situational control, reliable artificial intelligence, artificial neural network, forecasting, rechargeable battery, керована робототехнічна платформа, ситуаційне управління, надійний штучний інтелект, штучна нейронна мережа, прогнозування, акумуляторна батареяАнотація
З розвитком індустрії 4.0 керовані робототехнічні платформи (КРП) стали її невід’ємною частиною. Значну кількість даних, отриманих із сенсорів, можна використовувати для інтелектуального управління. Важливою задачею є аналіз та відбір лише інформативних та усунення надлишкових даних для їх подальшого застосування. У публікації проведено аналіз та порівняння різних видів управління промисловими підприємствами, які використовують КРП. Проведено порівняльний аналіз процедур оптимізації вибору рішень у загальному вигляді та в ситуаційному управлінні. Доведено, що використання традиційного управління промисловим підприємством, яке використовує КРП, виявилося неефективним. Показано переваги і недоліки традиційного та ситуаційного управлінь промисловими підприємствами. Враховуючи недоліки кожного з них, авторами розроблено покращений метод ситуаційного управління, який використовує надійний штучний інтелект (НШІ). Для цього описано етапи процедури оптимізації вибору рішень модифікованого загального вигляду з використанням НШІ. Здійснено математичний опис процесу оцінки альтернатив, який може бути адаптований для використання моделей штучного інтелекту та їх навчання. Розроблено модель процедури оптимізації вибору рішень на основі ситуаційного управління з урахуванням заряду акумуляторної батареї КРП. Цю модель протестовано на мапі маршруту, побудованого на промисловому підприємстві для КРП Formica 1 виробництва фірми AIUT, Глівіце, Польща. Описано фрейм структури збору даних КРП Formica 1. Для зібраних даних сенсорів застосовано інтелектуальний аналіз даних. Прогностична модель побудована на основі штучної нейронної мережі із поглибленим навчанням і враховує залишковий заряд акумуляторної батареї, масу, яку перевозить КРП, а також наявність перешкод на його шляху. Середня абсолютна похибка у відсотках для короткострокового прогнозу розрядження акумулятора КРП зменшилася до 8%. Це підтверджує високу ефективність розробленого методу ситуаційного управління.Посилання
1. Zhan C., Jianning G., Yuanyuan L. Research on AGVS Dynamic Path Planning Method Based on UGNL. Proc. of the 2020 2nd International Conference on Robotics, Intelligent Control and Artificial Intelligence. New York, 2020. P. 1–6. DOI: 10.1145/3438872.3438873.
2. Martin X.A., Hatami S., Calvet L., Peyman M., Jugan A. Dynamic Reactive Assignment of Tasks in Real-Time Automated Guided Vehicle Environments with Potential Interruptions. Applied Sciences. 2023. Vol. 13 (6). Р. 3708. DOI: 10.3390/app13063708.
3. Lee M.S., Jang Y.J. The AGV Battery Swapping Policy Based on Reinforcement Learning. 2022 IEEE 18th International Conference on Automation Science and Engineering (CASE). China, 2022. P. 1479–1484. DOI: 10.1109/CASE49997.2022.9926504.
4. Research of AGV Route Planning Algorithms. 3rd International Academic Exchange Conference on Science and Technology Innovation (IAECST). Guangzhou, 2021. Р. 312–316. DOI: 10.1109/IAECST54258.2021.9696355.
5. Ramos-Soto A., Dacal N., Alcrudo M., Mosquera G., Areal J. Analysis of Automated Guided Vehicles Performance Based on Process Mining Techniques. Journal Data Technologies and Applications. 2023. DOI: 10.1108/DTA-02-2023-0054.
6. Rey R., Corzetto M., Cobano J., Merino L., Caballero F. Human-Robot Co-working System for Warehouse Automation. 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA). Spain, 2019. Р. 578–585. DOI: 10.1109/ETFA.2019.8869178.
7. Sikora L., Tkachuk R., Lysa N., Dronyuk I., Fedevych O. Information and Logic Cognitive Technologies of Decision-making in Risk Conditions. IntelITSIS. Khmelnytskyi, 2020. Р. 340–356.
8. Grznar P., Gregor M., Gaso M., Gabajova G., Schickerrle M., Burganova N. Dynamic Simulation Tool for Planning and Optimization of Supply Process. International Journal of Simulation Modelling. 2021. Vol. 20 (3). P. 441–452. DOI: 10.2507/IJSIMM20-3-552.
9. Tamási T., Kis T. Decentralized and Prioritized Algorithm for AGV Fleet Management. IFACPapersOnLine. 2021. Vol. 54 (1). P. 98–103. DOI: 10.1016/j.ifacol.2021.08.155.
10. Guo Y., Zhang W., Qin Q., Chen K., Wei Y. Intelligent Manufacturing Management System Based on Data Mining in Artificial Intelligence Energy-Saving Resources. Soft Computing. 2023. Vol. 27 (7). P. 4061–4076. DOI: 10.1007/s00500-021-06593-5.
11. Wang Z., Sheng C., Zhiyong W., Lei Z. Design of AGV Human-Machine Interactive Control System. Journal of Physics. Conference Series. 2020. Vol. 1678 (1). Р. 012009. DOI: 10.1088/1742-6596/1678/1/012009.
12. Гречанінов В.Ф. Теорія ситуаційного управління та практика реалізації на прикладі базового моделюючого комплексу сектора безпеки і оборони. Математичні машини і системи. 2021. № 4. С. 15–34.
13. Pavliuk O., Steclik T., Biernacki P. The forecast of the AGV battery discharging via the machine learning methods. 2022 IEEE International Conference on Big Data (Big Data). Osaka, Japan, 2022. Р. 6315–6324. DOI: 10.1109/BigData55660.2022.10020968.
14. Pavliuk O., Cupek R., Steclik T., Medykovskyy M., Drewniak M. A Novel Methodology Based on a Deep Neural Network and Data Mining for Predicting the Segmental Voltage Drop in Automated Guided Vehicle Battery Cells. Electronics. 2023. Vol. 12, N 22. P. 4636. DOI: https://doi.org/10.3390/electronics12224636.
222
59Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Математичні машини і системи
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
