Robotic technological process optimization based on a neural network energy consumption simulation model
DOI:
https://doi.org/10.17213/0136-3360-2023-2-85-95Keywords:
robotic technological process, digitalization, neural network model, spatial movements, energy efficiency, trajectory optimization, manipulating industrial robotAbstract
The article presents a procedure for synthesizing a neural network simulation model of the energy consumption of an industrial robot to improve the energy efficiency of robotic processes characterized by a limited class of movement trajectory complexes. A robotic technological process for stacking blocks is considered, its parameters being identified, and a reduced model of the energy consumption of an industrial robot being developed using intelligent tools in the MATLAB environment. An analytical study of the energy costs of the trajectory fragments execution has been carried out to confirm the feasibility of the proposed approach to the optimization of robotic technological complexes. An adequacy analysis of the obtained model and the results of evaluating the effectiveness of the model application are presented.
References
Сыщикова Е.Н., Жданович Л.В. Роботизация производства как часть цифровой трансформации экономики РФ // Russian Studies in Law and Politics. 2020. Т. 4. № 2. С. 89-99.
Rozhok A.P., Zykova K.I., Suschev S.P., Revetria R. The Use of Digital Twin in the Industrial Sector // Published under Licence by IOP Publishing Ltd IOP Conference Series: Earth and Environmental Science. 2021, Vol. 815, № 4, pp. 456-469. doi: 10.1088/1755-1315/815/1/012032.
Huang Z., Shen Y., Li J., Fey M., Brecher C. A Survey on AI-Driven Digital Twins in Industry 4.0: Smart Manufacturing and Advanced Robotics // Sensors. 2021. № 21, pp. 63-74. doi: 10.3390/s21196340.
Система управления модулем подачи и позиционирования проволоки для роботизированного комплекса трехмерной печати металлических изделий / С.И. Сухоруков, С.П. Черный, А.В. Бузикаева, А.Р. Овсянников // Изв. вузов. Электромеха-ника. 2022. Т. 65. № 3. С. 66-73. DOI 10.17213/0136-3360-2022-3-56-63.
Semeraro F., Griffiths A., Cangelosi A. Human–robot Collaboration and Machine Learning: A Systematic Review of Recent Research // Robotics and Computer-Integrated Manufacturing. 2023. Vol. 79, pp 102-115. doi: 10.1016/j.rcim.2022.102432.
Watanabe K., Inada S. Search Algorithm of the Assembly Sequence of Products By Using Past Learning Results // Int. J. Prod. Econ. 2020. Pp. 105 – 116.
Abd K., Abhary K., Marian R. Multi-objective Optimisation of Dynamic Scheduling in Robotic Flexible Assembly Cells Via fuzzy-based Taguchi Approach // Comput. Ind. Eng. 2016. pp. 250-259.
Горькавый А.И., Кузнецов А.А. Оценка возможностей формирования математической модели системы электропри-вода действующего промышленного робота // Производственные технологии будущего: от создания к внедрению. Мат. IV Междунар. научно-практ. конф. Комсомольск-на-Амуре, 16 – 26 февраля 2021 г. Комсомольск-на-Амуре: Комсомольский-на-Амуре гос. ун-т, 2021. С. 17 – 21.
Guang Jin, Shuai Ma, Zhenghui Li Dynamic Simulation Modeling of Industrial Robot Kinematics in Industry 4.0 // Discrete Dynamics in Nature and Society. 2022. Vol. 87, pp. 321-330. doi: 10.1155/2022/3217360
Андрианов А.М. Анализ технологий комплексной цифровизации высокотехнологичного промышленного производ-ства в условиях парадигмы «Индустрия 4.0» // Научные труды Вольного экономического общества России. 2021. № 2. С. 12 – 20.
Абаев Г.Е., Демкович Н.А., Яблочников Е.И. Роль и задачи имитационного моделирования на этапе перехода от цифрового производства к "Умным фабрикам" // Имитационное моделирование. Теория и практика. Восьмая Всерос. научно-практ. конф. по имитационному моделированию и его применению в науке и промышленности. Санкт-Петербург, 18 – 20 октября 2017 г. СПб: НП «НОИМ», 2017. С. 219 – 227.
Ким К. К., Иванов С.Н. Моделирование комбинированного электропривода // Изв. вузов. Электромеханика. 2019. Т. 62. № 3. С. 44 – 50. doi: 10.17213/0136-3360-2019-3-44-50.
Yuze Jiang, Zhouzhou Huang, Bin Yang, Wenyu Yang A Review of Robotic Assembly Strategies for the Full Operation Procedure: Planning, Execution and Evaluation // Robotics and Computer-Integrated Manufacturing. 2022. Vol 78. doi: 10.1016/j.rcim. 2022.102366.
Xiaolong Ke, Yongheng Yu, Kangsen Li, Tianyi Wang, Bo Zhong, Zhenzhong Wang, Lingbao Kong, Jiang Guo, /Lei Huang, Mourad Idir, Chao Liu, Chunjin Wang Review on Robot-assisted Polishing: Status and Future Trends // Robotics and Comput-er-Integrated Manufacturing. 2023. Vol 80. doi: 10.1016/j.rcim.2022.102482.
Регистратор условий хранения и транспортировки специализированных грузов / Д.А Киба., Н.Н. Любушкина, А.С. Гудим, А.А. Биткина // Изв. вузов. Приборостроение. 2019. Т. 62. № 7. С. 668 – 674.
Demir K.A., Döven G., Sezen B. Industry 5.0 and Human-Robot Co-working // Procedia Computer Science. 2019. Vol. 158, pp. 688 – 695. doi:10.1016/j.procs.2019.09.104
Переверзев И.А., Квасницкий В.Н. Эффективные алгоритмы построения нейронной сети на основании оценки вход-ных параметров (глубокое машинное обучение) // Вестник МФЮА. 2016. № 1. С. 134 – 141.
Беркинблит М. Б. Нейронные сети. М.: МИРОС и ВЗМШ РАО, 1993. 96 с.
Применение методов машинного обучения в задачах оценки технологических процессов / О.В. Попова, Я.Ю. Гри-горьев, Е.П. Жарикова, А.Л. Григорьева // Ученые записки Комсомольского-на-Амуре государственного технического уни-верситета. 2021. № 7 (55). С. 68 – 72.
Ивановский М.Н., Шафеева О.П. Применение метода обратного распространения ошибки для обучения нейронной сети // Информационные технологии в науке и производстве. Мат. V Всерос. молодежной научно-техн. конф. Омск, 25 – 26 апреля 2018 г. Омск: Омский гос. техн. ун-т, 2018. С. 39 – 43.
Downloads
Published
How to Cite
Issue
Section
https://orcid.org/0000-0002-7955-939
