Ana içeriğe atla
blog | AGV performansı: Sinir ağlarına derinlemesine bir bakış |
|
2 dakikalık okuma

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

Bir uzmana danışın

AC7 ve DC7 Motor Kontrol Birimleri

Kollmorgen her türlü AGV ve AMR için geniş bir yelpazede yüksek kapasiteli ve esnek motor kontrol birimleri sunar. AC7 ve DC7 motor kontrol birimleri, AGV ve AMR uygulamalarında direksiyonu ve çekişi kontrol etmeye uygun entegre hız ve konum regülatörlerine sahiptir.
Daha fazlası için

U-Zone

raç kontrolörünün NDC ile paralel olarak yürütülen özelleştirilmiş uygulamaları çalıştırmasını sağlayan esnek bir inovasyon platformu.
Daha fazlası için

Olağanüstü olanı tasarlayın

Kollmorgen daha iyi bir dünya inşa etmek için hareketin ve otomasyonun gücüne inanır.

Daha fazlası için

İlgili kaynaklar

3 tonluk yumuşak torba paletlerinin istiflenmesi: Heli'nin Kollmorgen donanımlı AGV'lerinin üstesinden gelemeyeceği zorluk yok >

Hiçbir proje birbirinin aynısı değildir; bu nedenle müşterilerin gereksinimlerine uyacak şekilde adapte edilebilen modüler bir çözüm sunabilmek önemlidir. Heli'nin, müşterilerinin ağır yumuşak torba paletlerini istifleme ihtiyaçlarını karşılarken…

5G özellikli AGV ve AMR’ler: intralojistik için oyunun kurallarını değiştiren bir unsur >

Fabrika ve depolarda Otomatik Yönlendirmeli Araçlar (AGV’ler) ve Otonom Mobil Robotlar (AMR’ler) olarak bilinen akıllı makineleri kullanıyoruz. Bu makineler, görevleri kendi başlarına gerçekleştirerek malzemeleri yönetme biçimimizi değiştiriyor,…

Hangcha Intelligent Akıllı Seramik Üretimini Güçlendiriyor: New Pearl Group'un İleri Üretim Yoluyla Dönüşümü >

Sürekli gelişen üretim dünyasında inovasyon, ilerlemenin temel taşıdır. Seramik sektöründe öncü bir güç olan New Pearl Group, akıllı üretim tekniklerini benimseyerek önemli bir adım attı. Kollmorgen'in son teknoloji navigasyon sistemi ile iş birliği…

Kollmorgen'ın Kapsamlı Eğitim Programıyla AGV Uzmanlığınızı Hızlandırın >

Günümüzün hızla gelişen otomatik yönlendirmeli araç (AGV) dünyasında, rekabette önde olmak sürekli öğrenme ve beceri geliştirmeyi gerektirir.
ChatGPT, Google Bard or Microsoft CoPilot ve AGV'ler: Faydaları ve Zorlukları Dengeleme

ChatGPT, Google Bard or Microsoft CoPilot ve AGV'ler: Faydaları ve Zorlukları Dengeleme >

ChatGPT, Google Bard veya Microsoft CoPilot gibi istemli yapay zekâlar AGV alanında devrim yaratabilir mi? Kollmorgen'in Bilgi Güvenliği Sorumlusu Sebastian Witkarsson olasılıkları inceliyor ve bir uyarıda bulunuyor.
Kollmorgen İnovasyon Günü, teknolojinin Sınırlarındaki Fikirleri Gerçekleştiriyor

Teknolojinin Sınırlarındaki Fikirleri Gerçekleştiriyor >

Kollmorgen'de her şey inovasyonla ve dünyanın her yerindeki iş ortakları ve üniversiteler ile bilgi ve uzmanlık alışverişi amacıyla işbirliği ve araştırma projelerine sürekli yatırım yapmakla ilgilidir. Kollmorgen'in, alanında uzman birinden gelen…
Kollmorgen İnovasyon Günü

Hep Birlikte İnovasyon için: Daha fazla bakış açısı, daha iyi fikirler ve daha iyi ürünler anlamına geliyor >

Kollmorgen'de kadın çalışan sayısı her geçen yıl artıyor, ki bu da genel bakış açısını genişletmeye gerçekten yardım ediyor. Herkes çeşitliliğin inovasyonu geliştirdiğinde hem fikir ve bu değerler grup içinde her düzeyde geçerli.

Birlikte Çalışabilirlik: Nedir ve otomasyon çağında neden önemlidir >

Artık dijital bir dünyada yaşıyoruz. E-ticaret tüketicileri ürünlerin, birkaç yıl öncesine nazaran daha hızlı ve daha esnek teslim edilmesini istiyor. Bu nedenle, organizasyonların, perakendecilerin ve bunların depo hizmeti sağlayıcılarının ürünleri…
Oyunu Değiştiren DIY Platform ile Bir Günde Otomasyon

Oyunu Değiştiren DIY Platform ile Bir Günde Otomasyon >

Herkes için erişilebilir ve satın alınabilir otomasyon, kullanıcıların otomasyon teknolojisini bir günden az zamanda kutudan çıktığı gibi kurmasına olanak tanıyan bir AMR platformunun piyasaya sürülmesiyle ileriye doğru büyük bir atılım yaptı.