Intelligent methodologies for the assessment and selection of industrial robotic systems and technologies

Abstract

The expanding diversity of industrial robots, each with unique technical capabilities, cost structures, and operational profiles, presents a significant challenge for modern manufacturing. This dissertation addresses this challenge by proposing, analyzing, and comparing methodologies that refine robot evaluation and selection to better align with industrial goals and constraints. It begins with a comprehensive, integrated literature review that categorizes existing robot selection methods, including Multi-Criteria Decision Making (MCDM) models, Production System Performance Optimization (PSPO) models, computer-aided systems, and soft computing tools. Empirical analysis through systematic benchmarking revealed that traditional static ranking models often produce inconsistent and divergent rankings, demonstrating their insufficiency in capturing objective reality and highlighting the critical need for more robust approaches. Building on these insights, the dissertation introduces a novel Fuzzy Digraph model, designed to overcome the limitations of static models and the inherent uncertainties in expert judgments. This framework seamlessly integrates qualitative expert judgments, such as user-friendliness or maintainability, with quantitative performance data, like payload or cost, by representing all inputs as triangular fuzzy numbers and processing them with fuzzy arithmetic. A significant innovation is its ability to handle attribute interdependencies by systematically computing the interrelation matrix directly from the normalized average weights assigned to each attribute, thereby drastically simplifying the decision-making process and reducing the cognitive load on experts compared to complex pairwise comparisons. The model translates expert opinions into fuzzy linguistic variables, constructs directed graphs to encode relationships among attributes, and aggregates this information into a single, streamlined “selection index,” providing a holistic view of each candidate robot’s suitability. Furthermore, recognizing that relationships between robot attributes are often nonlinear, the research makes a fundamental theoretical contribution by advancing the modeling capabilities of Fuzzy Cognitive Maps (FCMs). It moves beyond conventional linear influence models by developing and evaluating a flexible, generalized nonlinear influence function based on the logistic function. This allows for a more realistic representation of cause-effect relationships, capturing complex dynamics such as saturation effects, threshold effects, and varying growth rates of influence. Empirical evaluations demonstrate that this nonlinear approach enhances the model’s dynamic behavior and achieves stable equilibrium states even when conventional linear models fail or fall into non-converging limit cycles. This advancement is a domain-agnostic contribution to computational intelligence and complex systems modeling.The culmination of this work is the synthesis of the Fuzzy Digraph and nonlinear FCM models into two advanced, hybrid cognitive decision-making frameworks. The first, the New Fuzzy Digraph (NFD), enhances the original model by employing an FCM as a feedback mechanism to refine initial expert judgments on attribute weights, adjusting them based on simulated interdependencies. The second, the FCM-based Decision-Making (FCMDM) model, represents a pure FCM approach that treats the entire decision problem as a dynamic system; robot attributes are set as initial conditions, and the optimal choice is derived from the emergent, systemic outcome of the simulation of a dedicated output node. These frameworks transform the role of the human expert from a source of static inputs to an integral part of a collaborative, human-in-the-loop cognitive system, enabling powerful "what-if" scenario analysis. Numerical case studies confirm that both methods yield stable and adaptable rankings, accommodating a broad range of operational demands and reducing the risk of overlooking critical interdependencies among robot attributes. Collectively, these contributions mark a paradigm shift from static multi-criteria ranking to dynamic, complex systems modeling in industrial robot selection. By integrating fuzzy digraph techniques, advanced nonlinear FCMs, and classic MCDM principles into cohesive selection procedures, this dissertation provides a robust foundation for organizations to select robotic solutions that truly reflect their performance targets, economic realities, and evolving operational needs in an ever-advancing industrial landscape.

Η αυξανόμενη ποικιλομορφία των βιομηχανικών ρομπότ, το καθένα με μοναδικές τεχνικές δυνατότητες και λειτουργικά προφίλ, αποτελεί μια σημαντική πρόκληση για τη σύγχρονη βιομηχανία. Η παρούσα διατριβή αντιμετωπίζει αυτήν την πρόκληση προτείνοντας, αναλύοντας και συγκρίνοντας μεθοδολογίες που βελτιώνουν την αξιολόγηση και την επιλογή ρομπότ, ώστε να ευθυγραμμίζονται καλύτερα με τους βιομηχανικούς στόχους και περιορισμούς. Αρχικά, παρουσιάζεται μια ανασκόπηση της βιβλιογραφίας που κατηγοριοποιεί τις υπάρχουσες μεθόδους επιλογής ρομπότ, συμπεριλαμβανομένων των μοντέλων Λήψης Αποφάσεων Πολλαπλών Κριτηρίων (MCDM), των μοντέλων Βελτιστοποίησης Απόδοσης Συστήματος Παραγωγής (PSPO), των συστημάτων με τη βοήθεια υπολογιστή και των εργαλείων ήπιας υπολογιστικής. Η εμπειρική ανάλυση μέσω συστηματικής αξιολόγησης αποκάλυψε ότι τα παραδοσιακά στατικά μοντέλα κατάταξης συχνά παράγουν ασυνεπείς και αποκλίνουσες κατατάξεις, καταδεικνύοντας την ανεπάρκεια τους στην αποτύπωση της αντικειμενικής πραγματικότητας και τονίζοντας την κρίσιμη ανάγκη για πιο ισχυρές προσεγγίσεις. Βασιζόμενη σε αυτές τις παρατηρήσεις, η διατριβή εισάγει ένα νέο μοντέλο Fuzzy Digraph, σχεδιασμένο για να ξεπεράσει τους περιορισμούς των στατικών μοντέλων και τις εγγενείς αβεβαιότητες στις κρίσεις των ειδικών. Αυτό το πλαίσιο ενσωματώνει τις ποιοτικές κρίσεις των ειδικών, όπως η ευκολία χρήσης ή η συντηρησιμότητα, με ποσοτικά δεδομένα απόδοσης, όπως το ωφέλιμο φορτίο ή το κόστος, αναπαραστώντας όλα τα δεδομένα ως τριγωνικούς ασαφείς αριθμούς και επεξεργάζοντάς τα με ασαφή αριθμητική. Μια σημαντική καινοτομία είναι η ικανότητά του να χειρίζεται τις αλληλεξαρτήσεις των χαρακτηριστικών υπολογίζοντας συστηματικά τον πίνακα συσχετίσεων απευθείας από τα σταθμισμένα μέσα βάρη που έχουν αντιστοιχιστεί σε κάθε χαρακτηριστικό, απλοποιώντας έτσι δραστικά τη διαδικασία λήψης αποφάσεων και μειώνοντας το γνωστικό φορτίο των ειδικών σε σύγκριση με τις πολύπλοκες συγκρίσεις ανά ζεύγη. Το μοντέλο μεταφράζει τις απόψεις των ειδικών σε ασαφείς γλωσσικές μεταβλητές, κατασκευάζει κατευθυνόμενα γραφήματα για την κωδικοποίηση των σχέσεων μεταξύ των χαρακτηριστικών και συγκεντρώνει αυτές τις πληροφορίες σε έναν ενιαίο, βελτιωμένο «δείκτη επιλογής», παρέχοντας μια ολιστική εικόνα της καταλληλότητας κάθε υποψήφιου ρομπότ. Επιπλέον, αναγνωρίζοντας ότι οι σχέσεις μεταξύ των χαρακτηριστικών των ρομπότ είναι συχνά μη γραμμικές, η έρευνα κάνει μια θεμελιώδη θεωρητική συνεισφορά προωθώντας τις δυνατότητες μοντελοποίησης των Ασαφών Γνωστικών Χαρτών (FCM). Προχωρά πέρα από τα συμβατικά γραμμικά μοντέλα επιρροής αναπτύσσοντας και αξιολογώντας μια ευέλικτη, γενικευμένη μη γραμμική συνάρτηση επιρροής βασισμένη στη λογιστική συνάρτηση. Αυτό επιτρέπει μια πιο ρεαλιστική αναπαράσταση των σχέσεων αιτίας-αποτελέσματος, αποτυπώνοντας σύνθετες δυναμικές όπως φαινόμενα κορεσμού, φαινόμενα κατωφλίου και μεταβαλλόμενους ρυθμούς ανάπτυξης επιρροής. Οι εμπειρικές αξιολογήσεις καταδεικνύουν ότι αυτή η μη γραμμική προσέγγιση ενισχύει τη δυναμική συμπεριφορά του μοντέλου και επιτυγχάνει σταθερές καταστάσεις ισορροπίας ακόμη και όταν τα συμβατικά γραμμικά μοντέλα αποτυγχάνουν ή πέφτουν σε μη συγκλίνοντες περιοδικούς κύκλους. Αυτή η εξέλιξη αποτελεί μια συνεισφορά ανεξάρτητη από το πεδίο εφαρμογής στην υπολογιστική νοημοσύνη και τη μοντελοποίηση σύνθετων συστημάτων. Το αποκορύφωμα αυτής της εργασίας είναι η σύνθεση των μοντέλων Fuzzy Digraph και μη γραμμικών FCM σε δύο προηγμένα, υβριδικά γνωστικά πλαίσια λήψης αποφάσεων. Το πρώτο, το New Fuzzy Digraph (NFD), ενισχύει το αρχικό μοντέλο χρησιμοποιώντας ένα FCM ως μηχανισμό ανάδρασης για να βελτιώσει τις αρχικές κρίσεις των ειδικών σχετικά με τα βάρη των χαρακτηριστικών, προσαρμόζοντάς τα με βάση τις προσομοιωμένες αλληλεξαρτήσεις. Το δεύτερο, το μοντέλο FCM-based Decision-Making (FCMDM), αντιπροσωπεύει μια καθαρή προσέγγιση FCM που αντιμετωπίζει ολόκληρο το πρόβλημα λήψης αποφάσεων ως ένα δυναμικό σύστημα. Τα χαρακτηριστικά του ρομπότ ορίζονται ως αρχικές συνθήκες και η βέλτιστη επιλογή προκύπτει από το αναδυόμενο, συστημικό αποτέλεσμα της προσομοίωσης ενός ειδικού κόμβου εξόδου. Αυτά τα πλαίσια μετατρέπουν τον ρόλο του ανθρώπου-ειδικού από μια πηγή στατικών εισόδων σε ένα αναπόσπαστο μέρος ενός συνεργατικού, γνωστικού συστήματος «με άνθρωπο στον βρόχο» (human-in-the-loop), επιτρέποντας την ισχυρή ανάλυση σεναρίων τύπου“τι θα συνέβαινε αν...” («what-if»). Αριθμητικές μελέτες περιπτώσεων επιβεβαιώνουν ότι και οι δύο μέθοδοι παράγουν σταθερές και προσαρμόσιμες κατατάξεις, καλύπτοντας ένα ευρύ φάσμα επιχειρησιακών απαιτήσεων και μειώνοντας τον κίνδυνο παράβλεψης κρίσιμων αλληλεξαρτήσεων μεταξύ των χαρακτηριστικών του ρομπότ. Συλλογικά, αυτές οι συνεισφορές σηματοδοτούν μια παραδειγματική μετατόπιση από τη στατική πολυκριτηριακή κατάταξη στη δυναμική, πολύπλοκη μοντελοποίηση συστημάτων στην επιλογή βιομηχανικών ρομπότ. Ενσωματώνοντας τεχνικές ασαφούς διγράφου, προηγμένα μη γραμμικά FCM και κλασικές αρχές MCDM σε συνεκτικές διαδικασίες επιλογής, η παρούσα διατριβή παρέχει μια ισχυρή βάση για τους οργανισμούς ώστε να επιλέγουν ρομποτικές λύσεις που αντικατοπτρίζουν τους στόχους απόδοσης, την οικονομική πραγματικότητα και τις εξελισσόμενες λειτουργικές ανάγκες σε ένα συνεχώς εξελισσόμενο βιομηχανικό τοπίο.