A hivatkozott, és a Labor további kapcsolódó publikációi itt elérhetők.

A projekt a digitalizáció technológiáinak alkalmazásával működő ipari és energetikai rendszerek igényelte matematikai és mesterséges intelligencia módszerek felfedező kutatását, és az eredményeknek a robotikában, a gyártó és logisztikai rendszerek tervezésében és irányításában való felhasználását célozza meg. Az alapkutatástól az alkalmazott kutatáson keresztül a kísérleti fejlesztésig egymásra épülő feladatok közül a második évben módszertani alapkutatások, alkalmazott kutatások és kísérleti fejlesztések történtek.

A módszertani alapkutatás eredményei

A1 Feladat "Kétszintű optimalizálás"

Az A1 feladat célja kétszintű, bilevel áramtarifa modell felállítása, hatékony megoldások keresése reguláris és nem-reguláris esetekben, négyzetes polinom rendszerek numerikus megoldásával.

A1.1 részfeladat eredményei - "Diszkrét bilevel optimalizálási problémák hatékony megoldása"

Alapfeltevés, hogy van egy szolgáltató, aki az áramot beszerzi, és továbbítja a fogyasztóknak. Mivel a szolgáltató dönt az árakról, majd annak függvényében a fogyasztók optimalizálják a fogyasztásukat, ami kihat a szolgáltató haszonfüggvényére, így ez egy kétszintű optimalizálási probléma. A kutatás célja hatékony számítási eljárások kidolgozása volt a szolgáltató számára az optimális árak meghatározása érdekében.

• A reguláris esetben a fogyasztók átlagos napi igénye a minimális és a maximális fogyasztási korlátok közé esik minden időperiódusban. Ebben az esetben az optimális árak zárt képlettel megadhatók.
• Ha az adatok nem regulárisak, akkor az optimista esetet egy diszkrét változókat is tartalmazó matematikai programmal lehet megoldani. A fő eredmény, hogy a pesszimista eset megoldása is visszavezethető az optimista eset megoldására.
• A kutatások eredményeként egy új módszer került kidolgozásra a négyzetes nemlineáris egyenletrendszerek megoldására, amelyekben a változók és az egyenletek száma megegyezik.

Az A1.1 részfeladat eredményei két publikációban jelentek meg [2], [15].

A2 Feladat "Dekompozíción alapuló optimalizálásai problémák vizsgálata"

Az A2 feladat célja dekompozíción alapuló optimalizálásai problémák vizsgálata. A feladat keretében hatékony optimalizációs eljárások kerültek kidolgozásra a diszjunktív korlátokkal bővített matematikai programok és nagy komplexitású tervezési feladatok megoldására.

A2.2 részfeladat eredményei - "Hatékony optimalizációs eljárás kidolgozása diszjunktív korlátokkal bővített matematikai programok megoldására"

• A többváltozós szakaszosan lineáris függvények vegyes egészértékű programokban való alkalmazásához egy új lineáris modell került kidolgozásra. Korábban nem volt ismeretes több változós szakaszosan lineáris függvényeket leíró tömör lineáris modell.
• A lineáris reprezentációból származó egyenlőtlenségeket felhasználva egy korlátozás- és-vágás eljárás került kifejlesztésre, aminek segítségével nagyságrendekkel sikerült felgyorsítani egy ipari egészértékű program megoldót (IBM CPLEX) ezen a feladatosztályon.
• Kidolgozásra került egy korlátozás-programozást használó általános technológiai tervező rendszer, ami makro- és mikro-szintű tervezési problémákra dekomponálja a feladatot.
• A Labor kutatói olyan egészértékű programozáson és fejlett keresési heurisztikán alapuló módszert dolgoztak ki a termék, technológia és termeléstervezés problémáira, amely alkalmas adott termékek és szerelési technológiáik együttes optimalizálásra, valamint az így kapott eredmények stratégiai szintű felhasználására a termelés- és kapacitástervezésben.

Az A2.2 eredményeit három megjelent folyóiratcikk és két folyóiratcikk beadott kézirata foglalja össze. [6], [8], [12], [14] [16].

A3 Feladat "Gépi tanulás sztochasztikus dinamikus rendszerekben"

Az A3 feladatban a cél a tanuló algoritmusok megbízhatóságának, megbízható modell prediktív irányításának, neurális hálók új algoritmusainak, adaptív gyártásütemezés elemzése és vizsgálata, valamint az ezekhez kapcsolódó új módszerek kidolgozása volt.

A3.2 részfeladat eredményei - "Adaptív rendszerek"

• Tartomány-becslési algoritmusok fejlesztése történt meg, amelyek segítségével eloszlás-független konfidencia-halmazokat lehetett konstruálni bináris osztályozási feladatok regressziós függvényeihez. A javasolt algoritmusok erősen konzisztensek és véges minták esetén is egzakt konfidencia-valószínűséggel rendelkező tartomány-becsléseket tudnak konstruálni.
• Egy véletlen mintavételezésen és a „rossz” minták eldobásán alapuló sztochasztikus modell prediktív irányítási algoritmust került kidolgozásra, amelyben a trajektóriákat gépi tanulási algoritmusokkal tanított idősor modellekkel generáltuk.
• A Levenberg-Marquardt optimalizálási algoritmus egy információelméleti eredményekre épülő kiterjesztésére történt javaslat. A módszer hatékonyságát valós adatokat tartalmazó benchmark adatbázisokon került tesztelésre. Adaptálása gyártási környezetre történt meg, a cél minőségirányítási kártyák esetén trendelőrejelzésre és gyártási beavatkozó akciók döntéstámogatására való kidolgozása volt.
• Változó viszonyokhoz alkalmazkodni képes adaptív gyártásütemezési módszer kidolgozására került sor, amiben gépi tanuló – predikciós – eljárás került alkalmazásra az egyes feladatok időbeli elkészülésének meghatározására.

Az A3.2 részfeladat eredményei két folyóiratcikkben, 5 konferencia előadásban, 2 diplomamunkában és egy szakdolgozatban kerültek összefoglalásra [7] , [13], [20], [21], [22], [26], [29], [40], [41], [42]

A4 Feladat "Hatékony, párhuzamosított számításokkal megvalósuló geometriai következtetés"

Hatékony szomszédsági gráf reprezentáció, lekérdezési eljárások, térbeli lokalizáció és kalibráció, valamint digitális ikermodell illesztése fejlesztése.

A4.2 részfeladat eredményei - "Hatékony szomszédsági gráf reprezentáció és lekérdezési eljárások fejlesztése"

• Kidolgozásra került egy 3D-s pontfelhő alapú lokalizációs eljárás, amely képes síklapon elhelyezkedő alkatrészek térbeli befoglaló téglatestének meghatározására.
• Egy kalibrálási eljárás kidolgozására került sor, amelynek segítségével egy tervezett virtuális cella és a valós megépített cella közötti különbséget meg lehet határozni voxel alapú térindexelés alkalmazásával. A kalibrált modell megteremti a lehetőséget gyártócellák ún. digitális ikermodelljeinek adaptálására, ill. robotos pályatervezési és egyéb tervezési feladatok nagy pontosságú megoldására.

Az A4.2 részfeladat eredményeit egy konferencia cikk és egy könyvfejezet dokumentálja - [23], [30].

A5 Feladat "A bizalom mechanizmusai elosztott rendszerekben"

Vállalatok közti hatékony erőforrás-megosztást lehetővé tevő mechanizmus kidolgozása, a gazdaságos vs. fenntartható gyártás elemzésére. A bizalom és a reputáció modelljeinek elemzése és összehasonlítása számítógépes mechanizmusok megvalósításával.

A5.2 részfeladat eredményei - "Bizalmi mechanizmust megvalósító számítási modell kidolgozása"

• Az ágensekkel modellezett gyártó vállalatok kollaborációjának vizsgálata, különösen a bizalom és reputáció hatásait elemezve az egymással történő együttműködésre. Az ágens-alapú szimulációs modellen végzett kísérletek segítségével kimutatásra került, hogy a bizalom és reputáció figyelembevétele a döntéshozás során pozitívan hat a kollaboráló vállalatok összteljesítményére.
• A globális szinten történő optimalizálást lehetővé tevő modellben a vállalatok által felajánlott, illetve igényelt erőforrásokat egy központi platform menedzseli, és köti össze a keresletet a kínálattal. A platform alkalmazásával egy adott vállalat könnyebben tud dönteni arról, hogy kíván-e együttműködni egy számára korábban még ismeretlen szereplővel.
• A fenti elméleti modellhez a komplexebb kísérletek végrehajtására alkalmas AnyLogic környezet fejlesztése folyamatban van.
• Egy multi-ágens szimulációs modell létrehozása autonóm felekből álló beszállítói hálózat modellezésére, amiben különböző hálózati modellek elemezése lehetséges a gazdaságosság és fenntarthatóság ellentétes szempontjai alapján. Az elemzések kimutatták, hogy robusztus hálózati modellek esetén a két szempont jobban összeegyeztethető.
• A bizalomra és/vagy reputációra épülő mechanizmusok modelljeinek további vizsgálata történt meg, a gyakorlatban is megvalósított rendszerekre és újonnan megjelenő prototípusokra fókuszálva.

Az A5.2 részfeladat eredményeit egy folyóiratcikk [9], két konferencia cikk[24], [28] és egy közlésre előkészített tanulmány [32] foglalják össze.

Az alkalmazott és kísérleti kutatás eredményei

B4 Feladat "Adaptív és kollaboratív robotika"

A B4 feladat célja adaptív adagolási feladatok és új eljárások kidolgozása, szimulációs és kísérleti teszt környezet létrehozása, adaptív adagolás integrálása és demonstrációja, valamint egy univerzális megfogó kivitelezése.

B4.1 részfeladat eredményei - "Adaptív adagolás szenzorfúzió és megfogás-tervezés támogatásával"

• Olyan részfeladatok kerültek kiválasztásra, melyek az adaptív adagolás megcélzott szegmensének jellemző megoldandó feladatait jól reprezentálják. A kifejlesztett új eljárások a képfeldolgozás, szituáció felismerés, megfogás tervezés és a robotos off-line sorrend- és pályatervezés feladatait integrált módon oldják meg.
• A kidolgozott megoldások vizsgálatra, validálására alkalmas szimulációs környezetben realizálódnak és ennek megfelelő fizikai teszt-munkaállomás is épült. A környezet alkalmas az ún. digitális ikermodell (digital twin) demonstrálására.
• Az adaptív adagolási megoldásokat felépítő elemek, részműveletek úgy kerültek kialakításra, hogy azok a már létező és folyamatosan továbbfejlesztett gyártás-végrehajtási keretrendszerben (MESS) is reprezentálva legyenek.
• Optikai elven működő erőmérő használatával univerzális mechanikus megfogó fejlesztésé történt meg. Az új univerzális megfogó készülék a hagyományos párhuzamos megfogókhoz képest 66%-kal kevesebb idő alatt végezte a megfogásokat, miközben az átvihető erő a 25%-ára csökkent.

Az adaptív adagolási feladatok megoldására új tudományos eredményeken alapuló eljárások készültek. Ezek dokumentálása egy megjelent [3] és két benyújtott folyóirat cikkben[10], [11]és két előadott konferencia publikációban [18], [27] került sor.

B5 Feladat "Optimális energiamenedzsment egyedi vállalatok és hálózatok szintjén"

A B5 Feladatban induktív energiaátvitellel működő anyagmozgató (IPT) rendszer tervezésének és menedzsment módszereinek kutatása volt a cél.

B5.3 részfeladat eredményei - "Induktív energiaátvitel tervezése és menedzsmentje logisztikai rendszerekben"

• A kutatás második évében befejeződött az IPT rendszer analíziséhez használt szimulációs modell kidolgozása.
• Elméleti módszertan kidolgozása történt meg, melynek segítségével egy jövőbeni vezető nélküli targoncás IPT rendszer tervezhetővé válik.
• Kidolgozásra került egy IPT rendszerben alkalmazható anyagáramlás irányítási koncepció autonóm szállító járművek (AGVk) számára.
• Egy egyedi építésű IPT-képes AGV mechanikus és elektromos tervezése történt meg, amely a projekt keretében létrehozott kiber-fizikai minta gyártórendszerben kerül alkalmazásra.

Az eredmények dokumentálása egy közlésre elfogadott konferencia cikkben [25], két kutatási jelentésben [31] [33] és egy előadásanyagban [19] történt meg.

C2 Feladat "BME Kiber-fizikai gyártórendszer fejlesztése"

A C2 feladat célja a kiber-fizikai gyártórendszer fizikai környezetének kialakítása, az IPT AGV rendszer telepítése, tesztelése, beüzemelése a BME G épületi műhelycsarnokában és intelligens megmunkálási eljárások kidolgozása.

C2.1 részfeladat eredményei - "A kiber-fizikai gyártórendszer infrastrukturális környezetének megtervezése és kialakítása"

• A BME G épületi műhelycsarnokában az IPT kábel a felújított rész padlójának esztrich rétegébe került beágyazásra. Az IPT-vel működtetett AGV tesztüzemeltetése megtörtént, üzemzavar nem volt tapasztalható. Az IPT rendszer tesztüzeme sikeresnek bizonyult, a rendszer üzemképes.
• A kiber-fizikai laborban megvalósítandó – elsősorban megmunkálási – technológiákkal kapcsolatban alkalmazott kutatások folytak a BME GTT más kísérleti erőforrásainak bevonásával. Új eredmények születtek a miniatűr alkatrészeket előállítani képes mikro-forgácsolás területén, és új pályatervezési algoritmusok kerültek kidolgozásra a 2.5D-ben való megmunkálások számára. A kísérletekben is verifikált eredmények az ipari alkalmazás számára közvetlenül felhasználhatók.

A tudományos eredményeket négy folyóiratcikkben [1], [4], [5], [17], míg az építkezés eredményeit youtube videóban [39], fotókon[38], interjúban [37] és jegyzőkönyvben kerültek bemutatásra [36].

C2.3 részfeladat eredményei - "Az induktív energiaátvitellel működő anyagmozgató és logisztikai rendszer megvalósítása"

• Az AGV felépítményében a vevőegység beépítése két változatban valósult, meg amik tesztelésre is kerültek (a gép forgáspontjához közeli bizonyult megfelelőbbnek). Tényleges mérésekre is sor került a tervezett mobil egységre (AGV) szerelt vevő és a padlóba épített IPT vevőegység között.
• Helyszíni mérésekkel az AGV sebesség jellemzői is vizsgálatra kerültek mindkét menetirányban, különböző terhelésekkel haladva. A mérési adatok a B5.3 feladat keretében kidolgozott szimulációs modell valós adatokkal való feltöltésére lett felhasználva.

A részfeladat eredményeinek ismertetésére kutatási jelentésekben került sor [34], [35] amelyek tartalmazzák a különböző tesztelések mérési eredményeit és azok kiértékelését is.

Nemzetközi projektekben részvétel az INEXT projekt eredményeire alapozva

• A H2020 CO-VERSATILE (konzorcium vezető a SZTAKI, 21 partner) célja a gyártórendszerek és beszállítói láncok rugalmasabbá tétele, az átállás megkönnyítése orvosi eszközökre.
• A H2020 AIDPATH „Artificial Intelligence-driven, Decentralized Production for Advanced Therapies in the Hospital" projektben rákbetegség kezelésére új terápiával kapcsolatos orvosi kutatások, a gépi tanulás és a termeléstervezés és -ütemezés legkorszerűbb eredményeinek együttes alkalmazása került javaslatra.
• EU COVR Award felhívásban az Hyd-Cob „Safe Hydroponic System Cobotisation” projekt, hazai KKV partnerrel.