بهینه سازی دادههای محاسبات لبه برای مدیریت کیفیت هوشمند: چشمانداز انقلاب صنعتی 5.0
Keywords:
سیستمهای سایبر, فیزیکی انسانی (HCPS), تجزیه و تحلیل دادههای کلان (BDA), اینترنت اشیاء انقلاب صنعتی (IIoT)Abstract
در دهه گذشته، محققان بر روی فناوریهای دیجیتال درانقلاب انقلاب صنعتی ی 4.0 تمرکز کردهاند. با این حال، به نظر میرسد که هیاهوی انقلاب صنعتی 4.0 انتظارات انقلاب صنعتی را به دلیل چالشهای متعدد در پیادهسازی برآورده نکرده است. امروزه، انقلاب انقلاب صنعتی ی 5.0 یک رویکرد انسانمحور را برای پیادهسازی فناوریهای دیجیتال پایدار به منظور بهبود کیفیت هوشمند ارائه میدهد. یکی از جنبههای مهم پایداری دیجیتال، کاهش مصرف انرژی فناوریهای دیجیتال است. این کار میتواند از طریق روشهای مختلفی مانند بهینهسازی بهرهوری انرژی و کاهش مصرف برق مراکز داده انجام شود. این تحقیق با توسعه یک مدل مفهومی برای ترویج انقلاب انقلاب صنعتی ی 5.0، ویژگیهای انقلاب صنعتی 4.0 را تکمیل و گسترش میدهد. هدف این مدل، بهینهسازی دادهها بدون از دست دادن اطلاعات مهم موجود در دادههای کلان است. این مدل با بهرهگیری از محاسبات لبه، به عنوان یک عامل فعال در انقلاب صنعتی 5.0، بینشهای بهموقع و معناداری به سیستم ارائه میدهد و به دستیابی به تصمیمگیری در زمان واقعی کمک میکند. بدین ترتیب، ما به دنبال بهینهسازی ذخیرهسازی دادهها و ایجاد شرایطی برای عقلانیسازی بیشتر منابع قدرت و پردازش هستیم. علاوه بر این، مدل پیشنهادی از جنبه اجتماعی به انقلاب صنعتی 5.0 کمک میکند و دانش نه تنها مهندسان با تجربه، بلکه کارگرانی که با ماشینها کار میکنند را نیز در نظر میگیرد. در نهایت، پیادهسازی انقلاب صنعتی از طریق یک اثبات مفهوم با استفاده از دادههای تولیدی از انقلاب صنعتی فرآیند انجام شد که در آن مقدار دادهها بدون از دست دادن اطلاعات قابل توجه موجود در دادههای کلان، 99.73% کاهش یافت.
Downloads
References
Author Contributions: Methodology, B.B., S.M., M.S., M.J. and A.R.; Software, B.B.; Validation, N.S.,
M.S., M.J. and A.R.; Formal analysis, B.B., N.S. and A.R.; Investigation, B.B. All authors have read
and agreed to the published version of the manuscript.
Funding: This research received no external funding.
Institutional Review Board Statement: Not applicable.
Informed Consent Statement: Not applicable.
Data Availability Statement: The data are not publicly available due to privacy restrictions.
Acknowledgments: This paper has been published as a part of the project that is financed by the
Science Fund of the Republic of Serbia within its program “IDEAS”—Management of New Security
Risks—Research and Simulation Development, NEWSIMR&D, #7749151.
Conflicts of Interest: The authors declare no conflict of interest.
References:
1. Khalid, A.; Khan, Z.H.; Idrees, M.; Kirisci, P.; Thoben, K.; Pannek, J. Understanding vulnerabilities in cyber physical production
systems. Int. J. Comput. Integr. Manuf. 2022, 35, 569–582. [CrossRef]
2. Xu, X.; Lu, Y.; Vogel-heuser, B.; Wang, L. Industry 4.0 and Industry 5.0—Inception, conception and perception. J. Manuf. Syst.
2021, 61, 530–535. [CrossRef]
3. Saniuk, S.; Saniuk, A.; Cagáˇnová, D. Cyber Industry Networks as an environment of the Industry 4.0 implementation. Wirel.
Netw. 2021, 27, 1649–1655. [CrossRef]
4. Nikolic, B.; Ignjatic, J.; Suzic, N.; Stevanov, B.; Rikalovic, A. Predictive manufacturing systems in industry 4.0: Trends, benefits and
challenges. In Proceedings of the Annals of DAAAM and International DAAAM Symposium, Zadar, Croatia, 8–11 November
2017; pp. 796–802.
5. European Commission. Industry 5.0—Towards a Sustainable, Human-Centric and Resilient European Industry; European Commision:
Brussels, Belgium, 2021.
6. Bajic, B.; Rikalovic, A.; Suzic, N.; Piuri, V. Industry 4.0 Implementation Challenges and Opportunities: A Managerial Perspective.
IEEE Syst. J. 2021, 15, 546–559. [CrossRef]
7. Zizic, M.C.; Mladineo, M.; Gjeldum, N.; Celent, L. From Industry 4.0 towards Industry 5.0: A Review and Analysis of Paradigm
Shift for the People, Organization and Technology. Energies 2022, 15, 5221. [CrossRef]
8. Rikalovic, A.; Suzic, N.; Bajic, B.; Piuri, V. Industry 4.0 Implementation Challenges and Opportunities: A Technological Perspective.
IEEE Syst. J. 2022, 16, 2797–2810. [CrossRef]
9. European Commission. Industry 5.0: A Transformative Vision for Europe; European Commision: Brussels, Belgium, 2022.
References
1. Khalid, A.; Khan, Z.H.; Idrees, M.; Kirisci, P.; Thoben, K.; Pannek, J. Understanding vulnerabilities in cyber physical production
systems. Int. J. Comput. Integr. Manuf. 2022, 35, 569–582. [CrossRef]
2. Xu, X.; Lu, Y.; Vogel-heuser, B.; Wang, L. Industry 4.0 and Industry 5.0—Inception, conception and perception. J. Manuf. Syst.
2021, 61, 530–535. [CrossRef]
3. Saniuk, S.; Saniuk, A.; Cagáˇnová, D. Cyber Industry Networks as an environment of the Industry 4.0 implementation. Wirel.
Netw. 2021, 27, 1649–1655. [CrossRef]
4. Nikolic, B.; Ignjatic, J.; Suzic, N.; Stevanov, B.; Rikalovic, A. Predictive manufacturing systems in industry 4.0: Trends, benefits and
challenges. In Proceedings of the Annals of DAAAM and International DAAAM Symposium, Zadar, Croatia, 8–11 November
2017; pp. 796–802.
5. European Commission. Industry 5.0—Towards a Sustainable, Human-Centric and Resilient European Industry; European Commision:
Brussels, Belgium, 2021.
6. Bajic, B.; Rikalovic, A.; Suzic, N.; Piuri, V. Industry 4.0 Implementation Challenges and Opportunities: A Managerial Perspective.
IEEE Syst. J. 2021, 15, 546–559. [CrossRef]
7. Zizic, M.C.; Mladineo, M.; Gjeldum, N.; Celent, L. From Industry 4.0 towards Industry 5.0: A Review and Analysis of Paradigm
Shift for the People, Organization and Technology. Energies 2022, 15, 5221. [CrossRef]
8. Rikalovic, A.; Suzic, N.; Bajic, B.; Piuri, V. Industry 4.0 Implementation Challenges and Opportunities: A Technological Perspective.
IEEE Syst. J. 2022, 16, 2797–2810. [CrossRef]
9. European Commission. Industry 5.0: A Transformative Vision for Europe; European Commision: Brussels, Belgium, 2022.
39. Hafeez, T.; Xu, L.; McArdle, G. Edge intelligence for data handling and predictive maintenance in IIoT. IEEE Access 2021, 9,
49355–49371. [CrossRef]
