Фенотипирование оборудования как основа технологий интернета вещей

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Фенотипирование оборудования как основа технологий интернета вещей

Никита Евгеньевич Попов

Аннотация

В статье рассматриваются подходы к разработке концепции универсальной модели фенотипирования для развертывания системы интернета вещей (IoT) на промышленном предприятии с учетом закономерностей технических ценозов. Методологическую базу исследования представляют существующие методы повышения эффективности производственной системы на основе разделения ее на отдельные подсистемы (ценозы). В результате проведенных исследований предложена концепция универсальной модели фенотипирования для развертывания системы IoTна современном предприятии с учетом закономерностей технических ценозов.

Ключевые слова: фенотипирование оборудования; технические ценозы; беспроводные сенсорные сети; интерпретация результатов

Abstract

Phenotyping of equipment as the basis of internet of things technologies

Nikita E. Popov

The article discusses approaches to the development of the concept of a universal phenotyping model for the deployment of the Internet of Things (IoT) system at an industrial enterprise, taking into account the laws of technical cenoses. The purpose of the study is to develop the concept of a universal model ofphenotyping for the deployment of the IoT system in a modern enterprise, taking into account the regularities of technical cenoses. The methodological base of the study is represented by the existing methods of increasing the efficiency of the production system based on its division into separate subsystems (cenoses). As a result of the conducted research, the concept of a universal phenotyping model for the deployment of an IoT system in a modern enterprise is proposed, taking into account the regularities of technical cenoses.

Keywords: equipment phenotyping; technical cenoses; wireless sensor networks; interpretation of results

Основная часть

Последние достижения беспроводных сенсорных сетей (БСС) позволили обеспечить интеграцию и применение их в жизненно важных технологических приложениях, в числе которых ценологическая кластеризация типов оборудования, которая представляет собой одну из самых перспективных технологий Интернета вещей (IoT). Эффективно управляя доступными ресурсами (сырьевыми компонентами, основным оборудованием) и используя их необходимое и достаточное количество, она может значительно повысить производительность процессов в энерго- и ресурсоемких областях производства. Тем не менее применение БСС все еще сталкивается с серьезными ограничениями.

Материалы и методы исследований. Технология IoTопирается на возможность сбора и обработки информации, поступающей от различных датчиков разнообразного по технологическим признакам оборудования. Это требует разработки методологии обобщения поступающей информации для повышения качества ее интерпретации. Последние достижения беспроводных сенсорных сетей позволили обеспечить интеграцию и применение этой технологии в различных приложениях и фреймворках, что, однако, не обеспечивает универсальности существующих подходов и требует поиска новых междисциплинарных идей [12].

Результаты исследований и их обсуждение. Известна технология проектирования и управления промышленными предприятиями на основе представления их в форме технических ценозов, используя для анализа биологические закономерности, и аналогий [10]. Важным инструментом техноценологического проектирования является видовой анализ и оптимизация, который предусматривает необходимость проведение процедуры идентификации объектов и их видовую кластеризацию. Данный подход, используя биологическую терминологию, можно рассматривать в качестве аналогии фенотипированию.

Под фенотипированием оборудования (ФО) понимается процесс идентификации различий генетического кода (конструкционных характеристик) и влияния среды эксплуатации на возможность его идентификации в составе устойчивых групп (видов). Фенотипирование является важным направлением исследований биологических процессов растений и используется как в прямом, так и в обратном генетическом подходах и представляет форму «искусственного отбора» в природных системах [9]. Популярность такой технологии обусловлена возможностью преодолевать ограниченность ресурсов при проектировании оптимальных систем [12], поскольку обладает высокой экономической эффективностью, способствует минимальному воздействию на окружающую среду.

Фенотипирование уже активно используется для создания автоматизированных систем управления (АСУ) в сельском хозяйстве, что дает возможность повысить урожайность культур, поголовья скота, посредством эффективного управления имеющимися ресурсами, такими как: количество воды, пищи, удобрений, температурных и влажностных режимов и т.д. Однако процесс проведения фенотипических измерений дорогостоящий и трудоемкий. Это препятствует механическому копированию данного подхода в целях междисциплинарного синтеза.

Предложенная в статье концепция основана на идеях технических ценозов [11], которые ассоциируются с применением элементов классификации оборудования на основе оценки изменчивости потребности в конкретном его вкладе в рамках технологического процесса. Характер изменчивости может быть временным или пространственным. Входными данными, как правило, являются регулярные потребности производства, которые могут варьироваться в зависимости от нормы (количества) или типа (например, несколько видов продукции). Подход предполагает, что применение входных данных не обязательно должно быть однородным по всей области, но анализ изменчивости (структурной динамики) важен.

Потребителем такого подхода является модель CellularManufacturingSystem (CMS), которая была признана одной из наилучших управленческих инноваций для повышения производительности и гибкости производства в условиях частых изменений продукта и снижения размеров партий [3]. Идея, лежащая в основе такой системы, состоит в том, чтобы разделить или разложить всю производственную систему на небольшие автономные подсистемы (ценозы). Это необходимо для того, чтобы упростить процесс управления цехом, оптимизировать ресурсы, оснастку и потребление энергетики. Такая декомпозиция требует идентификации подмножеств продуктов (семейств продуктов) с аналогичными требованиями к характеристикам, а также подмножества единиц оборудования.

За последние два десятилетия, начиная с внедрения «групповой технологии» в производстве, появилось большое количество процедур решения указанной проблемы. Подробный обзор этих процедур решения приведен в работе Чоудари С. [6]. Все процедуры можно разделить на две категории [8]:

1. Методы, опирающиеся на характеристики продукции [7].

2. Методы, основанные на анализе производственного процесса, производственной программы, задействование отдельных видов технологического оборудования и т.д. [4].

Однако перечисленные методы не удовлетворяют менеджеров в полной мере по ряду причин. Во-первых, в подавляющем большинстве процедур решения используется подход предполагающий, что у каждой группы оборудования есть только один маршрут процесса. Задача группировки (называемая простой группировкой) в этом случае заключается в идентификации семейств продуктов, чтобы каждый тип оборудования мог обрабатывать хотя бы одну единицу продукции. В действительности, это не может быть верным предположением, и каждая марка может иметь более одного технологического маршрута.

Задача группировки (называемая обобщенной группировкой) в этом случае состоит в том, чтобы выбрать только один маршрут процесса для каждого продукта и затем идентифицировать семейства маршрутов процесса и ячейки оборудования, чтобы каждая из них могла обрабатывать, по меньшей мере, одно семейство. Кроме того, в этих процедурах, как правило, не учитывается мощность машин и объем производства каждого изделия. Однако при наличии нескольких маршрутов возникает необходимость учитывать мощность оборудования и объем производства, чтобы выбрать возможную маршрутизацию.

Во-вторых, несмотря на наличие обширной эвристической базы, оптимальных результатов, решений нет.

В-третьих, большинство из этих процедур являются иерархическими, в которых проблема решается поэтапно, что чаще всего неоптимально для системы в целом [1].

В-четвертых, максимизация значения коэффициента сходимости внутри семейства оборудования, используемого в качестве целевой функции в большинстве математических программных формулировок, препятствует группировке в силу отсутствия функциональных пересечений [5].

С позиций ценологии предлагается модель назначения технологических маршрутов одновременно с учетом нескольких маршрутов для каждого продукта. Модель оптимально выбирает один технологический маршрут для каждого вида продукции и назначает выбранные технологические маршруты таким образом, чтобы межклеточное движение было минимизировано.

Ценологический подход близок генетическому алгоритму, который привлек внимание специалистов благодаря успешному применению в сложных задачах оптимизации [11].

Принципиальная схема предлагаемого алгоритма решения задач представлена в таблице.

Генерация набора решений ценологического алгоритма

Источник: составлено авторами

фенотипирование промышленный ценоз

Реализация алгоритма потребует дополнительно:

1. Разработать механизм кодирования для представления решения в виде «технической хромосомы».

2. Формализовать оценочные функции, которые будут принимать такой код в качестве аргумента и оценивать относительную пригодность;

3. Разработать процедуру отбора для последующего воспроизведения;

4. Рассчитать операторы кроссовера и мутации.

Таким образом, предлагаемый алгоритм обладает свойством неявного параллелизма, которое не оценивает и не улучшает единственное решение, а анализирует и модифицирует совокупность (то есть набор) решений одновременно. Способность алгоритма работать со многими решениями одновременно и собирать информацию со всех текущих точек для направления поиска смягчает проблему локальных оптимумов. Ценология же, в данном случае обеспечивает формализацию функции оптимальности, что позволяет разрабатывать системы универсальных моделей.

Заключение. Современные представления IoTисходят из того, что распределенные топологии могут оказать существенное влияние на производительность. Однако в работе Ал-Турьмана Ф. [2] так и не удалось рассчитать эффект при равных допущениях и условиях модели, поскольку автором использовались средние значения параметров, которые находились в очень широком диапазоне разброса. Следовательно, применение ценологического подхода, преодолевающего данного типа ограничения, представляется наиболее перспективным.

Список источников

1. Abdrabou A., Zhuang W. A position-based QoS routing scheme for UWB ad hoc networks. IEEE J. Selected Areas Commun, 2006, vol. 24, рр. 219-228.

2. Al-Turjman F., Alturjman S. Confidential smart-sensing framework in the IoT Era. Springer J. Supercomput, 2018, vol. 35, pp. 137-149.

3. Design of Truss-Like Cellular Structures Using Relative Density Mapping Method. ASME 2014 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference / A. Alzahrani, S. Mahmoud, K. Choi, D.W. Rosen. American Society of Mechanical Engineers, 2014, vol. 16, pp. 53-71.

4. Araus J., Cairn J. Field high-throughput phenotyping: the new crop breeding frontier. Trends Plant Sci, 2014, vol. 19, is. 1, pp. 52-61.

5. Li L., Zhang Q., Huang D. A review of imaging techniques for plant phenotyping. Sensors 20078-20111, 2014, vol. 17, pp. 132-143.

6. Choudhury S., Al-Turjman F. Dominating set algorithms for wireless sensor networks survivability. IEEE Access J. 2018, vol. 6, is. 1, pp. 37-45.

7. Domingues M.F., Radwan A. Optical Fiber Sensors for IoT and Smart Devices. Springer Publishing Company, 2017, vol. 5, pp. 98-111.

8. Humplik J., Lazar D., Husickova A., Spichal L. Automated phenotyping of plant shoots using imaging methods for analysis of plant stress responses-a review. Plant Methods, 2015, vol. 11, pp. 11-24.

9. Mutka Bart R. Image-based phenotyping of plant disease symptoms. Plant Sc, 2014, vol. 21, pp. 77-90.

10. Genotype-phenotype correlation in a large group of Turkish patients with familial evidence mutationibdependent amyloidosis / F. Yaljrnkaya, N. Qakar, M. Misrrlioglu, N. Turner, N. Akar, M. Tekin, H. Tartan, H. Kojak, N. Ozkaya, A.H. Elhan. Rheumatology, 2000, vol. 39, is. 1, pp. 67-72.

11. Кузьминов А.Н., Ансари М., Медведская Т.К. Основания ценологической технологии управления сложными социотехническими системами // Наука и образование: хозяйство и экономика; предпринимательство; право и управление. 2020. №4 (119). С. 30-35.

12. Междисциплинарные основания исследования крупномасштабных экономических систем на основе теории ценозов: монография / А.Н. Кузьминов [и др.]; под ред. А.Н. Кузьминова. Ростов н/Д: Издательско-полиграфический комплекс Рост. гос. экон. ун-т (РИНХ), 2018. C.238.

References

1. Abdrabou, A. and W. Zhuang. A position-based QoS routing scheme for UWB ad hoc networks. IEEE J. Selected Areas Commun, 2006, vol. 24, pp. 219-228.

2. Al-Turjman, F. and S. Alturjman. Confidential smart-sensing framework in the IoT Era. Springer J. Supercomput, 2018, vol. 35, pp. 137-149.

3. Alzahrani, A., S. Mahmoud, K. Choi and D.W. Rosen. Design of Truss-Like Cellular Structures Using Relative Density Mapping Method. ASME 2014 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. American Society of Mechanical Engineers, 2014, vol. 16, pp. 53-71.

4. Araus, J. and J. Cairn. Field high-throughput phenotyping: the new crop breeding frontier. Trends Plant Sci, 2014, vol. 19, is. 1, pp. 52-61.

5. Li, L., Q. Zhang and D. Huang. A review of imaging techniques for plant phenotyping. Sensors 20078-20111, 2014, vol. 17, pp. 132-143.

6. Choudhury, S. and F. Al-Turjman. Dominating set algorithms for wireless sensor networks survivability. IEEE Access J, 2018, vol. 6, is. 1, pp. 37-45.

7. Domingues, M.F. and A. Radwan. Optical Fiber Sensors for IoT and Smart Devices. Springer Publishing Company, 2017, vol. 5, рр. 98-111.

8. Humplik, J., D. Lazar, A. Husickova and L. Spichal. Automated phenotyping of plant shoots using imaging methods for analysis of plant stress responses-a review. Plant Methods, 2015, vol. 11, pp. 11-24.

9. Mutka Bart R. Image-based phenotyping of plant disease symptoms. Plant Sc, 2014, vol. 21, pp. 77-90.

10. Yaljinkaya, F., N. Qakar, V. Misirlioglu, N. Turner, N. Akar, M. Tekin, H. Tartan, H. Kojak, N. Ozkaya and A.H. Elhan. Genotype-phenotype correlation in a large group of Turkish patients with familial Mediterranean fever: evidence for mutationindependent amyloidosis. Rheumatology, 2000, vol. 39, is. 1, pp. 67-72.

11. Kuzminov, A.N., M. Ansari and T.K. Medvedskaya. The foundations of the cenological technology of management of complex sociotechnical systems. Science and education: economy and economics; entrepreneurship; law and management, 2020, vol. 4 (119), pp. 30-35.

12. Kuzminov, A.N. Interdisciplinary foundations for the study of large-scale economic systems based on the theory of cenoses: monograph, 2018. P. 238.

Размещено на Allbest.ru