Fabrika ortamındaki otonom taşıyıcı araçlar için durumsal farkındalık yöntemi geliştirilmesi
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Endüstri 4.0 ile beraber akıllı fabrikaların veri üzerinden izlenmesi ve kontrolü öngörülmektedir. Fabrikalardaki anormal durumların insan müdahalesi olmaksızın veri üzerinden akıllı algoritmalar ile tespiti önemli bir ihtiyaçtır. Bu, akıllı fabrikalardaki durumsal farkındalık için de önemlidir. Bu çalışmada fabrika içi lojistikte kullanılabilecek otonom taşıyıcı araçların oluşturduğu trafikteki anomali tespitine yönelik yöntemler önerilmiştir. Geliştirilen yöntem fabrika içi trafik üzerinden anomali tespiti yaptığı için Automatic Guided Vehicle (AGV), forklift, Otonom Taşıyıcı Araç (OTA) vb. fabrika içi araçlar içinde kullanılabilecektir. Önerilen yöntemde araçların fabrika içindeki hareketleriyle ilgili genel karakteristiğin kavşak bazında pekiştirmeli öğrenme ile öğrenilerek, daha sonra bu karakteristiğe uygun olmayan durumlar tespit edilerek anomali tespiti yapılmaktadır. Yapılan çalışmada kavşaklarla ilgili içeriksel anomali ve topluluk anomali olmak üzere iki durum ele alınmıştır. İlk durumda, kavşağın her bir giriş yönü için çıkış yönlerine ait akış, ortalama hız, yoğunluk vb. içerik bilgileri çok kollu slot makinesi problemi olarak modellenmiş ve öğrenilmiştir. Ardışıl veri kümesi içerisinde mevcut öğrenilen karakteristikte farklı bir içerik verisi olduğunda anomali tespiti yapılmaktadır. İkinci durum olarak, fabrika içerisindeki herhangi bir kavşağın komşu kavşaklardan farklı bir trafik karakteristiği göstermesi durumu topluluk anomalisi olarak ele alınmıştır. Bu çalışmada herhangi bir kavşak için çok kollu slot makinesi ile öğrenilen trafik karakteristiği komşu kavşakların verisi ile karşılaştırılarak anomali tespiti yapılmaktadır. Durumsal farkındalığa yönelik önerilen anomali tespit çalışmaları SUMO ortamındaki akıllı fabrika trafik verisi kullanılarak başarı ile test edilmiştir. The monitoring and control of intelligent factories via data is foreseen with the Industry 4.0. Detection of abnormal events in factories by intelligent algorithms over data without human intervention is important. This also helps to develop situational awareness concepts for intelligent factories. In this study, anomaly detection methods are proposed for the traffic in intelligent factories. Since the proposed method developed using the traffic data, it can also be used for various vehicle such as Automatic Guided Vehicle (AGV), forklift, Autonomous Transport Vehicle (ATV) etc. in the factories.In the proposed method, the general traffic characteristic of the intersection within the factory is learned by reinforcement learning, then anomalies are determined by comparing to the learned characteristic. In the study, contextual anomaly and community anomaly are developed for the intersection. In the first case, the context information for each enter the intersection and the exit directions of the entering direction information such as; flow, average velocity, density, etc. are learned and modeled with the multi armed bandit problem. In the sequential dataset, anomaly detection is made when there is a different context data in the learned characteristic. In the second case, the fact that any intersection in the factory showed a different traffic characteristic than the adjacent intersections was considered as a community anomaly. In this study, a multi-armed bandit problem model is used to learn the characteristic of any intersection, then it is compared with the neighboring intersection. The proposed anomaly detection studies for situational awareness have been successfully tested for the data generated by SUMO environment.
Collections