Wyniki wyszukiwania - Biblioteka Nauki

1

Selection of input and output variables for ann based modeling of cutting processes

100%

Viharos Z. J. , Monostori L. , Markos S.

|

1999

|

tom Vol. 72, nr 33

121-131

EN

Modeling of manufacturing operations is an important tool for production planning, optimization and control. Artificial neural networks (ANNs) can handle strong non-linearity, large number of parameters, missing information. Based on their inherent learning capabilities ANNs can adapt themselves to changes of the production environment and can be used also in the case if there is no exact knowledge about the relationships between various parameters of manufacturing. Typical field of ANN based operation modeling is cutting. The relationships of the physical phenomena incorporated into the cutting operation are very complex. In the application of these models several tasks can be determined: e.g. 1/ in the planning phase the surface roughness is predefined and the model is expected to select the cutting parameters and to predict the cutting force, while; 2/ during supervised production the cutting parameters are known and e.g. the cutting force is measured and the produced surface roughness is to be estimated. In the above assignments the operation parameters are the same but the operation model has other variables on the input and on the output sides. In this paper a method is presented to build a general operation model with the requested accuracy. This method incorporates: a/ determination of the number of output variables , b/ determination for every parameter to be input or output. The method is also useful in the case of strong nonlinear relationships. Experiments show the applicability of the approach.

PL

Modelowanie operacji wytwarzania jest ważnym instrumentem dla planowania produkcji, optymalizacji i sterowania. Sieci neuronowe dają sobie radę z silną nieliniowością, dużą liczbą parametrów i brakującymi informacjami. Dzięki właściwym im zdolnością uczenia się sieci neuronowe potrafią przystosować się do zmian w środowisku produkcyjnym i można jej stosować także wtedy, gdy brak jest dokładnej wiedzy o relacjach między różnymi parametrami wytwarzania. Typowa dziedzina zastosowania modelowania opartego na sieciach neuronowych to skrawanie. Relacje między zjawiskami fizycznymi składającymi się na operacje skrawania są bardzo złożone. W zastosowaniu takich modeli można wyróżnić kilka zadań: 1/ na etapie planowania definiuje się wstępnie chropowatość powierzchni, a model wybiera parametry skrawania i przewiduje siłę skrawania; 2/ w czasie nadzorowanej produkcji znane są parametry skrawania i, na przykład mierzona jest siła skrawania oraz szacowana jest uzyskiwana chropowatość powierzchni; W powyższych zadaniach parametry operacji są te same, ale model operacji ma inne zmienne na wejściu, a inne na wyjściu. W referacie przedstawiono metodę konstruowania ogólnego modelu operacji o żądanej dokładności. Metoda obejmuje: a/ wyznaczanie liczby zmiennych wyjściowych; b/ ustalanie w przypadku każdego parametru, czy ma być on wielkością wejściową czy wyjściową. Metoda ta jest także przydatna, gdy występują zależności silnie nieliniowe. Badania doświadczalne wykazują, że prezentowane podejście jest stosowalne.

2

Evolutionary algorithm for economic lot and delivery scheduling problem

100%

Khouja M. , Michalewicz Z. , Vijayaragavan P.

|

1998

|

tom Vol. 35, nr 1-4

113-123

EN

The economic lot and delivery scheduling problem (ELDSP) involves a supply chain consisting of a supplier and an assembly facility, where direct shipments are made from one to the other. The supplier produces multiple components on a single machine or a production line. The assembly facility uses these components at a constant rate. The supplier incurs a sequence-independent setup cost and setup time each time the production line is changed over from one component to another. On the other hand, setup costs and times for the assembly facility are negligible. There is also a fixed charge for each delivery. The problem is to find a 'just-in-time' schedule in which one production run of each component and a subsequent delivery of these components to the assembly facility occur in each cycle. The objective is to find the best sequence and cycle duration that minimizes the average cost per unit time of transportation, inventory at both the supplier and the assembly facility, and setup costs at the supplier. In this paper we investigate the usefulness of an evolutionary algorithm for solving this economic lot and delivery scheduling problem.

3

A Flexible and Adaptive Hyper-heuristic Approach for (Dynamic) Capacitated Vehicle Routing Problems

75%

Garrido P. , Castro C.

|

2012

|

tom Vol. 119, nr 1

29-60

EN

We present a self-adaptive hyper-heuristic capable of solving static and dynamic instances of the capacitated vehicle routing problem. The hyper-heuristic manages a generic sequence of constructive and perturbative low-level heuristics, which are gradually applied to construct or improve partial routes. We present some design considerations to allow the collaboration among heuristics, and to find the most promising sequence. The search process is carried out by applying a set of operators which constructs new sequences of heuristics, i.e., solving strategies. We have used a general and low-computational cost parameter control strategy, based on simple reinforcement learning ideas, to assign non-arbitrary reward/penalty values and guide the selection of operators. Our approach has been tested using some standard state-of-the-art benchmarks, which present different topologies and dynamic properties, and we have compared it with previous hyper-heuristics and several well-known methods proposed in the literature. The experimental results have shown that our approach is able to attain quite stable and good quality solutions after solving various problems, and to adapt to dynamic scenarios more naturally than other methods. Particularly, in the dynamic case we have obtained high-quality solutions when compared with other algorithms in the literature. Thus, we conclude that our self-adaptive hyper-heuristic is an interesting approach for solving vehicle routing problems as it has been able (1) to guide the search for appropriate operators, and (2) to adapt itself to particular states of the problem by choosing a suitable combination of heuristics.

4

Dobór wejść i wyjść sieci neuronowych modelujących procesy skrawania

63%

Viharos Z. J. , Monostori L. , Markos S.

|

1998

|

tom R. 3, z. 4

97-110

PL

Modelowanie operacji wytwarzania jest ważnym instrumentem dla planowania produkcji, optymalizacji i sterowania. Sieci neuronowe dają sobie radą z silną nieliniowością, dużą liczbą parametrów i brakującymi informacjami. Sieci neuronowe potrafią przystosować się do zmian w środowisku produkcyjnym, dzięki właściwym im zdolnościom uczenia się, więc można je stosować także wtedy, gdy brak jest dokładnej wiedzy o relacjach między różnymi parametrami wytwarzania. Typową dziedziną zastosowania modelowania opartego na sieciach neuronowych jest skrawanie. Relacje między zjawiskami fizycznymi, składającymi się na operację skrawania, są bardzo złożone. W zastosowaniu takich modeli można wyróżnić kilka zadań. Po pierwsze, na etapie planowania definiuje się wstępnie chropowatość powierzchni, a model wybiera parametry skrawania i przewiduje siły skrawania, a po drugie, w czasie nadzorowanej produkcji znane są parametry skrawania i, na przykład, mierzona jest siła skrawania oraz szacowana jest uzyskiwana chropowatość powierzchni. W powyższych zadaniach zbiory parametrów operacji są te same, ale modele sieciowe tych operacji mają różne parametry na wejściach jak i na wyjściach. W artykule przedstawiono metodę konstruowania ogólnego modelu operacji o żądanej dokładności. Metoda obejmuje wyznaczenie liczby zmiennych wyjściowych oraz ustalenie w przypadku każdego parametru, czy ma być on wielkością wejściową czy wyjściową.

EN

Modeling of manufacturing operations is an important tool for production planning, optimization and control. Artificial neural networks (ANNs) can handle strong non-linearity, large number of parameters, missing information. Based on their inherent learning capabilities ANNs can adapt themselves to changes of the production environment and can be used also in the case if there is no exact knowledge about the relationships between various parameters of manufacturing. Typical field of ANN based operation modeling is cutting. The relationships of the physical phenomena incorporated into the cutting operation are very complex. In the application of these models several tasks can be determined: e.g. - in the planning phase the surface roughness is predefined and the model is expected to select the cutting parameters and to predict the cutting force, while - during supervised production the cutting parameters are known and e.g. the cutting force is measured and the produced surface roughness is to be estimated. In the above assignments, the operation parameters are the same but the operation model has other variables on the input and on the output sides. In this paper a method is presented to build a general operation model with the requested accuracy. This method incorporates: - determination of the number of output variables - determination for every parameter to be input or output.