​

Tematy prac doktorskich realizowanych w ramach grantu „Automated Guided Vehicles integrated with Collaborative Robots for Smart Industry Perspective” (CoBotAGV)

 

Zagadnienia realizowane wspólnie przez Politechnikę Śląską i Wester Norway University of Applied Sciences (HVL).

Możliwość realizacji „joint doctorate” doctorate z HVL dla doktoranta Politechniki.

 

Promotor: dr hab. inż. Rafał Cupek

 

Proponowany temat pracy doktorskiej

PhD thesis : Agent-based methodology for hybrid data fusion dedicated for implementing a digital twin (Zastosowanie podejścia wielo-agentowego dla hybrydowej fuzji danych dedykowanej dla realizacji cyfrowego bliźniaka w przemyśle 4.0)

WP2. Communication between CoBotAGVs and Production Stands and Production System

Badania przewidziane do realizacji przez zespół międzynarodowy

T2.4 Simulation environment for production planning and optimizing.

Data collected during production activities should be the subject for data mining predictive analysis. The predictions obtained in this way will be key parameters according to data model and will be used to verify the internal logistics plan through simulation. The simulations will be performed by agent-based environment that will combine real data that will very detail describe current state of production system with predicted parameters that will be the output for simulation modules. Simulation results will be compared with actual results and feedback will be send to analytics part in order to refine prediction accuracy.

 

Promotor: dr hab. inż. Adam Ziębiński

 

Proponowany tytuł rozprawy doktorskiej

„Metody wspomagające precyzję dokowania systemów AGV do stanowiska montażowego”

Cel proponowanego tematu badawczego

Opracowanie metod i algorytmów wspomagających precyzyjne dokowanie systemów AGV do stanowiska montażowego. Komunikacja M2M pomiędzy stanowiskiem montażowym i systemem AGV powinna być realizowana z wykorzystaniem Robot Operating System (ROS). Umożliwi to uzyskanie przez systemu AGV informacji dotyczących wymagań dokowania do danego stanowiska montażowego. Potwierdzenie dokowania do prawidłowej stacji montażowej powinno być zrealizowane poprzez system wizyjny i wykorzystanie RFID/NFC. Czujniki zainstalowane w systemie wbudowanym AGV zostaną wykorzystane do zwiększenia precyzji dokowania. Wykonanie badań poszczególnych sensorów (kamer, lidarów, żyroskopu, akcelerometru, koderów optycznych,..), pozwoli określić ich wpływ na dokładność pomiarów odległości. Zastosowanie metod dedykowanych dla fuzji danych, eksploracji danych oraz sztucznej inteligencji, pozwoli na opracowanie algorytmów zwiększających dokładność pomiarów odległości. Zastosowanie metod rozpoznawania opartych na systemie wizyjnym pozwoli opracować algorytmy zwiększające precyzję dokowania do stanowiska montażowego. Wszystkie przygotowane metody zostaną wykorzystane do opracowania metod i algorytmów umożliwiających precyzyjne dokowanie do wyznaczonego miejsca dla stanowiska montażowego.

 

Proponowany tytuł rozprawy doktorskiej

„Metody wspomagające analizę danych na bazie monitorowania ruchu sieciowego w czasie rzeczywistym”. (temat realziowany poza CoBotAGV)

Cel proponowanego tematu badawczego

Opracowanie metod i architektur sprzętowo-programowych wspomagających analizę danych na bazie monitorowania ruchu sieciowego w czasie rzeczywistym. System monitorowania i analizy ruchu sieciowego w czasie rzeczywistym powinien być zrealizowany z wykorzystaniem układów reprogramowalnych typu FPGA z podłączonymi min 4 modułami Gb Ethernet oraz złączem PCIE umożliwiającym szybką i bezpośrednią komunikację z stacją nadzorczą. Projekt sprzętowy monitorowania ruchu sieciowego powinien umożliwiać przeźroczystą komunikację badanego ruchu sieciowego w czasie rzeczywistym. Dla potrzeb wstępnego przetwarzania danych należy opracować metody i architektury sprzętowe w HDL umożliwiające filtrację i analizę danych [7]. Wstępnie przetworzone dane powinny być udostępnione stacji roboczej poprzez interfejs PCIE. Pozwoli to na opracowanie metod i algorytmów analizy danych na stacji nadzorczej oraz wstępne przetworzenie danych dla systemów predykcyjnych bazujących na eksploracji danych oraz sztucznej inteligencji.

 

Promotor: dr hab. inż. Dariusz Mrozek

 

Proponowany tytuł rozprawy doktorskiej

„Metody sztucznej inteligencji dla energooszczędnej i zasobooszczędnej logistyki wewnętrznej na linii produkcyjnej opartej na autonomicznych pojazdach AGV”

Cel proponowanego tematu badawczego

Celem projektu jest dostarczenie kompleksowych rozwiązań do przewidywania możliwości dostaw realizowanych przez autonomiczne pojazdy AGV (Automated Guided Vehicle) i zarządzania flotą AGV na podstawie różnych parametrów z czujników i towarzyszących systemów zarządzania produkcją. W ramach tematu należy opracować bazujące na sztucznej inteligencji modele prognozowania wykorzystania energii elektrycznej przez autonomiczne pojazdy dostawcze AGV pracujące na liniach produkcyjnych i dostarczające komponenty niezbędne do procesu produkcyjnego. Temat obejmuje zagadnienia związane z rozwojem idei Przemysłu 4.0, poprzez zastosowanie metod uczenia maszynowego w analizie strumieni danych przemysłowych, przetwarzania dużych zbiorów danych, integracji danych z różnych, heterogenicznych źródeł, wykorzystania narzędzi klasy Big Data, skalowania rozwiązań w chmurze obliczeniowej.

 

Proponowany tytuł rozprawy doktorskiej

„Metody sztucznej inteligencji dla zwinnych systemów produkcyjnych dużej skali”

Cel proponowanego tematu badawczego

Celem proponowanego tematu badawczego jest opracowanie metod sztucznej inteligencji dla monitorowania i nadzorowania dostaw realizowanych przez autonomiczne pojazdy AGV (Automated Guided Vehicle) dla linii produkcyjnych w czasie rzeczywistym na duża skalę. Jednym z zagadnień będzie problem wykrywania anomalii w sekwencji zadań wykonywanych przez pojazdy AGV oraz szacowanie kosztów zadań dostawy na podstawie danych parametrów. Temat obejmuje zagadnienia związane z Przemysłem 4.0, przetwarzaniem dużych zbiorów danych, wykorzystaniem narzędzi klasy Big Data, analizy danych sensorowych, zastosowaniem uczenia maszynowego i metod inteligencji obliczeniowej, tworzeniem struktur danych, skalowaniem rozwiązań w chmurze obliczeniowej.