Architecture of supervisory systems for subtractive manufacturing processes in Industry 4.0 based manufacturing

• Autorzy: Leżański P.

Warianty tytułu

PL

Architektura systemów nadzorowania procesów obróbki ubytkowej w wytwarzaniu według koncepcji Industry 4.0

• Języki publikacji: EN

Abstrakty

EN

General design rules and algorithms for supervisory systems of subtractive manufacturing processes in INDUSTRY 4.0- based manufacturing are presented in the paper. They are formulated based on the analysis of the communication standards for manufacturing integration, the idea of cyber-physical systems, and the architecture of supervisory systems operating locally. It is assumed that the monitoring and signal conditioning functions can be performed locally by a given production site, whereas the measurement signals processing aiming at signal features extraction, features selection and integration as well as a diagnostic decision making can be performed in the cyber space of the whole production system. Therefore, in accordance with the CPS idea, they will be available for its each element. In consequence, the separation of monitoring and signal conditioning functions from signal processing and decision-making functions creates the possibility to base the development of the proposed systems for collaborative supervision of subtractive manufacturing processes on the methodology of shell artificial intelligence systems development.

PL

W artykule zaproponowano zasady budowy i algorytmy działania szkieletowych systemów nadzorowania dyskretnych procesów obróbkowych opartych na idei systemów cybernetyczno-fizycznych będących elementem koncepcji wytwarzania INDUSTRY 4.0. Założono, że funkcje monitorowania i wstępnego przetworzenia sygnałów pomiarowych mogą być realizowane lokalnie przez dane stanowisko pracy, natomiast funkcje związane z przetwarzaniem sygnałów mającym na celu wyznaczenie symptomów stanu obiektu nadzorowanego, selekcję i integrację tych symptomów oraz podejmowanie decyzji mogą być realizowane w przestrzeni cybernetycznej całego systemu produkcyjnego i w związku z tym, zgodnie z ideą CPS, będą dostępne dla każdego jego elementu. Rozdzielenie funkcji monitorowania od funkcji przetwarzania sygnałów pomiarowych i podejmowania decyzji powoduje, że budowa proponowanego systemu może być oparta na metodyce budowy szkieletowych systemów sztucznej inteligencji oferujących uniwersalny, w ramach określonej metody, wielowariantowy mechanizm przetwarzania i integracji danych, który jest zdolny do modelowania stanu obiektu w oparciu o dostarczone dane bieżące. Tak skonstruowany system, po dostarczeniu odpowiednio sformalizowanej wiedzy dziedzinowej i danych, będzie mógł obsługiwać różne rodzaje produkcji.

Słowa kluczowe

EN

subtractive processes; supervision; Industry 4.0; cyber-physical systems; artificial intelligence shell systems

PL

obróbka ubytkowa; nadzorowanie; Industry 4.0; systemy cybernetyczno-fizyczne; szkieletowe systemy sztucznej inteligencji

• Wydawca: Wydawnictwo Naukowe Instytutu Technologii Eksploatacji - Państwowego Instytutu Badawczego
• Czasopismo: Journal of Machine Construction and Maintenance - Problemy Eksploatacji
• Rocznik: 2017
• Tom: no. 1
• Strony: 59--64
• Opis fizyczny: Bibliogr. 23 poz., rys.

Twórcy

autor

Leżański P.

• Lodz University of Technology, Institute of Machine Tools and Production Engineering, Lodz, Poland

Bibliografia

• 1. Achichea S., Balazinski M., Baron L., Jemielniak, K.: Tool Wear Monitoring Using Geneticallygenerated, Fuzzy Knowledge Bases. Engineering Applications of Artificial Intelligence, 2002, 15, 303-314.
• 2. Brinksmeier E., Aurich J.C., Govekar E.,Heinzel C., Hoffmeister H.-W., Klocke F., Peters J., Rentsch R., Stephenson D.J., Uhlmann E., Weinert K., Wittmann M.: Advances in Modelling and Simulation of Grinding Processes. CIRP Annals - Manufacturing Technology, Vol.55/2/2006, 667-696.
• 3. Collaborative Manufacturing Explained. (2004). A MESA International White Paper, 1/2004.
• 4. Dornfeld D.A., Blomquist B., Vijayaraghavan A., Conley M., Huet L., Sobel W.: Addressing Process Planning and Verification Issues with MTConnect. Transactions of MAMRI/SME, 2009, Vol. 37, 557-564.
• 5. Gao R., Wang L., Teti R., Dornfeld D.,Kumara S., Mori M., Helu M.: Cloud-enabled prognosis for manufacturing. CIRP Annals - Manufacturing Technology 64 (2015), 749-772.
• 6. Hermann M., Pentek T., Otto B.: Design Principles for Industrie 4.0 Scenarios: A Literature Review. Technische Universitat Dortmund, Working Paper No. 01/2015.
• 7. Hohwieler E., Pruschek P.: Technology “Trend Report” - State-of-the-art: Reliability, Process Monitoring and Control. MANTYS - Thematic Network on Manufacturing Technologies, http://www.mantys.org, 28.05.2003.
• 8. Hou T.,H., Liu W.L., Lin L.: Intelligent remote monitoring and diagnosis of manufacturing processes using an integrated approach of neural networks and rough sets. Journal of Intelligent Manufacturing, 2003/14, 239-253.
• 9. Huang C.C., Fan Y.N., Tseng T.L., Lee C.H., Chuang H.,F.: A Hybrid Mining Approach to Quality Assurance of Manufacturing Process. IEEE Inter. Conf. on Fuzzy Systems (FUZZ 2008), 2008, 818-825.
• 10. Huang C.L., Li T.S., Peng T.K.: A hybrid approach of rough set theory and genetic algorithm for fault diagnosis. Int. J. of Advanced Manufacturing Technology, 2005, 27, 119-127.
• 11. Inasaki, I.: Intelligent Monitoring and Supervision in Grinding. Proceedings of the 4th Int. Conf. on Monitoring and Automatic Supervision in Manufacturing AC’95, Warszawa 1995, 257-268.
• 12. Jardine A.K.S., Lin D., Banjevic D.: A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 2006, 20/7, 1483-1510.
• 13. Klaus R., Stróżyk T.: Problemy integracji systemów sterowania IT zarządzania produkcją. Mat. XV Konferencji Innowacje w Zarządzaniu i Inżynierii Produkcji, Zakopane 2012, 799-810.
• 14. Lee J., Bagheri B., Kao H-A.: A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 2015, 3, 18-23.
• 15. Leżański P.: An Intelligent System for Grinding Wheel Condition Monitoring. Journal of Materials Processing Technology, 2001, 109, 258-263.
• 16. Leżański P.: Automatyczne nadzorowanie procesu szlifowania wgłębnego kłowego. Politechnika Łódzka, Scientific Bulletin of the Lodz University of Technology, Monographs, 2012, 1120/427, 163 pages.
• 17. Leżański P., Piłacińska M.: The dominancie based rough set approach to cylindrical plunge grinding process diagnosis. Journal of Intelligent Manufacturing, 2016, DOI 10.1007/s10845-016-1230-1, 16 pages.
• 18. Morgan J., O’Donnell G.E.: The Cyber Physical Implementation of Cloud Manufactuirng Monitoring Systems. Procedia CIRP 33 ( 2015 ) 29-34.
• 19. Proctor F., Michaloski J., Lee B.E.: Factory Connectivity Standards Landscape http : / / ftp.nist.gov:21/pub/mel/michalos/Publications/2014/StandardLandscape/FactoryConnectivityStdsLandscape.docx,02.09.2015.
• 20. Saenz De Ugarte B., Artiba A., Pellerin R.: Manufacturing execution system - a literature review. Production Planning & Control, 2009, 20/6, 525-539.
• 21. Teti R., Jemielniak K., O’Donnell G., Dornfeld D.: Advanced monitoring of machining operations. CIRP Annals – Manufacturing Technology, Vol. 59/2/2010, 717-739.
• 22. Tönshoff H.K., Friemuth T., Becker J.C.: Process Monitoring in Grinding. CIRP Annals - Manufacturing Technology, Vol. 51/2/2002, 551-571.
• 23. Wang L., Gao R. X. (Ed): Condition Monitoring and Control for Intelligent Manufacturing, Springer Verlag London, Springer Series in Advanced Manufacturing, 2006.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).