Bu belge, yapay zekayı farklı paradigmalarıyla, en ilgili olanı sinir ağları, genetik algoritmalar, bulanık mantık sistemleri ve programlanabilir otomatlar, günlük yaşamdaki farklı uygulamalarıyla ve daha özel olarak endüstri mühendisliği ile ilgili sorunlara çözümler.
Günümüzde üretimin, yapay zeka gibi yeni teknolojilerle ya daha etkili karar verme desteği olarak ya da büyük bir zaman gerektiren ya da temsil eden görevler, görevler yardımı olarak büyük ölçüde desteklenebileceği düşünülmektedir. insanlar için yüksek derecede tehlike.
Anahtar Kelimeler: Yapay zeka, sinir ağları, genetik algoritmalar, bulanık mantık sistemleri, üretim.
uygulamalar-of-yapay-zeka-in-üretim-problemlerGİRİŞ
Yapay zeka, nesneleri kontrol etmek için algoritmaların geliştirildiği bir araştırma alanıdır ve bu, 1956'da temellerin bağımsız bir bilgi işlem alanı olarak işlev görmesi için nasıl kurulduğudur.
Bu bilimin gelişmesiyle elde edilen birçok çalışma ve uygulama vardır; bunların arasında, ağın belirli bir ürünün istenen özellikleri karşılayıp karşılamadığını değerlendirdiği, kalite kontrolüne uygulanan sinir ağları, kimyasal sürecin kontrolünde Asitlik derecesi, tesis tahsisinin ikinci dereceden problemine uygulanan genetik algoritmalar, M makinelerinde N işin tahsisi ile ilgilenen genetik algoritmalar, üretim sistemlerinin optimizasyonu için kullanılan programlanabilir otomatlar, kısacası, keşfedilecek çok şey var. bu bilimin uygulamalarına.
YAPAY ZEKA TARİHİ
Yapay zekanın kökenleri, McCulloch & Pitts tarafından verilen biçimsel nöronun tanımıyla, çeşitli giriş ve çıkışlara sahip ikili bir cihaz olarak tespit edilebilir.
Daha 1956'da, yapay zeka (AI) konusuna, Dartmouth konferansının Hanover'de (ABD) yapıldığı John McCarthy tarafından Massachusetts Teknoloji Enstitüsü'nde değinildi. Bu yarışmada McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude E. Shannon, bilgisayar içinde bağımsız bir alan olarak yapay zekanın temellerini oluşturdu. Alan M. Turing daha önce 1950 yılında Mind dergisinde yapay zeka kavramı üzerine düşündüğü ve daha sonra bilinecek olanı belirlediği "Hesaplama Makineleri ve Zeka" başlıklı bir makale yayınlamıştı. Turing testi gibi, bir bilgisayarın yapay olarak akıllı olarak anlaşılana göre davranıp davranmadığını belirlemeye izin veren bir test.
Altmışlı yıllarda yapay zeka, o zaman için çok fazla yatırım gerektirdiğinden ve teknolojilerin çoğu büyük araştırma merkezlerine özgü olduğu için pek başarılı olamadı. 70-80 yıllarında, PROLOG LISP'in piyasaya sürülmesiyle Expert Systems adlı şubelerinden birinde bazı önemli ilerlemeler kaydedildi. Temelde yapay zekanın amaçladığı şey, bir insan tarafından üretilen bir dizi talimatı süresiz olarak tekrarlayan programlanmış sıralı bir makine yaratmaktır.
Şu anda, büyük eğitim ve özel teknoloji laboratuvarlarında hala çok fazla araştırma yürütülmektedir; bilgisayarlı görme sistemlerindeki kayda değer ilerlemeleri ihmal etmeden (örneğin, karıştırılmış öğelerin sınıflandırılması için uygulanır - renk kodlarıyla işaretlenmiş vidalar veya parçalar, bir durum belirtmek için), otonom robotik kontrol (Sony, robotları ile) neredeyse insani bir şekilde hareket edebilen ve tıpkı bir insanın yürürken yaptığı gibi basınca tepki verebilen), bulanık mantık uygulamaları (video kasetlerimizde otomatik izleme uygulaması, bir uygulama adı vermek için) vb. Bununla birlikte, Yapay Zeka hala büyük ölçüde teknolojik hakimiyetiyle sınırlıdır ve son tüketici pazarına veya sektöre çok az şey ulaşabilmiştir.
YAPAY ZEKA TANIMLARI
Yapay zekanın mevcut tanımlarıyla ilgili olarak, genellikle AI'yı makinelerin şu anda insanlar tarafından gerçekleştirilen görevleri yerine getirme yeteneği olarak tanımlayan Rich & Knight, Stuart gibi yazarlar var; Nebendah, Delgado gibi diğer yazarlar daha eksiksiz tanımlar sağlar ve bunları deneyime ve çevreye ilişkin sürekli bilgiye dayalı hesaplama süreçlerine dayalı akıllı davranışın açıklamasına ve öykünmesine odaklanan bir çalışma alanı olarak tanımlar.
Marr, Mompin, Rolston gibi, tanımlarında çok karmaşık sorunlara çözüm terimlerini içeren daha çok yazar var.
Yazarların görüşüne göre, Delgado ve Nebendan'ın tanımları çok eksiksizdir, ancak oluşturulan yargının desteği olmadan, insanın duygusallığı bu tür çözümlere ağırlık verebilir, bu nedenle çözümlerin daha etkili olması için her iki taraf arasında sinerjik bir ortamın sağlanması gerekir..
YAPAY ZEKA SİSTEMLERİNDEKİ TRENDLER
Şu anda, Delgado, Stuart'a göre, yapay zekanın gelişimiyle ilgili üç paradigma var.
- Sinir Ağları, Genetik algoritmalar, Bulanık Mantık Sistemleri.
Ancak, akıllı karar aracıları ve programlanabilir otomatlar gibi diğer paradigmalar da vurgulanmaktadır; ikincisi ile ilgili olarak, genellikle endüstriyel süreçlerde büyük ölçüde, azaltılmış alan, periyodik olarak değişen üretim süreçleri gibi karşılanması gereken ihtiyaçlara göre kullanılırlar. sıralı süreçler, değişken işlem makineleri vb.
Yazarların görüşüne göre, tüm bu gelişmelerin karar verme sürecini önemli ölçüde kısalttığı ve optimize ettiği belirlenmiştir ancak burada farklı çevresel, sosyal, politik ve ekonomik etkileri analiz etmeniz gerektiğinden çok dikkatli olmalısınız.
Nöral ağlar
Genel olarak, insan beyninin, belirli işlevleri yerine getiren devreler veya ağlar oluşturan, birbirine bağlı on milyarlarca nörondan oluştuğu hatırlanacaktır.
Tipik bir nöron, dendrit adı verilen sayısız hassas yapı vasıtasıyla diğer nöronlardan sinyaller alır. Nöron, akson adı verilen ve binlerce dala ayrılan ince, ince bir tabaka boyunca elektriksel aktivite darbeleri yayar.
Bu dalların uçları diğer nöronların dendritlerine ulaşır ve sinaps adı verilen bir bağlantı kurar, bu bağlantı, nöronu uyaran veya inhibe eden nörotransmiterler denilen maddeleri serbest bırakarak elektriksel uyarıyı nörokimyasal bir mesaja dönüştürür, bu şekilde bilgi iletilir. nöronlar diğerlerine ve sinaptik bağlantılarla işlenir ve öğrenme sinapsın etkinliğine göre değişir.
Şekil 1. Nöronlar ve sinaptik bağlantılar.
Kaynak: Sandra Patricia Daza, Nueva Granada Askeri Üniversitesi, 2003.
Bir psikolog D Hebb, sinir ağları alanını kesin olarak etkileyen iki temel fikri ortaya koydu. Psikofizyolojik araştırmaya dayanan Hebb hipotezi, nöronların bilgiyi ezberleme şeklini sezgisel olarak sunar ve sentetik olarak ünlü Hebb öğrenme kuralına (ürün kuralı olarak da bilinir) çevrilir. Bu kural, her ikisinin de etkinleştirilmesi durumunda iki nöron arasındaki bağlantıların güçlendiğini gösterir. Mevcut algoritmaların çoğu bu psikoloğun konseptlerinden gelmektedir.
Widrow, nöral adaptasyon üzerine bir teori ve bu teoriden ilham alan modeller, Adaline (Adaptive Linear Neuron) ve Madaline (Multiple Adaline) yayınlar. Bu modeller çok sayıda uygulamada kullanıldı ve büyük bir gerçek dünya probleminde ilk kez bir sinir ağının kullanılmasına izin verdi: telefon hatlarındaki yankıları ortadan kaldıran uyarlanabilir filtreler.
Hopfield, Grossberg tarafından geliştirilen kararlılık ilkelerini uygulayarak, enerji minimumlarına ulaşan birbirine bağlı işlem birimlerinden oluşan bir ağ modeli geliştiriyor. Model, bellek depolama ve geri alma mekanizmaları hakkında çok açıklayıcıydı. Sunum hevesi ve netliği, alana yeni bir ivme kazandırdı ve araştırmaların artmasına neden oldu.
Bu on yılın diğer önemli gelişmeleri Boltzmann makinesi ve Bam (Bi-directinal Associative Memory) modelleridir.
Biyolojik ve yapay sinir ağı analojisi
Herrera Fernandez'e göre
Nöronlar, diğer birimlerden alınan toplam girdiyi, nöronun ateşleme hızı olarak işlev gören bir çıktı değerine dönüştüren bir aktivite fonksiyonu ile karakterize edilen işleme birimleri tarafından modellenir.
Sinaptik bağlantılar, ağırlıklı bağlantılarla simüle edilir, bağlantının gücü veya ağırlığı, sinapsın etkinliğinde rol oynar. Bağlantılar, bir birimin diğerini etkileyip etkilemeyeceğini belirler.
Bir işlem birimi, bir işlem biriminin toplam girdisinin diğer işlem birimlerinin çıktılarından birkaç girdi alır ve genellikle tüm ağırlıklı girdilerin toplamı olarak hesaplanır, yani bağlantının ağırlığı ile çarpılır. Sinapsın önleyici veya uyarıcı etkisi, sırasıyla negatif veya pozitif ağırlıklar kullanılarak elde edilir.
Tablo 1. Gerçek nöronlar ile hesaplama modellerinde kullanılan işlem birimleri arasındaki karşılaştırma.
Kaynak: Francisco Herrera Fernández
| Nöral ağlar
biyolojik |
Nöral ağlar
yapay |
| Nöronlar | İşlem birimleri |
| Sinaptik bağlantılar | Ağırlıklı bağlantılar |
| Sinaps etkinliği | Bağlantı ağırlığı |
| Uyarıcı veya inhibe edici etki | Bir bağlantının ağırlığının işareti |
| Toplam uyarım | Ağırlıklı toplam giriş |
| Tetik (ateş hızı) | Tetikleme işlevi (çıkış) |
Sinir ağları bir yapı olarak birkaç katmana sahip olmalıdır, bunlar: giriş tamponu olarak ilk katman, ağda sağlanan ham bilgiyi depolayan veya basit bir ön işlemeden geçiren, biz buna giriş katmanı diyoruz; başka bir katman, ağın yanıtını okunabilmesi için saklayan bir arayüz veya çıktı tamponu görevi görür, biz buna çıkış katmanı diyoruz; ve bilgilerin ayıklanması, işlenmesi ve ezberlenmesinden sorumlu ana katmanlara gizli katmanlar denir.
Şekil 2. Çok katmanlı kademeli ağ modeli.
Kaynak: Sandra Patricia Daza, Nueva Granada Askeri Üniversitesi, 2003.
Bulanık mantık sistemleri
Delgado'nun konsepti, insan muhakemesini taklit etmemize izin veren ikinci araçtır. İnsanlar kelimeler aracılığıyla ve iki durum arasında dereceler halinde düşünür ve muhakeme eder, örneğin siyah beyaz veya sıcak ve soğuk vb. Bu bulanık mantık sistemleri, akıl yürütürken insan dilini kullanmamıza izin vermeleri açısından geleneksel uzman sistemlerde bir gelişmedir.
Geleneksel uzman sistemlerden bahsederken, insan muhakemesini sembolik bir şekilde yeniden üretmeye çalışırlar. Üretim sistemleri, finans veya tıp gibi belirli bir alanda, o alandaki uzmanlar tarafından tanımlanan bilgi ve analitik kuralları kullanarak kararlar veren veya sorunları çözen bir tür bilgisayar uygulama programıdır. Uzmanlar, gerçeğe dayalı bilgi ve muhakeme becerilerinin bir kombinasyonunu kullanarak problemleri çözerler. Uzman sistemlerde, bu iki temel unsur iki ayrı ama birbiriyle ilişkili bileşende bulunur: bir bilgi tabanı ve bir kesinti veya çıkarım makinesi. Bilgi tabanı konuyla ilgili nesnel gerçekler ve kurallar sağlar,kesinti makinesi ise uzman sistemin sonuç çıkarmasına olanak tanıyan muhakeme kapasitesini sağlar. Uzman sistemler ayrıca kullanıcı arayüzleri ve açıklama mekanizmaları şeklinde ek araçlar sağlar. Diğer uygulamalarda olduğu gibi kullanıcı arayüzleri, kullanıcının sorgular oluşturmasına, bilgi sağlamasına ve sistemle başka şekillerde etkileşime girmesine izin verir. Uzman sistemlerin en büyüleyici parçası olan açıklama mekanizmaları, sistemlerin sonuçlarını açıklamasına veya gerekçelendirmesine izin verir ve ayrıca programcıların sistemlerin işleyişini kendilerinin doğrulamasını sağlar. Uzman sistemler 1960'larda ortaya çıkmaya başladı, uygulama alanları kimya, jeoloji, tıp, bankacılık ve yatırım ve sigortadır.
Yazarlardan birinin tecrübesine göre, bu sistemlerin dayandığı dijital entegre devreler olan donanımlar, doğru kullanıldığında çok verimli ve ömür boyu dayanıklıdır.
Genetik algoritmalar:
Delgado'ya göre bunlar biyolojik yönlerden esinlenen bir tekniktir, Charles Darwin'in bahsettiği evrim süreci, kontrol cihazlarını veya robotları veya üretim hatları olarak optimize edilebilecek diğer her türlü özelliği optimize etmek için uygulanabilir.
Genel olarak, bir problemi çözmek için herhangi bir genetik algoritmanın, aşağıda görüleceği üzere, beş temel bileşene sahip olması gerektiği kabul edilmektedir:
- Problemin kendisi için yeterli olan bir kodlaması veya temsili gereklidir.İlk bir çözüm popülasyonu oluşturmanın bir yolu Probleme göre ayarlama veya uyarlama işlevi, her olası çözüme gerçek bir sayı atayan bir değerlendirme işlevi de denir Algoritmanın yürütülmesi sırasında, ebeveynler - ilk popülasyona ait olan ve soruna uygulanabilir çözümler olan iki birey - üreme için seçilmelidir; Daha sonra bu seçilmiş ebeveynler çaprazlanacak ve iki çocuk üretilecek, soruna yeni çözümler getirilecek ve her biri üzerinde bir mutasyon operatörü belirli bir olasılığa göre hareket edecek. Yukarıdaki işlevlerin kombinasyonunun sonucu bir dizi birey olacaktır (soruna olası çözümler),Genetik Algoritmanın evriminde aşağıdaki popülasyonun bir parçası olacak.
- Parametreler için değerler: popülasyon büyüklüğü, genetik operatörlerin uygulama olasılığı.
YAPAY ZEKA UYGULAMALARI VE KULLANDIKLARI TEKNİKLER
Yapay Zeka mühendisliği yaklaşımı içinde, problemleri çözmek için araç olarak kullanılabilecek teknikler aşağıdaki kategorilerde sınıflandırılmıştır:
- Temel teknikler, sözde çeşitli AI uygulamalarının temelini oluşturdukları için. Diğerleri arasında Çözümler için Sezgisel Arama, Bilgi Gösterimi, Otomatik Tümdengelim, Sembolik Programlama (LISP) ve Sinir Ağları bulunmaktadır. Bu teknikler uygulamaların temelidir. Çoğunlukla, son kullanıcı tarafından bilinmesi gerekmez, ancak kendisini uygulamasına ve ticari uygulamaların üretilmesine adanmış profesyoneller tarafından bilinmesi gerekir.
2. Problem ailelerini çözmeyi amaçlayan teknolojiler veya birkaç temel tekniğin kombinasyonları. Teknolojiler temel tekniklerden daha uzmanlaşmıştır ve nihai uygulamalara daha yakındır. Robotik ve Görme, Doğal Dil, Uzman Sistemlerden bahsedilebilir
3. Sınıflar veya uygulama türleri: Teşhis, Tahmin (atomik reaktörlerin kendi kendini kontrol sistemleri), İşlemlerin sıralanması ("Çizelgeleme"), Tasarım, Verilerin yorumlanması. Hepsi tip problem aileleri. Örneğin, teşhis, bir üretim hattındaki arızalar veya bir kişide hastalık olsun, arızaların nedenlerini bulmayı ifade eder.
4. Uygulama alanları: Mühendislik, Tıp, İmalat Sistemleri, İdare, Yönetim Karar Desteği vb. Hepsi bilgisayar sistemleri alanlarına girer, ancak Yapay Zeka müşterileri olarak kabul edilir.
ÜRETKEN SİSTEMLERDE YAPAY ZEKA UYGULAMASI
Üretim sistemlerinin optimizasyonu için akıllı karar verme aracılarının, sinir ağlarının, uzman sistemlerin, genetik algoritmaların ve programlanabilir otomasyonların bir araya getirilmesi, yüksek teknolojik gelişmeye sahip ve araştırma ve geliştirmeye büyük yatırım yapan ülkelerin endüstriyel ortamında aktif bir eğilimdir. Yapay Zekanın söz konusu bileşenleri, diğer ajanlar, imalat veya montaj hücreleri gibi endüstriyel bileşenler ve diğerlerinin yanı sıra bakım operasyonları ile bağımsız olarak ve koordinasyon içinde ana işlevi vardır.
Çok yüksek kalitede ürünler elde etmek için piyasa talepleri nedeniyle, daha otonom ve akıllı üretim / montaj sistemlerinin uygulanmasına yönelik artan bir eğilim vardır; manuel operasyonlarla karmaşık hale gelen ve bizimki gibi az gelişmiş ülkelerin dünya çapında rekabetçi seviyelere ulaşmamasına neden olan. Bilgisayarla entegre bir üretim sistemi tasarlanırken, envanter seviyelerinin ve sistemin kalite ve güvenilirlik özelliklerinin kontrolüne ek olarak, iş merkezlerinde operasyon görevlerinin denetimine, planlanmasına, sıralanmasına, işbirliğine ve icrasına önem verilmelidir. Yukarıda belirtilen faktörler sistemin yapısını belirler ve koordinasyonu, üretimin yönetimi ve kontrolünde en önemli işlevlerden birini temsil eder.
Çoğu zaman, bir simülasyon modeli oluşturmanın nedeni, belirli bir hedef işlevi maksimize etmek veya en aza indirmek için en uygun parametreler nelerdir? Gibi sorulara yanıt bulmaktır. Son yıllarda üretim sistemlerinin optimizasyonu alanında büyük gelişmeler oldu. Ancak, simülasyon modeli sonuçları için analiz araçlarının geliştirilmesinde ilerleme çok yavaş olmuştur. Sadece büyük istatistik ve simülasyon kavramları bilgisine sahip kişilerin bu alana önemli katkılarda bulunduğu çok sayıda geleneksel optimizasyon tekniği vardır.
Meta sezgisel arama algoritmalarının yükselişi nedeniyle, simülasyon ile optimizasyon alanında yeni bir alan açıldı. OptQuest (Optimal Technologies), SIMRUNNER (Promodel Corporation) ve Evolver (Palisade Software) gibi yeni yazılım paketleri, yerleşik model üzerinde dahili kontrol gerektirmeyen ancak sonuçlar üzerinde dahili kontrol gerektiren sistemleri optimize etmek için kullanıcı dostu çözümler sunan piyasaya çıktı. söz konusu model farklı koşullar altında fırlatılır. Ek olarak, stokastik optimizasyon problemlerine uygulanan yeni yapay zeka teknikleri, verimliliklerini ve hesaplama ve yaklaşım kapasitelerini göstermiştir.
Güçlendirilmiş Öğrenme, Markov karar süreçlerine dayalı sorunları çözmek için tasarlanmış bir dizi tekniktir. Markovian süreçleri, belirli bir durumda, belirli bir anda yapılacak eylemin, kararın verildiği andaki sistemin durumuna bağlı olduğu kavramına dayanan stokastik karar süreçleridir.
Dünya çapında endüstrinin üretim süreçleri üzerinde en büyük doğrudan etkiye sahip olabilecek alanlardan biri, sistemin işletim parametrelerinin optimizasyonuna dayalı karar verme için destek sistemlerinin tasarımıdır. Bu amaçla, veri analizi için akıllı parametrik ve parametrik olmayan tekniklerin kullanılması büyük ilgi görmektedir.
Bununla birlikte, yazarların görüşüne göre, bilgisayarla entegre üretim için şimdiye kadar önerilen mimarilerin çoğu, temel bir entegrasyon faktöründen yoksundur. Bir üretim tesisinin çeşitli hiyerarşik seviyeleri arasındaki iletişim çok azdır çünkü her departman, ABB gibi Baan yazılımı vb. Şirketler haricinde, tüm üretim tesisinin entegrasyonunu aramadan işlevini yerine getirmekle sınırlıdır.
SPESİFİK ÜRETİM SORUNLARININ ÇÖZÜMÜNDE YAPAY ZEKA UYGULAMALARI
Bilgisayarlı görme sistemi kullanarak otomatik kalite kontrol operasyonu (Royman López Beltrán, Edgar Sotter Solano, Eduardo Zurek Varela. Robotik ve Otomatik Üretim Laboratuvarı. Universidad del Norte)
Her endüstriyel proses, nihai ürününün kalitesi açısından değerlendirilir, bu da kalite kontrol aşamasını sürecin önemli bir aşaması haline getirir. Bir ürünün kalitesini belirlemek için kullanılan mekanizmalar, onunla ilgili parametrelere bağlı olarak değişir. İlgili parametre üretilen nesnenin geometrisi veya şekli olduğunda, genellikle kalite kontrol için hem inceleme hem de doğrulama işlevlerini yerine getiren operatörün görüşüne bırakılır, ancak bir nesnenin geometrisinde hatalar olabilir. bir operatörün görüşünden kaçmak ve daha sonra adı geçen nesnenin düzgün çalışmasını engellemek. Böyle bir durumda, bir operatörün gözden kaçırabileceği hataları tespit edebilen yapay görme sistemi kullanmak için iyi bir alternatif ortaya çıkıyor.Robot Vision PRO yapay görme sistemi, tam otomatik nesne tanımlama ve kalite kontrol görevlerini yerine getirebilir.
Robot Vision PRO sistemi, görüntü alma, ön işleme ve segmentasyon sağlayan bir görüntü yazılım paketidir. Ayrıca, görüntü filtreleme, kümeleme ve modelleme ve nesne tanımlama sağlayan yüksek düzeyde veri işleme gerçekleştirir. Bu sistemde, bir video kamera ve sürecin göze çarpan her bir parçasını tanımlamaktan ve daha sonra ambalajın piyasaya sürülebileceğini veya atılması gerektiğini belirlemek için% 100 kaliteli parçalarla bir karşılaştırma yapmaktan sorumlu bir monitör bulunur.
Aşağıda, kalite kontrol işleminin yürütülmesi için Robot Vision PRO sistemi tarafından sağlanan bazı görüntüler bulunmaktadır. Paketler, geometrilerin tam olarak programda yer alacağı şekilde düzenlendi ve her bir paket için kalite kontrolü daha sonra ayrı ayrı yapıldı.
Şekil 3:% 100 kalitede iyi paketleme
Sonraki iki şekil, gerekli özellikleri karşılamadığı ve bu nedenle kalite sistemi ürünü reddettiği için kusurlu ambalajı gösterir.
Şekil 4. Düşük kalite nedeniyle reddedilen ambalaj
Şekil 5. Düşük kalite nedeniyle reddedilen ambalaj
Şirkette değerlendirildikten sonra Robot Vision PRO bilgisayarlı görme sistemi, santrifüj kompresörlerin ambalajındaki geometrik kusurların tespiti için verimliydi, çünkü yazılımın esnekliği, proses koşullarının gerekli kalite sistemine ayarlanmasına izin verdi. uygun ambalaj ölçümü. Bu sistem, nesnenin ölçümlerinin, tanıma ve kalite kontrol görevlerinin tam otomatik olarak gerçekleştirilmesine izin veren ifadeler geliştirecek kadar öğretici bir sistemdir.
Yazarlar, bu teknolojinin kullanımının, bir parçanın yüzey kaplamasının çok zorlu olduğu veya otomobil yedek parçaları, endüstriyel enstrümantasyon vb. Gibi sıkı toleransların olduğu şirketlerde çok uygun olduğuna inanmaktadır.
- Yapay zeka araştırma ve geliştirme hattı tarafından geliştirilmekte olan projeler (Manizales Üniversitesi araştırma grubu)
JAT (Toplu Taşımacılık için Akıllı Sevk ve Kontrol Sistemi): Ana fikri, hizmet kalitesinin iyileştirilmesine ve işletme maliyetlerinin azaltılmasına olanak tanıyan sevk ve akıllı kontrol yoluyla Manizales şehrinin kentsel ulaşım hizmetini iyileştirmektir. Akıllı kısım, tüm otobüsleri eşit bir şekilde kapsayacak şekilde arayan rotaların gönderimini planlamaktan sorumludur.
Akıllı Uzaktan İzleme ve Gözetim Sistemi: amaç, dünyanın herhangi bir yerinden ve İnternet üzerinden bir bilgisayar ve telefon hattı aracılığıyla uzaktan izleme kapasitesini içeren kapalı devre TV sistemlerini uygulamaktır.
- Sinir ağları aracılığıyla mobil robotikteki ortamların tanınması
Bu çalışma, robotun duyu sistemi (ultrason) tarafından çevreden yakalanan bilgileri alan bir sinir ağının eğitimine dayalı olarak mobil bir robot tarafından gerçekleştirilen ortamların küresel olarak tanımlanmasına odaklanmıştır. Robotun, sinir ağı aracılığıyla, kendisine sunulan ortamın bilgisini maksimize etme görevi olduğu düşünülmektedir. Bu şekilde, engellerden kaçınma algoritmalarını uygularken ortamı verimli bir şekilde modeller ve araştırır.
Bu çalışmanın sonucu, robotun daha fazla hareket özerkliği kazanması, ultrasonun engel dedektörü olarak kullanımının optimize edilmesi ve yol planlamacılarının gelişimi için önemli bir araç olması nedeniyle mobil robotik alanında büyük önem taşımaktadır. yörünge ve "akıllı" denetleyiciler.
Bir mimari kullanmak: 2 - 2-1
Nih: Giriş nöronlarının sayısı (2).
Nhid: Ara katmandaki nöron sayısı (1).
Nout: Çıkış nöronlarının sayısı (2).
Ağın eğitildiği örneklerden biri geniş bir şekilde gösterilecektir (daha fazla ayrıntı için, Rivera & Gauthier Universidad de los Andes'in araştırmasına bakın).
Eğitimde kullanılan parametreler 0,2'lik bir öğrenme sabiti ve 0,9'luk bir moment sabitiydi. Kaynak: Claudia Rivera 1995
Şekil 6. üç engel eğitim ortamı
Robot sekiz farklı pozisyonda bulunuyor ve bunların her birinde bir tarama yapıldı ve bu şekilde ağın eğitildiği sekiz dosya oluşturuldu ve bu zaten ortamı tanıyan herhangi bir engelle çarpışmayacaktır.
Sinir ağında iç kapasiteler arttıkça farklı ortamları öğrenmek için daha fazla kapasite ve hıza sahip olacaktır.
Yazarların müdahalesinde, bir kişinin eğitilebileceği MEALS gibi insanın uzun süre yüksek veya düşük sıcaklık ortamlarına dayanamadığı üretim süreçlerinde mobil robotik kullanımının çok önemli olduğunu tespit etmişlerdir. robotu ve eğitimi mükemmelleştikçe daha sonra kargo taşıyıcısı olarak hazırlayın.
- Tesis tahsisinin kuadratik problemine uygulanan genetik algoritmalar (Yöneylem Araştırması Bölümü, Endüstri Mühendisliği Okulu, Carabobo Üniversitesi, Valencia, Venezuela. Ninoska Maneiro. Tesis Yer Sorunlarına Uygulanan Genetik Algoritma. 2001 yılı cemisid.ing.ula.ve / alan3).
QAP, bazı yazarlar tarafından NP-tamamlanmış olarak kabul edilen kombinasyonel bir sorundur. QAP'nin amacı, maliyetleri veya mesafeleri ifade eden bir işlevi en aza indirgemek için tesislere bir tesis tahsisi bulmaktır.
Tesislerin konumu ve dağıtımı, Endüstri Mühendisliği alanındaki profesyonellerin ve tüm bunların eğitiminde en önemli konulardan biridir.
şehirlerin planlanması, organizasyonu ve sistematik büyümesinden sorumlu profesyoneller. Her bireyin günlük ve profesyonel yaşamında, tesislerin konumuyla ilgili çok çeşitli sorunlar ortaya çıkmaktadır.
Tesislerin konumu ve dağıtımı sorunları, herhangi bir üretim operasyonunun başarısı için stratejiktir. Bunun ana nedeni, malzeme işleme maliyetlerinin toplam imalat maliyetlerinin% 30 ila 75'ini oluşturmasıdır. İyi bir tesis tahsisi problemi çözümü, operasyonların genel verimliliğine katkıda bulunacaktır, zayıf bir dağıtım, işlem içi envanterin birikmesine, malzeme taşıma sistemlerinin aşırı yüklenmesine, verimsiz kurulumlara ve uzun kuyruklara yol açabilir. QAP olarak sınıflandırılabilecek bu geniş problemler sınıfı içinde, işlemlerin ileriye doğru aktığı ve hattaki tüm makinelerde mutlaka işlenmediği bir akış hattı olan genelleştirilmiş hat akışı problemidir.Bu tür bir hattaki bir iş, herhangi bir makinede sürecini işlemeye ve tamamlamaya başlayabilir, her zaman işlem iş akışına göre ardışık işlemlerle aşağı doğru hareket eder. Bir iş için işlem sırası, mevcut konumunun önüne yerleştirilmiş bir makineyi belirtmediğinde, gerekli işlemi tamamlamak için işin ters yönde (yukarı yönde) hareket etmesi gerekir. İşlemlerin bu "ters gezisi" geri izleme olarak adlandırılır ve belirli bir iş için ideal bir akış çizgisinden saparak aşağıdaki şekilde gösterildiği gibi daha az verimli bir çalışma yapısı sağlar.Süreç iş sırasına göre ardışık işlemlerle daima ileri (aşağı akış) hareket eder. Bir iş için işlem sırası, mevcut konumunun önüne yerleştirilmiş bir makineyi belirtmediğinde, gerekli işlemi tamamlamak için işin ters yönde (yukarı yönde) hareket etmesi gerekir. İşlemlerin bu "ters gezisine" geri izleme denir ve belirli bir iş için ideal bir akış çizgisinden saparak, aşağıdaki şekilde gösterildiği gibi daha az verimli bir çalışma yapısı sağlar.Süreç iş sırasına göre ardışık işlemlerle daima ileri (aşağı akış) hareket eder. Bir iş için işlem sırası, mevcut konumunun önüne yerleştirilmiş bir makineyi belirtmediğinde, gerekli işlemi tamamlamak için işin ters yönde (yukarı yönde) hareket etmesi gerekir. İşlemlerin bu "ters gezisine" geri izleme denir ve belirli bir iş için ideal bir akış çizgisinden saparak, aşağıdaki şekilde gösterildiği gibi daha az verimli bir çalışma yapısı sağlar.İşlemlerin bu "ters gezisi" geri izleme olarak adlandırılır ve belirli bir iş için ideal bir akış çizgisinden saparak aşağıdaki şekilde gösterildiği gibi daha az verimli bir çalışma yapısı sağlar.İşlemlerin bu "ters gezisi" geri izleme olarak adlandırılır ve belirli bir iş için ideal bir akış çizgisinden saparak aşağıdaki şekilde gösterildiği gibi daha az verimli bir çalışma yapısı sağlar.
Yazarların görüşüne göre, bu ikinci dereceden atama problemi, N / M dizilerini analiz ederken alaka düzeyi nedeniyle üretim atölyesi sınıfında ele alınmalıdır.
Şekil 7. Genelleştirilmiş bir akış hattı Kaynak: Ninoska Maneiro 2001.
SONUÇLAR
- National University, Manizales genel merkezinde, endüstri mühendisliği programında, endüstri mühendisliğine uygulanan yapay zeka alanlarını araştırmak için bilgisayar bilimi üzerinde daha fazla çalışma yapılmalıdır.
- Bu çalışmanın geliştirilmesiyle teorik araştırma düzeyinde tatmin edici sonuçlar elde edilmiştir, çünkü bilgisayar biliminde elde edilen ilerlemelerin bazı durumlarda yazarlar tarafından bilinmediği biliniyordu.Üretim sistemlerine uygulanan yapay zeka alanındaki büyük gelişmeler endüstrinin rekabet gücünü artırmak için sürekli arayışı içinde bu amaca ulaşmasını sağladı, ancak çoğu durumda, küresel işsizlik göstergelerine yansıyan sosyal bir bozulmayı beraberinde getiren büyük miktarda emeği yerinden etti. yoksulluk seviyeleri.
KAYNAKÇA
- Elaine Rich. Şövalye Kevin. Yapay zeka. İkinci baskı. Mc Graw Hill. Meksika 1994 Stuart Russell. Norving Meter. Yapay Zeka Modern Bir Yaklaşım. Printice Hall. Meksika 1996. La Ventana Informática Magazine. Sayı 09. Manizales Üniversitesi. Sayfalar 56 - 57. Mayıs 2003. Delgado Alberto. Yapay Zeka ve Mini robotlar. İkinci baskı. Ecoe Sürümleri. Temmuz 1998, Delgado Alberto. Yapay Zeka ve Mini robotlar. VII Ulusal Endüstriyel, İdari ve Üretim Mühendisliği Öğrencileri Kongresi Ulusal Üniversite Genel Merkezi Manizales. Anılar Kongresi. 4 - 10 Ekim 1998. Bilişim ve Bilgisayar Ansiklopedisi. Yazılım Mühendisliği ve Yapay Zeka. Temmuz 1992 Nebendah Dieter. Uzman sistemler. Mühendislik ve İletişim. Marcombo Yayıncıları. Barcelona 1988. Mar DC Yapay Zeka: Kişisel Bir Bakış, Yapay Zeka. ABD 1977, Rolston W. David. Yapay Zeka İlkeleri ve Uzman Sistemler. Mc Graw Hill. Meksika 1992, Mompin P. José. Yapay Zeka: Kavramlar, Teknikler ve Uygulamalar.Marcomobo SA Sürümleri. İspanya 1987. Ibero-American Journal of Artificial Intelligence. Otomatik Üretim Sistemlerinde Yapay Zeka Uygulamaları. Llata, JR, Sarabia, EG, Fernández, D., Arce J., Oria, JP. 10 numara, sayfalar 100-110. (Http://www.aepia.org/) adresinde mevcuttur.
Francisco Herrera Fernández Ph.D. Otomatik Kontrol Universidad Central de las Villas Santa Clara, Küba Bölümü Profesörü. Doğrusal olmayan dinamik bir süreç için sinir ağlarına dayalı Makale Kontrolü. Sayfalar 42-44
Ninoska Maneiro. Tesis Yerleşim Problemlerine Uygulanan Genetik Algoritma. Yüksek Lisans Tezi. Mühendislik Fakültesi. Carabobo Üniversitesi, 2001.
Claudia Rivera. Alain Gauthier. Ocak 1995, Universidad de los Andes
Orijinal dosyayı indirin
