Hihnakuljettimen automatisoitu energiakulutuksen optimointi tekoälyalgoritmin avulla

Abstract

Työ tehtiin Seinäjoen ammattikorkeakoulun Mixed reality & collaborative robotics -hankkeeseen demonstraationa. Tavoitteena oli selvittää, miten pienellä datamäärällä on mahdollista optimoida kuljetinhihnan energiankulutus, sekä selvittää, mitä vaiheita täysin automatisoitu keskitetty hihnakuljettimen datankeruujärjestelmä vaatii, kun kuljetin ei ole tuotannossa kiinni ja käytetään apuna yhteistyörobottia testikappaleiden lastaamisessa. Teoriaosuudessa käsitellään aiheita, joita automaattisessa keskitetyssä datankeruujärjestelmän ohjelmoinnissa python-ohjelmointikielellä vaaditaan, sekä neuroverkkojen teoriaa ja esitellään työssä käytetty python-moduuli, joka sisältää työssä käytetyn neuroverkkoalgoritmin. Käytännön osuudessa käydään läpi työn eri vaiheet, jotka on jaoteltu jokaisessa aihealueessa siten, että ensin esitellään vaatimukset, joita seuraa niiden toteuttaminen. Työssä ohjelmoitiin python-sovellus, joka sisältää tietokannan, neuroverkon, automaattisen kuljettimen sekä robotin ohjaamisen Ethernet-verkon yli. Työssä selvisi, minkä verran tarvitaan dataa, että voidaan hyödyntää onnistuneesti neuroverkkoa hihnakuljettimen energiankulutuksen optimoinnissa sekä mitä vaiheita keskitetyn datankeruujärjestelmän ohjelmoiminen vaatii. Työstä tuotettiin myös videodokumentti.

The work was done as a demonstration for Seinäjoki University of Applied Sciences Mixed reality & Collaborative Robotics project. The aim was to see how little data is needed to optimize the energy consumption of the conveyor belt, and to find out which steps a fully automated centralized belt conveyor data acquisition system requires when the conveyor is not in production and a collaborative robot is used to load test pieces. The theory part concentrated on the topics required when programming an automatic centralized data acquisition system in the Python programming language. Also the theory of neural networks was studied and the Python module used in the work was introduced. The python module included the neural network algorithm used in the work. The practical part reviewed the different stages of the work, which were divided in each topic area so that first the requirements were introduced and then followed their implementation. A Python application was programmed, including a database, neuro network, automatic conveyor and controlling a robot over an Ethernet network. The thesis revealed how much data is needed to successfully utilize the neural network when optimizing the energy consumption of the belt conveyor and which steps are required to program a centralized data collection system. A video documentary was also produced about the work.