Applicazioni dell'Intelligenza Artificiale nei Problemi di Produzione

venerdì, 28 ottobre 2011
Applicazioni dell'intelligenza artificiale nei problemi di produzione
1. SOMMARIO
Questo documento è incentrato sull'analisi più approfondita dell'intelligenza artificiale con i suoi diversi paradigmi, i più rilevanti essendo le reti neurali, algoritmi genetici, sistemi di logica fuzzy e automi programmabili, con le loro diverse applicazioni nella vita quotidiana e più specificamente applicati alle soluzioni di problemi legati all'ingegneria industriale.
Si considera che la produzione ai nostri giorni possa essere fortemente supportata dalle nuove tecnologie, como es la inteligencia artificial ya sea como soporte para una toma de decisiones más eficaz en la ayuda de labores, tareas, que exijan gran demanda de tiempo representen un alto grado de peligrosidad al ser humano.
Palabras claves: Inteligencia artificial, redes neuronales, algoritmi genetici, sistemas de lógica difusa, producción.
2. INTRODUZIONE
La inteligencia artificial es un área de la investigación donde se desarrollan algoritmos para controlar cosas, y es así que en 1956 se establecen las bases para funcionar como un campo independiente de la informática.
Son muchos los estudios y aplicaciones que se han logrado con el desarrollo de esta ciencia , entre las cuales tenemos redes neuronales aplicadas al management de la calidad donde la crimson evalúa si determinado producto cumple no con las especificaciones demandadas, gestione del processo chimico nel grado di acidità, algoritmi genetici applicati al problema quadratico di assegnazione delle strutture che riguarda l'assegnazione di N lavori su M macchine, gli automi programmabili utilizzati per l'ottimizzazione dei sistemi di produzione, en fin, c'è ancora molto da scoprire riguardo alle applicazioni di questa scienza.
3. STORIA DELL'INTELLIGENZA ARTIFICIALE
Si potrebbero collocare le origini dell'intelligenza artificiale con la definizione del neurone formale data da McCulloch & Pitts 1943, come un dispositivo binario con più ingressi e uscite.
Già nell'anno 1956 si tornò a discutere il tema dell'intelligenza artificiale (IA) en el instituto de tecnología de Massachussets por John McCarthy donde se celebró la conferencia de Dartmouth en Hanover (Stati Uniti). En este certamen McCarthy, Marvin Minsky, Nathaniel Rochester y Claude E. Shannon establecieron las bases de la inteligencia artificial como un campo independiente dentro de la informática. Previamente, nel 1950, Alan M. Turing había publicado un artículo en la revista Thoughts, titulado Computing Machinery and Intelligence” (Ordenador e inteligencia”), en el que reflexionaba sobre el concepto de inteligencia artificial y establecía lo que luego se conocería como el take a look at de Turing, una prueba que permite determinar si un ordenador computadora se comporta conforme a lo que se entiende como artificialmente inteligente no.
L'intelligenza artificiale negli anni Sessanta, come tale non ebbe molti successi poiché richiedeva troppe risorse per quel periodo e la maggior parte delle tecnologie erano proprie di grandi centri di ricerca. Negli anni '70 e '80 si riuscirono a ottenere alcuni progressi significativi in uno dei suoi rami chiamato Sistemi Esperti, con l'introduzione di PROLOG LISP. Fondamentalmente ciò che l'intelligenza artificiale cerca di fare è creare una macchina sequenziale programmata che ripeta indefinitamente un insieme di istruzioni generate da un essere umano.
Attualmente si continua molta ricerca nei grandi laboratori tecnologici, educativi e privati; senza trascurare i notevoli progressi nei sistemi di visione artificiale (applicati per esempio, para la clasificación de artículos revueltos -tornillería piezas marcadas por códigos de colores, por citar un caso-), control robótico autónomo (Sony, con sus robots capaces de moverse en forma casi humana y reaccionar a presiones tal como lo hace una persona al caminar), aplicaciones de lógica difusa (aplicación del monitoring automático en nuestras video caseteras, por citar una aplicación), e così via. Sin embargo, la Inteligencia Artificial sigue en su gran mayoría acotado por su dominio tecnológico, y poco ha podido salir al mercado del consumidor last a la industria.
quattro. DEFINIZIONI DI INTELLIGENZA ARTIFICIALE
Con respecto a las definiciones actuales de inteligencia artificial se encuentran autores como Wealthy & Knight 1994, Stuart 1996, quienes definen en forma basic la IA como la capacidad que tienen las máquinas para realizar tareas que en el momento son realizadas por seres humanos; otros autores como Nebendah 1988, Delgado 1998, arrojan definiciones más completas y las definen cómo el campo de estudio que se enfoca en la explicación y emulación de la conducta inteligente en función de procesos computacionales basadas en la experiencia y el conocimiento continuo del ambiente.
Hay más autores como Marr 1977, Mompin 1987, Rolston 1992, que en sus definiciones involucran los términos de soluciones a problemas muy complejos.
A criterio de los autores las definiciones de Delgado y Nebendan son muy completas, pero sin el apoyo del juicio formado, emocionalidad del ser humano pueden perder peso dichas soluciones, per questo, hay que lograr un ambiente sinérgico entre ambas partes para mayor efectividad de soluciones.
5. TENDENCIAS DE LOS SISTEMAS DE INTELIGENCIA ARTIFICIAL
ACTUALMENTE SEGÚN Delgado 1998, Stuart 1996, existen tres paradigmas en cuánto al desarrollo de la IA.
-Redes Neuronales.
-Algoritmos genéticos.
-Sistemas de Lógica difusa.
Pero se han venido destacando otros paradigmas como lo son los agentes de decisión inteligente y autómatas programmables, con respecto a estos últimos se suelen emplear en gran medida en procesos industriales de acuerdo a necesidades a satisfacer como, espacio reducido, procesos de producción periódicamente cambiantes, procesos secuenciales, maquinaria de procesos variables, e così via.
A juicio de los autores se determina que todos estos desarrollos acortan bastante el proceso de decisiones y optimizan las mismas, pero ahí que tener mucho cuidado ya que hay que analizar los diferentes impactos ya sean ambientales, sociales, políticos y económicos.
5.1 Redes neuronales
A grandes rasgos, se recordará que el cerebro humano se compone de decenas de billones de neuronas interconectadas entre sí formando circuitos redes que desarrollan funciones específicas.
Una neurona típica recoge señales procedentes de otras neuronas a través de una pléyada de delicadas estructuras llamadas dendritas. La neurona emite impulsos de actividad eléctrica a lo largo de una fina y delgada capa denominada axón, que se escinde en millares de ramificaciones.
Le estremità di queste ramificazioni arrivano fino ai dendriti di altri neuroni e stabiliscono una connessione chiamata sinapsi, che trasforma l'impulso elettrico in un messaggio neurochimico mediante il rilascio di alcune sostanze chiamate neurotrasmettitori che eccitano o inibiscono il neurone, in questo modo l'informazione viene trasmessa da un neurone all'altro e viene elaborata attraverso le connessioni sinaptiche e l'apprendimento varia in base all'efficacia della sinapsi.
Figura 1. Neuroni e connessioni sinaptiche.
Fuente: Sandra Patricia Daza, Università Militare Nuova Granada, 2003.
Uno psicologo D Hebb 1949, introdusse due idee fondamentali che hanno influenzato in modo decisivo il campo delle reti neurali. L'ipotesi di Hebb, basadas en investigaciones psicofisiológicas, presentan de manera intuitiva el modo en que las neuronas memorizan información y se plasman sintéticamente en la famosa regla de aprendizaje de Hebb ( también conocida como regla de producto). Esta regla indica que las conexiones entre dos neuronas se refuerza si ambas son activadas. Muchos de los algoritmos actuales proceden de los conceptos de este psicólogo.
Widrow 1959, publica una teoría sobre la adaptación neuronal y unos modelos inspirados en esta teoría, el Adaline (Adaptative Linear Neuron) y el Madaline (Múltiple Adaline). Estos modelos fueron usados en numerosas aplicaciones y permitieron usar, por primera vez, una pink neuronal en un problema importante del mundo actual: filtros adaptativos que eliminan ecos en las línea telefónicas.
Hopfield 1980, elabora un modello di rete consistente in unità di processo interconnesse che raggiungono minimi energetici, applicando i principi di stabilità sviluppati da Grossberg. Il modello si è rivelato molto illustrativo sui meccanismi di immagazzinamento e recupero della memoria. Il suo entusiasmo e la chiarezza della presentazione hanno dato un nuovo impulso al campo e hanno provocato un aumento delle ricerche.
Altri sviluppi rilevanti di questo decennio sono la macchina di Boltzmann e i modelli Bam (Memoria Associativa Bidirezionale).
Analogia tra reti neuronali biologiche e artificiali
Secondo Herrera Fernandez1
I neuroni sono modellati mediante unità di processo, caratterizzate da una funzione di attività che converte l'input completo ricevuto da altre unità in un valore di uscita, il quale svolge la funzione di tasso di scarica del neurone.
Le connessioni sinaptiche sono simulate mediante connessioni ponderate, Il peso della connessione svolge il ruolo dell'efficacia della sinapsi. Le connessioni determinano se è possibile che un'unità influenzi un'altra.
Un'unità di elaborazione riceve diversi input provenienti dalle uscite di altre unità di elaborazione dell'input completo di un'unità di elaborazione e di solito si calcola come la somma di tutti gli input ponderati, cioè, moltiplicati per il peso della connessione. L'effetto inibitorio eccitatorio della sinapsi si ottiene usando rispettivamente pesi negativi e positivi
Tabella 1. Confronto tra neuroni reali e le unità di elaborazione utilizzate nei modelli computazionali.
Fuente: Francisco Herrera Fernández
Stimolazione totale
Attivazione (tasso di scarica)
Funzione di attivazione (uscita)
Le reti neurali devono avere come struttura più strati, i quali sono: primo strato come buffer di ingresso, immagazzinando le informazioni grezze fornite nella crimson o eseguendo un semplice pre-processamento delle stesse, lo chiamiamo strato di ingresso; un altro strato agisce come interfaccia buffer di uscita che immagazzina la risposta della rete affinché possa essere letta, lo chiamiamo strato di uscita; e gli strati intermedi, principalmente incaricati di estrarre, elaborare e memorizzare le informazioni, sono chiamati strati nascosti.
Figura 2. Modello di rete a cascata multi-strato.
Fuente: Sandra Patricia Daza, Università Militare Nuova Granada, 2003.
5.2 Sistemas de lógica difusa
A concepto de Delgado 1998 es la segunda herramienta que permite emular el razonamiento humano. Los seres humanos pensamos y razonamos por medio de palabras y en grados entre dos estados por ejemplo blanco y negro ó frío y caliente, e molti altri. Estos sistemas de lógica difusa son una mejora a los sistemas experto tradicionales, en el sentido de que permiten utilizar lenguaje humano como nosotros razonamos
Ya hablando de sistemas expertos tradicionales, estos intentan reproducir el razonamiento humano de forma simbólica. Es un tipo de programa de aplicación informática que adopta decisiones resuelve problemas de un determinado campo, como los sistemas de producción, las finanzas la medicina, utilizando los conocimientos y las reglas analíticas definidas por los expertos en dicho campo. Los expertos solucionan los problemas utilizando una combinación de conocimientos basados en hechos y en su capacidad de razonamiento. En los sistemas expertos, estos dos elementos básicos están contenidos en dos componentes separados, aunque relacionados: una base de conocimientos y una máquina de deducción, de inferencia. La base de conocimientos proporciona hechos objetivos y reglas sobre el tema, mientras la máquina de deducción proporciona la capacidad de razonamiento que permite al sistema experto extraer conclusiones. Los sistemas expertos facilitan también herramientas adicionales en forma de interfaces de usuario y los mecanismos de explicación. Las interfaces de usuario, al igual que en cualquier otra aplicación, permiten al usuario formular consultas, proporcionar información e interactuar de otras formas con el sistema. Los mecanismos de explicación, la parte más fascinante de los sistemas expertos, permiten a los sistemas explicar justificar sus conclusiones, y también posibilitan a los programadores verificare el funcionamiento de los propios sistemas. Los sistemas expertos comenzaron a aparecer en la década de 1960. Sus campos de aplicación son la química, la geología, la medicina, la banca e inversiones y los seguros.
A esperienza de uno de los autores, el hardware en que se fundamentan estos sistemas que son circuitos integrados digitales son muy eficaces y de durabilidad de por vida si se les da correct uso.
5.3 Algoritmos genéticos:
Según Delgado 1998 son una técnica inspirada en aspectos biológicos, el proceso de la evolución del que Charles Darwin hace referencia se puede applicare para ottimizzare dispositivi de control robots cualquier otro tipo di aspetti que sean susceptibles de ser ottimizzados como líneas de produzione.
En basic es aceptado que cualquier algoritmo genético para resolver un problema, debe tener cinco componentes básicos como se vera a continuación
-Se necesita una codificación representación del problema, que resulte adecuada al mismo.
-Una manera de crear una población inicial de soluciones.
-Una función de ajuste ó adaptación al problema, también llamada función de evaluación, la quale assegna un numero attuale a ciascuna possibile soluzione codificata.
-Durante l'esecuzione dell'algoritmo, i genitori – due individui appartenenti alla popolazione iniziale, che sono soluzioni fattibili del problema- devono essere selezionati per la riproduzione; successivamente tali genitori selezionati si incroceranno generando due figli, nuove soluzioni al problema, su ciascuno religione tecnológica dei quali agirà un operatore di mutazione secondo una certa probabilità. Il risultato della combinazione delle precedenti funzioni sarà un insieme di individui (possibili soluzioni al problema), i quali nell'evoluzione dell'Algoritmo Genetico faranno parte della popolazione successiva.
-Valori per i parametri: dimensione della popolazione, probabilità di applicazione degli operatori genetici.
6. APPLICAZIONI DELL'INTELLIGENZA ARTIFICIALE E DELLE TECNICHE CHE UTILIZZANO
All'interno dell'approccio dell'ingegneria dell'Intelligenza Artificiale, le tecniche che possono essere utilizzate come strumenti per risolvere problemi sono classificate nelle seguenti categorie:
1. Tecniche di base, così chiamate perché alla base di diverse applicazioni di IA. Tra le altre ci sono la Ricerca Euristica di Soluzioni, Rappresentazione della Conoscenza, Deduzione Automatica, Programmazione Simbolica (LISP) e Reti Neurali. Queste tecniche sono la base delle applicazioni. Per la maggior parte, l'utente non ha bisogno di conoscerle closing, sino los profesionales que se dedican a su aplicación y la generación de aplicaciones comerciales.
2. Tecnologías, combinaciones de varias técnicas básicas, orientadas a resolver familias de problemas. Las tecnologías son más especializadas que las técnicas básicas y están más cerca de las aplicaciones finales. Se pueden mencionar a la Robótica y Visión, Lenguaje Natural, Sistemi Esperti
tre. Clases tipos de aplicaciones: Diagnosi, Predicción (sistemas de autocontrol de reactores atómicos), Secuenciamiento de operaciones (“Programmazione”), Diseño, Interpretación de datos. Todas ellas son familias de problemas tipo. Per esempio, el diagnóstico se refiere a encontrar las causas de fallas, ya sea que se trate de fallas en una línea de producción de enfermedades en una persona.
4. Campos de aplicación: Ingegneria, Medicina, Sistemas de Manufactura, Amministrazione, Supporto alle Decisioni Manageriali, e così via. Tutte rientrano nelle aree dei sistemi informatici, ma che sono considerate come clienti dell'Intelligenza Artificiale.
7. APPLICAZIONE DELL'INTELLIGENZA ARTIFICIALE NEI SISTEMI PRODUTTIVI
L'inserimento di agenti decisionali intelligenti, redes neuronales, sistemi esperti, algoritmi genetici e automi programmabili per l'ottimizzazione dei sistemi di produzione è una tendenza attiva nell'ambiente industriale di paesi con alto sviluppo tecnologico e con un grande investimento in ricerca e sviluppo. Detti componenti dell'Intelligenza Artificiale hanno come funzione principale controllare in modo indipendente, e in coordinamento con altri agenti, componenti industriali quali celle di produzione e assemblaggio, e operazioni di manutenzione, entre otras.
Esiste una tendenza crescente verso l'implementazione di sistemi di produzione/assemblaggio più autonomi e intelligenti, a causa delle esigenze del mercato di ottenere prodotti con livelli molto elevati di qualità; cosa che con operazioni manuali diventa complicata e fa sì che paesi sottosviluppati come il nostro non raggiungano livelli competitivi a livello mondiale. Progettando un sistema di produzione integrato tramite computer si deve dare importanza alla supervisione, planificación, alla sequenziazione, cooperazione ed esecuzione delle attività operative nei centri di lavoro, in aggiunta al controllo dei livelli di inventario e delle caratteristiche di qualità e affidabilità del sistema. I fattori menzionati determinano la struttura del sistema e la sua coordinazione rappresenta una delle funzioni più importanti nella gestione e nel management della produzione.
Molto frequentemente, la ragione per costruire un modello di simulazione è trovare risposte a domande come: Quali sono i parametri ottimali per massimizzare o minimizzare una certa funzione obiettivo? Negli ultimi anni ci sono stati grandi progressi nel campo dell'ottimizzazione dei sistemi di produzione. Sin embargo, il progresso nello sviluppo di strumenti di analisi per i risultati dei modelli di simulazione è stato molto lento. Existe una gran cantidad de técnicas tradicionales de optimización que sólo individuos con gran conocimiento estadístico y de conceptos de simulación han logrado aportes significativos en el área.
Debido al auge de los algoritmos de búsqueda meta-heurísticos, se ha abierto un nuevo campo en el área de optimización con simulación. Nuevos paquetes de software program, tales como OptQuest (Optimum Applied sciences), SIMRUNNER (Promodel Corporation) y Evolver (Palisade Software), han salido al mercado brindando soluciones amigables de optimización de sistemas que no requieren control interno sobre el modelo construido, sino sobre los resultados que dicho modelo arroja bajo diferentes condiciones. Inoltre, nuevas técnicas de inteligencia artificial aplicadas a problemas de optimización estocástica, han demostrado su eficiencia y capacidad de cómputo y aproximación.
El Aprendizaje Reforzado (Reinforcement Studying) es un conjunto de techniques diseñadas para dar solution a problemi cuya base son los procesos de decisión markovianos. Los procesos markovianos son procesos estocásticos de decisión que se basan en el concepto de que la acción a tomar en un stato determinato, en un instante determinado, depende sólo del estado en que se encuentre el sistema al momento de tomar la decisionion.
Una de las areas que puede tener mayor incidencia directa en los procesos productivos de la industria nivel mundial, es el diseño de sistemas de soporte para la toma de decisiones basados en la optimización de los parámetros de operación del sistema. para tal efecto, el uso de técnicas inteligentes paramétricas y no paramétricas para el análisis de datos es de gran interés.
Sin embargo, a juicio de los autores en la mayoría de las arquitecturas propuestas hasta el momento para manufactura integrada por computadora, carecen de un issue de integración basic. La comunicación entre los diversi livelli jerárquicos de una planta de producción es muy poca, ya que cada departamento se limita a realizzare su funzione sin cercare una integración de toda la planta productiva a eccezioni di empresas come ABB con su software program Baan, e così via.
otto. APPLICAZIONI DELL'INTELLIGENZA ARTIFICIALE NELLA RISOLUZIONE DI PROBLEMI SPECIFICI DI PRODUZIONE
Operazione automatica di controllo qualità utilizzando un sistema di visione computerizzata (Royman López Beltrán, Edgar Sotter Solano, Eduardo Zurek Varela. Laboratorio di Robotica e Produzione Automatica. Università del Nord)
Ogni processo industriale è valutato dalla qualità del suo prodotto finale, Questo rende la fase di controllo qualità una fase essenziale del processo. I meccanismi utilizzati per stabilire la qualità di un prodotto variano a seconda dei parametri che hanno rilevanza nel stesso. Cuando el parámetro relevante es la geometría forma del objeto fabricado se suele dejar a la vista del operario que lleve a cabo tal función tanto de inspección como de verificación para el management de calidad, sin embargo pueden existir errors en la geometría de un objeto que escapen de la vista de un operario y que luego impidan el buen funcionamiento de dicho objeto. En un caso como éste, surge como una buena alternativa el utilizar un sistema de visión artificial capaz de detectar aquellos errors que un operario pudiera pasar por alto. El sistema de visión artificial Robotic Vision PROFESSIONAL, è in grado di eseguire in maniera totalmente automatica le operazioni di identificazione degli oggetti e di controllo qualità degli stessi.
Il sistema Robotic Visión PROFESSIONAL è un pacchetto software di visione che permette l'acquisizione di immagini, pre-elaborazione e segmentazione. Inoltre esegue elaborazioni di dati ad alto livello che forniscono filtraggio delle immagini, creazione di cluster e pattern, e identificazione degli oggetti. Questo sistema è dotato di una videocamera e di un monitor incaricati di identificare ciascun pezzo in uscita dal processo e fare un confronto con pezzi di qualità 100% per poi determinare se il confezionamento può essere immesso sul mercato o deve essere scartato.
Di seguito vengono presentate alcune immagini fornite dal sistema Robotic Vision PROFESSIONAL per l'esecuzione dell'operazione di gestione della qualità. Gli imballaggi sono stati disposti in modo tale che le geometrie fossero pienamente contenute nel programma, Successivamente si è proceduto a effettuare individualmente la gestione della qualità per ciascun imballaggio.
Figura 3. imballaggio buono con il 100% di qualità
Nelle due figure successive vengono mostrati imballaggi difettosi perché non rispettano le specifiche necessarie e, di conseguenza, il sistema di qualità rifiuta il prodotto.
Figura 4. Imballaggio rifiutato per scarsa qualità
Figura 5. Imballaggio rifiutato per scarsa qualità
El sistema de visión por computador Robotic Visión PRO después de ser evaluado en la empresa resultó eficiente para la detección de defectos geometrics en los empaques de compresores centrífugos, ya que la flexibilidad del software program permitió ajustar las conditions del proceso al sistema de calidad requerido para la apropiada medición de los empaques. Este sistema es lo bastante didáctico como para sviluppare expresiones che permitan realizar de modo totalmente automatico Mediciones del objeto, labores de reconocimiento y de management de calidad.
Los autori opinan que es muy adecuado el uso de esta tecnología en empresas donde el acabado superficial de una pieza sea muy exigente ó estrechas tolerancias como por ejemplo repuestos de carros, instrumentación industrial, ecc..
eight.1 Proyectos en vía de desarrollo por la línea de investigación y desarrollo de inteligencia artificial (grupo de investigación de la Universidad de Manizales)
JAT (Sistema Inteligente de despacho y Management para el Transporte Público): su idea principale es mejorar el servicio de transporte urbano de la ciudad de Manizales a través de despacho y control inteligente que permita mejorar la calidad del servicio y reduzca los costi de operación. La parte inteligente si occupa di programmare la spedizione dei percorsi cercando che tutti i pulmini siano coperti in modo equo.
Sistema intelligente di Sorveglianza e Monitoraggio Remoto: si cerca di implementare sistemi di circuito chiuso di TELEVISIONE, che includano la capacità di monitoraggio remoto tramite un computer e una linea telefonica da qualsiasi parte del mondo e via Web.
eight.2 Riconoscimento degli ambienti nella robotica mobile tramite reti neurali3
Questo studio è incentrato sull'identificazione globale degli ambienti eseguita da un robot mobile basato sull'addestramento di una rete neurale che riceve le informazioni catturate dall'ambiente tramite il sistema sensoriale del robot (ultrasuoni). Si considera che il robot, attraverso la rete neurale, ha come unico compito massimizzare la conoscenza dell'ambiente che gli viene presentato. In questo modo modella ed esplora l'ambiente in modo efficiente mentre esegue algoritmi di evasione degli ostacoli.
Il risultato di questo studio è di grande importanza nel campo della robotica mobile poiché: il robot acquisisce una maggiore autonomia di movimento, si ottimizza l'uso dell'ultrasuono come rilevatore di ostacoli ed è uno strumento importante per lo sviluppo di pianificatori di traiettoria e controller 'intelligenti'.
Utilizzando un'architettura: 2 – 2 -1
Nih: Numero di neuroni di ingresso(2).
Nhid: Numero di neuroni dello strato intermedio(1).
Nout: Numero di neuroni di uscita(2).
Saranno mostrati, a grandi linee, uno degli esempi con i quali è stata addestrata la pink (per maggiori dettagli consultare la ricerca di Rivera & Gauthier 1995 Università degli Andes).
I parametri usati nell'addestramento sono stati: costante di apprendimento 0.2 e costante di momento 0.9
Fuente: Claudia Rivera 1995
Figura 6. ambiente di addestramento con tre ostacoli
Si posiziona il robot in otto posizioni diverse e in ciascuna di queste è stata effettuata una scansione e in questo modo sono stati formati otto file con i quali è stata addestrata la crimson, e questa, già riconoscendo l'ambiente, non si scontrerà con alcun ostacolo.
Nella rete neurale, man mano che aumentano gli strati interni, avrà maggiore capacità e velocità di apprendere ambienti diversi.
L'intervento degli autori, determinano che è molto importante l'uso della robotica mobile nei processi produttivi dove l'uomo non può sopportare ambienti ad alte o basse temperature per lunghi periodi di tempo, come per esempio in MEALS, dove si potrebbe addestrare un robot e man mano che il suo addestramento si perfeziona prepararlo successivamente come trasportatore di carichi.
otto.tre Algoritmi genetici applicati al problema quadratico di assegnazione delle strutture QAP (Dipartimento di Ricerca Operativa, Scuola di Ingegneria Industriale, Università di Carabobo, Valencia, Venezuela. Ninoska Maneiro. Algoritmo Genetico Applicato ai Problemi di Localizzazione delle Strutture. Anno 2001 /area3 ).
Il QAP è un problema combinatorio, considerato da alcuni autori come NP-completo. L'obiettivo del QAP è trovare una assegnazione di strutture ai siti, al fine di minimizzare una funzione che esprime costi e distanze.
La localizzazione e distribuzione delle strutture è uno dei temi più importanti nella formazione dei professionisti nell'area dell'Ingegneria Industriale e di tutti quei
professionisti che si occupano della pianificazione, organizzazione e crescita sistematica delle città. Nella vita quotidiana e professionale di ogni individuo, si presentano una grande varietà di problemi di localizzazione delle strutture.
I problemi di localizzazione e distribuzione delle strutture sono strategici per il successo di qualsiasi operazione di produzione. La ragione principale è che i costi di gestione dei materiali comprendono tra il 30 e il 75% dei costi totali di produzione. Una buona soluzione al problema di assegnazione delle strutture contribuirebbe all'efficienza complessiva delle operazioni, Una distribuzione scadente può portare all'accumulo di inventario di prodotto in lavorazione, Sovraccarico dei sistemi di gestione dei materiali, Messa a punto inefficiente e lunghe code. All'interno di questa ampia classe di problemi che possono essere classificati come QAP si trova il problema del flusso in linea generalizzato, che è una linea di flusso in cui le operazioni scorrono in avanti e non sono necessariamente processate su tutte le macchine della linea.
Un trabajo en tal clase de línea puede comenzar a procesarse y completar su proceso en cualquier máquina, moviéndose siempre hacia delante (downstream) por operaciones sucesivas de acuerdo con la secuencia de trabajo del proceso. Cuando la secuencia de operaciones para un trabajo no especifica una máquina colocada delante de su localización precise, el trabajo tiene que viajar en sentido contrario (upstream) a fin de completar la operación requerida. Este viaje en reversa” de las operaciones, es llamado backtracking, y se desvía de una línea de flujo ultimate para un trabajo específico, resultando en una estructura de trabajo menos eficiente, como se muestra en la siguiente figura.
Al parecer de los autores, este problema de asignación cuadrática debería tratarse en la clase de taller de producción por su relevancia al analizar secuencias N / M.
Fig. 7. Una línea de flujo generalizada Fuente: Ninoska Maneiro 2001.
9. CONCLUSIONES
En la universidad Nacional sede Manizales en el programa de ingeniería industrial se debería trabajar más en las ciencias informáticas, con el fin, de approfondire in aree di la inteligencia artificial applicadas a la ingeniería industrial.
Con lo sviluppo de este trabajo se han obtenido resultados satisfactorios a nivel de investigación teórica, ya que con la documentación obtenida se conocieron avances en las ciencias informáticas que en algunos casos eran desconocidos para los autores.
Los grandes avances de I.A aplicada a sistemas de producción han hecho que día a día la industria en su constante búsqueda por mejorar su competitividad logren dicho objetivo, pero en muchos de los casos desplazar gran cantidad de mano de obra que llevan consigo un deterioro social que se ve reflejado en los indicadores globales de desempleo y niveles de pobreza.
10. BIBLIOGRAFIA
Elaine Wealthy. Knight Kevin. Intelligenza Artificiale. Segunda Edición. Mc Graw Hill. México 1994.
Stuart Rusell. Norving Meter. Inteligencia Artificial un Enfoque Moderno. Printice Hall. México 1996.
Revista La Ventana Informática. Edición N0 9. Universidad de Manizales. Pág. Fifty six – Fifty Seven. Mayo 2003.
Delgado Alberto. Inteligencia Artificial y Mini robots. Segunda Edición. Ecoe Ediciones. Julio 1998.
Delgado Alberto. Inteligencia Artificial y Mini robots. VII Congreso Nacional de Estudiantes de Ingeniería Industrial, Amministrativa e di Produzione Università Nazionale Sede Manizales. Atti del Congresso. 4 ottobre – 10 del 1998.
Enciclopedia Informatica e Calcolo. Ingegneria del Software e Intelligenza Artificiale. luglio 1992.
Nebendah Dieter. Sistemi Esperti. Ingegneria e Comunicazione. Editori Marcombo. Barcellona 1988.
Marr D.C. Intelligenza Artificiale: una visione personale, Intelligenza Artificiale. USA 1977.
Rolston W. David. Principi di Intelligenza Artificiale e Sistemi Esperti. Mc Graw Hill. Messico 1992.
Mompin P. José. Intelligenza Artificiale: Concetti, Tecniche e applicazioni. Marcomobo S.A Edizioni. Spagna 1987.
Rivista Iberoamericana di Intelligenza Artificiale. Applicazione dell'Intelligenza Artificiale in Sistemi Automatizzati di Produzione. Llata, J.R. , Sarabia, E.G., Fernández, D., Arce J., Oria, J.P.. Numero 10, pagine 100-110. Disponible en ().
Seguaci