Ağıllı istehsalatda strateji qərarvermənin təkmilləşdirilməsi üçün süni intellektlə gücləndirilmiş rəqəmsal əkizlərin tətbiqi
DOI:
https://doi.org/10.52171/herald.277Anahtar Kelimeler:
rəqəmsal əkiz- ağıllı istehsalat- süni intellekt- qərar dəstəyi- hibrid modelləşdirmə- simulyasiya- sənaye mühəndisliyiÖzet
Ağıllı istehsalat dövründə qərarvermə prosesləri dinamik mühitlər, böyük verilən axını və sistemlərin qarşılıqlı əlaqəsi səbəbindən getdikcə daha da mürəkkəbləşir. Bu çətinliklərin öhdəsindən gəlmək üçün fiziki obyektlərin virtual əkizlərini yaratmağa imkan verən Rəqəmsal Əkiz texnologiyası mühüm vasitə kimi meydana çıxmışdır. Süni intellektlə gücləndirilmiş Rəqəmsal Əkizlər məlumat nümunələrini təhlil edə, sistem davranışını proqnozlaşdıra və real vaxt rejimində strateji qərarları dəstəkləyə bilər. Bu məqalədə simulyasiya əsaslı Rəqəmsal Əkizləri süni intellekt alqoritmləri ilə birləşdirən hibrid modelləşdirmə çərçivəsi təklif olunur. Konseptual model ağıllı fabrikin hipotetik nümunəsi üzərində təsvir olunur və cavabvermə müddətinin azaldılması, resursların optimallaşdırılması və sistem uyğunlaşmasının artırılması baxımından potensial imkanlarını nümayiş etdirir. Nəticələr rəqəmsallaşdırılmış istehsalat mühitlərində intellektual qərar dəstəyi sistemlərinin gələcək tədqiqatı üçün əsas yaradır.
References
1. Boschert, S., Rosen, R. (2016). Digital twin the simulation aspect. In Mechatronic Futures (pp. 59–74). Springer. https://doi.org/10.1007/978-3-319-32156-1_5
2. Gabor, T., Belzner, L., Kiermeier, M., Beckert, B., Schuppert, A. (2016). A simulation-based architecture for smart cyber-physical systems. Simulation Modelling Practice and Theory, 60, 1–16. https://doi.org/10.1016/j.simpat.2015.08.003
3. Grieves, M., Vickers, J. (2017). Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. In Transdisciplinary Perspectives on Complex Systems (pp. 85–113). Springer.
4. Herwig, S., Glaessgen, E., Stargel, D. (2020). Deep reinforcement learning for decision-making in manufacturing systems. Journal of Manufacturing Systems, 56, 310–325. https://doi.org/10.1016/j.jmsy.2020.06.002
5. Jones, D., Snider, C., Nassehi, A., Yon, J., Hicks, B. (2020). Characterizing the digital twin: A systematic literature review. CIRP Journal of Manufacturing Science and Technology, 29, 36–52. https://doi.org/10.1016/j.cirpj.2020.02.002
6. Kritzinger, W., Karner, M., Traar, G., Henjes, J., Sihn, W. (2018). Digital twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine, 51(11), 1016–1022. https://doi.org/10.1016/j.ifacol.2018.08.474
7. Lee, J., Bagheri, B., Kao, H.-A. (2015). A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23. https://doi.org/10.1016/j.mfglet.2014.12.001
8. Liu, Y., Zhang, L., Yang, Y., Zhou, L., Ren, L. (2020). Industrial Artificial Intelligence for smart manufacturing: Methodologies and applications. IEEE Transactions on Industrial Informatics, 17(4), 2964–2975. https://doi.org/10.1109/TII.2020.3013937
9. Liu, Y., Zhang, L., Yang, Y., Zhou, L., Ren, L. (2022) Deep reinforcement learning-based real-time scheduling in smart manufacturing. Computers & Industrial Engineering, 167, 107991. https://doi.org/10.1016/j.cie.2022.107991
10. Lu, Y., Liu, C., Wang, K. I. K., Huang, H., Xu, X. (2020). Digital Twin-driven smart manufacturing: Connotation, reference model, applications and research issues. Robotics and Computer-Integrated Manufacturing, 61, 101837.
https://doi.org/10.1016/j.rcim.2019.101837
11. Madni, A.M., Madni, C.C., Lucero, S.D. (2019). Leveraging digital twin technology in model-based systems engineering. Systems, 7(1), 7.
https://doi.org/10.3390/systems7010007
12. Moyne, J., Qamsane, Y., Balta, E., Kovalenko, I., Faruque, A. (2020). A requirements-driven digital twin framework: Specification and case study. Applied Sciences, 10(18), 6486. https://doi.org/10.3390/app10186486
13. Opresnik, D., Taisch, M. (2015). The value of big data in servitization. International Journal of Production Economics, 165, 174–184 https://doi.org/10.1016/j.ijpe.2014.12.036
14. Qi, Q., Tao, F., Hu, T., & Anwer, N. (2021). Enabling technologies and tools for digital twin. Journal of Manufacturing Systems, 58, 3–21.
https://doi.org/10.1016/j.jmsy.2020.06.017
15. Srai, J. S., Lorentz, H. (2019). Developing resilient supply networks: A digital twin approach. International Journal of Operations & Production Management, 39(1), 109–138. https://doi.org/10.1108/IJOPM-03-2017-0196
16. Tao, F., Sui, F., Liu, A., Qi, Q., Zhang, M. (2019). Digital twin-driven product design framework. International Journal of Production Research, 57(12), 3935–3953. https://doi.org/10.1080/00207543.2018.1443229
17. Uhlemann, T. H.-J., Lehmann, C., Steinhilper, R. (2017). The digital twin: Realizing the cyber-physical production system for Industry 4.0. Procedia CIRP, 61, 335–340. https://doi.org/10.1016/j.procir.2016.11.152
18. Zhang, H., Zhang, G., Lai, K.-K., Wang, S. (2021). Multi-objective decision support for energy-efficient flexible manufacturing using a digital twin. Journal of Cleaner Production, 283, 124633. https://doi.org/10.1016/j.jclepro.2020.124633
19. Zhang, Y., Tao, F. (2019). Optimization methods for decision-making systems in smart manufacturing: A review. Complex & Intelligent Systems, 5, 263–280. https://doi.org/10.1007/s40747-018-0092-3
20. Məmmədova, A.M., Zhilkişbaeva G.S., Məmmədova A.N. (2025). Süni İntellekt (AI) və əşyaların internetinin (IoT) inteqrasiyası. Azərbaycan Mühəndislik Akademiyasının Xəbərləri 17 (4): 87-93. https://doi.org/10.52171/herald.332
21. Hajiyev Y.M., Dadashov F.H. (2025). Artificial Intelligence and Digital Twin in Airport Operations. Scientific Journal. Vol. 27, №3, pp. 69-77. 10.30546/EMNAA.2025.25.03.115
Downloads
Yayınlanmış
How to Cite
Sayı
Bölüm
License
Copyright (c) 2026 Elvin Nasirov
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
