Artificial neural pseudo-network for production control purposes

• Autorzy: Fertsch Marek

Identyfikatory

DOI

10.17270/J.LOG.2020.382

Warianty tytułu

PL

Sztuczna pseudosieć neuronowa w sterowaniu produkcją

• Języki publikacji: EN

Abstrakty

EN

Background: Experience from the implementation of the industry 4.0 concept has proved that the key success factor is the use of techniques and methods of artificial intelligence. One of these techniques is artificial neural networks. The development of artificial neural networks has been taking placefor a long time and has led to a number of important applications of this technique in industrial practice. Along with the development of practical applications, a wide theoretical base has also been created regarding the concepts, tools and principles of using this technique. Methods: This paper contains an attempt to use the theoretical basis of artificial neural networks to build a specialized tool. This tool is called a pseudo-network. It is based not on the whole of the theory of artificial neural networks but only on the targeted elements selected for it. The selection criterion is the use of an artificial neural pseudo-network to control production. Results: The paper presents the assumptions of an artificial neural pseudo-network, the architecture of the developed solution and initial experience of using it. Conclusions: These initial results proved the assumptions made by an author. The architecture of the pseudo-network has been developed. Work to build a system demonstrator representing the artificial neural pseudo-network have been initiated and is still in progress.

PL

Wstęp: Doświadczenia z wdrażania koncepcji Industrie 4.0 wskazują, że kluczowym czynniku sukcesu jest stosowanie metod i technik z zakresu sztucznej inteligencji. Jedną z tych technik są sztuczne sieci neuronowe. Rozwój sztucznych sieci neuronowych trwa od długiego czasu i doprowadził do wielu istotnych zastosowań tej techniki w praktyce przemysłowej. Równolegle z rozwojem zastosowań praktycznych stworzona została baza teoretyczna koncepcji, narzędzi i zasad stosowania tej techniki. Metody: Artykuł ten zawiera próbę wykorzystania teoretycznej bazy sztucznych sieci neuronowych do stworzenia specjalnego narzędzia. Nosi ono nazwę sztucznej pseudo-sieci neuronowej. Opiera się ona nie na całości dorobku teorii sztucznych sieci neuronowych ale na celowo wybranych jego elementach. Kryterium doboru było zastosowanie sztucznej pseudo-sieci neuronowej do sterowania produkcji. Wyniki: Artykuł przedstawia założenia do opracowania sztucznej pseudo-sieci neuronowej, architekturę opracowanego rozwiązania i wstępne doświadczenia z prób jego zastosowania. Wnioski: Wstępne wyniki potwierdziły założenia przyjęte przez autora artykułu. Opracowana została architektura sztucznej pseudo-sieci neuronowej. Zapoczątkowane zostały pracy nad budową demonstratora sztucznej pseudo-sieci neuronowej. Prace trwają nadal.

Słowa kluczowe

EN

artificial intelligence; neural networks; production control; Industry 4.0

PL

sztuczna inteligencja; sieci neuronowe; kontrola produkcji; industry 4.0

• Wydawca: Wyższa Szkoła Logistyki
• Czasopismo: LogForum
• Rocznik: 2020
• Tom: Vol. 16, no. 1
• Strony: 7--13
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Fertsch Marek

• Poznan University of Technology, Faculty of Engineering Management, Poznań, Poland

Bibliografia

• 1. Bouzenad K., Ramdani M., 2017. Multivariate Statistical Process Control Using Enhanced Bottleneck Neural Network, Algorithms, 2017, 10(2), 49; http://doi.org/10.3390/a10020049
• 2. Bouffanais R., 2016. Design and Control of Swarm Dynamics, Springer Briefs in Complexity. Springer Singapore, 2016.
• 3. Burduk A., 2017. Artificial Neural Networks as Tools for Controlling Production Systems and EnsuringTheir Stability. 12th International Conference on Information Systems and Industrial Management (CISIM), Sep 2013, Krakow, Poland. 487-498, HAL Id: hal-01496094, https://hal.inria.fr/hal-01496094 Submitted on 27 Mar 2017.
• 4. Cheung J.Y., Scheduling, [in:] Dagli C.H. (ed.) Artificial Neural Networks for Intelligent Manufacturing, Chapman & Hall, London, 1994.
• 5. Foo S.Y, Takefuji T, 1988. Integer Linear Programming Neural Networks for Job-Shop Scheduling, IEEE International Conference on Neural Networks.
• 6. Guillot M., Azouzi R., Cote M., 1944. Process Monitoring and Control, [in:] Dagli C.H. (ed.) Artificial Neural Networks for Intelligent Manufacturing, Chapman & Hall, London, 1994.
• 7. Key J.W., 2016. Neural networks in process control: Neural network architecture, controls, February 26, 2016, Control Engineering, https://www.controleng.com/articles/neural-networks-in-process-control-neural-network-architecture-controls/
• 8. Lee J., Bagheri B., Kao H., 2015. A Cyber-Physical Systems architecture for Industry 4.0 based Manufacturing Systems., Manufacturing Letters, 3, 18-23.
• 9. Lee Y., Davari H., Singh J., Pandhare V., 2018. Industrial Artificial Intelligence for Industry 4.0-Based Manufacturing Systems, Manufacturing Letters, Volume 18, 20-23.
• 10. Lee H.C., Dagli C.H., 1997. A Parallel Genetic-neuro Scheduler for Job Shop Scheduling Problems, International Journal for Production Economics, 51 (1-2), 115–122.
• 11. Massaro A., Manfredonia I., Galiano A., Xhahysa B., 2019. Advanced Process Defect Monitoring Model and Prediction Improvement by Artificial Neural Network in Kitchen Manufacturing Industry: a Case of Study, 2019 II Workshop on Metrology for Industry 4.0 and IoT (MetroInd4.0&IoT), 12 August 2019, http://doi.org/10.1109/METROI4.2019.8792872
• 12. Rojek I., 2017. Technological process planning by the use of neural networks, AI EDAM, 31, 1. http://doi.org/10.1017/S0890060416000147
• 13. Singh P., Dwivedi P., Kant V., 2019. A hybrid method based on neural network and improved environmental adaptation method using Controlled Gaussian Mutation with real parameter for short-term load forecasting, Energy, Volume 174, 2019, 460-477. http://doi.org/10.1016/j.energy.2019.02.141
• 14. Sittisathanchai S., Dagli C.H., 1993. Genetic Neuro-Scheduler for Job Shop Scheduling, Computers and Industrial Engineering, 25,1993, 267-270.
• 15. Willis M.J, Montague G.A., Peel C., 1995. On the Application of Artificial Neural Networks to Process Control, [in:] Murray A.F. (ed.), Application of Neural Networks, Kluwer Akademic Publishers, Boston, Dordrecht, London, 1995.
• 16. Wong W.C., Chee E., Li J., Wang X., 2018. Recurrent Neural Network-Based Model Predictive Control for Continuous Pharmaceutical Manufacturing, Mathematics 2018, 6, 242, http://doi.org/10.3390/math6110242
• 17. Zhang J., Wang J., Qin W., 2016. Artificial Neural Networks in Production Scheduling and Yield Prediction of Semiconductor Wafer Fabrication System, [in:] Garcia Rosa J., L., [ed.]. Artificial Neural Networks. Models and Applications, Intech Open, Published: October 2016, http://doi.org/10.5772/61493

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).