1. 首页
  2. 机器学习

机器学习类别及与制造业的关系

机器学习类别及与制造业的关系

机器学习可以分为两种主要技术-有监督和无监督机器学习。

1.有监督的机器学习

在制造用例中,有监督的机器学习是最常用的技术,因为它会导致预定义的目标:我们有输出数据;并且我们正在寻求映射连接两个变量的函数

有监督的机器学习需要高度的参与–数据输入,数据训练,定义和选择算法,数据可视化等等。目标是构建具有一定精确度的映射函数,当我们将新的输入数据输入到系统中时,该函数可使我们预测输出。

最初,算法是从训练数据集中获取的,并通过迭代进行工作,以达到定义的输出为目标,从而继续提高其性能。当算法达到可接受的准确性水平时,学习过程即告完成。

在制造业中,有两种最常见的监督学习方法:

分类与回归

这两种方法具有相同的目标:映射输入数据(来自制造过程)和输出数据(已知的可能结果,例如质量或废物损失,零件故障,过热等)之间的关系。

回归

当数据在一定范围内(例如温度,重量)存在时,使用回归分析,这通常是处理从传感器收集的数据时的情况。

在制造中,可以使用回归来计算资产的剩余使用寿命(RUL)的估算值。这是对下一个组件/机器/系统出现故障之前我们需要多少天或周期的预测。

对于回归,最常用的机器学习算法是线性回归,它相当快速,易于实现,并且输出易于解释。线性回归的一个示例是预测温度的系统,因为温度是一个连续值,且估计值很容易训练。

分类

当数据存在定义明确的类别中时,可以使用分类。我们都熟悉的分类示例是电子邮件过滤器算法,该算法确定是否应将电子邮件发送到我们的垃圾邮件文件夹。分类仅限于布尔值响应,但可能非常有用,因为仅需少量数据即可实现较高的准确性。

在机器学习中,常见的分类算法包括朴素贝叶斯,逻辑回归,支持向量机和人工神经网络。

2.无监督机器学习

通过监督式机器学习,我们从预期的结果开始,并相应地训练算法。无监督学习适用于尚不清楚结果的情况。

聚类

在某些情况下,不仅结果对我们来说是未知的,而且也缺少描述数据的信息(数据标签)。通过创建共享某些属性的输入数据点的群集,机器学习算法可以发现基础模式。

当处理大量变量时,聚类还可以用于减少噪声(数据中不相关的参数)。

人工神经网络

在制造业中,事实证明,人工神经网络是一种非常有效的无监督学习工具,适用于包括生产过程仿真和预测质量分析在内的各种应用。

人工神经网络的基本结构大致基于人脑如何使用其约1000亿个神经元的网络处理信息,从而实现了极其复杂和通用的问题解决方案。

机器学习类别及与制造业的关系
前馈人工神经网络的基本示意图。一层中的每个节点都连接到下一层中的每个节点。根据问题的复杂程度,可以根据需要添加隐藏层。

这种通过多层处理大量参数的能力使人工神经网络非常适合制造过程中变量丰富且不断变化的过程。此外,在经过适当培训后,人工神经网络可以在创建有关加工产品机械性能的预测时展示出很高的准确性,从而可以降低原材料成本。

资料准备

机器学习全都与数据有关,因此了解有关所需数据的质量和类型的一些关键要素对于确保准确的结果极为重要。

例如,借助可预测的质量和良率,我们专注于流程效率低下。因此,有意义的是首先收集有关一条或多条生产线的性能以及随着时间的流逝而产生的损失的历史数据,以便形成有关未来潜在损失的预测。

为了获得最完整,最准确的图像,应该从尽可能多的来源收集数据,因为制造过程(尤其是更复杂的过程)受到通常相互依存的多种因素的影响。这可以包括过程数据,质量数据,原材料,甚至是天气和温度等外部因素的所有内容。

接下来,同样重要的是,我们需要确定我们希望机器学习模型回答的问题-以及是否有可能使用可用的数据回答这个问题。

机器学习和AI在制造业中的突破性优势

将AI和机器学习引入行业代表着巨大的变革,它带来了许多好处,其带来的好处远远不止效率提高,还为新的商机打开了大门。

机器学习在制造业中的一些直接好处包括:

  • 减少常见的,痛苦的过程驱动损失,例如产量,浪费,质量和产量
  • 通过优化生产流程提高产能
  • 通过更优化的流程,实现大规模生产线的增长和扩展
  • 通过预测性维护降低成本。PdM导致更少的维护活动,这意味着更低的人工成本以及减少的库存和材料浪费。
  • 预测剩余使用寿命(RUL)。对机器和设备行为的更多了解将导致创造条件,从而在保持机器健康的同时提高性能。预测RUL消除了导致计划外停机的“令人不愉快的意外”。
  • 通过有效的库存管理以及受到良好监控和同步的生产流程,改善了供应链管理。
  • 通过切实可行的见解改进质量控制,以不断提高产品质量。
  • 改进的人机协作改善了员工的安全条件并提高了整体效率。
  • 以消费者为中心的制造业–能够快速响应市场需求的变化。

为了充分利用工业人工智能/机器学习解决方案,制造商需要知道哪种AI解决方案最适合他们自己的独特挑战。

人工智能不是灵丹妙药。任何解决方案都无法解决您的全部或大部分问题。根据经验,当将AI应用于解决特定问题或一组密切相关的问题时,AI效果最佳。“通用AI”是要提防的:如果供应商声称要做所有事情,那么他们可能做得并不是特别好。

版权声明:本文内容由互联网用户贡献,该文观点仅代表作者本人。本站不拥有所有权,不承担相关法律责任。如发现有侵权/违规的内容, 联系QQ1841324605,本站将立刻清除。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

服务热线:130-0886-1890

QR code