Back to top

AGV performansı: Sinir ağlarına derinlemesine bir bakış

03 Kas 2021

AGV performansı: Sinir ağlarına derinlemesine bir bakış

Makine Öğrenimi, Sinir Ağları; modern lojistikte büyük terimler... Peki ama bunlar gerçekte ne anlama geliyor? Bir uzmanın bunu bize anlatmasına ihtiyacımız var. Logistics Business dergisinin editörü Paul Hamblin bir tanesini tanıyor.

AGV ve mobil robotik uzmanı Kollmorgen, AGV sistemlerinin performansını ve davranışını, hem sistem seviyesinde hem de her bir ayrı AGV seviyesinde ölçer. Motor sürücüleri, lazer tarayıcılar, konumlandırma, trafik ve engel müdahalesi hakkındaki bilgileri toplar, böylece trendleri ve modelleri belirler, bu da ürünlerin ve sistem yapılandırmasının iyileştirilmesine yardım eder.

Verimlilikteki yükselişler ve düşüşler, günlük kullanım eğilimleri ölçülebilir ve veriler kullanılarak rotalar optimize edilir, verim artar ve daha akıllı kaynak kullanımı hesaplanır. Son kullanıcı açısından ise bu da daha düşük maliyetlere ve daha yüksek gelire dönüşür. Toplanan veriler, AGV performansına zarar verebilecek harici süreçler hakkında bazı önemli ipuçları verebilir. Örneğin, AGV'lerin yoluna çıkan yayalar veya normalde AGV'ler için planlanan alanlarda sürüş yapan manuel forklifler.

Peki bütün bunları nasıl yapıyor? Kollmorgen'de AGV Yönetimi Ürün Müdürü olan Samuel Alexandersson bizim hasta rehberimiz olacak.

“Yapay bir sinir ağı, az çok insan beynini temel alan bilgi işlemsel bir model" diye başlıyor ve devam ediyor. "Beyin hücrelerimiz ya da nöronlar karmaşık bir sinir ağı ile birbirine bağlıdır ve bu bağlantılar üzerinde elektrokimyasal sinyaller dolaşır. Basit şekliyle, giriş sinyallerinin ağırlıkları yeterince güçlüyse nöronlar ateşlenir ve sinyal, nöronların bağlı olduğu sonraki hücre kümesine devam eder.

“Bu şekilde, beynimizde yer alan tüm farklı nöronlar arasındaki bağlantıların yapısı, sinyalin nasıl yayılacağını belirler ve bir şeyler öğrendiğimizde beynimizde gerçekten olan şey bu bağlantıların yeniden yapılandırılmasıdır.

“Yapay bir sinir ağında sinyaller elektromekanik değil dijitaldir ve bağlantıların kuvveti ağırlıklarınca depolanır. Başlangıçta bu ağırlıkları rastgele bir değer sahiptir, yani ağa bir girdi sunduğumuzda çıktı rastgele saçmalık olacaktır. Ama tıpkı insanların deneyim yoluyla öğrenmesi gibi bu modelin de veri formundaki deneyim yoluyla öğrenmesine izin verebiliriz.

“Her veri noktası bir girdi ve beklenen bir sonuç olacaktır, böylece bu veri çiftleri öğrenmek için örnek olarak kullanılır. Ağırlıkları dereceli olarak ayarlamak için bu Makine Öğrenimi algoritmaları kullanıldığında, modelden alınan çıktı giderek beklenen sonuca daha fazla yaklaşır, böylece model, kestirimler yapacak şekilde öğrenir.

"Örneğin, bir makineye bir kedi ve bir köpek arasındaki farkı görmesini öğreteceksek, her görüntünün kedi mi yoksa köpek mi olduğunu gösteren bir etikete sahip olduğu, görüntüler (girdiler) içeren bir veri kümesi oluşturmamız gerekir ( doğru çıktılar). Sinir ağlarını veri kümeleri konusunda eğittikten sonra sisteme yeni bir görsel besleyebiliriz, hatta bu daha önce hiç görmediği bir görsel olsa bile sistem bize bunun bir kedi mi yoksa köpek mi olduğunu söyleyecektir."

Mantıksal bağlamdan bir veriden nasıl içgörüler üretileceğine ilişkin örnekler verebilir mi?

"Bir AGV sistemi tasarlamak, çok fazla beceri ve deneyim gerektiren karmaşık bir görev olabilir" diye yanıtlıyor. "Örneğin yol ağını tasarlarken, doğru yapılandırılması gereken on binlerce ayrı yol açılımları olabilir. Tabi ki hata yapılabilir ve genellikle bu gibi hatalar, bir simülasyonda sistemi çalıştırana kadar fark edilmezler.

"Bu nedenle şu anda yol ağını doğrudan analiz edecek araçlar tasarlıyoruz, böylece kullanıcılar daha kısa sürede geri bildirim alabiliyor. Dâhili AB-testlerinde, kullanıcıların hatalı bir yapılandırmanın ana nedenini 5 kat daha hızlı bulduğunu gördük.

"Veri odaklı yaklaşım ile elde edebileceğimiz etkinin daha anekdot niteliğindeki bir örneği olarak bir destek vakasını gösterebiliriz; bu vakada bir mühendisin geleneksel yöntemlerle çözmesinin saatler sürdüğü bir durum, yapılandırma verisini otomatik olarak analiz eden bir prototip kullanılarak 10 dakika içinde çözülmüştür."

Aslında bu kadar basit, her zaman olduğu gibi olay tümüyle kediler ve köpeklerle ilgili.

Yazar: Paul Hamblin, Logistics Business Dergisi

Dahili Hareket
Fieldbus
Genel
Gıda Mevzuatı
Interconnectivity
İş
Kurulum İpuçları
Medikal
Mühendislik
Otomatik yönlendirmeli araçlar (AGV)
Paketleme
Petrol ve Gaz
Robotik
Tarihçe
Teknoloji
Üniversite İşbirliği
Uygulamalar
Uzay ve Savunma