dr nż. Krzysztof Stankewcz Instytut Technk Górnczej KOMAG Koncepcja środowska symulacyjnego do oceny samoorganzacj trasowana w sec sensorycznej S t r e s z c z e n e S u m m a r y Technk Internetu Rzeczy (IoT Internet of Thngs) oraz komunkacj bezpośrednej Maszyna do Maszyny (M2M - Machne to Machne) coraz mocnej wpływają na strukturę funkcjonalność systemów sterowana stosowanych w maszynach, kształtując przy tym deę Przemysłu 4.0 (Industry 4.0). Systemy sterowana zgodne z IoT wykorzystują sec komunkacyjne, często o dużym stopnu komplkacj, łącząc poszczególne podzespoły, moduły, elementy wykonawcze sensory. W artykule przedstawono zagadnene symulacj samoorganzacj śceżek komunkacyjnych (trasowane, routng) w złożonej sec sensorycznej montorującej dzałane krążnków przenośnka taśmowego. Poszczególne sensory tworzące seć są nezależne wyposażone w elektronczny układ pomarowy oraz transmsyjny MTU (Measurng and Transmttng Unt). W celu utworzena optymalzacj śceżek transmsyjnych, w proponowanej strukturze komunkacyjnej, zaproponowano algorytm klasy SA (Swarm Algorthm) bazujący na zachowanu roju. Słowa kluczowe: trasowane, samoorganzacja, algorytm roju, seć sensoryczna Keywords: routng, self-organzaton, swarm algorthm, sensors network Assumptons of an IoT (Internet of Thngs) and drect communcaton M2M (Machne to Machne) got strong nfluence on the structure and functonalty of the control systems of machnes, shapng at once an dea of the Industry 4.0 (Industry 4.0). All control systems, n accordance wth the IoT, use communcaton networks, often wth a hgh degree of complexty, combnng the varous components, modules, actuators and sensors. The paper presents the smulaton problem of selforganzaton communcaton paths n a complex network of sensory montorng of operaton of the conveyor belt rollers, n whch each sensor s equpped wth an ndependent, electronc measurng and transmsson unt (MTU). In order to create and optmze the communcaton structure an algorthm of class SA (Swarm Algorthm), based on the behavor of the swarm, was proposed. 1. Wstęp Możlwość zastosowana opsywanej w artykule klasy algorytmów może być powązana z problemam dotyczącym sterowana przebegem procesów technologcznych maszyn przy mnmalnym udzale ludz. Koordynacja dzałań [11], ochrona mena [15], określane celów beżących [4], herarchzacja funkcj w zrobotyzowanych systemach wydobywczych jest obecne konecznoścą. Prowadzone prace mają także na celu automatyzację dzałana systemów służących wydobycu [1, 2, 6, 7, 8, 9, 13, 14]. W wynku tych dzałań otrzymywane są znaczne lośc danych, które utrudnają prowadzene przez ludz złożonego procesu wnoskowana. Nawet jeśl wnoskowane jest możlwe, często jest neefektywne. Stąd metody technk sztucznej ntelgencj, bazujące na wedzy samoorganzacj (także adaptacj) pownny być coraz szerzej wdrażane w celu dalszego rozwoju technolog stosowanych w górnctwe. Jednym z ważnejszych zagadneń, zwązanych z bezpeczeństwem pracy w kopalnach węgla, jest montorng lokalzacj ludz środków transportu oraz montorng środowskowy. Istotnym problemem bezpeczeństwa w górnctwe jest zagrożene pożarowe na przenośnkach taśmowych do transportu urobku. Krążnk przenośnków taśmowych ne są montorowane w sposób cągły. Każdy z nch, w sytuacj zatarca przegrzana, może stanowć źródło zapłonu pyłu węglowego. Wdrożene systemu montorngu krążnków, z nezależnym źródłem zaslana wewnętrzną dagnostyką, welopozomową redundancją połączeń komunkacyjnych oraz samoorganzacją śceżek komunkacyjnych, może poprawć pozom bezpeczeństwa użytkowego pozwolć na podjęce dzałań zapobegających pożarom. System, dzęk lczbe zanstalowanych w krążnkach jednostek montorujących MTU (Measurng and Transmttng Unt), transmtujących dane traktowane jako elementy roju (agenc), ne będze wymagał ustanawana zaplanowanej redundancj połączeń w zakrese komunkacj M2M. Sam utworzy seć komunkacyjną wewnętrzne multredundantną, na klku pozomach funkcjonowana (sprzętowym, programowym, algorytmcznym). MASZYNY GÓRNICZE 2/2015 3
Koncepcję samoorganzującej sec komunkacyjnej, w oparcu o którą powstane technka będąca przedmotem mplementacj w strukturze systemu montorngu, o cechach samoorganzującego roju, przedstawono w pracy [12]. 2. Samoorganzacja systemu z wykorzystanem roju cząstek Algorytm optymalzacj rojem cząstek (PSO) [5], nazywany także algorytmem ptasm, opracowany został przez Kennedy ego Eberharta w 1995 roku [3, 11, 18]. Algorytm oparto na obserwacj zachowana wybranej populacj (roju, stada), z uwzględnenem możlwośc komunkowana sę mędzy poszczególnym osobnkam oraz dzelena nformacjam. Każdy osobnk należący do danej populacj traktowany jest jako cząstka. Cząstk przemeszczają sę do nowych położeń, poszukując optmum określonej funkcj (np. najkrótszej drog). Podobne jak stado ptaków, rój podąża za przywódcą (najlepszym rozwązanem) przyspeszając zmenając kerunek (przeszukując przestrzeń stanów), do momentu aż lepsze rozwązane zostane znalezone. Przywódcą roju zostaje osobnk o najlepszym dotychczas znanym położenu. Osobnk podejmują decyzje na podstawe oceny najblższego otoczena, jednak dzęk przesyłanu nformacj stado zachowuje swoją dynamkę. Każda cząstka (cząstką jest ramka danych pojawająca sę w sec komunkacyjnej) posada określone: położene, prędkość, zwrot, znane w odnesenu do swoch sąsadów. Każda cząstka pamęta równeż najlepsze położena, jake udało jej sę osągnąć. Zarówno położene oraz prędkość -tej cząstk w d-wymarowej przestrzen można przedstawć jako wektory: x=[x1,x2,,xd] oraz v=[v1,v2,,vd]. Każda cząstka ma swoją własną najlepszą pozycję p=[p1,p2,,pd], odpowadającą najlepszej uzyskanej dotychczas wartośc funkcj celu, natomast najlepsza pozycja cząstk-przywódcy w całym roju określona jest jako pd=[pd1,pd2,,pdd]. Podstawowy algorytm optymalzacj rojem cząstek przebega w następujący sposób: a) ncjalzacja losowej pozycj cząstek ch prędkośc początkowych, b) ocena położena cząstek za pomocą funkcj dopasowana, c) porównane zachowana każdej cząstk z jej najlepszym (do tej pory) zachowanem, d) wybór przywódcy stada, e) uaktualnene prędkośc każdej cząstk w każdej teracj k opsanej równanem (1): v ( k ) v ( k 1) c r [ p ( k 1) x ( k 1)] gdze: - współczynnk nercj ruchu cząstk, v - wektor prędkośc -tej cząstk, x - wektor położena -tej cząstk, p - najlepsze położene -tej cząstk, pd - najlepsze położene dowolnej cząstk, c1 - stała dodatna, tzw. wskaźnk samooceny, c2 - stała dodatna, wskaźnk społecznoścowy (zaufane położenu sąsadów), r 1, r 2 - losowe lczby o rozkładze równomernym w przedzale [0, 1], k - kolejny krok teracj f) uaktualnene położena każdej cząstk opsane równanem (2): gdze: k kolejny krok teracj, v - wektor prędkośc -tej cząstk, x - wektor położena -tej cząstk. Krok b-f wykonywane są do momentu spełnena określonego kryterum stopu (warunku zatrzymana algorytmu). Współczynnk nercj ruchu cząstk określa, w jakm stopnu aktualna prędkość cząstk jest uzależnona od wartośc poprzednej (duża wartość ukerunkowuje cząstk na globalne przeszukwana przestrzen stanów). Z kole wskaźnk samooceny określa, jak bardzo dana cząstka ufa kerunkow prowadzącemu do swojego najlepszego położena. Dobór współczynnków parametrów algorytmu ma krytyczny wpływ na jego zbeżność. 3. Środowsko symulacyjne Środowsko symulacyjne, przygotowane w forme programu komputerowego, nezbędne jest do weryfkacj oceny algorytmów trasujących śceżk komunkacyjne pomędzy węzłam sec (MTU), zgodne z zaproponowaną koncepcją [12], bazującą na zachowanu roju. Środowsko symulacyjne umożlwa wyznaczene: 4 MASZYNY GÓRNICZE 2/2015 c r [ p ( k 1) x ( k 1)] 2 2 d 1 1 x ( k ) x ( k 1) v ( k ) (2) odległośc określającej przynależność określonej cząstk (ramk danych) do grupy sąsadujących ze sobą MTU (wykryce sąsedztwa agentów), wrtualnego kąta wdzena w odnesenu do ramk pochodzącej z określonego MTU, (1)
wrtualnych kątów wektora prędkośc ramk w odnesenu do ramek z sąsadujących MTU, celem określena dopasowana beżącej śceżk komunkacyjnej do optymalnej, dopasowana prędkośc ramek z sąsadujących MTU, celem optymalzacj wydajnośc transmsj w aspekce rzeczywstych ogranczeń przesyłu w węzłach sec, prorytetów śceżek transmsyjnych, celem wyboru optymalnych tras przepływu danych w aspekce zadanych kryterów (np. najkrótszej drog). Rdzeń środowska opera sę na mplementacj pseudokodu bazującego na algorytme opsanym w punkce 2: PSO() { swarm.ntalzerandomlypartcleslocatonandvelocty(); for from 1 to maxiteratons { swarm.updatebestlocaton(); for each MTU n swarm { Dframe.updateVelocty(); Dframe.updateLocaton(); Dframe { updatevelocty() { for ( from 1 to dmensons) { ths.v[] = random.unform(0,g)*(swarm. best[] - ths.x[]) + random.unform(0,l)*(ths.best [] - ths.x[]) + random.unform(0,r)*(ths.x[] - swarm.random().x[]) + a * ths.v[] + y * random.normal(0,1); updatelocaton() { for ( from 1 to dmensons) { ths.x[] = ths.x[] + ths.v[]; f (f(ths.best) > f(ths.x)) { ths.best = ths.x; Powyższy pseudokod opsuje podstawowe krok charakteryzujące proces optymalzacj z wykorzystanem PSO. Aby poprawć jego efektywność wprowadzono do kodu roju, bazując na [10], cząstk wynalazcy (Inventors) cząstk odkrywcy (Explorers), które poszukują nowych neeksploatowanych aktualne rozwązań: InventorsDframe: Dframe { updatevelocty() { for ( from 1 to dmensons) { ths.v[] = random.unform(0,r)*(swarm. best[] - ths.x[]) + random.unform(0,l)*(ths.best [] - ths.x[]) + random.unform(0,g)*(ths.x[] - swarm.random.x[]) + a * ths.v[] + y * random.normal(0,1); Cząsteczk odkrywcy początkowo zachowują sę tak samo jak cząsteczk wynalazcy. Jednak cząsteczka odkrywca, w odróżnenu od wynalazcy, może: MASZYNY GÓRNICZE 2/2015 5 zmenć strategę dzałana zacząć poszukwać maksmum określonej funkcj celu, poszukując maksmum, ulec zmęczenu zacząć poszukwać mnmum określonej funkcj celu. Dzałane cząsteczek odkrywców można opsać następującym pseudokodem: ExplorersPartcle: InventorsPartcle { updatelocaton() { for ( from 1 to dmensons) { ths.x[] = ths.x[] + ths.v[]; f (f(ths.best[t]) > f(ths.x) && ths.sserchngformnmum) { ths.best[t] = ths.x; f (f(ths.best[t]) < f(ths.x) &&!ths.sserchngformnmum) { ths.best[t] = ths.x; f (!ths.sserchngformnmum) { f (fatgue++ > 2 * ths.samples_to_swtch) { fatgue = 0; ths.sserchngformnmum = true; ths.samples_to_swtch *= 2; f ( ths.best[t-samples_to_swtch] - ths.best[t] < precson_to_swtch) { fatgue = 0; ths.sserchngformnmum =!ths.sserchngformnmum;
Przyjęto następujące założena opsujące odnoszące sę do dzałana programowego środowska symulacyjnego: 1) Krytera stopu (zatrzymana symulacj): Wybrano 2 warunk, które prowadzą do zakończena algorytmu symulacj. Przy wyborze kerowano sę ch nskm zapotrzebowanem na moc oblczenową komputera: Kryterum 1: Powolny rój należy porównywać prędkośc wszystkch cząsteczek z ustaloną wartoścą progową. W przypadku, gdy cząsteczk w roju poruszają sę ponżej dobranej eksperymentalne wartośc program kończy dzałane. Kryterum 2: Brak poprawy od długego czasu jeżel ne następuje poprawa wynku optymalzacj śceżk komunkacyjnej (np. lczby skoków ramek komunkacyjnych przez węzły sec), w zakrese ustalonej eksperymentalne lczby teracj, program kończy dzałane. 2) Złożoność oblczenowa Złożoność oblczenowa jest zależna od lczby cząsteczek roju oraz kryterum stopu. Z tego powodu jest trudna do oszacowana, gdyż lczba teracj głównej pętl algorytmu symulacj może być zmenna. Przyjmując: - lczba teracj głównej pętl algorytmu, n - lczba cząsteczek, można określć O(n), przy czym lczba teracj będze zazwyczaj znaczne wększa od lczby MTU. 3) Wejśce/wyjśce programu Dane wejścowe mogą zostać utworzone na dwa sposoby, wczytane z plku lub wygenerowane losowo. Na wyjścu otrzymuje sę długość (określoną w skokach) najkrótszej śceżk komunkacyjnej, osągnętą wydajność (prędkość transmsj), czas wykonywana oblczeń oraz lczbę punktów wejścowych. Opcjonalne możlwe jest wypsane macerzy odległośc pomędzy MTU oraz porównane wynku z wynkam dzałana nnych algorytmów samoorganzacj struktur transmsj danych. 4) Parametry W odnesenu do algorytmu symulacj możlwe jest ustalene lczby MTU maksymalnej lczby teracj neznajdujących lepszego rozwązana funkcj celu. 5) Struktura danych Do reprezentacj grafu zawerającego długośc wydajnośc śceżek transmsyjnych wyznaczonych pomędzy MTU, ze względu na to, że jest to graf pełny (możlwe jest połączene dowolnego punktu z nnym), wybrano macerzową reprezentację grafu. 6) Ocena wynków symulacj Program umożlwa dwe kategore testów jakoścowych oraz loścowych (wydajnoścowych). Z tego powodu koneczne było umożlwene mplementacj nnych algorytmów samoorganzacj śceżek komunkacyjnych, z którym porównywane są uzyskane wynk. Porównywana jest długość najkrótszej znalezonej śceżk oraz czas poszukwań w odnesenu do różnych grafów. 4. Zastosowane PSO do optymalzacj trasowana welowymarowego modelu systemu komunkacyjnego Samoorganzacja systemu komunkacyjnego stanow główny problem welowymarowej optymalzacj [16, 17]. Polega on na utworzenu śceżek komunkacyjnych o jak najmnejszej długośc, ne przekraczając przy tym ch ogranczonej przepływnośc. Może być rozważany jako problem alokacj m zasobów do n obektów. Każdy zasób ma bowem określony budżet M, a obekt przynos zysk pj oraz zużywa wj zasobu. Maksymalzowana funkcja celu (3) zdefnowana jest następująco: gdze: przy ogranczenach: x {0,1, j =1,.,m wj część przepustowośc -tej śceżk, zużywana przez MTU, M maksymalna przepływność -tej śceżk komunkacyjnej, pj lczba przesłanych danych określoną śceżką komunkacyjną przez MTU, m lczba śceżek komunkacyjnych w sec, n lczba MTU f ( x ) p j1 5. Podsumowane n j w j x 0, j1 Algorytm optymalzacj rojem cząstek może być stosowany do rozwązana welu celów optymalzacj. Jednym z nch jest trasowane optymalnych śceżek komunkacyjnych w sec sensorycznej. Uzyskane, początkowe wynk symulacj, prowadzone w odnesenu do wybranych nstancj testowych, wskazują na duży potencjał algorytmu PSO. Dzęk wymane nformacj mędzy cząstkam roju w trakce j n p j x j M w j 0, M (3) 0 6 MASZYNY GÓRNICZE 2/2015
wykonywana algorytmu, a tym samym ogranczenu lczby wywołań funkcj dopasowana, metodę można stosować do rozwązywana welu problemów wymagających dużych mocy oblczenowych. Interesującym obszarem mogą być zagadnena zwązane z wprowadzenem nowych formuł aktualzacj położena prędkośc cząstek. Opracowana metoda samoorganzacj środowsko symulacyjne pozwalają na zamplementowane nowoczesnej wydajnej technk montorngu prowadzonego w wyrobskach podzemnych, szczególne w celu: zabezpeczena ppoż. przenośnków (krążnk bębny napędowe z zanstalowanym MTU mogą być traktowane jak elementy sec o strukturze kraty), robotyzacj automatyzacj wydobywana surowców w skrajne trudnych warunkach, w których praca ludz może być obarczona bardzo dużym ryzykem narażenem ch zdrowa życa, prowadzena akcj ratownczych z wykorzystanem mkrorobotów do poszukwana poszkodowanych, przekazywana energ komunkacj z nm, montorngu atmosfery, montorngu kondycj ruchu ludz, montorngu położena planowana tras środków transportu, ntelgentnej komunkacj. W toku dalszych prac zaplanowano testy porównawcze z wykorzystanem przedstawonego środowska symulacyjnego, mające na celu doskonalene algorytmu trasowana potwerdzene przydatnośc opracowanej metody do ww. zastosowań. Lteratura 1. Bartoszek S.: Metoda pozycjonowana górnczych maszyn moblnych w wyrobskach korytarzowych. W: Innowacyjne technk technologe dla górnctwa. Bezpeczeństwo Efektywność Nezawodność. KOMTECH 2012, Instytut Technk Górnczej KOMAG, Glwce 2012 s. 387-399. 2. Bartoszek S., Jagoda J., Jura J., Latos M.: Systemy wbudowane w zespołach sterowana, dagnostyk oraz wzualzacj dla górnctwa. W: Innowacyjne technk technologe dla górnctwa. Bezpeczeństwo Efektywność Nezawodność. KOMTECH 2014, Instytut Technk Górnczej KOMAG, Glwce 2014, ISBN 978-83-60708-83-5 3. Eberhart R., Sh Y., Kennedy J.: Swarm Intellgence. Morgan Kaufman, San Francsco, 2001. 4. Gong T., Tuson A.L.: Partcle swarm optmzaton for quadratc assgnment problems - a formal analyss approach. Internatonal Journal of Computatonal Intellgence Research, 4, 2008, 177185. 5. Kennedy J., Eberhart R.: Partcle Swarm Optmzaton. Materały IEEE Internatonal Conference on Neural Networks, 4, 1995, 1942-1948. 6. Jonak J., Prostańsk D., Jasulek D., Rogala- Rojek J., Puchała B.: Koncepcja adaptacyjnego układu sterowana w kombajnach chodnkowych REMAG SA. Problemy bezpeczeństwa w budowe eksploatacj maszyn urządzeń górnctwa podzemnego. Monografa pod redakcją Krzysztofa Krauze, Centrum Badań Dozoru Górnctwa Podzemnego sp. z o.o., Lędzny 2010 s. 115-123. 7. Jonak J., Rogala-Rojek J.: System doradczy wspomagający operatora kombajnu chodnkowego. Prace Naukowe - Monografe KOMAG nr 38, Instytut Technk Górnczej KOMAG, Glwce 2012. 8. Latos M., Bartoszek S., Rogala-Rojek J.: Dagnostcs of underground mnng machnery. Proceedngs of the 19th Internatonal Conference on Methods and Models n Automaton and Robotcs (MMAR), Mędzyzdroje, 2014, s. 782-787. 9. Latos M., Stankewcz K.: Studes on the effectveness of nose protecton for an enclosed ndustral area usng global actve nose reducton systems. Low Frequency Nose, Vbraton and Actve Control Journal, 2015, vol. 34, nr 1, s. 9-20 2. 10. Lan Z., Gu X., Jao B., A smlar partcle swarm optmzaton algorthm for permutaton flow- shop schedulng to mnmze makespan. Appled Mathematcs and Computaton, 175, 2006, 773785. 11. Sha D.Y., Hsu Ch.Y., A new partcle swarm optmzaton for the open shop schedulng problem. Computers & Operatons Research, 35, 2008, 3243-3261. 12. Stankewcz K.: Koncepcja metody samoorganzacj złożonego systemu komunkacyjnego do zastosowań w górnctwe, W: Innowacyjne technk technologe dla górnctwa. Bezpeczeństwo Efektywność Nezawodność KOMTECH 2012, Instytut Technk Górnczej KOMAG, Glwce 2012 s. 329-338 MASZYNY GÓRNICZE 2/2015 7
13. Śwder J., Woszczyńsk M.: Zastosowane układu rekuperacj energ w slnku spalnowym maszyny górnczej. Prace Naukowe - Monografe KOMAG nr 43, Instytut Technk Górnczej KOMAG, Glwce 2014 s. 1-106; 6,69 ark. wyd., ISBN 978-83-60708-82-8 14. Śwder J., Woszczyńsk M.: Use of the System for Energy Recuperaton and Control n Desel Machnes. Machne Dynamcs Research 2014, Vol. 38, No 1 15. Tlaga J., Tlaga W.: Samoorganzujący sę system roju - nowe podejśce w projektowanu systemów zabezpeczeń (cz. 2), Ochrona Mena Informacj, nr 6/2007, str. 38-42 16. Tasgetren M.F., LangY.C., Sevkl M., Gencylmaz G.: A partcle swarm optmzaton algorthm for makespan and total flowtme mnmzaton n the permutaton flowshop sequencng. European Journal of Operatonal Research, 177, 2007, 1930-1947. 17. Wang L., Wang X., Fu J., Zhen L.: A novel probablty bnary partcle swarm optmzaton algorthm and ts applcaton. Journal of Software, 3, 2008, 28-35. 18. Zhu Q., Qan L., L Y., Zhu S.: An mproved partcle swarm optmzaton algorthm for vehcle routng problem wth tme wndows. Materały IEEE Congress on Evolutonary Computaton, 2006, 1386-1390. Artykuł wpłynął do redakcj w maju 2015 r. 8 MASZYNY GÓRNICZE 2/2015