SENSOR PLATFORM OF INDUSTRIAL TOMOGRAPHY FOR DIAGNOSTICS AND CONTROL OF TECHNOLOGICAL PROCESSES

W artykule przedstawiono przemysłową platformę tomograficzną wykorzystywaną do diagnostyki i sterowania procesami technologicznymi. Aplikacja pozwala na dodawanie poszczególnych czujników współpracujących z systemem inteligentnej platformy cyber-fizycznej o otwartej architekturze, a dodatkowo możliwa była dowolna konfiguracja i współpraca z systemami zewnętrznymi. W ramach prac eksperymentalnych opracowano platformę, która umożliwia współpracę poszczególnych podsystemów i zewnętrznych systemów klienta. System cyberfizyczny, koncentruje się głównie na złożonej interakcji i integracji między cyberprzestrzenią a światem fizycznym. System cyberfizyczny składa się z wysoce zintegrowanych elementów obliczeniowych, komunikacyjnych, kontrolnych i fizycznych. Rozwiązanie koncentruje się głównie na złożonej interakcji i integracji między cyberprzestrzenią a światem fizycznym.

Słowa kluczowe:

tomografia pojemnościowa, systemy cyber-fizyczne, sensory, tomografia impedancyjna

Bibliografia

Akhtari S. et al.: Intelligent embedded load detection at the edge on industry 4.0 powertrains applications. 5th international forum on research and technology for society and industry – RTSD2019, 2019, 427–430.

Assawaarayakul C. et al.: Integrate digital twin to exist production system for industry 4.0. 4th technology innovation management and engineering science international conference (TIMES-iCON) 2019, 1–5.

Banasiak R. et al.: Study on two-phase flow regime visualisation and identification using 3D electrical capacitance tomography and fuzzy-logic classification. International Journal of Multiphase Flow 58, 2014, 1–14 [http://doi.org/10.1016/J.IJMULTIPHASEFLOW.2013.07.003].

Daubechies I.: Orthonormal Bases of Compactly Supported Wavelets. Communications on Pure and Applied Mathematics 41(7), 1988, 909–96.

He J. et al.: Locality-aware replacement algorithm in flash memory to optimise cloud computing for smart factory of industry 4.0. IEEE Access 5, 2017, 16252–16262.

Hui Z., Hastie T.: Regularisation and Variable Selection via the Elastic Net. Journal of the Royal Statistical Society: Series B (Statistical Methodology) 67(2), 2005, 301–20.

Król K. et al.: Intelligent Sensor Platform with Open Architecture for Monitoring and Control of Industry 4.0 Systems. European Research Studies Journal 24(2), 2021, 597–606.

Kania K. et al.: Image reconstruction in ultrasound transmission tomography using the Fermat’s Principle. Przegląd Elektrotechniczny 96(1), 2020, 186–189.

Kłosowski G. et al.: Maintenance of industrial reactors supported by deep learning driven ultrasound tomography. Eksploatacja i Niezawodność – Maintenance and Reliability 22(1), 2020, 138–147 [http://doi.org/10.17531/ein.2020.1.16].

Kłosowski G. et al.: Neural hybrid tomograph for monitoring industrial reactors. Przegląd Elektrotechniczny 97(12), 2020, 190–193.

Kłosowski G. et al.: Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography. Sensors 20, 2020 [http://doi.org/10.3390/s20113324].

Kłosowski G. et al.: Using an LSTM network to monitor industrial reactors using electrical capacitance and impedance tomography – a hybrid approach. Eksploatacja i Niezawodność – Maintenance and Reliability 25(1), 2023, 11 [http://doi.org/10.17531/ein.2023.1.11].

Kong X. T. et al.: Cyber physical ecommerce logistics system: an implementation case in Hong Kong. Comput Ind Eng 139, 2020, 106170.

Kozłowski E. et al.: Logistic regression in image reconstruction in electrical impedance tomography. Przegląd Elektrotechniczny 97(5), 2020, 95–98.

Kozłowski E. et al.: The use of principal component analysis and logistic regression for cutter state identification. Innovations in Industrial Engineering, Springer International Publishing 2021, 396–405.

Kozłowski E. et al.: Application of the logistic regression for determining transition probability matrix of operating states in the transport systems. Eksploatacja i Niezawodność – Maintenance and Reliability, 22(2), 2020, 192–200 [http://doi.org/10.17531/ein.2020.2.2].

Kozłowski E. et al.: Assessment model of cutting tool condition for real-time supervision system. Eksploatacja i Niezawodność – Maintenance and Reliability, 21(4), 2019, 679–685 [http://doi.org/10.17531/ein.2019.4.18].

Lins T. et al.: Cyber-physical production systems retrofitting in context of industry 4.0. Comput Ind Eng 139, 2020, 106193, 59.

Manavalan E., Jayakrishna K.: A review of internet of things (iot) embedded sustainable supply chain for industry 4.0 requirements. Comput Ind Eng 127, 2019, 925–953.

Occhiuzzi C. et al.: Rfid technology for industry 4.0: architectures and challenges. IEEE international conference on RFID technology and applications (RFID-TA) 2019, 181–186.

Percival D. B, Walden A.: Wavelet Methods for Time Series Analysis 4. Cambridge University Press, 2000.

Poór P. et al.: Predictive maintenance 4.0 as next evolution step in industrial maintenance development. International Research Conference on Smart Computing and Systems Engineering – SCSE, 2019, 245–253.

Rymarczyk T., Sikora J.: Optimisation Method and PCA noise suppression application for Ultrasound Transmission Tomography. Przegląd Elektrotechniczny 96(2), 2020, 90–93.

Rymarczyk T.: New methods to determine moisture areas by electrical impedance tomography. International Journal of Applied Electromagnetics and Mechanics 52(1–2), 2016, 79–87 [http://doi.org/10.3233/JAE-162071].

Rymarczyk T. et al.: Ultrasonic tomography for reflection and transmission wave analysis. Przegląd Elektrotechniczny 96(3), 2020, 170–173.

Rymarczyk T. et al.: The use of the autoencoder to improve images in ultrasound tomography. Przegląd Elektrotechniczny 96(8), 2020, 160–163.

Rymarczyk T. et al.: Logistic Regression for Machine Learning in Process Tomography. Sensors 19(15), 2020 [http://doi.org/10.3390/s19153400].

Rymarczyk T. et al.: Analysis of vertical and horizontal flows of liquids and gases through a wire-mesh sensor. Przegląd Elektrotechniczny 96(3), 2020.

PLATFORMA SENSOROWA TOMOGRAFII PRZEMYSŁOWEJ DO DIAGNOSTYKI I STEROWANIA PROCESAMI TECHNOLOGICZNYMI. (2023). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 13(1), 33-37. https://doi.org/10.35784/iapgos.3371

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 13 Nr 1 (2023)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja