Сергей Максименко,
архитектор решений для обработки данных

Спросите любого производителя, какой самый модный термин в этой отрасли, и вы получите ответ типа: «Цифровая трансформация», или «Индустрия 4.0». А где же искусственный интеллект и машинное обучение?

В этой статье описывается, как алгоритмы искусственного интеллекта и машинного обучения работают в производстве.

Обнаружение дефектов на основе глубокого обучения

В производстве процесс обнаружения дефектов на производственных линиях становится все умнее. Глубокая интеграция нейронных сетей позволяет компьютеризированной системе распознавать такие поверхностные дефекты, как царапины, трещины, протечки и другие.

Применяя алгоритмы классификации изображений, обнаружения объектов и сегментации экземпляров, ученые данных обучают системы визуального контроля обнаруживать дефекты в зависимости от поставленной задачи. В сочетании с камерой с высоким оптическим разрешением и графическим процессором система обнаружения на основе глубокого обучения обеспечивает лучшее восприятие, чем традиционное машинное зрение.

Например, Coca-Cola создала приложение визуального контроля на основе искусственного интеллекта. Приложение диагностирует систему объекта и обнаруживает проблемы. Технические специалисты получают уведомления об обнаруженных проблемах и предпринимают дальнейшие действия.

Профилактическое обслуживание с ML

Вместо того, чтобы устранять неисправности по мере их возникновения или планировать осмотры оборудования, лучше прогнозировать проблемы до их возникновения. Используя данные временных рядов, алгоритмы машинного обучения точно настраивают систему профилактического обслуживания для анализа моделей сбоев и прогнозирования возможных проблем.

Когда датчики отслеживают такие параметры, как влажность, температура или плотность, эти данные собираются и обрабатываются алгоритмом машинного обучения. Существует несколько моделей машинного обучения, способных предсказать отказ оборудования.

В зависимости от цели прогнозирования: оставшегося времени до отказа, получения вероятности отказа или аномалий, существует несколько подходов к разработке машинного обучения:

  • Регрессионные модели для прогнозирования остаточного срока полезного использования (RUL). Используя исторические и статические данные, этот метод позволяет предсказать, сколько дней осталось до сбоя.
  • Модели классификации для прогнозирования сбоя в течение заданного промежутка времени. Чтобы определить, как скоро машина выйдет из строя, мы можем разработать модель, которая будет прогнозировать отказы в течение определенного количества дней.
  • Модели обнаружения аномалий для пометки устройств. Этот подход позволяет прогнозировать сбои, определяя различия между нормальным поведением системы и событиями сбоя.

Ключевыми преимуществами профилактического обслуживания на основе машинного обучения являются точность и оперативность. Выявляя аномалии в производственных устройствах, анализируя их характер и частоту, можно оптимизировать производительность до того, как произойдет сбой.

Цифровые близнецы на базе машинного обучения

Цифровой двойник — это виртуальная копия физической производственной системы. В производственной сфере существуют цифровые двойники определенных машинных активов, целых машинных систем или отдельных системных компонентов. Наиболее распространенными вариантами использования цифровых двойников являются диагностика и оценка производственного процесса в режиме реального времени, прогнозирование и визуализация производительности продукта и другие.

Чтобы научить модели цифровых двойников понимать, как оптимизировать физическую систему, инженеры по науке о данных используют контролируемые и неконтролируемые алгоритмы машинного обучения. Обрабатывая исторические и немаркированные данные, полученные в результате непрерывного мониторинга в режиме реального времени, алгоритмы машинного обучения ищут модели поведения и находят аномалии. Эти алгоритмы помогают оптимизировать планирование производства, повышение качества и техническое обслуживание.

Более того, использование методов НЛП дает возможность обрабатывать внешние данные из исследований, отраслевых отчетов, социальных сетей и СМИ. Это расширяет функциональные возможности цифровых двойников не только для проектирования будущего продукта, но и для моделирования его производительности.

Генеративный дизайн для умного производства

Идея генеративного дизайна заключается в создании на основе машинного обучения всех возможных вариантов дизайна для данного продукта. Выбирая такие параметры, как вес, размер, материалы, условия эксплуатации и производства в программном обеспечении для генеративного проектирования, инженеры могут создавать множество проектных решений. Затем они могут выбрать наиболее подходящий дизайн для будущего продукта и запустить его в производство.

Вот как General Motors использует эту технологию:

Использование передовых алгоритмов глубокого обучения — вот что делает программное обеспечение для генеративного проектирования умным. Одной из новых тенденций ИИ является использование генеративно-состязательных сетей (GAN). GAN, в свою очередь, используют две сети: генератор и дискриминатор. Сеть генераторов генерирует новые конструкции для заданных продуктов. Сеть дискриминатора классифицирует и различает конструкции реального продукта и сгенерированные.

Таким образом, специалисты по данным разрабатывают и обучают модели глубокого обучения, чтобы определить все возможные варианты дизайна. Компьютер становится так называемым «партнером по дизайну», который генерирует уникальные дизайнерские идеи в соответствии с ограничениями, заданными разработчиком продукта.

Прогнозирование энергопотребления на основе машинного обучения

Рост промышленного интернета вещей (IIoT) позволяет не только автоматизировать большинство производственных процессов, но и сделать их экономичными. Собирая исторические данные о температуре, влажности, использовании освещения и уровнях активности объекта, можно прогнозировать потребление энергии. И именно тогда машинное обучение и искусственный интеллект берут на себя основную часть задач по внедрению.

Идея использования машинного обучения для управления энергопотреблением заключается в обнаружении закономерностей и тенденций. Обрабатывая исторические данные о потребляемой энергии в прошлом, модели машинного обучения могут прогнозировать потребление энергии в будущем.

Наиболее распространенный подход машинного обучения для прогнозирования энергопотребления основан на последовательных измерениях данных. Для этого исследователи данных используют авторегрессионные модели и глубокие нейронные сети.

Модели авторегрессии хорошо подходят для определения тенденций, цикличности, неравномерности и сезонности. Однако не всегда достаточно применить только один подход, основанный на авторегрессии. Чтобы повысить точность прогнозов, специалисты по данным используют несколько подходов. Наиболее распространенным дополнительным подходом является разработка признаков, которая помогает преобразовывать необработанные данные в признаки, тем самым задавая задачу для алгоритмов прогнозирования.

Глубокие нейронные сети хороши для обработки больших наборов данных и быстрого поиска закономерностей. Их можно научить автономно извлекать признаки из входных данных без необходимости разработки признаков.

Чтобы хранить информацию о ранее введенных данных с использованием внутренней памяти, специалисты по данным используют рекуррентные нейронные сети (RNN), которые хорошо охватывают шаблоны в длинных последовательностях. Имея петли, RNN могут считывать входные данные и одновременно передавать их по нейронам. Это помогает понять временные зависимости, определить закономерности в прошлых наблюдениях и связать их с будущим прогнозом. Кроме того, RNN может динамически обучаться определять, какая входная информация является ценной, и при необходимости быстро изменять контекст.

Таким образом, используя машинное обучение и искусственный интеллект, производители могут оценивать счета за электроэнергию, понимать, как потребляется энергия, и сделать процесс оптимизации более управляемым данными.

Когнитивная цепочка поставок на основе искусственного интеллекта и машинного обучения

Когда мы понимаем, как быстро объем данных растет вместе с Интернетом вещей, становится ясно, что интеллектуальные цепочки поставок — это просто вопрос выбора правильного решения.

Искусственный интеллект и машинное обучение делают управление цепочками поставок не только автоматизированным, но и когнитивным. Системы управления цепочками поставок, основанные на алгоритмах машинного обучения, могут автоматически анализировать такие данные, как запасы материалов, входящие поставки, незавершенное производство, тенденции рынка, настроения потребителей и прогнозы погоды. Поэтому они могут определять оптимальные решения и принимать решения на основе данных.

Вся когнитивная система управления цепочками поставок может включать следующие функции:

Прогнозирование спроса. Применяя анализ временных рядов, разработку функций и методы НЛП, модели прогнозирования машинного обучения анализируют модели и тенденции поведения клиентов. Таким образом, производители могут разрабатывать новые продукты, оптимизировать логистические и производственные процессы, опираясь на прогноз, основанный на данных.

Система прогнозирования спроса, используемая Adidas, — хороший пример того, как алгоритмы машинного обучения могут влиять на качество обслуживания клиентов. Анализируя тенденции покупательского поведения и привлекая потребителей к разработке продуктов, компания значительно оптимизировала процессы производства и доставки.

Оптимизация транспортировки. Использование алгоритмов машинного обучения и глубокого обучения позволяет оценивать поставки и результаты и определять, что влияет на их производительность.

Оптимизация маршрута логистики. Общие алгоритмы машинного обучения просматривают все возможные маршруты и определяют самый быстрый.

Контроль склада. Система компьютерного зрения на основе глубокого обучения выявляет нехватку и избыток запасов, оптимизируя тем самым своевременное пополнение запасов.

Примером интеллектуальной системы управления запасами является технология отслеживания на основе компьютерного зрения, интегрированная компанией Tyson Foods. Используя периферийные вычисления, камеры и алгоритмы машинного обучения, система отслеживает количество курицы, проходящей через цепочку поставок.

Планирование человеческих ресурсов. Когда алгоритм машинного обучения собирает и обрабатывает производственные данные, он может показать, сколько сотрудников потребуется для выполнения определенных задач.

Безопасность цепочки поставок. Алгоритмы машинного обучения анализируют данные о запрашиваемой информации: кому, где и какая информация была необходима, а также оценивают факторы риска. Таким образом, когнитивная цепочка поставок обеспечивает конфиденциальность данных и предотвращает взлом.

Полная прозрачность. Расширенная аналитика, основанная на машинном обучении, обрабатывает данные, полученные от IoT-устройств. Алгоритм машинного обучения находит скрытые взаимосвязи между несколькими процессами в цепочке поставок и выявляет слабые места, требующие немедленного реагирования. Таким образом, каждый, кто участвует в операциях цепочки поставок, может при необходимости запросить необходимую информацию.

PwC подготовила отчет о будущем технологий машинного обучения в производственном секторе. Вот как ожидается, что технологии, основанные на машинном обучении, будут расти в течение следующих пяти лет:

В заключение я хотел бы подчеркнуть, что ИИ и машинное обучение не принесут немедленного успеха после их интеграции. Суть в том, что любая инновационная технология должна решать существующие проблемы бизнеса, а не надуманные.

Статья полностью опубликована на https://mobidev.biz.