Artificial Cognitive Architecture with Self-Learning and Self-Optimization Capabilities: Case Studies in Micromachining Processes

این کتاب سه موضوع کلیدی را معرفی می‌کند: (1) توسعه یک روش بدون گرادیان برای فعال کردن خود بهینه‌سازی چند هدفه. (2) توسعه یک استراتژی یادگیری تقویتی برای انجام خودآموزی و در نهایت، (iii) ارزیابی تجربی و اعتبارسنجی در دو فرآیند ریزماشینکاری (یعنی میکرو فرز و حفاری ریز). معماری محاسباتی (مژولار، شبکه و قابل تنظیم مجدد برای نظارت و کنترل بلادرنگ) تجزیه و تحلیل انواع مختلف حسگرها، استراتژی‌های پردازش و روش‌شناسی را برای استخراج الگوهای رفتاری از سیگنال‌های فرآیند نمایندگی در نظر می‌گیرد. قابلیت پیکربندی مجدد و قابلیت حمل این معماری توسط دو سطح اصلی پشتیبانی می شود: سطح شناختی (هسته) و سطح اجرایی (تبادل مستقیم داده با فرآیند). در عین حال، معماری شامل حالت‌های عملیاتی مختلفی است که با فرآیندی که باید نظارت و/یا کنترل شود، تعامل دارند. سطح شناختی شامل سه حالت اساسی مانند مدل‌سازی، بهینه‌سازی و یادگیری است که برای تصمیم‌گیری (در قالب سیگنال‌های کنترلی) و برای توصیف آزمایشی بلادرنگ فرآیندهای پیچیده ضروری هستند. در مورد خاص فرآیندهای ریزماشین کاری، مجموعه‌ای از مدل‌ها بر اساس تکنیک‌های رگرسیون خطی، رگرسیون غیرخطی و هوش مصنوعی به‌دست آمد. از سوی دیگر، سطح اجرایی تعامل دائمی با فرآیندی که باید نظارت و/یا کنترل شود دارد. این سطح پیکربندی و پارامترسازی را از سطح شناختی دریافت می‌کند تا وظایف نظارت و کنترل مورد نظر را انجام دهد.

This book introduces three key issues: (i) development of a gradient-free method to enable multi-objective self-optimization; (ii) development of a reinforcement learning strategy to carry out self-learning and finally, (iii) experimental evaluation and validation in two micromachining processes (i.e., micro-milling and micro-drilling). The computational architecture (modular, network and reconfigurable for real-time monitoring and control) takes into account the analysis of different types of sensors, processing strategies and methodologies for extracting behavior patterns from representative process’ signals. The reconfiguration capability and portability of this architecture are supported by two major levels: the cognitive level (core) and the executive level (direct data exchange with the process). At the same time, the architecture includes different operating modes that interact with the process to be monitored and/or controlled. The cognitive level includes three fundamental modes such as modeling, optimization and learning, which are necessary for decision-making (in the form of control signals) and for the real-time experimental characterization of complex processes. In the specific case of the micromachining processes, a series of models based on linear regression, nonlinear regression and artificial intelligence techniques were obtained. On the other hand, the executive level has a constant interaction with the process to be monitored and/or controlled. This level receives the configuration and parameterization from the cognitive level to perform the desired monitoring and control tasks.