Grid-to-Robot: Deep Wasserstein generative modeling of robot/power grid interaction using hybrid adversarial Residual Networks
Notice bibliographique
Résumé
Smart Manufacturing (SM) is an important factor for driving innovation, enhancing operational efficiency, and increasing sustainable industrial growth in an increasingly competitive and resource-constrained world. However, it faces several challenges related to increasing energy consumption and climate change. The high energy demands of connected devices and robotic manipulators increase the carbon footprint. To resolve this issue, most enterprises are now transitioning to use Renewable Energy Sources (RES), and optimizing their power and energy usage, while holding the process efficient. To fully achieve this transition, a detailed power modeling of the robotic manufacturing system is crucial and, therefore, it is important to investigate this power modeling of the robotic manipulators’ consumption in a Smart Sustainable Manufacturing (SSM) to achieve the best power modeling results and better integrability analytics in optimal power planning of the robotic systems power supply. To this end, this paper presents a deep Generative Artificial Intelligence (GAI)-based modeling of robotic manipulators’ power supply interaction with the power grid, and RES. In the proposed system, which is powered by solar energy and the power grid, a SSM equipped with ten 6-Degrees of Freedom (DoF) robotic manipulators is considered in the presence of Battery Energy Storage Systems (BESSs). Subsequently, a Wasserstein Generative Adversarial Network with Gradient Penalty (WGAN-GP) is employed to generate synthetic data for the system alongside the real data, thereby expanding the analytical horizons across varying operational characteristics of the system. Following this, a Residual Networks (ResNet) is developed to comprehensively analyze and predictively model the power consumption of the manipulators and their interactions with the power supply resources. Finally, the proposed hybrid GAI modeling strategy is numerically evaluated across a broad spectrum of Key Performance Indicators (KPIs) (MSE= 1 0 − 4 , MAE= 3 . 6 × 1 0 − 3 , R 2 = 99.98%, MARE= 1 . 97 × 1 0 − 2 , RMSPE= 8 . 83 × 1 0 − 2 % , MSRE= 7 . 8 × 1 0 − 3 , RMSRE= 8 . 84 × 1 0 − 2 , MAPE= 1 . 97 × 1 0 − 2 % , and Max Error= 2 . 04 × 1 0 − 2 ), where these metrics demonstrate superior performance in power modeling. As a result, the concept of Grid-to-Robot (G2R) is introduced for the first time as a foundation for further advancements in SSM, enhancing sustainability and mitigating negative impacts on climate change while contributing to the development of an advanced manufacturing system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».