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. DOI: https://doi.org/10.1109/RTSI.2019.8895598

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. DOI: https://doi.org/10.1109/TIMES-iCON47539.2019.9024430

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]. DOI: https://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. DOI: https://doi.org/10.1002/cpa.3160410705

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. DOI: https://doi.org/10.1109/ACCESS.2017.2740327

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. DOI: https://doi.org/10.1111/j.1467-9868.2005.00503.x

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. DOI: https://doi.org/10.35808/ersj/2288

Kania K. et al.: Image reconstruction in ultrasound transmission tomography using the Fermat’s Principle. Przegląd Elektrotechniczny 96(1), 2020, 186–189. DOI: https://doi.org/10.15199/48.2020.01.41

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]. DOI: https://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. DOI: https://doi.org/10.15199/48.2020.12.40

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]. DOI: https://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]. DOI: https://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. DOI: https://doi.org/10.1016/j.cie.2019.106170

Kozłowski E. et al.: Logistic regression in image reconstruction in electrical impedance tomography. Przegląd Elektrotechniczny 97(5), 2020, 95–98. DOI: https://doi.org/10.15199/48.2020.05.19

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. DOI: https://doi.org/10.1007/978-3-030-78170-5_34

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]. DOI: https://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]. DOI: https://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. DOI: https://doi.org/10.1016/j.cie.2019.106193

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. DOI: https://doi.org/10.1016/j.cie.2018.11.030

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. DOI: https://doi.org/10.1109/RFID-TA.2019.8892049

Percival D. B, Walden A.: Wavelet Methods for Time Series Analysis 4. Cambridge University Press, 2000. DOI: https://doi.org/10.1017/CBO9780511841040

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. DOI: https://doi.org/10.23919/SCSE.2019.8842659

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]. DOI: https://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. DOI: https://doi.org/10.15199/48.2020.03.37

Rymarczyk T. et al.: The use of the autoencoder to improve images in ultrasound tomography. Przegląd Elektrotechniczny 96(8), 2020, 160–163. DOI: https://doi.org/10.15199/48.2020.08.33

Rymarczyk T. et al.: Logistic Regression for Machine Learning in Process Tomography. Sensors 19(15), 2020 [http://doi.org/10.3390/s19153400]. DOI: https://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. DOI: https://doi.org/10.15199/48.2020.03.38

Król, K., Rymarczyk, T., Niderla, K., & Kozłowski, E. (2023). PLATFORMA SENSOROWA TOMOGRAFII PRZEMYSŁOWEJ DO DIAGNOSTYKI I STEROWANIA PROCESAMI TECHNOLOGICZNYMI. 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##

DOI

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

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

Licencja