Cele:

Celem pakietu jest wykorzystanie algorytmów eksploracji danych do zarządzani zadaniami realizowanymi przez flotę pojazdów AGV, do utrzymania gotowości tych pojazdów (w tym zarządzania planem ładowania), do wspomagania predykcyjnego utrzymania ruchu. Zarządzanie energią to jeden z najważniejszych problemów podczas transportu komponentów na pojazdach AGV. Na zużycie energii składa się  zarówno transport jak i operacje wykonywane przez robota współpracującego na stanowiskach produkcyjnych. Akumulatory pojazdów CoBotAGV muszą być ładowane w odpowiednim czasie, tak aby uniknąć sytuacji, w których bateria wyczerpuje się w trakcie realizacji zadania, lub pojazd AGV zatrzymuje się i nie może wrócić do bazy lub stanowiska ładowania. Dlatego jednym z celów WP3 jest monitorowanie zużycia energii w czasie rzeczywistym i przewidywanie momentów, w których AGV nie dotrą do docelowego gniazda produkcyjnego i powinny zostać przekierowane do stacji ładowania akumulatorów. Z drugiej strony monitorowanie zużycia energii poszczególnych pojazdów AGV i innych parametrów systemu może dostarczyć przydatnych informacji o możliwych awariach podzespołów pojazdów AGV, co prowadzi do skrócenia czasu eksploatacji pojazdów AGV i może powodować niepotrzebne opóźnienia w produkcji. Dlatego kolejnym celem WP3 jest wykrywanie anomalii w sekwencji pracy pojazdów CoBotAGV i diagnostyka predykcyjna. WP3 pozwoli także na oszacowane kosztów zadań logistyki wewnętrznej (mierzone np. jako zużyta energia lub czas dostawy) w celu zarządzania całą produkcją poprzez odpowiednie rozplanowanie procesów dostaw realizowanych przez pojazdy CoBotAGV:

Aby osiągnąć ogólny cel WP3 zdefiniowano cztery cele szczegółowe:

• Przewidywanie zużycia energii elektrycznej pojazdów AGV dla określonej sekwencji zadań.
• Wykrywanie anomalii w sekwencji zadań wykonywanych przez pojazdy AGV.
• Szacowanie kosztów realizacji zadań w oparciu o zadane parametry modelu danych
• Wsparcie konserwacji predykcyjnej poprzez wykrywanie i analizę anomalii.

Zadania badawcze:

T3.1. Przechwytywanie, przechowywanie i przygotowywanie reprezentatywnych zestawów danych do trenowania modeli uczenia maszynowego

Zadanie obejmuje identyfikację wszystkich źródeł danych, które mogą wnieść wartość dodaną do procesu analizy danych. Źródła danych zapewniają dane historyczne i bieżące strumienie danych. Prace badawcze koncentrują się na:

• transformacji danych historycznych dostarczanych w formacie natywnym, przechwytywaniu w oknach czasowych strumieni danych,
• przechowywaniu przechwyconych danych w dedykowanym jeziorze danych w celu uniknięcia kosztownych operacji strukturalizacji,
• czyszczeniu danych w celu zapewnienia ich jakości przed operacją uczenia maszynowego i tworzenia modeli,
• wybór podzbioru odpowiednich cech, tak aby zredukować problemy związane z analizą danych wielowymiarowych.

T3.2 Opracowanie modeli uczenia maszynowego do predykcji zadań

Zadania predykcyjne wykonywane w ramach WP3 będą opierać się na odpowiednich modelach utworzonych w trakcie uczenia maszynowego. Dla zdefiniowanych celów i danych wejściowych zostaną stworzone modele, z wykorzystaniem techniki nadzorowanego i nienadzorowanego uczenia. Prace badawcze koncentrują się na:

• nadzorowanych technikach stosowanych na danych historycznych oznaczonych klasą (np. informacje o wystąpieniu awarii elementu AGV),
• sprawdzaniu przydatności różnych klas algorytmów, takie jak: drzewa decyzyjne, sieci neuronowe, maszyny wektorów wspierających SVM, sieci bayesowskie i inne,
• przewidywaniu zużycia energii przy użyciu metod regresji wykorzystujących algorytmy, takie jak: regresja liniowa, regresja liniowa bayesowska, regresja lasu decyzyjnego, regresja sieci neuronowych,
• strojeniu optymalnego zestawu hiperparametrów modeli uczenia maszynowego, które mogą się różnić dla konkretnego modelu i zestawu danych,
• wykrywaniu anomalii, w tym testowaniu metod opartych na SVM i analizie składowych głównych PCA oraz algorytmu K-średnich,
• tworzenie serwisów internetowych udostępniających modele w chmurze celem ich testowania, walidacji i wykorzystania.

T3.3. Eksperymentalna ocena zbudowanych modeli predykcyjnych i ocena jakości

Ocena modeli predykcyjnych w celu oceny jakości wyników predykcji. Techniki oceny będą zależeć od zastosowanego typu uczenia maszynowego. Prace badawcze koncentrują się na:

• obliczenie współczynników dla modeli regresji, takich jak średni błąd bezwzględny (MAE), pierwiastek błędu średniokwadratowego (RMSE) i współczynnik determinacji (R2),
• obliczenie miar jakości dla klasyfikacji opartej na uczeniu nadzorowanym, w tym czułości, specyficzności, dokładności, precyzji, wyniku F1 i współczynnika korelacji Matthewsa,
• ocena modeli w procesie walidacji krzyżowej,
• badanie za pomocą krzywych ROC i wartości AUC kompromisu między swoistością a czułością.

T3.4 Konserwacja predykcyjna

Wykrywanie anomalii w zachowaniu CoBotAGV pozwoli uniknąć przestojów produkcji dzięki zastoswaniu konserwacji predykcyjnej. Prace badawcze koncentrują się na:

• przekształcenie we wzorce behawioralne danych zebranych w szeregach czasowych (T3.1) ze zminimalizowanymi wektorami cech związanymi z podstawowymi zadaniami wykonywanymi przez CoBotAGV,
• automatyczne tworzenie wzorców na podstawie zużycia energii, poziomu baterii, czasu pracy, zatrzymań bezpieczeństwa, używanych siłowników itp. Baza wzorców będzie na bieżąco wzbogacana dzięki nowym obserwacjom,
• wykrywanie anomalii poprzez porównanie danych bieżących z wzorcami,
• porównanie zmian kluczowych parametrów na podstawie danych historycznych i bieżących co pozwoli na wykrywanie stopniowego zużycia pojazdów CoBotAGV.