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.

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"

Olyan kétszintű optimalizálási problémák matematikai háttere megoldásának kidolgozására került sor, amelyeknél az alsó szint optimalizálási kritériuma függ a felső szint megoldásától, és egy bizonytalansági tényezőtől is. A kidolgozott matematikai apparátus felteszi, hogy az alsó szint lehetséges válaszai egy diszkrét halmazból kerülnek ki.

A részfeladat eredményei egy megjelent folyóiratcikkben és egy folyóiratcikk kéziratban olvashatók [20], [21].

Az alkalmazott és kísérleti kutatás eredményei

B1 Feladat "A termelés és szállítás harmonizációja"

B1.1 részfeladat eredményei - "Hálózati modellezés és előrejelzés"

A beszállítások és a gyártás együttes ütemezésének problémájára online algoritmusok kerültek kidolgozásra, a készletezési és szállítás tervezési problémával kapcsolatban pedig tesztelés alatt áll egy egzakt megoldó algoritmus. Az implementált modellekkel és algoritmusokkal az International Conference on Automated Planning and Scheduling (ICAPS 2021) konferencia egy nyilvános nemzetközi tudományos versenyén 3. helyezést ért el a kidolgozó csapat.

A részfeladat eredményeit két folyóiratcikk [6], [7], három beküldött kézirat [16], [17], [19] és egy előadás foglalja össze [33].

B2 Feladat "Adaptív termelésirányítás"

B2.1 részfeladat eredményei - "Agilis gyártásvégrehajtási rendszer multi-ágens alapokon"

A kifejlesztett MESS rendszer a kiber-fizikai rendszerek alapvető szolgáltatási módszertanát és keretrendszerét biztosítja a különféle elszigetelt munkacellák által kínált funkcionalitások általános modellezésére, digitalizálására és integrálására egyetlen, szabványosított és bővített termelési rendszerbe (MESS 3.0 változata). A rendszer jellemzője az ágens-alapú gyártási erőforrás menedzsment, ami magába foglalja a komplex gyártási logikákat biztosító szimulációs modell tervezését és fejlesztését. Gépi tanuló és analitikai módszerek is kidolgozásra kerültek nagy adattömegekből átfutási idők megbízható becslésére.

A részfeladat eredményeit folyóiratcikkek [1], [2], [38] technikai jelentések [48], [49], [50], [51], [52] és egy video foglalja össze [55].

B3 Feladat "Technológiai tervezés"

B3.1 részfeladat eredményei - "Általános CAPP modell ember-robot kollaboratív megmunkálási és szerelési feladatok tervezéséhez"

Elkészült a pick-and-place cellák fejlesztéséhez tartozó, verifikációt is tartalmazó iteratív tervezési módszertan. Kidolgozásra került a cella virtuális reprezentációjaként szolgáló digitális ikermodell, mely minden releváns modellt tartalmaz a folyamattervezési megoldásokhoz. A fentiekhez tartozó eszközkészlet (pl. ütközésmentes szerszámpálya és integrált sorrendtervező modul) is elkészült, melyek segítségével egy kísérleti demonstrátor cella is beüzemelésre került.

Az általános sorrendtervező eszközt nyílt forráskóddal publikusan elérhető a GitHub-on.

A részfeladat eredményeit 2 PhD dolgozat [64], [65], egy társ-szerkesztett könyv [40], 4 megjelent [4], [8], [9], [10], és 2 benyújtott folyóiratcikk [23], [25], egy konferenciacikk [31], egy könyvfejezet [39], egy MSc labordolgozat [62, valamint két videó és egy publikus szoftver [54], [56] foglalja össze.

B4 Feladat "Adaptív és kollaboratív robotika"

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

Elkészült a megoldások kidolgozását támogató robotizált tesztkörnyezet, amely későbbi feladatok támogatására is bővíthető majd. Ezzel párhuzamosan korábban mért. ill. szimulált adatokból készült egy konzisztens mintaadatbázis, így a gépi tanulási eljárások on-line vizsgálata is lehetséges volt. A fentiekre támaszkodva olyan gépi tanulási (deep learning és transfer learning) módszerek kerültek kifejlesztésre/továbbfejlesztésre, melyekkel strukturálatlan, ill. részben strukturált ipari környezetben is elvégezhető a robotizált anyagmozgatáshoz szükséges objektum-felismerés.

A részfeladat eredményeit egy társ-szerkesztett könyv [40], két megjelent [8], [10] és 2 benyújtott folyóiratcikk [18], [23], két könyvfejezet [41], [42], egy konferencia cikk [59] és egy diplomamunka [61] foglalja össze.

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.

B5.1 részfeladat eredményei - "Robusztus energiamenedzsment egyedi vállalatok szintjén"

A megoldás során kiszolgálandó állomások csoportosításra kerültek, és az egyes csoportokhoz néhány AGV-t került hozzárendelésre, így több, az eredetinél nagyságrendekkel kisebb feladat-kiosztási feladatot kell megoldani. Az állomások csoportosítása a historikus anyagáram-folyamból és a távolságmátrixból felépített hálózaton alapszik. Ezen hálózaton a szorosan összetartozó állomások csoportjainak keresése történik a gráfelméletből ismert modularitás maximalizálásával.

Kifejlesztésre került egy rugalmas Python szimulációs keretrendszert a modell prediktív irányítási (MPC) feladataival kapcsolatban. A módszer validálására egy valós környezetből származó adatokra épülő energiafolyam optimalizálási problémán került sor.

Az eredmények két folyóirat [3], [5], és három konferencia közleményben [27], [30], [32] jelentek meg.

B5.2 részfeladat eredményei - "Játékelméleti modellek hálózatok optimális energiamenedzsmentjére"

A robusztus kétszintű energiamenedzsment feladat egy speciális esetére, az ún. pesszimista esetre hatékony megoldó eljárás került kidolgozásra. A robusztus kétszintű energiamenedzsment feladatnak az a változata került vizsgálatra, melyben az energiaszolgáltató nem ismeri tökéletesen a fogyasztók egyes döntési paramétereinek pontos értéket, csak egy konvex tartományt, amelyből azok származhatnak.

Az eredményeket egy megjelent folyóiratcikk [20] írja le.

B6 Feladat "Szenzor-alapú folyamatvezérlés"

B6.1 részfeladat eredményei - "Valós idejű megmunkálási és gépállapot adatgyűjtés"

A kiber-fizikai gyártórendszer folyamatai monitorozási megoldásainak szakirodalmi kutatása és ezek értékelése történt meg. A folyamatmérésre alkalmas szenzorok kiválasztásra kerültek, ezek rendelkezésre is állnak. A mérőrendszeren belül az adatgyűjtést biztosító szoftverek elérhetők.

A részfeladat eredményeit 1 db megjelent folyóiratcikk [22], 1 benyújtott és megvédett PhD értekezés [63], valamint egy előkészítés alatt álló folyóiratcikk [26] foglalja össze.

B6.2 részfeladat eredményei - "Intelligens előrejelző algoritmusok fejlesztése a gyártási folyamatok optimalizálása céljából"

Az adott témakörökben irodalomkutatás és ezek eredményeinek értékelése történt meg. Meghatározásra kerültek a gépi tanulást alapul vevő, a forgácsleválasztási eljárásokhoz, valamint a korszerű gyártástechnológiához illeszkedő lehetséges kutatási területek. Előrelépés történt egy gépi tanuló algoritmus, az ún. Adaptív, Hibrid, Jellemző-válogatás (AHFS) gyártási alkalmazásának területén (esztergálás, szikraforgácsolás stb.), valamint a megerősítéses tanulás gyártási minőség-szabályzására vonatkozó kiterjesztésben.

A részfeladat eredményei 6 folyóiratcikkben [11], [12], [13], [14], [15], [24], 1 könyvfejezetben [35] és egy összefoglaló tanulmányban [43] kerültek publikálásra.

B7 Feladat "A komoly játék (serious game)"

B7.1 részfeladat eredményei - "Serious game módszerekkel támogatható termelési és logisztikai feladatok körének meghatározása"

Elkészült a termelési és logisztikai feladatok területein alkalmazható serious game módszerek áttekintő tanulmánya és az ezen a területeken egy megoldás-támogató módszer koncepciója és szoftver specifikációja egy kidolgozott alkalmazási példával.

Az eredményeket három belső tanulmány [44], [45], [46], és egy benyújtott konferencia cikk [29], foglalja össze.

C1 Feladat "Adaptív és kollaboratív robotikai munkaállomás"

C1.1 részfeladat eredményei - "Adaptív és kollaboratív robotos szerelés megvalósítása; Tervezés és megvalósítás"

Franka Panda 7 csuklós kollaboratív robot vezérlésének kifejlesztése a hivatalos ROS metapackage valamint a MoveIt pályatervező API segítségével amely támogatja az erővisszacsatolásos feladatok megoldását is. Különböző UR robotokon tesztelt TCP kalibrálási módszer kidolgozása is megtörtént, aminek célja, hogy automatikusan át lehessen konfigurálni a szerelési lépéseket egyik robotról a másikra.

2021. júliusában került megrendezésre 4 ország diákjainak online formában szervezett, a kollaboratív robotikát oktató nyári iskola, mely az ún. Learning Factory módszertanát követte. A diákok a gömbcsap szerelés végrehajtásához postán elküldött kézi szerelőkészletet használtak, illetve a SZTAKI által kifejlesztett web-es ÚR szimulátort. A megtervezett szereléseket a SZTAKI győri Ipar 4.0 laborjában a valódi robot is el tudta végezni, melyet a diákok követhettek stream-elt videó segítségével.

A részfeladat eredményeit két konferencia cikk [28], [34], egy TDK dolgozat [58], és a nyári iskola előadásanyaga foglalja össze. [36], [37].

C2 Feladat "BME Kiber-fizikai gyártórendszer fejlesztése"

C2.2 részfeladat eredményei - "A meglévő berendezések és digitális gyártási megoldások rendszerbe integrálása"

A meglévő berendezések telepítése és beüzemelése a BME GTT a kiber-fizikai gyártórendszer területén, az adott elrendezési tervnek megfelelően megtörtént.

A részfeladat eredményeit egy beszámoló [47], és egy alaprajz [57] foglalják össze.

C3 Feladat "Eredmények ipari Internet of Thing (IIoT) alapú kiajánlása és kísérleti rendszerek integrációja"

C2.2 részfeladat eredményei - "A projekt fejlesztéseinek IIoT platformba építése"

Kérdőív kidolgozása a szolgáltatások felméréséhez Google Docs-ban és a Platform infrastruktúra konfigurációja a Linux-Docker szerver elkészült, a Camunda szerver és BPMN szerkesztő adaptálása folyamatban van. A projektben elkészült az általános robotos sorrendtervező alkalmazás felhő-alapú implementációja, mely HTTP Rest kommunikáción alapul, és konténerizált formában (Docker) telepíthető és indítható, ezzel segítve az integrációt a különféle alkalmazásokban és demonstrációkban.

A részfeladat eredményei egy tanulmányban [53] és egy TDK dolgozatban [60] kerültek összefoglalásra.