• Perangkat kecerdasan buatan bisa membantu sistem sensor

Default Alternative Text

Tujuh perangkat kecerdasan buatan (artificial intelligence/AI) terbukti bermanfaat untuk sistem sensor. Antara lain: sistem berbasis pengetahuan (knowledge-based systems), fuzzy logic, akuisisi pengetahuan otomatis (automatic knowledge acquisition), neural networks, genetic algorithms, case-based reasoning, dan ambient-intelligence. Setiap perangkat AI ini ini akan diuraikan, dilengkapi beberapa contoh penggunaannya dalam sistem sensor. Penggunaan perangkat-perangkat tersebut dalam sistem sensor semakin meluas berkat kemampuan komputer saat ini dan harganya yang semakin terjangkau. Penggunaan sensor baru akan terus bermunculan, dan mungkin akan menggunakan perangkat hibrida yang memadukan keunggulan dua perangkat atau lebih.

Figure 1 shows a case-based reasoning (CBR) system. Sama seperti sistem rule-based, sistem CBS andal dalam menggambarkan pengetahuan dengan jelas untuk manusia; tetapi sistem CBR juga memiliki kemampuan uuntuk belajar dari contoh-contoh terdahulu dengan membuat kasus-kasus baru.

Perangkat dan metode yang diulas di sini memiliki kompleksitas komputasi yang minim dan bisa diimplementasikan dengan sistem sensor yang kecil, sensor tunggal, atau susunan sistem pengendali mikro berkemampuan rendah. Penggunaan perangkat AI baru yang tepat akan berkontribusi terhadap pembuatan sistem sensor dan aplikasi yang lebih kompetitif. Perkembangan teknologi lain dalam AI yang akan memengaruhi sistem sensor antara lain teknik penggalian data, sistem multiagen, dan sistem distributed self-organizing. Penginderaan sekitar (ambient sensing) membutuhkan pengintegrasian prosesor dan sensor mikroelektronik pada obyek sehari-hari untuk membuatnya "pintar". Mereka bisa menjelajahi lingkungan, berkomunikasi dengan benda pintar lainnya, dan berinteraksi dengan manusia. Saran yang diberikan bertujuan untuk membantu pengguna menuntaskan tugas mereka dengan cara yang intuitif, tetapi dampak yang diakibatkan dari integrasi semacam itu sulit untuk diprediksi. Penggunaan kecerdasan sekeliling dan paduan perangkat AI merupakan usaha untuk memanfaatkan keunggulan dari setiap teknologi. Konsepnya secara umum dapat diterapkan ke seluruh proses industri, dan penelitian ini dimaksudkan untuk menunjukkan bahwa konsep tersebut bisa diwujudkan.

Menciptakan sistem sensor yang lebih cerdas
Sistem sensor bisa dikembangkan menggunakan kecerdasan buatan. [1] AI muncul sebagai cabang ilmu komputer pada pertengahan 1950-an, [2,3] dan telah menghasilkan beberapa perangkat canggih yang membantu sistem sensor untuk menyelesaikan masalah secara otomatis. Tujuh perangkat tersebut adalah sistem berbasis pengetahuan (knowledge-based systems), fuzzy logic, pembelajaran induktif (inductive learning), neural networks, genetic algorithms, case-based reasoning, dan ambient-intelligence.

Sistem AI telah jauh berkembang, [4] dan kemajuan baru di kecerdasan buatan menciptakan interaksi yang mulus antara manusia dan sistem sensor digital. Meskipun pengenalan AI ke industri berjalan lambat, AI menjanjikan peningkatan dalam fleksibilitas, kemampuan rekonfigurasi, dan keandalan. Sistem mesin yang baru melebihi kemampuan manusia dalam meningkatkan jumlah pekerjaan. Saat teknologi AI semakin menyatu dengan kehidupan, dan kita mengombinasikan kemampuan otak kita dengan kapasitas komputer untuk menganalisis, menarik kesimpulan, berkomunikasi, dan menciptakan hal baru, barulah kita berada di ambang era baru kecerdasan buatan. [5]

AI (atau kecerdasan buatan) memadukan berbagai teknologi canggih untuk memberikan mesin kemampuan untuk belajar, beradaptasi, mengambil keputusan, dan menampilkan perilaku baru. [6] Ini diraih dengan menggunakan teknologi seperti neural network, [7] expert system, [8,9] self-organizing maps, [10] fuzzy logic, [11] serta algoritma genetik (genetic algorithms), [12] dan teknologi kecerdasan buatan tersebut telah dikembangkan melalui penggunaannya di berbagai area di mana informasi sensor harus ditafsirkan dan diproses, misalnya:

  • Perakitan [1, 14]
  • Biosensor [13]
  • Pemodelan bangunan [16]
  • Daya lihat komputer [17]
  • Diagnosis perangkat pemotong/Cutting tool diagnosis [30]
  • Teknik Lingkungan [18]
  • Penginderaan kekuatan/Force sensing [31]
  • Pemantauan kesehatan [29]
  • Interaksi manusia-komputer [19,20]
  • Penggunaan internet [21,22]
  • Laser milling [15]
  • Pemeliharaan dan inspeksi [25,26]
  • Powered assistance [23,24]
  • Robotik [27,28]
  • Jaringan sensor [32]
  • Teleoperasi. [33,34]

Perkembangan dalam kecerdasan buatan ini diperkenalkan ke sistem sensor yang lebih rumit lagi. Dengan mengeklik tetikus, menekan tombol, atau memilikirkan sesuatu, Anda bisa mengonversi data sensor menjadi informasi, dan mengirimnya ke Anda. Contoh terbaru dari penelitian ini sudah dipublikasikan, termasuk penelitian di Universitas Portsmouth. Tujuh area dimana AI bisa membantu sistem sensor.

1. Sistem berbasis pengetahuan
Sistem berbasis pengetahuan (atau ahli) adalah program komputer yang menyimpan pengetahuan tentang domain untuk memecahkan masalah yang berkaitan dengan domain tersebut. [2]Sistem ahli (expert system) biasanya memiliki dua elemen, yaitu berbasis pengetahuan dan mekanisme kesimpulan (inference mechanism). Elemen berbasis pengetahuan mengandung pengetahuan domain yang bisa diekspresikan sebagai kombinasi "jika-maka", pernyataan fakta, frame, objek, prosedur, dan kasus-kasus. Mekanisme kesimpulan memanipulasi pengatahuan yang tersimpan untuk menghasilkan solusi dari masalah. Metode manipulasi pengetahuan termasuk penggunaan inheritance and constraints (dalam sistem berbasis bingkai/frame-based atau berorientasi objek/object-oriented), penggunaan inference rule (dalam sistem berbasis peraturan/rule-based), berdasarkan beberapa prosedur kendali (forward/backward chaining), dan strategi pencarian (depth or breadth first). [1]

Sistem rule-baes mendeskripsikan pengetahuan sistem dalam bentu JIKA... MAKA... LAINNYA. Pengetahuan yang spesifik bisa digunakan untuk mengambil keputusan. Sistem ini bagus untuk merepresentasikan pengetahuan dan keputusan yang dapat dipahami manusia. Karena stukturnya yang kaku, sistem rule-based kurang baik untuk menangani ketidakpastian dan ketidakakuratan. Sistem rule-based biasanya memiliki empat komponen dasar: sebuah daftar rule/kaidah (yang merupakan jenis khusus dari basis pengetahuan); sebuah inference engine [35,36] atau semantic reasoner (yang menyimpulkan informasi atau mengambil tindakan berdasarkan masukan interaksi dan rule base); temporary working memory; dan antarmuka pengguna atau koneksi lain ke luar melalui sinyal masukan dan keluaran yang diterima dan dikirim. [1]

Konsep case-based reasoning adalah mengadaptasi solusi dari masalah sebelumnya dan menggunakannya untuk masalah saat ini. Solusi tersebut disimpan di basis data dan dapat merepresentasikan pengalaman manusia. Ketika terjadi masalah yang belum pernah dialami, sistem akan membandingkannya dengan kasus sebelumnya, lalu memilih satu kasus yang paling mirip dengan masalah saat ini. Kemudian sistem akan bereaksi berdasarkan solusi, lalu memutakhirkan basis data berdasarkan keberhasilan atau kegagalannya. [37] Sistem case-based reasoning sering dianggap sebagai perluasan dari sistem rule-based. Sistem ini mumpuni dalam merepresentasikan pengetahuan dalam cara yang dapat dimengerti manusia. Namun, sistem ini juga memiliki kemampuan untuk belajar dari contoh terdahulu dengan menambahkan kasus-kasus baru.

2. Case-based reasoning
Case-based reasoning telah diresmikan untuk computer reasoning sebagai proses empat tahap:

1) Mendapatkan kembali/retrieve: Ketika diberikan masalah, sistem akan menarik kasus yang relevan dari memori untuk menyelesaikannya. Kaus terdiri dari masalah, solusi, dan biasanya, catatan dari mana masalah tersebut berasal.

2) Penggunaan kembali/Reuse: Memetakan solusi dari kasus sebelumnya ke masalah. Ini termasuk mengadaptasi solusi yang dibutuhkan untuk situasi baru.

3) Revisi: Setelah memetakan solusi sebelumnya berdasarkan situasi, uji solusi yang baru secara nyata (atau dengan simulasi) dan, jika dibutuhkan, revisi.

4) Menahan/Retain: Setelah solusi berhasil diadaptasi berdasarkan masalah, simpan hasilnya dalam memori sebagai kasus baru.

Kritikus berpendapat bahwa pendekatan ini menerima bukti anekdot sebagai prinsip pengoperasian utama. Tanpa data statistik yang relevan untuk mendukungnya, tidak ada jaminan generalisasi tersebut benar. Namun, semua inductive reasoning, dimana data hampir tidak ada untuk digunakan sebagai statistik, merupakan kesimpulan yang dibuat berdasarkan bukti anekdot. [1]

Konsep case-based reasoning (CBR) adalah mengadaptasi solusi dari masalah sebelumnya untuk masalah saat ini. Solusi ini disimpan dalam basis data dan mewakili pengalaman yang dialami manusia. Ketika terjadi masalah yang belum pernah dialami, sistem akan membandingkannya dengan kasus sebelumnya lalu memilih satu kasus yang paling mirip dengan masalah saat ini. CBR kemudian bereaksi berdasarkan solusi yang diberikan dan memutakhirkan basis data berdasarkan keberhasilan dan kegagalannya.

Sistem case-based reasoning sering dianggap sebagai perluasan dari sistem rule-based. [1] Sama seperti sistem rule-based, sistem CBS andal dalam menggambarkan pengetahuan dengan jelas untuk manusia, tetapi sistem CBR juga memiliki kemampuan untuk belajar dari contoh-contoh terdahulu dengan membuat kasus-kasus baru. Gambar 1 menunjukkan sistem CBR.

Banyak sistem ahli/expert system yang dikembangkan menggunakan program yang dikenal sebagai "shell", yang merupakan sistem ahli yang sudah jadi, lengkap dengan fasilitas penyimpanan kesimpulan dan pengetahuan, tetapi tanpa domain pengetahuan. Beberapa sistem ahli yang canggih dibangun dengan bantuan “lingkungan pengembangan/development environments.” Yang terakhir disebut lebih fleksibel dibandingkan shell karena mereka juga menyediakan alat untuk mengimplementasikan metode representasi kesimpulan dan pengetahuan. [Beberapa rincian tentang shell sistem ahli dan development environment ada di Ref.40.]

Sistem ahli mungkin perangkat paling matang dibandingkan perangkat lainnya di tulisan ini, dengan banyaknya shell komersial dan perangkat pengembangan yang tersedia untuk memfasilitasi pembangunannya. Oleh karena itu, setelah domain pengetahuan yang akan dimasukkan ke dalam sistem ahli diekstraksi, proses pembangunan sistemnya cukup mudah. Kemudahan pengembangan sistem ini membuat penggunaannya semakin marak. Dalam sistem sensor, penggunaanya bisa ditemukan untuk berbagai tugas, termasuk pemilihan masukan sensor, penafsiran sinyal, pemantauan kondisi, diagnosis kerusakan, kendali mesin dan proses, desain mesin, perencanaan proses, penjadwalan produksi, dan konfigurasi sistem. Beberapa contoh tugas spesifik yang dijalankan sistem ahli adalah"

  • Perakitan [44]
  • Pemrograman otomatis [41]
  • Mengendalikan kendaraan cerdas yang rumit [42]
  • Inspeksi perencanaan [46]
  • Memperkirakan risiko penyakit [48]
  • Memilih strategi peralatan dan permesinan [45]
  • Perencanaan bertahap [43]
  • Mengendalikan pertumbuhan pabrik. [47]

[Informasi lebih lanjut tentang teknologi expert sistem ada di 3, 49.]

3. Fuzzy logic
Gambar 2 menunjukkan arsitektur pengendali berbasis fuzzy logic. Sumber: Universitas Portsmouth

Penggunaan fuzzy logic, [50] yang mencerminkan pembawaan nalar manusia yang kualitatif dan tidak pasti, bisa mendorong sistem ahli untuk lebih fleksibel. Dengan fuzzy logic, nilai yang tepat dari sebuah variabel diganti dengan deskripsi bahasa, makna yang diwakili oleh fuzzy set, dan kesimpulan yang ditarik berdasarkan representasi tersebut. Misalnya, masukan dari satu di antara 20 sistem sensor bisa digantikan dengan "normal" sebagai deskripsi linguistik dari variabel "sensor input." Fuzzy set mungkin mendefinisikan istilah "sensor input normal" menjadi:

sensor input normal = 0,0/di bawah 10 widget per menit +0.5/10−15 widget per menit +1.0/15−25 widget per menit +0.5/25−30 widget per menit +0.0/di atas 30 widget per menit.

Nilai 0,0; 0,5; dan 1,0 merupakan tingkatan atau nilai keanggotaan dari cakupan sensor di bawah 10 (di atas 30), 10−15 (25−30), dan 15−25 ke fuzzy set yang diberikan. Satu nilai keanggotaan sama dengan 1 indikasi keanggotaan penuh, dan nilai keanggotaan yang tidak sah berhubungan dengan ketidakanggotaan.

Pengetahuan dalam expert system yang memanfaatkan fuzzy logic bisa diekspresikan sebagai pernyataan kualitatif (atau fuzzy rules), seperti "Jika masukan dari sensor suhu ruangan adalah normal, berarti atur masukan pemanas ke normal." Prosedur nalar yang dikenal sebagai kaidah komposisi kesimpulan (compositional rule of inference), yang setara dengan modus-ponens rule dalam rule-based expert systems, memungkinkan sebuah kesimpulan ditarik dari generalisasi (ekstrapolasi atau interpolasi) dari informasi kualitatif yang disimpan di basis pengetahuan. [1] Misalnya, ketika sebuah masukan sensor terdeteksi sebagai "sedikit di bawah normal," fuzzy expert systemg mengendalikannya akan mengambil kesimpulan bahwa masukan sensor tersebut harus disetel ke “sedikit di atas normal.” Perlu dicatat bahwa kesimpulan ini mungkin belum tercantum dalam fuzzy rule yang tersimpan di dalam sistem.

Fuzzy expert systems (FES) menggunakan fuzzy logic untuk menangani ketidakpastian yang dihasilkan oleh data yang tidak lengkap atau korup sebagian. Teknik ini menggunakan teori matematika dari fuzzy set untuk meniru nalar manusia. Manusia bisa dengan mudah menghadapi ambiguitas (area abu-abu) dalam pengambilan keputusan, sementara mesin kesulitan. [51]

Gambar 2 menunjukkan arsitektur pengendali berbasis fuzzy logic.

Fuzzy logic memiliki banyak pengunaan dalam sistem sensor di mana pengetahuan domain bisa tidak akurat. Fuzzy logic cocok untuk lingkungan yang penuh ketidakakuratan, yang terjadi karena batasan antara struktur atau objek tidak akurat, resolusi yang terbatas, metode rekonstruksi numerik, dan penyaringan gambar. Misalnya, penggunaan pada pengenalan objek struktural (structural object recognition) dan interpretasi tempat kejadian (scene interpretation) telah dikembangkan menggunakan fuzzy set di dalam expert system. Fuzzy expert system cocok untuk penggunaan yang membutuhkan kemampuan untuk menangani ketidakpastian dan ketidakakuratan. Mereka tidak memiliki kemampuan untuk belajar karena nilai didalam sistemnya sudah disetel dan tidak bisa diubah. [Informasi lebih lanjut tentang fuzzy logic dan fuzzy set bisa ditemukan dalam Refs 52, 53, 54.]

Kesuksesan besar telah diraih di sektor:

  • Robot kooperatif [58]
  • Robot mobile [56]
  • Perkiraan properti sensor/prediction of sensory properties [57]
  • Pengelolaan rantai pasok [59]
  • Pengelasan. [28, 55]

Informasi lebih lanjut tentang fuzzy logic dan fuzzy set bisa ditemukan dalam Refs. 60.]

4. Akuisisi pengetahuan otomatis/automatic knowledge acquisition
Mendapatkan pengetahuan domain untuk membuat basis pengetahuan kadang sulit dan membuang banyak waktu. Ini bisa menghambat pembangunan sistem ahli/expert system. [1] Teknik akuisisi pengetahuan otomatis dikembangkan untuk mengatasi ini. Misalnya, dalam bentuk JIKA-MAKA (atau setara dengan pohon keputusan/decision tree). Program pembelajaran semacam ini biasanya membutuhkan sekumpulan contoh sebagai masukan pembelajaran. Setiap contoh ditandai oleh nilai dari sejumlah atribut dan kelas.

Salah satu contoh pendekatannya adalah melalui proses "memecah belah dan menaklukkan/dividing-and-conquering," di mana atribut dipilih berdasarkan sebuah strategi (misalnya, untuk memaksimalkan perolehan informasi) untuk memecah contoh awal menjadi bagian-bagian terpisah, dan program pembelajaran induktif membuat pohon keputusan yang mengategorikannya dengan tepat. Pohon tersebut mewakili pengetahuan yang dihasilkan oleh contoh-contoh spesifik di dalam himpunan. Ini kemudian dapat digunakan untuk mengatasi situasi yang tidak ada dalam kumpulan contoh.

Dalam pendekatan lain yang dikenal sebagai “covering approach,”program pembelajaran induktif mencoba untuk menemukan kesamaan atribut dalam kelompok sampel dengan JIKA sebagai penghubung dari atribut tersebut, dan THEN sebagai bagian dari kelas. Program kemudian menghapus sampel yang dikelompokkan dengan benar dari perhitungannya dan berhenti ketika rule sudah terbentuk untuk mengelompokkan semua contoh dalam kelompok sampel. [2]

Pendekatan lainnya menggunakan logic programming alih-alih propositional logic untuk menggambarkan contoh dan mewakili konsep baru. Pendekatan tersebut menggunakan predicate logic yang lebih kuat untuk mewakili contoh pelatihan dan latar pengetahuan, serta untuk mengekspresikan konsep baru. Predicate logic memungkinkan penggunaan bentuk lain dari contoh pelatihan dan latar pengetahuan. Ini memungkinkan hasil proses induksi untuk digambarkan sebagai first-order clauses umum dengan variabel, dan bukan sekadar zero-order propositional clauses yang terbuat dari pasangan atribut dan nilai. Terdapat dua tipe utama sistem ini, pertama berbasis pada metode generalisasi dari atas ke bawah, sementara tipe kedua menggunakan metode sebaliknya. [36]

Beberapa program pembelajaran telah dikembangkan, misalnya ID3, [61] yang merupakan program divide-and-conquer; program AQ, [35] yang mengikuti pendekatan covering ; program FOIL, [36] yang merupakan sistem ILP yang mengadopsi metode generalisasi/spesialisasi; dan program GOLEM, [36] yang merupakan sistem ILP berdasarkan inverse resolution. Meskipun sebagian besar program hanya menghasilkan crisp decision rules, algoritma-algoritma juga telah dikembangkan untuk membuat fuzzy rules. [62]

Kebutuhan himpunan contoh dalam format kaku (dengan atribut dan kelas yang sudah diketahui) telah dipenuhi dengan mudah oleh kebutuhan dalam sistem sensor dan jaringan sehingga pembelajaran otomatis jadi lebih luas penggunaannya dalam sistem sensor. Pembelajaran semacam ini paling cocok untuk masalah di mana atribut memiliki nilai rahasia atau simbolis. [Informasi lebih lanjut terdapat di 63, 64, 65.]

Beberapa contoh penggunaan pembelajaran induktif antara lain:

  • Laser cutting [66]
  • Pendeteksi ranjau [67]
  • Robotik. [68]

5. Jaringan saraf/neural network
Jaringan saraf juga bisa menangkap pengetahuan domain dari contoh-contoh. Namun, jaringan ini tidak mengarsipkan pengetahuan tersebut dalam bentuk yang jelas seperti pohon keputusan, dan siap menangani data berkesinambungan dan rahasia. [1] Layaknya fuzzy expert system, jaringan saraf juga memiliki kemampuan generalisasi yang baik.

Jaringan saraf adalah model komputasi dari otak. Model jaringan saraf biasanya berasumsi bahwa komputasi didistribusikan ke beberapa unit sederhana yang disebut dengan neuron, yang saling terhubung dan beroperasi secara paralel. (Oleh karena itulah jaringan saraf juga dikenal dengan nama sistem parallel-distributed-processing atau sistem connectionist.)

Jaringan saraf yang paling popular adalah multi-layer perceptron, yang merupakan jaringan umpan maju: semua sinyal mengalir ke satu arah, dari masukan ke keluaran jaringan. Jaringan umpan maju bisa melakukan pemetaan statis antara ruang masukan dan keluaran: keluaran yang diberikan saat itu merupakan fungsi dari masukan saat itu. Recurrent network, ketika keluaran dari beberapa neuron dikembalikan ke neuron yang sama atau neuron di lapisan sebelumnya, dikatakan memiliki memori dinamis: keluaran dari jaringan pada saat tertentu mencerminkan masukan saat itu, juga masukan dan keluaran sebelumnya.

"Pengetahuan" implisit ditanamkan ke dalam jaringan saraf dengan melatihnya. Beberapa jaringan saraf bisa dilatih dengan memberikan pola masukan standar dan pola keluaran yang sesuai dengannya. Perbedaan antara hasil keluaran dan keluaran yang diharapkan digunakan untuk memodifikasi kekuatan, atau bobot, dari hubungan antara neuron. Metode pelatihan ini dikenal sebagai pelatihan di bawah pengawasan (supervised training). Dalam multi-layer perceptron, algoritma back-propagation untuk supervised training sering diadaptasi untuk menyebarluaskan kesalahan dari keluaran neuron dan menghitung bobot modifikasi untuk neuron di lapisan-lapisan tersembunyi.

Beberapa jaringan saraf dilatih dalam mode unsupervised, dimana hanya pola masukan saja yang diberikan dan jaringan mempelajari untuk merapikan dan mengelompokkan masukan tersebut secara otomatis. [Untuk informasih lebih lanjut mengenai jaringan saraf, lihat Refs.] 69, 70, 71.]

Jaringan saraf buatan (artificial neural networks/ANN) biasanya memiliki masukan dan keluaran, dengan proses di antara lapisan-lapisan tersembunyi (hidden layer). Masukan merupakan variabel independen sementara keluaran merupakan variabel dependen. ANN merupakan fungsi matematika yang fleksibel dengan parameter internal yang bisa dikonfigurasi. Untuk merepresentasikan hubungan rumitnya dengan akurat, parameter tersebut disesuaikan melalui algoritma pembelajaran. Dalam pembelajaran "supervised", contoh masukan dan keluaran yang diharapkan diberikan secara bersamaan, yang kemudian menyesuaikannya terus-menerus untuk menghasilkan contoh sebanyak mungkin dengan akurat.

Setelah dilatih, ANN bisa menerima masukan baru dan mencoba untuk memprediksi keluaran yang akurat. Untuk menghasilkan keluaran, jaringan hanya perlu melalukan evaluasi fungsi. Satu-satunya asumsi adalah terdapat beberapa hubungan fungsi yang berkesinambungan antara data masukan dan keluaran. Jaringan saraf bisa digunakan sebagai perangkat pemetaan, pengelompok pola, atau pelengkap pola (auto-associative content addressable memories dan pattern associators). Seperti expert system, mereka juga sudah menemukan area penerapan yang luar, hampir si seluruh bagian sistem sensor, menangani berbagai masalah dari pemodelan, prediksi, kendali, klasifikasi, pengenalan pola, hingga asosiasi data, pengelompokkan, pemrosesan sinyal, dan optimasi. Beberapa contoh penggunaannya belakangan ini adalah:

  • Pengenalan fitur [72]
  • Penukar panas [75]
  • Inspeksi soldering joint [74]
  • Optimasi parameter spot welding [77]
  • Daya/Listrik [78]
  • Layar taktil/Tactile display [76]
  • Sistem sensor kendaraan. [73]

6. Algoritma genetik
Algoritmagenetik adalah prosedur optimasi stochastic yang terinspirasi dari evolusi alami. [2] Algoritma genetik bisa menghasilkan solusi global yang optimal dalam ruang pencarian multi-modal yang kompleks, tanpa membutuhkan pengetahuan spesifik tentang masalahnya. Namun, agar bisa digunakan, solusi potensial untuk masalah bersangkutan harus disediakan dalam deretan angka (biasanya biner) yang dikenal sebagai kromosom, dan harus ada alat untuk menentukan kebenaran, atau kecocokan, dari tiap kromosom. Algoritma genetik beroperasi pada sekelompok kromosom pada satu waktu, secara terus-menerus menerapkan operator berbasis genetik seperti penyilangan (cross-over) dan mutasi untuk menciptakan populasi yang lebih cocok, berisi solusi kromosom yang lebih baik.

Algoritma biasanya dimulai dengan menciptakan populasi awal kromosom menggunakan penghasil bilangan acak (random number generator). Kemudian algoritma mengevaluasi tiap kromosom. Kecocokan nilainya digunakan dalam pemilihan kromosom untuk operasi berikutnya. Setelah proses penyilangan dan mutasi, didapatkanlah populasi kemudian siklusnya diulang dengan evaluasi populasi tersebut. [Untuk informasi lebih lanjut tentang algoritma generik, lihat Refs. 79, 80, 81.]

Algoritma genetik telah menemukan penggunaan dalam masalah sistem sensor yang berkaitan dengan complex combinatorial atau optimasi multiparameter. Beberapa contoh terbaru dari penggunaannya adalah:

  • Perakitan [82]
  • Penyeimbangan lini perakitan [85]
  • Diagnosis kerusakan/kesalahan [83]
  • Pemantauan kesehatan [86]
  • Power steering. [84]

7. Ambient-intelligence
Selama satu dekade terakhir, ambient-intelligence digadang-gadang sebagai visi masa depan ketika orang bekerja dengan mudah dalam lingkungan yang dikendalikan secara digital, dimana elektronik bisa mengantisipasi perilaku mereka dan merespons keberadaannya. Konsep ambient intelligence adalah interaksi yang halus antara manusia dan sistem sensor untuk memenuhi kebutuhan saat itu dan yang akan datang.

Penggunaannya di industri sudah dibatasi, tetapi sistem baru yang lebih cerdas dan interaktif sedang dalam tahap penelitian. Dari sudut pandang sistem sensor, ambient intelligence yang lebih terpusat dengan sistem perlu dipertimbangkan. Konsep sensor modern cenderung terpusat pada manusia sehingga penggunaan teknologi ambient intelligence dikombinasikan dengan pengelolaan pengetahuan bisa menjadi pendekatan yang menjanjikan. Banyak masalah penelitian yang harus dipecahkan untuk membawa teknologi ambient intelligence ke sektor industri, seperti sensor dan context-sensitivity (nirkabel) yang kuat dan dapat diandalkan, antarmuka pengguna yang cerdas, keselamatan, keamanan, dan lain sebagainya.

Informasi dan pengetahuan ambient intelligence dikumpulkan dari sensor di dalam lingkungan yang mewakili sumber yang belum dimanfaatkan untuk proses optimasi dan untuk kemungkinan memberikan layanan yang lebih efisien. Perkenalan teknologi ambient intelligence masih dalam tahap awal. Namun, teknologi ini menjanjikan kemajuan dalam fleksibilitas, kemampuan rekonfigurasi, dan keandalan. Di saat bersamaan, harga sensor dan label terus menurun. Pengembangan dan implementasi konsep baru berbasis sistem ambient intelligence mungkin dapat dilakukan dalam jangka menengah dan jangka panjang. Banyak perusahaan industri yang mungkin memperkenalkan teknologi ambient intelligence ke bagian produksi (shop-floor).

Di sisi lain, vendor-vendor sensor harus melengkapi produk mereka dengan fitur-fitur tambahan ambient intelligence dan menggunakan keunggulan sensor terintegrasinya untuk menghasilkan fungsi baru (misalnya: konfigurasi otomais, context-sensitivity, dan lain-lain) dan meningkatkan kinerja produk mereka.

[Informasih lebih lanjut di 87, 88.]

Penggunaan kecerdasan buatan, Universitas Portsmouth
Universitas Portsmouth menggunakan perangkat kecerdasan buatan untuk membantu industri mengadopsi kecerdasan buatan dalam sistem sensor.

Mesin pemantauan dan pengendalian: Kaidah sederhana sedang diselidiki yang memodifikasi jalur yang telah direncanakan dan meningkatkan gross robot motions yang berkaitan dengan tugas perakitan pick-and-place, [89] dan kaidah untuk memprediksi kontur medan sedang dikembangkan menggunakan jaringan saraf umpan maju. [90] Nalar berbasis kasus sedang digunakan untuk menggunakan kembali program (atau bagian dari program) untuk memrogram susunan sensor secara otomatis. Usaha tersebut sudah menunjukkan bahwa pemrograman dan pemrograman ulang otomatis dapat membantu memperkenalkan sensor lingkungan ke perusahaan kecil dan menengah. Proyek lain menggunakan expert systems sederhana untuk meningkatkan penggunaan data sensor dalam tele-operasi. [91, 92, 93]

Proses pemantauan dan kendali: Expert system sedang dikembangkan untuk membantu kendali proses dan memperkuat implementasi pengendalian proses statistik. Sebuah expert system khusus menggunakan metode rule-based hibrida dan pseudo object-oriented dalam merepresentasikan pengetahuan kendali proses statistik standar dan pengetahuan diagnostik proses tertentu. Jumlah pengetahuan dari susunan sensor dan sistem sensor bisa sangat besar, yang menjustifikasi penggunaan pendekatan sistem berbasis pengetahuan. Sistemnya diperkuat dengan mengintegrasikan modul jaringan saraf dengan modul expert sistem untuk mendeteksi pola yang ganjil. [94]

Susunan sensor pemantauan: Sebuah sistem telah diciptakan untuk memantau sensor dalam reaktor high recirculation airlift (sebuah proses untuk menghasilkan air bersih). [8, 18, 95] Reaktornya bisa berada di tepi stabilitas, dan itu membutuhkan interpretasi akurat dari data sensor yang real-time seperti: laju alir, masukan udara, tekanan, dll. Sistem kedua menginterpretasikan data dari susunan sensor ultrasonik pada robot mobile yang dioperasikan dari jauh. [23, 24, 33, 34]

Pemantauan dan kendali fuzzy: Sistem las robotik sedang diciptakan menggunakan teknik pemrosesan gambar dan model computer-aided design (CAD) untuk memberikan informasi ke modul multi-intelligent decision. [96] Sistem ini menggunakan kombinasi teknik untuk menyarankan kebutuhan pengelasan. Saran ini dievaluasi, keputusan dibuat, kemudian parameter pengelasan dikirim ke generator program. Status proses pengelasan sulit dipantau karena banyaknya gangguan dalam proses. Sektor lainnya menggunakan beberapa sensor untuk memperoleh informasi proses. Metode fuzzy measurement dan fuzzy integral sedang diselidiki untuk menyatukan fitur-fitur sinyal demi memprediksi status penetrasi proses pengelasan.

Inspeksi produk berbasis jaringan saraf: Terdapat dua proyek yang menggunakan jaringan saraf untuk inspeksi produk: satu untuk mengenali bagian-bagian pembuatan kapal, dan satu lagi menggunakan kamera untuk mencari dan mengelompokkan kerusakan/cacat produk. Jaringan saraf bermanfaat untuk penggunaan semacam ini karena tingkat kesulitannya dalam mendeskripsikan berbagai jenis kerusakan dan perbedaan. Jaringan saraf bisa mempelajari klasifikasi secara otomatis berdasarkan contoh-contoh yang diberikan.

Sistem pertama mempelajari bagian kapal menggunakan jaringan saraf buatan dan Fourier descriptor. [17] Terdapat kemajuan dalam sistem rekognisi pola untuk mengenali bagian-bagian kapal. [26] Ini dicapai dengan menggunakan corner-finder baru yang sederhana dan akurat. Sistem baru ini mencari sudut dalam edge-detected image dari bagian tertentu dan memanfaatkan informasi tersebut untuk mengekstrak Fourier descriptor lalu mengirimnya ke jaringan saraf untuk mengambil keputusan. Menggunakan metode akurasi "semua atau tidak sama sekali", sistem baru ini berkembang melampaui sistem-sistem lainnya.

Sistem inspeksi kedua terdiri dari kamera yang terhubung ke komputer yang mengimplementasikan algoritma berbasis jaringan saraf untuk mendeteksi dan mengelompokkan kerusakan/cacat produk. Keluaran dari jaringan menandakan jenis kerusakan. Investigasi awal menunjukkan bahwa akurasi pengelompokkan kerusakan berjalan dengan baik (lebih dari 85%) dan lebih cepat daripada inspeksi manual. Sistem ini juga digunakan untuk menemukan bagian yang cacat dengan akurasi yang tinggi (hampir 100%).

Algoritma genetik akan menciptakan penataan ruang kerja yang ergonomis: Sebuah algoritma genetik untuk menentukan di mana sensor harus ditempatkan dalam ruang kerja sedang dikembangkan. Tata ruang yang dihasilkan program akan sedemikian rupa sehingga sensor yang paling dibutuhkan akan diprioritaskan. Algoritma genetik cocok untuk masalah optimasi seperti ini karena siap menangani beberapa masalah.

Gambar 3 menunjukkan sistem eksperimental untuk menguji penggunaan ambient intelligence dalam meningkatkan efisiensi energi. Sumber: Universitas Portsmouth

Ambient intelligence untuk meningkatkan efisiensi energi. Teknologi ambient intelligence dan pengelolaan pengetahuan digunakan untuk mengoptimalkan efisiensi energi di unit manufaktur. [88] Ini menguntungkan perusahaan dan lingkungan karena berkurangnya jejak karbon. Sistem pengukuran yang berbeda diterapkan untuk memantau penggunaan energi. [97] Data ambient memberikan peluang untuk mendapatkan informasi mendetail tentang kinerja unit manufaktur. [98] Pengelolaan pengetahuan membantu memroses informasi ini dan menganjurkan langkah-langkah untuk meminimalkan penggunaan energi sambil tetap mempertahankan produksi. Data konsumsi energi yang tersedia dari pengukuran standar dilengkapi oleh pengukuran ambient intelligence (dari interaksi manusia dan mesin/proses serta smart tag), juga pengukuran yang berkaitan dengan proses (suhu lini produksi, tekanan lini, kecepatan produksi) serta pengetahuan yang dikumpulkan dari unit perakitan. Semua dikirimkan ke sistem arsitektur berorientasi layanan. Gambar 3 menunjukkan sistem eksperimental untuk menguji penggunaan ambient intelligence dalam meningkatkan efisiensi energi.

Mengombinasikan sistem yang berbeda
Tujuan dari sistem hibrida adalah mengombinasikan keunggulan dari teknik AI yang berbeda ke dalam satu sistem. Setiap metode implementasi AI memiliki kekuatan dan kelemahannya masing-masing. Beberapa usaha kombinasi metode sudah dilakukan untuk menghasilkan teknik hibrida dengan lebih banyak kekuatan, dan lebih sedikit kelemahan. Contohnya sistem neuro-fuzzy, yang mencoba mengombinasikan kemampuan sistem fuzzy dalam menangani ketidakpastian dengan kemampuan pembelajaran jaringan neural.

Dalam Gambar 4, diagram alir sistem yang diajukan menunjukkan bagaimana sistem mengumpulkan data dari sensor gambar/citra. Data visual dan data model CAD akan digunakan untuk menentukan daftar objek; daftar tersebut akan diberikan ke modul weld identifier yang akan menggunakan teknik AI untuk menentukan kebutuhan pengelasan.

Solusi dari masalah yang berkaitan dengan pemrograman pengelasan sedang ditangani dengan cara ini. [96] Sistem yang ada terdiri dari dua sistem perangkat lunak untuk menciptakan program robot yang hidup. Sistem pertama, CAD model interpreter, menerima model CAD dan menentukan pengelasan yang dibutuhkan. Data ini dikirim ke generator program, yang mengorientasikan ulang kebutuhan tersebut sesuai dengan panel aslinya. Generator program kemudian mengirim program secara berurutan ke robot (biasanya satu program per satu baris las). Sistem perangkat lunak tambahan bisa dimasukkan ke dalam sistem yang sudah ada ketika program robot sedang dikirim ke sistem robot. Ini karena protokol transmisinya menggunakan TCP/IP standar dan program yang dikirim akan dilihat sebagai file teks.

Sistem baru yang diajukan (ditunjukkan dalam Gambar 4) akan mengumpulkan data tersebut dari sensor gambar/citra. Data visual dan data model CAD akan digunakan untuk menentukan daftar objek, dan daftar tersebut akan diberikan ke modul weld identifier yang akan menggunakan teknik AI untuk menentukan kebutuhan pengelasan.

Sistem yang diajukan menggunakan kombinasi teknik AI yang bekerja paralel untuk mengusulkan kebutuhan las. Usulan ini kemudian dievaluasi, dan keputusan pun diambil untuk pengelasan yang diperlukan. Parameter ini kemudian dikirim ke generator program yang baru, yang membuat program robot khusus untuk digunakan di bagian produksi. Metode pengambilan gambar dikombinasikan dengan sistem pengambilan keputusan yang menggunakan beberapa teknik AI untuk menentukan kebutuhan pengelasan.

Sistem akan mengombinasikan data sensor yang nyata dengan data yang disediakan oleh model CAD. Sistem kemudian menggunakan data tersebut untuk menyajikan sistem AI yang berbeda-beda dengan informasi yang sama. Sistem-sistem ini kemudian akan memberikan usulan kebutuhan pengelasan ke modul weld identifier (Gambar 5). Modul ini akan mengevaluasi usulan dan menentukan jalur las yang tepat. Usulan tersebut kemudian dioper ke generator program robot yang ada.

Sistem penghasil program robot telah diciptakan, diuji, dan digunakan untuk menghasilkan jalur pengelasan yang konsisten. Sistem pendeteksi tepian (edge detection system) telah diciptakan. Teknologi-teknologi yang berhubungan dengan sistem AI sedang dalam tahap awal dan akan berkembang. Kerangka kerja multi-intelligent decision module akan terus dikembangkan dan berbagai kombinasi teknik AI akan terus diuji. Teknik AI yang akan diuji antara lain rule-based, case-based, dan fuzzy system. Sistem yang diciptakan harus mampu menangani ketidakpastian objek yang belum dikenal dalam gambar; namun, ketika semua objek telah dikenali, akan ada keraguan perihal jalur pengelasan

Di Gambar 5, sistem sensor membuat usulan kebutuhan pengelasan ke modul weld identifier. Modul ini akan mengevaluasi usulan dan menentukan jalur las (weld path) yang tepat. Usulan tersebut kemudian dioper ke generator program robot yang ada. Cour

Contoh lain dari kombinasi perangkat AI adalah fuzzy network. Titik pertemuan (node) jenis jaringan ini adalah dasar fuzzy rule dan hubungan antara titik pertemuan tersebut adalah interaksi dalam bentuk keluaran dari titik pertemuan yang dikirimkan sebagai masukan ke titik yang sama atau berbeda. Fuzzy network adalah perangkat hibrida yang mengombinasikan fuzzy system dan jaringan saraf karena struktur pokoknya yang terdiri dari level horisontal dan lapisan vertikal. Perangkat ini cocok untuk meniru proses otomatisasi perakitan karena tahap perakitan yang terpisah bisa digambarkan sebagai modular fuzzy rule bases yang berinteraksi secara berurutan/paralel dan komteks umpan maju/umpan balik.

Keunggulan utama dari perangkat pemodelan hibrida ini adalah akurasi yang lebih baik berkat fuzzification-inference-de-fuzzification tunggal dan transparansi yang lebih tinggi berkat pendekatan modular yang digunakan. Keunggulan ini cukup krusial mengingat ketidakpastian pada data dan struktur yang saling terhubung dari beberapa sistem sensor.

Perpaduan sistem sensor dan logika
Peneliti Universitas Portsmouth memadukan sistem sensor [97] dan beberapa teknologi canggih terbaru, dan penggunaan yang lebih lama memberikan hasil yang lebih baik. [5] Seiring waktu, hasilnya antara lain penggunaan energi, ruang, dan waktu yang lebih sedikit, serta keluaran yang lebih banyak dengan biaya yang lebih sedikit. Di Pusat Industri Manufaktur Regional di Universitas Portsmouth, mesin membaca data dari objek nyata dan berhasil meletakkan lapisan-lapisan untuk membuat tiruan objek tersebut dari serangkaian penyilangan (cross section) AI menjadi semakin penting dalam menghemat biaya dan waktu.

AI bisa meningkatkan efisiensi komunikasi, mengurangi kesalahan, meminimalkan kerusakan, dan memperpanjang usia sensor.

Dalam 40 tahun terakhir, AI telah menghasilkan banyak perangkat canggih, termasuk yang diulas di sini: sistem knowledge-based, fuzzy logic, pembelajaran otomatis, jaringan saraf, ambient intelligence, dan algoritma genetik. Penggunaan perangkat-perangkat tersebut dalam sistem sensor semakin meluas berkat kemampuan komputer saat ini dan harganya yang semakin terjangkau. Penggunaan sensor baru akan terus bermunculan dan mungkin akan menggunakan perangkat hibrida yang memadukan keunggulan dua perangkat yang disebutkan di atas, atau bahkan lebih. Perkembangan teknologi lain dalam AI yang akan memengaruhi sistem sensor antara lain teknik penggalian data, sistem multi-agen, dan sistem self-organizing terdistribusi. Penggunaan perangkat AI baru yang tepat akan berkontribusi terhadap pembuatan sistem sensor dan aplikasi yang lebih kompetitif.

Mungkin butuh satu dekade lagi bagi para insinyur untuk menyadari keuntungan yang diberikan AI. Namun, bidang studi ini terus berkembang.

Perangkat dan metode yang diulas di sini memiliki kompleksitas komputasi yang minim dan bisa diimplementasikan pada lini perakitan kecil, robot tunggalm atau sistem dengan pengendal mikro berkemampuan rendah. Pendekatan baru ini mengajukan penggunaan ambient intelligence dan perpaduan dari beberapa perangkat AI untuk menggunakan keunggulan dari tiap teknologi. Konsep ini secara umum dapat diterapkan ke berbagai macam proses.

- David Sanders adalah koordinator penelitian di School of Engineering, Reader in Systems & Knowledge Engineering, Universitas Portsmouth, Inggris. Disunting oleh Mark T. Hoske, manajer konten.

CTLx_LOGO_Color_ID

Didukung oleh ContentStream®