Bir AGV sisteminin amacı, malların belirli bir ortamda verimli taşınmasını sağlamaktır. AGV sistemi büyük bir yatırımdır. Bu nedenle, iyi bir yatırım geri dönüşü almak için yüksek bir kullanım derecesine ve ayrıca saat başına yüksek teslimat oranına sahip olunması gerekir.
İpuçlarını araştırma
Kollmorgen, hem sistem düzeyinde hem de her bir AGV'de AGV sistemlerinin performans ve davranışını ölçer. Motor sürücüleri, lazer tarayıcılar, yerelleştirme, trafik ve engellerin oluşması gibi konularda bilgi toplarız.
Verileri toplayarak Kollmorgen eğilimleri ve modelleri bulur, bu da ürünlerin geliştirilmesinde ve herhangi bir AGV sistemi için mümkün olan en iyi yapılandırmanın geliştirilmesinde kullanılabilir. Verimlilikteki yükselişler ve düşüşler, günlük kullanım eğilimleri vb. ölçülür 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.
Verilerden yararlanma ve fayda oluşturma
Toplanan verilerin analizi, belirli bir tesiste AGV rota ağında verimsiz durumların ortaya çıkarılmasına yardımcı olur. Birden fazla tesisten gelen verileri toplayarak, Kollmorgen sisteminin kullanıcıları AGV filolarındaki sapan araçları, modelleri veya bileşenleri tespit edebilir. Toplanan veriler, NDC8'de erişilebilen bir SQL veritabanında depolanır ve içgörüler sunmak için sistem düzeyinde KPI'lerin görselleştirmelerini içeren bir kontrol paneli sunar. Veritabanı, ayrıca kullanıcıların kendi veri analizini yürütmelerini sağlayacak şekilde kullanılabilir.
Veri Analizinin ve Makine Öğrenimi faydaları son tüketici için çok fazladır. İlk olarak, gelir AGV verimi geliştirilerek artırılabilir (ör. malları daha hızlı hareket ettirerek). İkinci olarak, maliyetli beklenmedik arıza süreleri önleyici bakım ile minimum düzeye iner. Ve son olarak, sistemin konfigürasyonunun hiper otomatikleştirilmesi, kurulum süresinin kısaltılmasına katkıda bulunur.
Uzun yılların getirdiği yapay zeka deneyimi
Kollmorgen, çoğu sektörden daha uzun süre yapay zeka sektöründedir. AGV'lerin konseptinde, her zaman robotların insan gözetimi olmaksızın karmaşık görevleri çözmesini sağlayan eğitim yer almaktadır. Buna klasik olarak yapay zeka diyoruz. Örneğin, AGV'leri koordine eden rota optimizasyonu A* algoritmasına dayanır, bu da uzun yıllar boyunca Yapay Zekanın başlıca unsuru olmuştur.
Kollmorgen programcıları, yapay zeka algoritmasını geliştirip uygulayarak bilgisayarın nasıl düşünmesi gerektiği ile ilgili net, adım-adım talimatlar verir. Başarımızın arkasında bu tür bir yapay zeka var. 1990'larda lazerli gezinme teknolojisinde öncülük ederek AGV'lerin esnekliğinde devrime sebep olmak olsun veya 2000'lerde tek bir tesiste 100'den fazla aracı güvenle kontrol etmek olsun yapay zeka bugün sunduğumuz teknolojinin omurgası olmaya devam ediyor.
Son yıllarda yapay zekaya duyulan artan ilgi, daha çok görsel algıya odaklanmıştır. Bunun sebebi, yalnız başına yapay zeka teorisindeki ilerleme değildir. Fakat, daha çok bilgisayarların işleme gücündeki gelişme olduğunu söyleyebiliriz. Bu da, nesne algılama gibi gerçek dünyadaki uygulamalarda karmaşık makine öğrenme modellerinin kullanımına olanak vermiştir. Mobil robot (AGV) açısından baktığımızda, ortamı algılayıp anlama ile ilgili daha fazla yolun olması robotların daha akıllı kararlar vermesini sağlar. Örneğin, Kollmorgen insanları algılamak ve duruşunu tahmin etmek için nöral ağlar şeklinde makine öğrenmesini kullanır; böylece robot otonom bir şekilde insandan en iyi şekilde kaçınmak için hangi yönde sürülmesi gerektiğini otonom olarak belirleyebilir.
Makine öğrenmesi ayrıca veri analizinin önemli bir parçasıdır. Örneğin bir tesisin günlük operasyonlarında neyin normal neyin anormal olduğunu anlamak için istatistiksel modellerin kurulmasında veya bir AGV bileşeninin kalan kullanım ömrünün tahmin edilmesinde önemlidir.
Pozitif bir ortam oluşturma
Makine öğrenme, temelde iki başlık altında toplanır; bunlar otomasyon ve veridir. Bunların ikisi de birbirini beslediğinden, bu kombinasyon kendiliğinden gelişir. Daha fazla otomasyon, daha fazla veri sağlar ve daha fazla veri daha donanımlı makine öğrenme modellerine güç verir, bu daha fazla otomasyon sağlar. Bu sayede, yapay zekada sezgisel bir yaklaşım sunulur. Burada, daha düşük bir otomasyon derecesi ile başlayıp basit sorunlara daha net bir çerçevede odaklanabilirsiniz. Aynı zamanda, veri toplarsınız. Bu da, daha zorlu uygulamalar sağlar. Bu şekilde, kullanıcı yapay zeka öğrendikçe yapay zekaya daha fazla sorumluluk verme olanağına kavuşur. Daha yüksek otomasyon, daha fazla kararın makineler tarafından alınması, zamandan ve kaynaklardan tasarruf edilmesi anlamına gelir.
