CC BY
23
Nesterenko Oleg Evgenevich, candidate of technical sciences, lecturer, [email protected], Russia, St. Petersburg, Military Space Academy named after A.F.Mozhaisky,
Popov Dmitriy Gennadievich, postgraduate, [email protected], Russia, St. Petersburg, Military Space Academy named after A.F.Mozhaisky
УДК 62-526
DOI: 10.24412/2071-6168-2022-4-147-157
СПЕЦИФИКА АРХИТЕКТУРЫ ЦИФРОВОГО ДВОЙНИКА КОЛЛАБОРАТИВНОГО РОБОТИЗИРОВАННОГО ПРОЦЕССА НА БАЗЕ
МУЛЬТИАГЕНТНЫХ СИСТЕМ
М.А. Горькавый, А.И. Горькавый, В.А. Соловьев, В.П. Егорова, М.А. Мельниченко
В работе рассматривается проблематика интеграции объектов физического мира с их виртуальными аналогами - имитационными моделями цифрового двойника. Необходимость поиска современных алгоритмов и форматов взаимодействия виртуальных агентов особенно остро стоит в процессах создания цифровых двойниках динамично развивающихся высокотехнологичных производств на базе коллаборативных машин. Предлагаемые элементы унифицированного подхода к разработке классов имитационных моделей систем управления роботизированным производственным процессом позволят повысить оперативность и объективность принимаемых решений.
Ключевые слова: интеллектуальные системы, автоматизация, программирование, технологические процессы, агентное моделирование, коллаборативные производственные процессы.
В условиях нарастающей динамики внедрения роботизированных комплексов практически во всех сферах деятельности современной экономики перед учеными и специалистами возникает все более комплексный и наукоемкий пласт проблем, связанных с необходимостью обеспечения построения адаптивных человеко-машинных систем, функционирующих в производственных условиях и решающих уникальные нетривиальные либо комплексные технологические задачи.
Обеспечение максимальной эффективности таких систем, как правило, реализуется за счет системного использования передовых информационных и инженерных технологий, а также научных решений, среди которых ключевыми инструментами являются: искусственный интеллект (ИИ), цифровой двойник (digital twin - DT), объектно-ориентированный подход (ООП), а также различные комбинации реализаций аппаратного обеспечения в составе сенсорно оснащенных промышленных роботов и ме-хатронных модулей, либо коллаборативных машин, что интегрируется в одну общую коллаборативную роботизированную технологию (human-robot collaborative technology). Данная технология, согласно [1-3], определяет три направления совершенствования коллаборативных роботизированных систем: физические объекты в реальном пространстве, цифровые объекты в виртуальном пространстве, интерфейсы связи физического и виртуального пространств.
Анализ работ зарубежных и отечественных ученых демонстрирует очень высокую сложность достижения конечного результата требуемого качества [3, 4]. Чаще всего это обусловлено необходимостью формирования большой экспертной базы, перекрывающей весь комплекс вопросов, что является весьма ресурсозатратным процессом. Кроме того, даже при наличии готовых решений по отдельным подсистемам, например,
[5-10], представляется проблематичной организация процесса интеграции локальных проектных решений ввиду отсутствия четких и однозначно интерпретируемых механизмов унификации [11]. Конечно, интеграция может быть осуществлена в режиме наладки системы непосредственно в условиях производственного процесса путем разработки и внедрения дополнительных элементов программного обеспечения, но данный вариант в конечном итоге может привести к существенному снижению свойств адаптивности системы в целом и лишить возможности реализовывать оптимизационные процедуры в автоматическом режиме.
Поскольку ядром любой современной коллаборативной роботизированной системы является высоковзаимосвязанная совокупность интеллектуальных алгоритмов вывода [3] и сети модулей цифрового двойника, то научные проблемы поиска унифицированного подхода к разработке классов имитационных моделей систем управления роботизированным производственным процессом на базе коллаборативных машин являются одними из приоритетных, а потенциал повышения эффективности процесса определяет целесообразность научных исследований.
Методология. Для обеспечения достаточной степени унификации первоочередное внимание следует уделить структуре виртуальных моделей элементов реального мира - модулей цифрового двойника, а также их интерфейсам по отношению к внешней среде, и, особенно, к внутренней. Несмотря на то, что обеспечение совместимости внешних интерфейсов может быть решено путем создания программных модулей адаптеров силами инженеров по наладке систем непосредственно в условиях производства, обеспечение совместимости внутренних интерфейсов (в случае их несовместимости в результате попытки внедрения нового модуля или т.п.) потребует более серьезных компетенций и понимания функционирования имитационной модели в целом.
Коллаборативные или роботизированные системы (human-robot collaborative technology - HRC [1, 12, 13]), оснащенные сенсорикой (модернизированные системы) имеют как свою специфику технологических и производственных процессов, так и общие характеристики, свойственные для классических автоматизированных систем на базе жестких алгоритмов. При этом одним из механизмов одновременного существования концепций специализации и абстракции частей системы является, хорошо зарекомендовавший себя, объектно-ориентированный подход [14], в том числе в задачах разработки цифровых двойников в условиях специфичных для роботизированных производств на базе коллаборативных машин [15, 2, 4]. В большинстве случаев объектно-ориентированное программное обеспечение, реализующее интеллектуальные системы управления роботизированным процессом на базе цифрового двойника, весьма эффективно [3].
Планы использования ООП на стадии разработки программного обеспечения влияют на все этапы жизненного цикла создания систем управления роботизированным процессом (СУРП), в том числе и на стадии синтеза поля знаний, при котором и закладываются базовые основания классификации и форматы интерфейсов. Поскольку основными единицами разрабатываемой структуры системы при ООП являются класс и объект, то именно вопросы создания и определения методов и полей классов являются фундаментальными, а подход к реализации процесса проектирования должен быть унифицирован [14]. Кроме того, применение ООП позволит обеспечить унификацию интерфейсов за счет полиморфизма системы, например, с применением виртуальных методов (функций), что в результате обеспечит конечного пользователя и инженерных работников инструментами, позволяющими фрагментарно модернизировать функционирующие системы, т.е. предоставить максимально выгодные форматы и протоколы взаимодействия для модульной корректировки параметров и структуры модели [11].
Содержание классов и их иерархия обычно представляются при помощи языка моделирования UML [16], на основании семантических сетей [17] (или других инструментов формирования поля знаний), построению которых предшествуют стадии структурной и функциональной декомпозиции [2]. Структурные схемы, например, представ-
ленные в [11], создают предпосылки формирования баз данных как элементов базы знаний СУРП на базе DT, а процессные модели, представляемые, например, в нотации IDEF0 [18], определяют причинно-следственные связи, критерии и функционалы качества подсистем оптимизации. При этом при разработке комплексного DT не обходят стороной и технико-экономическую составляющую процесса, идентификация параметров которого может осуществляться при помощи временных, ресурсных и экономических моделей, карт рисков, интегральных показателей качества и других инструментов
[4].
При проектировании комплексного решения СУРП на базе DT, при наличии большой стохастической составляющей объектов и процессов управления, а также слабо детерминированной внешней среды методы агентного моделирования могут обеспечить DT инструментами, способными прогнозировать адекватные и эффективные управленческие решения [14]. В свою очередь, использование агентов как элементов имитационной модели еще раз подчеркивает важность унификации задач проектирования классов. Тем не менее, помимо наличия у агентного подхода значительного потенциала повышения точности и адекватности моделирования сложного объекта, он не лишен и слабых сторон, одна из которых - значительная нагрузка на вычислительные мощности. Снизить нагрузку можно благодаря интеллектуализации вычислительных алгоритмов СУРП на базе DT в части внутренней логики поведения агентов, логики их коммуникации, общих алгоритмов настройки и анализа модели, формирования итоговых управленческих решений и интерфейсов. Так, например, некоторые методы агентов могут быть реализованы с использованием нейросетевых технологий, что снизит размерность виртуального объекта при незначительной потере качества [19], либо нейронные сети могут быть использованы для создания упрощенных моделей агентов внутри другого агента, отражая знания текущего агента о его окружении. Применение иерархических нечетких и нейро-нечетких систем позволит упростить идентификацию параметров процессов при дообучении функционирующего DT (reinforcement learning algorithm [1]), либо ускорить процесс первичной идентификации нелинейных зависимостей [20], поскольку коллаборативные роботизированные процессы характеризуются широким спектром технологических параметров, установление фундаментальных зависимостей между которыми осложнено информационной ограниченностью, а также требует большого количества трудовых и временных ресурсов для проведения исследований. Генетические алгоритмы могут быть использованы для решения задачи многофакторной оптимизации, например, как представлено в [21], где авторами успешно решены задачи оптимизации траектории перемещения робота и ухода его от коллизий, интерфейс между физическим и виртуальным миром в рамках системы управления и оптимизации движением робота на базе цифрового двойника реализован на базе игрового движка Unity, применение интеллектуального подхода позволило авторам позиционировать мобильного робота с высокой точностью и повторяемостью в рамках технологического процесса.
Фрагментарно использование представленных методов и технологий научными коллективами и инженерами производства позволяет на текущий момент применять СУРП на базе DT. Результаты исследований в нескольких отраслях промышленности, определяющие перспективы применения collaborative digital twin, представлены в [22]. Однако весь потенциал коллаборативных роботизированных технологий и DT не использован, особенно в вопросах разработки киберпространства для человека внутри HRC-системы [11, 2], повышения степени интеллектуализации алгоритмов [21, 23] и в задачах унификации и стандартизации интерфейсов и форматов [11].
Результаты и обсуждение. Ключевым при разработке унифицированного подхода к проектированию элементов цифрового двойника - агентов (объектов), описываемых классами, является концептуальное понимание принципов организации взаимодействия между физическим миром и киберпространстом виртуального мира предприятия [11], а также единые подходы при формировании полей знаний [16]. На рис. 1
представлена концептуальная схема коммуникации объектов физического мира - физических систем и процессов (physical system - PS) - с объектами виртуального мира, представленного сетью DT. Важным элементом схемы является система глобальных и локальных интерфейсов, реализующих трансфер информации между киберпростран-ством и физическим миром IN (локальный интерфейс) и GIn (глобальный интерфейс). Согласно [11, 2] целесообразным является выделение в отдельную группу пары «физический объект - виртуальный объект» и совокупность процессов, реализуемых человеком (human system - HS) и его цифровой моделью (digital human system - DHS). Ключевым критерием оценки эффективности двух систем является физический продукт для физических систем и виртуальный продукт для виртуальных систем.
При этом качество полученных решений будет зависеть от характера взаимодействия физического (physical world - PW) и виртуального (cyber world - CW) пространств, т.е. степени их коммуникации (physical and cyber world (PCW) connection), обеспечивающей погружение систем HS (операторов, инженеров, руководителей) в производственные процессы на стыке виртуального и реального миров.
Цифровой двойник включает в себя интеллектуальную систему управления и принятия решения, которая может формировать управленческие воздействия на объекты реального мира (через интерфейсы). Спецификой данной системы является возможность оперирования виртуальными моделями физического объекта одновременно в нескольких временных измерениях, групп прошлое (DTp), настоящее (DTpr) и будущее (DTf). Модель DTpr отражает текущее состояние объекта и актуализируется с использованием объективных средств измерения и оценки параметров на стороне PS, через интерфейсы GIn и IN.
При трансфере управляющего воздействия в обратном направлении, т.е. в стороны запроса изменения параметров объекта в целях повышения эффективности его функционирования, DTpr предварительно использует функции опыта прошлого DTp и прогнозирования будущего DTf.
PW
HS
PSi
PS
n
61 (1... n)
; (U1
(b)
--->
/wTk—
-в1-
Gl
n
DTp DTpr
jTt
ICS
DT
L
Рис. 1. Концептуальная схема взаимодействия систем физического мира с цифровыми двойниками киберпространства
Для обеспечения адекватности цифровых двойников и организации их эффективной связи с объектами реального мира их элементы - агенты должны поддерживаться сетью моделей и интерфейсов (табл. 1). Функционирование моделей (их динамика) обеспечивается несколькими группами методов, основными из которых являются методы внутриагентного интеллекта, мультиагентного взаимодействия и межуровнево-го взаимодействия агентов (между слоями иерархии) (табл. 2).
150
Таблица 1
Группы моделей, определяющих поведение агента в цифровом двойнике_
Тип модели Краткое описание Обозначение Методы
1. Geometry Реализация траекторных перемещений в пространстве рабочей области Geom. Геометрические
1.1 Forms Моделирование формы в трехмерном пространстве 3D -
1.2 Parts Моделирование траекторий движений объектов в пространстве Parts -
1.3 Collisions Моделирование столкновений объектов в пространстве Collis. -
2. Behavior Организация процесса агентного взаимодействия (стохастических событий) Ag. B. Агентное моделирование
2.1 Logic Реализация внутренней логики агента Logic Математические
2.2 Aim calculation Вычисление целевой функции агента Aim. C. Математические
2.3 System aim calculation Интерпретация целевой функции внешней среды (интегрированной целевой функции системы) S. Aim. Нейронные сети, нечеткая логика
3. Interfaces Обеспечение взаимодействия агента Interf Агентное моделирование
3.1 Internal communication (with agents) Обеспечение взаимодействия агента между агентами одного уровня иерархии In.I Агентное моделирование
3.2 External communication (with environment) Обеспечение взаимодействия агента между агентами разных уровней иерархии и внешней средой Ex.I Агентное моделирование
4. Recourse consumption Выявление взаимосвязей между переменными с целью оптимизации затрат ресурсов Res. Логика, математическая статистика, нейронные сети, нечеткая логика
4.1 Energy consumption Выявление взаимосвязей между переменными с целью оптимизации затрат электрической энергия (является основным ресурсом для кол-лаборативных машин и других элементов роботизированных систем) Ener. Базирующиеся на физических законах аналитические модели, нейронные сети, нечеткая логика
4.2 Knowledge Моделирование ресурсов требуемых компетенций Know. Нечеткая логика
4.3 Finances Моделирование финансовых ресурсов Fin. Математические методы, инвестиционное проектирование, финансовые показатели
4.4 Human resources Моделирование человеческих ресурсов Hum. Нечеткая логика, продукционные правила
4.5 Computing power recourse Учет и моделирование нагрузки на вычислительные системы Calc. Общие математические методы
5. Parallel time dependent calculating Поддержание в параллельном режиме нескольких виртуальных моделей (рассинхронизиро-ванных по времени) Time Программные средства ООП, нейронные сети, математическая статистика
5.1 Past (history) в прошлом времени Past Математическая статистика
5.2 Present в настоящем времени Pres. Математическая статистика, нейронные сети, нечеткая логика
5.3 Future (prediction) в будущем времени Future Нейронные сети, нечеткая логика
6. Virtual world running Модель необходима для организации погружения оператора, обеспечивающего течение производственных процессов на стыке виртуального и реального миров VWR Программные средства ООП, SCADA системы, ERP, HRM, EAM и другие модули
Адекватное реальности функционирование агентов имитационных моделей цифрового двойника достигается за счет одновременного расчета всех обеспечивающих его поведение моделей согласно сетевой структуре распределенной виртуальной среды (рис. 2).
Преимуществом предлагаемого в работе подхода является возможность обеспечения платформенного решения для общей модели DT. Свойство модульности должно обеспечить возможность легкой замены программных решений реализации отдель-
ных моделей в случае их модернизации или актуализации. Поскольку для коллабора-тивных роботизированных процессов задача вычисления и оптимизации траекторий перемещения ^еот), исключающих коллизии, является одной из приоритетных, можно использовать успешные практики авторов [24]. В качестве основ для реализации моделей оптимизации энергетических ресурсов - снижения затрат электрической энергии целесообразно использовать результаты обзора методов в [23], а также разработки авторов [5, 24, 25, 26, 27, 13, 28, 14, 17, 18, 16, 6, 7, 8, 19].
Таблица 2
Группы используемых методов_
Назначение групп методов Пример объявления метода на языке С++
1. Инициализация собственных полей returnDataType setData( dataType argName1, dataType argName2, ..., dataType argNameN);
2. Получение значений собственных полей returnDataType getData( dataType argName1, dataType argName2, ..., dataType argNameN);
3. Реализация собственной логики returnDataType runMethod( dataType argName1, dataType argName2, ..., dataType argNameN);
4. Демонстрация значений собственных полей void showData();
5. Инициализация полей взаимодействующего объекта void setAnotherObjectData( dataType* pointerArgName1, dataType* pointer-ArgName2, ..., dataType* pointerArgNameN);
6. Запуск методов взаимодействующего объекта void runAnotherMethod( dataType* pointerArgName1, dataType* pointer-ArgName2, ..., dataType* pointerArgNameN);
7. Инициализация нового объекта void initializeNewObject (className* pointerArgName1, className** pointer-ArgName2, ..., className* pointerArgNameN)
Проектирование интерфейсов прежде всего должно опираться на существующие международные стандарты, краткая характеристика которых представлена в работе [11].
Большинство ресурсных моделей (Fin., Hum., Calc. и другие) и временные модели (Time) поддаются классификации и при небольшой настройке могут тиражироваться в другие DT, в том числе и в мобильной робототехнике [28]. Например, варианты расчета временных ресурсов, определения ключевых показателей эффективности, функционалов качества процесса, критериев эффективности, параметров технико-экономических моделей [4], результатов функциональной и структурной декомпозиций, индикаторов эффективности могут быть установлены в соответствии с общепринятыми решениями, широко представленными в фундаментальной литературе. В то же самое время модели поведения агента (Ag. B) имеют свою специфику и характеризуют особенности текущего коллаборативного роботизированного процесса.
Рис. 2. Сетевая структура распределенной виртуальной среды агента БТ
152
Использование представленной сети (рис. 2) в качестве инструмента унификации при проектировании элементов цифровых двойников обеспечит повышение свойств адаптивности имитационных моделей в случае необходимости коррекции их внутренней структуры в силу модульности предложенного решения и установления взаимосвязей между отдельными группами моделей.
Семантическая сеть, отражающая взаимодействие PCW, на уровне информационных сущностей представлена на рис. 3. На схеме основными носителями значений переменных состояния PS являются агенты (объекты) О, их внутренняя структура определяется классами С (в том числе, типами данных V;), образующих библиотеки Си. Методы классов МЕ согласованы с типами моделей Мг и образуют группы методов MG. Внутренняя логика агентов основана на анализе значений переменных состояния V и вычислениях, обрабатывающих их методов, включающих интерфейсы I, взаимодействующие с физическим миром PW через внешние интерфейсы Р1. Это позволит идентифицировать процессы коммуникации физического и цифрового пространств для повышения качества разработки систем управления имитационных моделей DT за счет структурирования информации в виде объектов и классов, согласно методологии ООП.
where [1.„П|] - array dimension
Рис. 3. Семантическая сеть, отражающая взаимодействие PCWна уровне информационных сущностей: CLi — библиотеки классов; I — интерфейсы;
PW — физический мир; M — модели; MG — группы методов; Mt — типы моделей;
ME — методы; PI — физические интерфейсы; O — объекты (агенты); C — классы;
Vt — типы данных; V — переменные и константы
Заключение. В ходе проведенных авторами исследований существующих моделей и методов в области разработки эффективных подходов к управлению роботизированными процессами на базе цифровых двойников была выявлена необходимость поисков путей интеграции и унификации отдельных структурных и функциональных решений. Предложенная авторами концептуальная схема взаимодействия систем физического мира с цифровыми двойниками киберпространства (рис. 1) отражает необходимость концентрации внимания на глобальной задаче повышения качества физического продукта производства на основе решений, полученных в виртуальных процессах повышения качества цифрового продукта интеллектуальными алгоритмами вывода и базами знаний, актуализируемых через интерфейсы коммуникации миров. Архитектурные решения (рис. 2), отражающие сетевую структуру распределенной виртуальной среды базовой единицы DT - агента имитационной модели позволят повысить гибкость программного обеспечения, реализующего DT, в том числе за счет структуризации мо-
делей и методов, определяющих поддержание цифровой системы в актуальном состоянии через интерфейсы (рис. 3) в формате семантической сети, отражающей взаимодействие PCW, на уровне информационных сущностей.
Учет предложенных в работе концептуальных положений проектировщиками и разработчиками подсистем цифровых двойников роботизированных процессов позволит повысить степень модульности отдельных подсистем и обеспечит возможность применения мультипроектного подхода для комплексных задач и интегрированных технологических процессов.
Благодарности. Данное исследование выполнено в рамках деятельности Консорциума устойчивого развития и технологического лидерства и НИОКТР «Разработка методов повышения энергетической эффективности роботизированных технологических процессов», финансируемой за счет средств ФГБОУ ВО КнАГУ № ВН002/2020. Исследование проводилось с использованием оборудования Научно-образовательного центра «Промышленная робототехника и передовые промышленные технологии».
Список литературы
1. Sun X., Zhang R., Liu S., Lv Q., Bao J., Li J., «A digital twin driven human-robot collaborative assembly commissioning method for complex products» The International Journal of Advanced Manufacturing Technology, 118:3389-3402, 2022.
2. Giberti H., Abbattista T., Carnevale M., Giagu L., Cristini F. A Methodology for Flexible Implementation of Collaborative Robots in Smart Manufacturing Systems. Robotics, 11(1), № 9, 2022.
3. Rosen R., Von Wichert G., Lo G., Bettenhausen K.D. About the importance of autonomy and digital twins for the future of manufacturing // IFAC-PapersOnLine, 2015. 28 (3). P. 567-572.
4. Calvo R., Gil P. Evaluation of collaborative robot sustainable integration in manufacturing assembly by using process time savings. Materials, 15(2), 2022. 611 p.
5. Андрюшкевич С.К., Ковалев С.П., Нефедов Е.И. Подходы к разработке и применению цифровых двойников энергетических систем, Платформа, 2019. №12. С. 28-33.
6. Frolov A.V. The experience of the portal machine control system modernizing for automatic arc welding and surfacing in a shielded gas, Lecture Notes in Networks and Systems, 2021. Vol. 200. P. 622-631.
7. Frolov A.V. Installation of automatic welding of elements of ship pipelines // Marine intellectual technologies, 2021. Т. 2. № 2(52). P. 91-96.
8. Zaychenko I.V., Sokolova V.S., Gordin S.A., Bazheryanu V.V. Modeling the air flow cooling process and determining the geometric dimensions of the GASK model // Journal of Physics: Conference Series, 2021. 2096(1).
9. Sukhorukov S., Cherniy S., Bogatenkov S., Borodin I., Bazhenov R., Chuyko O. A distributed algorithm of control software processing for a robotic laser welding complex // Proceedings - 2020 Global Smart Industry Conference, GloSIC 2020, Chelyabinsk, 2020. P. 171-177.
10. Sukhorukov S., Mokritskiy B., Morozova A. Development of a security subsystem of a robotic laser welding complex // Lecture Notes in Electrical Engineering, 729 LNEE, 2021. P.642-652.
11. Lu Y., Liu C., Wang K.I.-K., Huang H., Xu X. Digital Twin-driven smart manufacturing: Connotation, reference model, applications and research issues // Robotics and Computer-Integrated Manufacturing, 61, 2020. P. 101837.
12. Horii T., Nagai Y. Active inference through energy minimization in multimodal affective human-robot interaction, 2021. Front. Robot. AI 8:684401.
13. Reyes M.E., Meza I.V., Pineda L.A. Robotics facial expression of anger in collaborative human-robot interaction // International Journal of Advanced Robotic Systems, 2019. P. 1-13.
14. Bonnard R., Has^t J.Y., Mognol P., Zancul E., Alvares A.J. Hierarchical object-oriented model (HOOM) for additive manufacturing digital thread, 2019. J. Manuf. Syst., 50. P. 36-52.
15. Negri E., Fumagalli L., Macchi M. A Review of the Roles of Digital Twin in CPS-based Production Systems // Procedia Manufacturing, 2017. 11. P. 939-948.
16. Muñoz P., Karkhanis P., M. van den Brand, Vallecillo A. Modeling Objects with Uncertain Behaviors // Journal of Object Technology, 2021. 20 (3). P. 1-16.
17. Shi X., Tian X., Wang G., Zhao D. Semantic-based assembly precision optimization strategy considering assembly process capacity. Machines, 2021. 9(11). 269 p.
18. Micheler S., Mey Y. Goh, Lohse N. A transformation of human operation approach to inform system design for automation // Journal of Intelligent Manufacturing, 2021. 32. P. 201-220.
19. Efimov A., Gorkavyy M., Gorkavyy A. Predicting power consumption of robotic complex based on neuro-fuzzy system // Proceedings - 2020 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM 2020, Sochi, 2020. P. 9112066.
20. Мордвинов Д.А., Литвинов Ю.В. Обзор применения формальных методов в робототехнике // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление, 2016. № 1 (236). С. 84-107.
21. Liu X., Jiang D., Tao B., Jiang G., Sun Y., Kong J., Tong X., Zhao G., Chen B. Genetic Algorithm-Based Trajectory Optimization for Digital Twin Robots // Frontiers in Bioengineering and Biotechnology, 2022. 9. P. 793782.
22. Eirinakis P., Lounis S., Plitsos S., Arampatzis G., Kalaboukas K., Kenda K., Lu J., Rozanec J.M., Stojanovic N. Cognitive Digital Twins for Resilience in Production: A Conceptual Framework // Information (Switzerland), 2022. 13 (1). P. 33.
23. Yao M., Shao Z., Zhao Y. Review on energy consumption optimization methods of typical discrete manufacturing equipment // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2021. 13015 LNAI, P. 48 - 58.
24. Yin S., Ji W., Wang L. A machine learning based energy efficient trajectory planning approach for industrial robots. Procedia CIRP, 2019. 81. P. 429-434.
25. Liu A., Liu H., Yao B., Xu W., Yang M. Energy consumption modeling of industrial robot based on simulated power data and parameter identification // Advances in Mechanical Engineering, 2018. Vol. 10(5). P. 1-11.
26. Palomba I., Wehrle E., Carabin G., Vidoni R. Minimization of the energy consumption in industrial robots through regenerative drives and optimally designed compliant elements // Applied Sciences (Switzerland), 2020. 10 (21). paper № 7475, P. 1-18.
27. Soriano L.A., Rubio J.d.J., Orozco E., Cordova D.A., Ochoa G., Balcazar R., Cruz D.R., Meda-Campaña J.A., Zacarías A., Gutierrez G.J. Optimization of sliding mode control to save energy in a scara robot. Mathematics, 2021. 9, 3160.
28. Grigore L.S., Priescu I., Joita D., Oncioiu I., The integration of collaborative robot systems and their environmental impacts. Processes, 8 (4), 2020. P. 494.
Горькавый Михаил Александрович, канд. техн. наук, заведующий кафедрой, [email protected], Россия, Комсомольск-на-Амуре, Комсомольский-на-Амуре государственный университет,
Горькавый Александр Иванович, канд. техн. наук, доцент, [email protected], Россия, Комсомольск-на-Амуре, Комсомольский-на-Амуре государственный университет,
Соловьев Вячеслав Алексеевич, д-р техн. наук, профессор, epapu@,knastu.ru, Россия, Комсомольск-на-Амуре, Комсомольский-на-Амуре государственный университет,
Егорова Валерия Павловна, аспирант, старший преподаватель, [email protected], Россия, Комсомольск-на-Амуре, Комсомольский-на-Амуре государственный университет,
Мельниченко Маркел Андреевич, аспирант, преподаватель, [email protected], Россия, Комсомольск-на-Амуре, Комсомольский-на-Амуре государственный университет
THE ARCHITECTURE'S SPECIFICITY OF A COLLABORATIVE ROBOTIC PROCESS DIGITAL TWIN BASED ON MULTI-AGENT SYSTEMS
M.A. Gorkavyy, A.I. Gorkavyy, V.A. Solovev, V.P. Egorova, M.A. Melnichenko
The paper deals with the problem of integrating objects of the physical world with their virtual counterparts - simulation models of the digital twin. The need to search for modern algorithms and formats for the interaction of virtual agents is especially acute in the process of creating digital twins of dynamically developing high-tech industries based on collaborative machines. The proposed elements of a unified approach to the development of classes of simulation models of control systems for a robotic production process will increase the efficiency and objectivity of decisions made.
Key words: intelligent systems, automation, programming, technological processes, agent-based modeling, collaborative production processes.
Gorkavyy Mikhail Aleksandrovich, candidate of technical sciences, head of the department, mixkomsa@gmail. com, Russia, Komsomolsk-on-Amure, Komsomolsk-na-Amure State University,
Gorkavyy Aleksandr Ivanovich, candidate of technical sciences, docent, [email protected], Russia, Komsomolsk-on-Amure, Komsomolsk-na-Amure State University,
Solovev Vyacheslav Alekseevich, doctor of technical sciences, professor, epapu@,knastu.ru, Russia, Komsomolsk-on-Amure, Komsomolsk-na-Amure State University,
Egorova Valeria Pavlovna, postgraduate, head teacher, [email protected], Russia, Komsomolsk-on-Amure, Komsomolsk-na-Amure State University,
Melnichenko Markel Andreevich, postgraduate, teacher, [email protected], Russia, Komsomolsk-on-Amure, Komsomolsk-na-Amure State University
