Intelligent on-line control of transportation operation in FMS based on genetic-fuzzy approach.

• Autorzy: Jardzioch A.

Warianty tytułu

PL

Sterowanie on-line operacjami transportowymi w ESW bazujące na metodzie genetic-fuzzy.

• Języki publikacji: EN

Abstrakty

EN

In this paper an application of the genetic-fuzzy approach to the on-line control of transportation operation in flexible manufacturing systems is proposed. On-line control of transportation operation is understood here as the way of control in which a detailed algorithm of transportation operation is designed dynamically during the implementation of the production process on the basis of the concrete tasks and current state of the system. The transportation scheduling system of flexible manufacturing systems, which had been modeled using eM-Plant software was used for simulation and testing of genetic-fuzzy control algorithms. Genetic-fuzzy approach represents a comprehensive treatise on the design of the fuzzy systems using genetic algorithms. They hybridize the approximate reasoning method of fuzzy systems with the learning capabilities of genetic algorithms. Problems connected with the intelligent control of transportation operation will be illustrated with the help of a flexible manufacturing system that was designed and assembled in the Institute of Manufacturing Engineering of Szczecin University of Technology. The simulation investigations allowed to assess the possibility of automatic adjustment of the control rule base to changing work conditions of a model manufacturing system.

PL

Praca przedstawia zastosowanie wnioskowania opartego na zbiorach rozmytych do sterowania on-line operacjami transportowymi w zrobotyzowanym systemie obróbkowym. Dla automatycznego generowania reguł lingwistycznych użyto zmodyfikowany algorytm genetyczny. Integracja sterowania rozmytego oraz algorytmu genetycznego pozwoliła na uzyskanie efektu automatycznego korygowania bazy wiedzy jako reakcji na zmianę zestawu zleceń lub aktualnego stanu systemu produkcyjnego. Przykładem zastosowania opracowanego algorytmu jest miniaturowy zrobotyzowany system obróbkowy, zbudowany w Zakładzie Zautomatyzowanych Systemów Wytwarzania Politechniki Szczecińskiej. Algorytm sterowania zamodelowano z wykorzystaniem programu eM-Plant. Przeprowadzone badania symulacyjne pozwoliły na ocenę możliwości automatycznego dopasowania bazy reguł sterujących do zmieniających się warunków pracy rozważanego systemu obróbkowego.

Słowa kluczowe

EN

on-line control; genetic-fuzzy aproach; FMS; transportation operation

PL

sterowanie on-line; metoda genetic-fuzzy; ESW; operacja transportowa

• Wydawca: Komitet Budowy Maszyn PAN ; De Gruyter
• Czasopismo: Advances in Manufacturing Science and Technology
• Rocznik: 2006
• Tom: Vol. 30, nr 4
• Strony: 19--32
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Jardzioch A.

• Szczecin University of Technology, Faculty of Mechanical Engineering, Institute of Manufacturing Engineering, Al. Piastów 19, 70-310 Szczecin,

Bibliografia

• [1] A. JARDZIOCH: Genetic-fuzzy approach for scheduling of transportation operation in FMS. Proc. 12th IEEE Inter. Conf. on Methods and Models in Automation and Robotics (MMAR2006). Międzyzdroje 2006, 1133-1138.
• [2] C. SHUKLA, F. F. CHEN: The state-of-the-art in intelligent real-time FMS control: a comprehensive survey, J. of Intelligent Manufacturing, 7(1996), 441-455.
• [3] P.-F. PAI, P.-T. CHANG, S.-S. WANG, K.-P. LIN: A fuzzy logic-based approach in capacity-planning problems. J. of Advanced Manufacturing Technology, 23(2004), 806-811.
• [4] YAO J-S, CHANG S-C, SU J-S: Fuzzy inventory without backorder for fuzzy order quantity and fuzzy total demand quantity. Comput. Oper. Res, 27(2000), 935-962.
• [5] H-M. LEE, J-S. YAO: Economic production quantity for fuzzy demand quantity and fuzzy production quantity. J. Oper. Res, 109(1998), 203-211.
• [6] YY. LEE, BA. KRAMER, CL. HWANG: Part-period balancing with uncertainty: a fuzzy sets theory approach. J. Oper. Prod. Manage, (1990), 1771-1778.
• [7] P.P. ANGELOV: Evolving Rule-Based Models. Tool for Decision of Flexible Adaptive Systems, Physica-Verlag, Wurzburg 2002.
• [8] B.-C. CHEN ., J.Y. LIN , T.-P. HONG: Learning discriminate functions with fuzzy attributes for classification using genetic programming. Expert Systems Appl. 23(2002)1, 31-37.
• [9] O. CORDON, F. GOMIDE, F. HERRERA, F. HOFFMANN: Ten years of genetic fuzzy systems: current framework and new trends. Fuzzy Sets and Systems, 141(2004), 5-31.
• [10] M. GEN, R. CHENG: Genetic Algorithms and Engineering Optimization. Wiley-IEEE, 2000.
• [11] W. R. HWANG, W.E. THOMPSON: Design of fuzzy logic controllers using genetic algorithms, in: Proc. 3rd IEEE Inter. Conf. on Fuzzy Systems (FUZZ- IEEE'94), Orlando 1994, 1383-1388.
• [12] D. E. GOLDBERG: Genetic Algorithms in Search. Optimization, and Machine Learning, Addison-Wesley, 1989.
• [13] M. PAWLAK: Algorytmy ewolucyjne jako narzędzie harmonogramowania produkcji, PWN, Warszawa 1999.