Projets

La transformation numérique des industries manufacturières offre un environnement propice à l’adoption de technologies plus autonomes et (auto-)adaptatives, capables de répondre rapidement et avec souplesse aux changements endogènes et exogènes, tout en étant transparentes et en respectant des réglementations durables. Ce cadre industriel manufacturier moderne est organisé en trois couches : (i) couche physique : accès au système physique, (ii) couche de connaissances : informations permettant de gérer et de contrôler les processus industriels, et (iii) couche d’application : environnement permettant d’automatiser ces processus industriels. NAIMAN se concentre sur les deux dernières couches, en supposant que les systèmes physiques hétérogènes de la couche physique sont accessibles via une interface uniforme. Dans cet écosystème complexe, l’automatisation des processus industriels est abordée par l’utilisation d’agents autonomes et intelligents qui interagissent entre eux sur la couche application. Dans la couche de connaissances, nous ciblons les connaissances du domaine représentant les aspects normatifs (c’est-à-dire les normes et les sanctions) qui régissent ces environnements et processus industriels. Les normes représentent le comportement attendu des agents. Nous pensons qu’elles constituent un concept riche et flexible pour la régulation des systèmes manufacturiers. Les sanctions, en tant que réactions à toute violation ou conformité à ces comportements attendus, sont utilisées pour équilibrer l’autonomie des agents et le contrôle du système de fabrication global. La couche de connaissances permet aux agents de raisonner sur les capacités de production ainsi que sur les réglementations pour décider comment et où effectuer leurs tâches de production. La représentation normative explicite et le raisonnement correspondant permettent aux agents à la fois d’adapter l’exécution des processus industriels à des situations et conditions inattendues, et d’exprimer de manière transparente et intelligible leurs décisions à un opérateur humain. L’objectif principal du projet est donc de développer des technologies démontrées sur des plates-formes industrielles qui permettent aux agents de fonctionner dans des environnements industriels hétérogènes et dynamiques et de raisonner sur des aspects normatifs afin d’améliorer la flexibilité, la résilience, la fiabilité et la durabilité des systèmes manufacturiers.

The digital transformation of manufacturing industries provides a nurturing environment for the adoption of more autonomous and (self-)adaptive technologies that can quickly and flexibly respond to endogenous and exogenous changes, while being transparent and complying with sustainable regulations. This modern manufacturing industrial setting is organised in three layers: (i) physical layer: access to the physical system, (ii) knowledge layer: information to manage and control the industrial processes, and (iii) application layer: an environment for automating these industrial processes. NAIMAN focuses on the last two layers, assuming that the heterogeneous physical systems on the physical layer are accessible via a uniform interface. In this complex ecosystem, industrial processes automation is tackled with the use of autonomous and intelligent agents that interact with each other on the application layer. In the knowledge layer, we target the domain knowledge representing the normative aspects (i.e., norms and sanctions) regulating these industrial settings and processes. Norms represent the expected agents’ behaviour. We advocate that they are a rich and flexible concept for regulating manufacturing systems. Sanctions as reactions to any violation of or compliance with these expected behaviours are used to balance the agents’ autonomy and the overall manufacturing system’s control. The knowledge layer allows agents to reason about the production capabilities and capacities together with regulations to decide how and where to carry out their production tasks. The explicit normative representation and reasoning enable agents to both adapt the execution of industrial processes to unexpected situations and conditions, and to transparently and intelligibly express their decisions to an human operator. Hence, the main goal is to develop technologies demonstrated on industrial platforms that enable agents to operate in heterogeneous and dynamic industrial settings and reason about normative aspects to enhance flexibility, resilience, trustworthiness, and sustainability of manufacturing systems.