Recent advances in technology and modern manufacturing industry have created a
great need to model the behavior of manufacturing systems. Nowadays this need
with the developments in computer technology and software engineering can be
addressed by modern computational techniques. Artificial intelligence (AI) is one of
the well-known advanced computational techniques which is growing fast, and have
been utilized to model, control and optimize different disciplines of engineering,
which manufacturing industry is no exception.
Obtaining real time information has a great value in different fields of manufacturing
industry such as flexible manufacturing systems, inventory management and supply
chain management. One of the developing technology which has been utilized to
identify and track parts and objects in manufacturing industry is Radio Frequency
Identification (RFID) system. An RFID system has been made of three major
components namely tags which mounted at the parts needed to be track, antenna to
read tags and computer as a middle ware.
Several challenges have been resulted due to adopting RFID in manufacturing
industry environment. One of these challenges which has been research area of many
scientists is known as RFID Network Planning (RNP) problem. Mainly RNP deals
with calculating number of antennas which should be deployed in the RFID network
to achieve full coverage of the tags which are needed to be read. A number of
different optimization techniques have been used to optimize RNP, but many of them
are complex and inefficient. The ultimate goal of this thesis is to present and evaluate
iv
a way of modelling and optimizing nonlinear RNP problem utilizing artificial
intelligence techniques. The research developed uses Artificial Neural Network
models (ANN) to bind together the computational artificial intelligence algorithm
with knowledge representation an efficient artificial intelligence paradigm to model
and optimize RFID networks.
This effort has led to proposing a novel artificial intelligence algorithm which has
been named hybrid artificial intelligence optimization technique to perform
optimization of RNP as a hard learning problem. This hybrid optimization technique
has been made of two different optimization phases. First phase is optimizing RNP
by Redundant Antenna Elimination (RAE) algorithm and the second phase which
completes RNP optimization process is Ring Probabilistic Logic Neural Networks
(RPLNN).
The proposed hybrid paradigm has been explored using a flexible manufacturing
system (FMS) located in Eastern Mediterranean University laboratory (EMU- CIM
lab) and the results are compared with well-known evolutionary optimization
technique namely Genetic Algorithm (GA) to demonstrate the feasibility of the
proposed architecture successfully.
Keywords: Manufacturing Industry; Flexible Manufacturing system (FMS); Radio
Frequency Identification (RFID); RFID Network Planning (RNP); Artificial
Intelligence; Artificial Neural Networks (ANN); Hybrid Artificial Intelligence
Algorithm; Redundant Antenna Elimination (RAE); Probabilistic Logic Neural
Networks (RPLNN); Genetic Algorithm (GA)
ÖZ:
Teknoloji ve modern üretim sektöründe ki son gelişmeler üretim sistemlerinin davranışını modellemek için büyük bir ihtiyaç yarattık. Günümüzde bilgisayar teknolojisi ve yazılım mühendisliği gelişmeler bu ihtiyacı modern hesaplama teknikleri ile ele almaktadır.
Gerçek zamanlı bilgi edinme gibi esnek üretim sistemlerinin, envanter yönetimi ve tedarik zinciri yönetimi gibi imalat sanayinin farklı alanlarında büyük bir değeri vardır. Gelişen teknoloji biri Radyo Frekansı ile Tanımlama (RFID) sistemi imalat sanayi parçaları ve nesneleri tanımlamak ve izlemek için kullanılmıştır. Bir RFID sistemi, uç ana bileşenden (etiket, anten, bilgisayar) biri olarak kullanılmistir.
RFIDnın ımalat sanayinde kullanımı çeşıtli zorluklar yaratmıştır. Bu zorluklardan biri RFID Ağ Planlama (RNP) sorunu olarak bilinir. RNP tam kapsama sağlamak için bulunması gereken anten sayısını hesaplar. RNP optimize etmek için farklı optimizasyon teknikleri kullanılır, ancak çoğu karmaşık ve verimsizdir. Bu tezin amacı modelleme ve yapay zeka teknikleri kullanarak doğrusal olmayan RNP problemini optimize etmektir. Burada geliştirilen araştırma Yapay Sinir Ağı modelleri (ANN) bilgi gösterimi ile hesaplama yaparak yapay zeka algoritmasını modellemek ve RFID ağlarını optimize etmek için kullanılmıştır.
Bu çaba sert öğrenme problemi olarak RNP optimizasyonu gerçekleştirmek için hibrid yapay zeka optimizasyon tekniği seçildi yeni bir yapay zeka algoritması öneren yol açmıştır. Bu melez optimizasyon tekniği iki farklı optimizasyon aşamadan yapılmıştır. İlk aşama Yedek Anten Eliminasyon (RAE) algoritması ve RNP
vi
optimizasyon işlemini tamamlar ikinci faz RNP optimize ediyor Halka Probabilistik Mantık Sinir Ağları (RPLNN) 'dir.
iyi bilinen evrimsel optimizasyon teknikleri ile önerilen melez paradigma Doğu Akdeniz Üniversitesi laboratuvarında (EPB CIM lab) bulunan bir esnek üretim sistemi (FMS) kullanılarak araştırılmıştır ve sonuçlar karşılaştırılmıştır yani Genetik Algoritma (GA) başarıyla önerilen mimarinin uygulanabilirliğini göstermek için.
Anahtar Kelimeler: Üretim endüstrisi; Esnek İmalat sistemi (FMS); Radyo Frekansı Tanımlama (RFID); RFID Şebeke Planlaması (RNP); Yapay zeka; Yapay Sinir Ağları (ANN); Hibrid Yapay Zeka Algoritması; Yedekli Anten Yokedilmesi (RAE); Olasılıksal Mantıksal Sinir Ağı (RPLNN); Genetik Algoritma (GA)
