A termelésirányítás intelligens technikái = Intelligent techniques of production control

Viharos, Zsolt János and Kádár, Botond and Monostori, László (2007) A termelésirányítás intelligens technikái = Intelligent techniques of production control. Project Report. OTKA.

Preview

PDF 43547_ZJ1.pdf Download (291kB)

Abstract

A mesterséges intelligencia technikák (sokszor más diszciplínák eredményeivel integrálva) nyújtják talán a legígéretesebb eszközöket (pl. mesterséges neurális hálózatok, fuzzy megközelítések, szakértő rendszerek) az intelligens gyártórendszerek által új kihívások megválaszolására. A szub-szimbolikus technikák (pl. a mesterséges neurális hálók) leginkább az alacsony szintű (pl. folyamat felügyelet), míg a szimbolikus technikák (pl. szakértő rendszerek) a magas szintű (pl. kapacitástervezés) gyártási feladatok megoldásában kerülnek elsősorban alkalmazásra. Ha megvizsgáljuk a magas szintű gyártási problémákat, akkor az alacsony szintűekhez - információfeldolgozási szempontból -kísértetiesen hasonló fogalmakkal, feladatokkal találkozhatunk. Természetesen ezek a feladatok más adatokon alapulnak, különböző paraméterek meghatározását igénylik, egészen eltérő konkrét célokkal és korlátozássokkal rendelkeznek, mégis, felvetődik az alacsony szinten már bevált technikák alkalmazása a termelésirányítás magasabb szintjein is. E feltevés igazolása, és a vonatkozó megoldások kidolgozása volt a kutatás legfőbb célkitűzése. A korábban kidolgozott, publikált vagy alkalmazott technikák nem alkalmazhatóak közvetlenül a magas szintű feladatok megoldására, azokat adaptálni, változtatni volt szükséges. Célunk ezen algoritmusok megvalósítása, tesztelése, alkalmazási feltételeinek meghatározása volt - a magas szintű gyártási feladatok megoldásában. | Artificial intelligence techniques (usually integrating the results of other research fields, too) could serve as one of the most promising tools (e.g. artificial neural networks, fuzzy sets, expert systems) for answering the new assignments of intelligent manufacturing systems. Sub-symbolic techniques (e.g. artificial neural networks) are mainly used on low level, (e.g. process monitoring), while symbolic techniques (e.g. capacity planning) are mainly used on the upper level of manufacturing. Through analysing the decision situations, arising on high-level manufacturing, the existence of quite similar problems can be recognised. Naturally, these tasks require determination of different parameters, they have different targets and constraints, but, the applicability of techniques used with success on low-level manufacturing, on high-level production, too, is still a question. To prove this and to develop the related solutions was the main goal of the research. The already published and used techniques were not directly applicable for solving high-level manufacturing assignments, consequently, they had to be adopted and changed. The analysis and solutions of high-level manufacturing decisions served with new tasks, and required to come up with new ideas, methods, solutions and algorithms. Our goal was to realise and test these algorithms, to identify their application conditions for solving assignments on high-level manufacturing.

Actions (login required)

Edit Item