Особливості побудови програмної симуляції для оптимізації ефективності використання та надійності експлуатації автоматизованих виробничих ліній методами ШІ
DOI:
https://doi.org/10.32515/2664-262X.2025.12(43).1.326-332Ключові слова:
штучний інтелект (ШІ), автоматизовані виробничі лінії, комп’ютерна симуляція, інтелектуальні агенти, оптимізація ефективності, цифрові близнюки, архітектура симуляційних моделей, інтеграція ШІ у виробництвоАнотація
У роботі розглядається концепція інтеграції штучного інтелекту в автоматизовану виробничу лінію через створення та впровадження комп’ютерної симуляцій. Як прикладу наведено експериментальну платформу виготовлення агродронів, яка є реальним середовищем для перевірки результатів впровадження методів штучного інтелекту для її оптимізації. Симуляційна модель реалізована з використанням об’єктно-орієнтованого підходу, що забезпечує гнучкість структури та дозволяє замінювати окремі компоненти на ШІ-агентів. Інтелектуальні агенти, інтегровані в модель, виконують функції навчання, адаптації та оптимізації, спрямовані на підвищення продуктивності, зменшення простоїв і покращення якості виробництва. У дослідженні також розглянуто переваги використання цифрових двійників – віртуальних аналогів фізичних систем, що синхронізуються з реальними даними – та порівняно два типи симуляційних платформ: графічні (на базі рушіїв Unity) і консольні, які забезпечують різні рівні деталізації та контролю. Окрему увагу приділено аналізу архітектури симуляції, її модульності та потенціалу масштабування. Отримані результати можуть бути використані як основа для впровадження інтелектуальних систем управління в промислових умовах, зокрема в контексті цифровізації та переходу до гнучких виробничих середовищ.
Посилання
Список літератури
1. Sajadieh S. M. M., Noh S. D. From Simulation to Autonomy: Reviews of the Integration of Artificial Intelligence and Digital Twins. International Journal of Precision Engineering and Manufacturing-Green Technology. 2025. Vol. 12. P. 1597–1628. DOI: 10.1007/s40684-025-00750-z.
2. Lee H., Yang H. Digital Twinning and Optimization of Manufacturing Process Flows. Journal of Manufacturing Science and Engineering. 2023. Vol. 145, № 11. Article 111008. DOI: 10.1115/1.4063234.
3. Li J., Yang S. X. Digital Twins to Embodied Artificial Intelligence: Review and Perspective. Intelligent Robotics. 2025. Vol. 5, № 1. P. 202–227. DOI: 10.20517/ir.2025.1.
4. Jeong Y. Digitalization in Production Logistics: How AI, Digital Twins, and Simulation are Driving the Shift from Model-Based to Data-Driven Approaches. International Journal of Precision Engineering and Manufacturing-Smart Technology. 2023. Vol. 1, № 2. P. 187–200. DOI: 10.57062/ijpem-st.2023.0052.
5. Аулін В. В., Гриньків А. В., Лисенко С. В., Голуб Д. В. Синергетика підвищення надійності машин використанням моделей Марківських процесів. Перспективи і тенденції розвитку конструкцій та технічного сервісу сільськогосподарських машин і знарядь: матеріали V Всеукр. наук.-практ. конф., 9- 10 квіт. 2019 р. Житомир: Житомирський агротехнічний коледж, 2019. С. 242–245.
6. Методологічні основи проектування та функціонування інтелектуальних транспортних і виробничих систем / за ред. В. В. Ауліна. Кропивницький: Видавець Лисенко В. Ф., 2020. 428 с.
7. Ohira K., Ohira T. Solving a Delay Differential Equation Through the Fourier Transform. Physics Letters A. 2025. Vol. 531. Article 130138. DOI: 10.1016/j.physleta.2024.130138.
8. Derbas M., Frömel-Frybort S., Möhring H.-C., Riegler M. Accelerated Singular Spectrum Analysis and Machine Learning to Investigate Wood Machining Acoustics. Mechanical Systems and Signal Processing. 2025. Vol. 223. Article 111879. DOI: 10.1016/j.ymssp.2024.111879.
9. Аулін В. В., Ковальов С. Г., Гриньків А. В., Варваров В. В. Алгоритм оптимізації надійності функціонування та ефективності використання виробничого обладнання методами штучного інтелекту. Центральноукраїнський науковий вісник. Технічні науки. 2024. Вип. 10(41), ч. I. С. 60–67.
10. Ковальов С. Г., Ковальов Ю. Г. Особливості реалізації моделі штучної нейронної мережі апаратними засобами. Наука і техніка сьогодні. Серія «Техніка». 2024. № 6(34). С. 854–866. DOI: 10.52058/2786- 6025-2024-6(34).
11. Barillaro L. Deep Learning Platforms: Keras. Reference Module in Life Sciences. 2024. January. DOI: 10.1016/B978-0-323-95502-7.00092-0.
12. Pandya S., Ghayvat H. Ambient Acoustic Event Assistive Framework for Identification, Detection, and Recognition of Unknown Acoustic Events of a Residence. Advanced Engineering Informatics. 2021. Vol. 47. Article 101238. DOI: 10.1016/j.aei.2020.101238.
13. Аулін В. В., Ковальов С. Г., Гриньків А. В., Варваров В. В. Підвищення надійності та ефективності експлуатації виробничих ліній методами штучного інтелекту, використовуючи моніторинг акустичних сигналів. Центральноукраїнський науковий вісник. Технічні науки. 2024. Вип. 10(41), ч. ІІ. С. 142–151. DOI: 10.32515/2664-262X.2024.10(41).2.142-151.
14. Kovalov S. G., Aulin V. V., Grynkiv A. V., Kovalov Yu. G. Modeling the Stochastic State Matrix of a Production Line for Optimize its Operational Reliability Using Reinforcement Learning. Central Ukrainian Scientific Bulletin. Technical Sciences. 2025. Issue 11(42), Part II. P. 195–203. DOI: 10.32515/2664- 262X.2025.11(42).2.195-203.
15. Ковальов С. Г. Оптимізація часу виробництва за допомогою методу навчання з підкріпленням як частинний випадок підвищення ефективності автоматизованих виробничих ліній. Центральноукраїнський науковий вісник. Технічні науки. 2025. Вип. 11(42), Ч. I. С. 198–205. DOI: 10.32515/2664-262X.2025.11(42).1.198-205.
References
1. Sajadieh, S.M.M., & Noh, S. D. (2025). From simulation to autonomy: Reviews of the integration of artificial intelligence and digital twins. International Journal of Precision Engineering and Manufacturing- Green Technology, 12, 1597–1628. https://doi.org/10.1007/s40684-025-00750-z
2. Lee, H., & Yang, H. (2023). Digital twinning and optimization of manufacturing process flows. Journal of Manufacturing Science and Engineering, 145 (11), 111008. https://doi.org/10.1115/1.4063234
3. Li, J., & Yang, S. X. (2025). Digital twins to embodied artificial intelligence: Review and perspective. Intelligent Robotics, 5(1), 202–227. https://doi.org/10.20517/ir.2025.1
4. Jeong, Y. (2023). Digitalization in production logistics: How AI, digital twins, and simulation are driving the shift from model-based to data-driven approaches. International Journal of Precision Engineering and Manufacturing-Smart Technology, 1(2), 187–200. https://doi.org/10.57062/ijpem-st.2023.0052
5. Aulin, V. V., Grynkiv, A. V., Lysenko, S. V., & Holub, D. V. (2019). Synergetics of improving machine reliability using Markov process models. In *Proceedings the Development of Structures and Technical Service of Agricultural Machinery and Tools: materialy pyatoi vseukrainskoi naukovo-praktychnoyi konferentsiyi (pp. 242–245). Zhytomyr: Zhytomyr Agricultural College [in Ukrainian]
6. Aulin, V. V. (Ed.). (2020). Methodological foundations for the design and operation of intelligent transport and production systems. Kropyvnytskyi: Vydavets Lysenko V. F. [in Ukrainian]
7. Ohira, K., & Ohira, T. (2025). Solving a delay differential equation through the Fourier transform. Physics Letters A, 531, 130138. https://doi.org/10.1016/j.physleta.2024.130138
8. Derbas, M., Frömel-Frybort, S., Möhring, H.-C., & Riegler, M. (2025). Accelerated singular spectrum analysis and machine learning to investigate wood machining acoustics. Mechanical Systems and Signal Processing, 223, 111879. https://doi.org/10.1016/j.ymssp.2024.111879
9. Aulin, V. V., Kovalov, S. H., Grynkiv, A. V., & Varvarov, V. V. (2024). Optimization algorithm for reliability and efficiency of production equipment using artificial intelligence methods. Central Ukrainian Scientific Bulletin. Technical Sciences, 10 (41), Part I, 60–67. [in Ukrainian]
10. Kovalov, S. H., & Kovalov, Yu. H. (2024). Features of implementing artificial neural network models in hardware. Science and Technology Today. Series: Engineering, 6(34), 854–866. [in Ukrainian]. https://doi.org/10.52058/2786-6025-2024-6(34)
11. Barillaro, L. (2024). Deep learning platforms: Keras. In Reference Module in Life Sciences. https://doi.org/10.1016/B978-0-323-95502-7.00092-0
12. Pandya, S., & Ghayvat, H. (2021). Ambient acoustic event assistive framework for identification, detection, and recognition of unknown acoustic events of a residence. Advanced Engineering Informatics, 47, 101238. https://doi.org/10.1016/j.aei.2020.101238
13. Aulin, V. V., Kovalov, S. H., Grynkiv, A. V., & Varvarov, V. V. (2024). Improving reliability and efficiency of production lines using artificial intelligence and acoustic signal monitoring. Central Ukrainian Scientific Bulletin. Technical Sciences, 10 (41), Part II. 142–151 [in Ukrainian]. https://doi.org/10.32515/2664-262X.2024.10(41).2.142-151
14. Kovalov, S. H., Aulin, V. V., Grynkiv, A. V., & Kovalov, Y. H. (2025). Modeling the stochastic state matrix of a production line to optimize its operational reliability using reinforcement learning. Central Ukrainian Scientific Bulletin. Technical Sciences, 11 (42), Part II. 195–203. https://doi.org/10.32515/2664-262X.2025.11(42).2.195-203
15. Kovalov, S. H. (2025). Production time optimization using reinforcement learning as a case of improving automated production line efficiency. Central Ukrainian Scientific Bulletin. Technical Sciences, 11 (42), Part I. 198–205 [in Ukrainian]. https://doi.org/10.32515/2664-262X.2025.11(42).1.198-205
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 © С. Г. Ковальов, В. В. Аулін, А. В. Гриньків, Ю. Г. Ковальов
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
