Tudástár és Blog

Hogyan alkalmazzuk az ipari szintű gépi tanulást

A gépi tanulás különböző típusainak és az őket támogató algoritmusoknak a megértése és alkalmazása. Kritikus pontok amik egy sikeres kivitelezéshez vezetnek.

A gépi tanulás fogalma egyre jobban megérthető, ahogy napról-napra közelebbi kapcsolatba kerülünk vele. Kezdve a Netflix és az Amazon ajánlásaitól a Siri hangfelismerésén keresztül a Google Térkép utazási idő kiszámításáig. Egyre jobban megismerjük a gépi tanulás technológiáját még ha nem is fogjuk fel ezt.

Alkalmazni a gépi tanulást az ipari szektorban teljesen más dolog. Bár számos cég foglalkozik vele, közel sem annyira széles körben elterjedt, mint az előbb említett fogyasztó orientált alkalmazások. És pont ez tette érdekessé azt az előadást, amit Kathy Applebaum és Kevin McClusky az Inductive Automation munkatársai adtak elő a 2018-as Ignition Közösségi Konferenciáján. Az előadásukban bemutatták a gépi tanulás főbb ágazatait, az algoritmusokat amiket alkalmaznak, de legfőképpen azt, hogy milyen lépéseket kell megtenni a felhasználóknak, hogy létesítményeikben el tudják kezdeni a gépi tanulás rendszerét.

Látva a gépi tanulás jelenlegi felhasználásának állapotát az iparban Applebaum kijelentette, hogy a megelőző karbantartás a fő alkalmazása a technológiának, melyet szorosan követett a minőség ellenőrzés és a robotok képzése.

Az ipari alkalmazásokhoz használható gépi tanulás rendszeréhez adott a tisztán növekvő érdeklődés. McClusky rámutatott, hogy az Inductive Automation Ignition nevű szoftvere alkalmazható ezen a területen. Ez év májusában megjelent 7.9.8-as verzióval az Ignition könyvtárai, amely a gépi tanulás algoritmusait is magukban rejtik és ezek lefednek valamennyi felhasználási esetet, McClusky elmondása szerint.

A gépi tanulás típusai:

Applebaum-ot idézve fontos megérteni, hogy 3 fő technológia típus van, amit gépi tanulásnak hívhatunk:

  • Az analitika tudás felfedezés : “Már lehet leíró analitikát készíteni (azaz adatbázisból futó jelentés készítés). A diagnosztikai analitika adja meg a “miértet” a leíró analitikához, ami meghatározza a probléma okozóját (miért hibásodott meg a készülék).
    A prediktív analitika azt figyeli, hogy mi történhet a jövőben és általában a múltban történt dolgokból jósol. Utoljára a leíró analitika épít a prediktív analitikára, úgyhogy a következő lépést ajánlja a probléma megoldására.
  • Maga a gépi tanulás kifejezés arra utal, hogy önállóan használ adatot a tanuláshoz, hogy javítson a tapasztalatokon.
  • A mesterséges intelligencia felöleli azokat a számítási feladatokat, amik szimulálják az emberi intelligenciát.

Algoritmusok

Hogy szemléltesse miként is dolgoznak az algoritmusok, hogy a gépi tanulás három változata közül bármelyiket is megvalósítsák McClusky megmutatta, hogy az Ignition gépi tanulás applikációja hogyan használható különböző adatpontok összecsoportosításához. Ehhez a demonstrációhoz minőségi mérési adatokat használt fel, (mint pl: hőmérséklet és páratartalom) amit egy gyártási folyamat egyedi darabjai szolgáltattak. Az Ignitionban – egy grafikonon megjelenítve – McClusky megmutatta, hogy egy felhasználó miként tudja megnézni az adatokat különböző szempontból egy 2D-s térben. “Az Ignition menet közben kategorizálja a szenzorokból bejövő adatokat egy grafikus összehasonlításhoz így látható, hogy egyes csoportok hogyan viszonyulnak egymáshoz.

Ebben a példában egy K-mean néven megismert tanulási algoritmust láthatunk, ami adatpontokat rendez csoportokba. “ A K-means nem tudja, hogy a kategóriák mit képviselnek csak kiszámolja a középértéketeket úgy, hogy kiszámítja hol található minden egyes adatpont és hogy ezek milyen távolságba helyezkednek el egymástól.” – fejtette ki McClusky. A K-means ezen tulajdonsága jó arra, hogy adatokat kategorizáljon egy hiányos analízishez. Példának okáért egy új alkatrész gördül le a gyártósorról és fel tudod használni ennek az adatait, hogy megállapítsd , hogy illeszkedik-e az előre megalapozott minőségi elvárásokhoz, hogy eldöntsd ez az alkatrész megfelel vagy további elemzésre van szükség.

Egy másik algoritmus típus az úgynevezett döntéshozatali fa. Ez egy erőteljes algoritmus, ami lépésenként végig vezet ,hogy megállapítsd a kategóriákat és formulákat az adatokhoz, jelentette ki Applebaum. A döntéshozatali fák hasznosak prediktív karbantartásokhoz. mert láthatod hogyan lettek meghozva a döntések. Plusz több algoritmussal is használhatod együtt.

A regressziós analízis egy gépi tanulási algoritmus, amit használhatunk a gyártás folyamat hangolásához, valamint a gyártás előrejelzéséhez is.

A gyártási folyamat hangolásához használhatunk regressziós analízist, ami magába foglal egy kézzel végzett folyamatot és a rendszer generál hozzá egy ajánlott értéket [kézi alkalmazáshoz] vagy az értékeket egyből egy PLCbe küldi. Ezeket akár fejlett gyártási folyamat kezeléshez is használatod egy folyamatban lévő hangolásnál, jegyezte meg McClusky.

Továbbá hozzátette, hogy a regressziós analízis használható termelési előrejelzéshez, ami a meglévő változókon alapszik, (azaz bármilyen adatpont) meghatározza példának okáért mi lesz legyártva egy gyártási soron vagy átfogóan az összes soron a műszak végére. Hosszabb távú előrejelzések, amik múltbéli tapasztalatokon alapszanak az összes változónál elkészíthetőek úgy mint: Hogyan fog kinézni a gyártás egy hét vagy egy hónap múlva? Még akár behozhatsz külső rendszerből származó változókat pl: SAP rendszerek. Minél több változót használsz a gépi tanuláshoz, annál jobb eredményeket kapsz, [a regressziós analízis felhasználási köre] persze csak akkor hogyha a biztosított adat elég jó a kezdéshez, mondta.

Neurális hálózatok algoritmusai az emberi gondolkodást szimulálják, fejtette ki Applebaum. Az egyik felhasználási módjuk az iparban az előrelátási rendszerek. A neurális hálózattal meg tudsz vizsgálni specifikus példányokat a gyártó sorokban vagy gyártási folyamatban és a meglévő érzékelőket használva kikövetkeztetni az adatokat, [azokról a helyekről] hogy egyszerűsítsék a folyamatot.

A Frito-Laynél használt előrelátó rendszerekre hivatkozva, ami a gépi tanulás alkalmazását használja Ignitionben McClusky azt nyilatkozta, hogy a cég egy olyan helyen alkalmazta a gyártósoron, ahol egy mérleget használva mérték a burgonyát. A Frito-Lay szeretett volna előrelátó rendszert alkalmazni, ami a megállapítja a burgonya sűrűségét a gyártósoron, hogy a sütési időt egyesével tudják beállítani minden egyes halom burgonyánál. Sikeresen is tudták ezt alkalmazni, amivel megengedhették, hogy megszüntessék a mérésre szánt burgonyák ürítését.

Eltekintve, hogy melyik fajta gépi tanulás alkalmazását tervezed használni vagy melyik algoritmust szeretnéd alkalmazni jó adatokat kell használnod a kezdetektől ami azt jelenti, hogy egy stratégiát kell kiépítened ahhoz, hogy megtaláld a megfelelő adatot és úgy kezeld, hogy megbizonyosodj a minőségéről. “Használj statisztikákat az adatok mintavételezéséhez, hogy megmondd, hogy azok jók-e, mondta McClusky. “Ismerned kell a teljes univerzumát amivel foglalkozol, hogy jó eredményeket kapj. Nem vehetsz szimplán egy történelmi adatot egymagában, mintavételezési technikákat kell megfigyelned és korrelációt kell okozat ellen összevetned. Aztán fontolhatod meg mennyire jók az eredményeid. Ez az a rész ahol fontos, hogy milyen tudás birtokában vagy az adott területen és folyamatairól mennyit tudsz. A terület szakértői – nem adatokkal foglalkozó tudósok – tudják milyen típusú adatok biztatóak és mikor nincsen értelmük.

Implementáció

A következő lépés az alkalmazások átgondolása a megfelelő ismeretek és a gépi tanulás típusainak ismerete által. Applebaum a következő 5 lépést vázolta fel a gépi tanulás sikeres implementációjához: felismerni a problémát/problémákat ,amit meg szeretnél oldani, gyűjtsd össze az adatot, készíts egy modellt, építsd ki a modellt és ellenőrizd a sikeresség érdekében.

Hogy felismerd a problémát Applebaum azt mondja, hogy a legjobb hogyha választasz egy kérdést amit meg akarsz válaszolni. Mint például: szeretnél javítani egy gyártási folyamaton? Csökkenteni szeretnéd a selejtet? Stb. Mikor ezt csinálod óvakodj a nagy érték könnyű döntés ellen, figyelmeztet “Kezdj egy egyszerű implementációval, mert a magas értékű projektek nem könnyű helyek a kezdéshez” tanácsolja.

Ezt kijelentve Applebaum kiemeli, hogy egy könnyű gépi tanulási projektből is szerezzünk értéket képviselő dolgot és ne csak azért létezzen a projekt, mert be szeretnénk vele mutatni a technológiát.

A költségfüggvény megértése – a különbség az előre megjósolt és az aktuális végeredmények között.

Ez egy másik terület, ahol az adott szakterület tudása nagy szerepet játszik a gépi tanulás alkalmazásában, mint például megfelelő adat kiválasztása a projekthez, megszerezni a hiányzó adatokat, megbizonyosodni az adat bevitel minőségében és felismerni az egymástól függő változókat (azaz adatpontok ,melyek egymáshoz vannak kötve mint például hőmérséklet és az adott napszak).

McClusky hozzátette, hogy mikor implementálunk egy gépi tanulási projektet legyünk biztosak abban, hogy egy úgynevezett kinyerés, átalakítás és betöltő folyamatot használunk (ETL), hogy beszerezzük az adatokat, mintsem a gyártási adatbázist magát. Automatizálják az adatbeszerzési folyamatot [egy ETL-el] így az adatot beszerzik, megtisztítják és a hiányzó értékeket automatikusan kezelik.

Ezután kezd el megjeleníteni az adatot Ignitionban, hogy segítsen megérteni, majd így láthatod melyik típusú algoritmust szeretnéd használni. Applebaum azt tanácsolja “ Ne óckodj egynél több algoritmust kipróbálni”. “ Az Ignition kínálatába tartozik a K-means, adatbázis vizsgálat, neurális hálózat is szimpla regresszióval. Az Amazon Web Services, Microsoft Azure és Google Cloud is ajánl eszközöket további analízisre.

Az emberek többsége felületesen próbálja teljesíteni a tesztelési fázist.” – Applebaum megjegyezte.

Ne csináld ezt. Legyél biztos abban, hogy a modelled meg tud jósolni dolgokat, amiket ezelőtt még nem is láttál. Menj vissza és csináld újra annyiszor a tesztet amennyiszer csak kell, amíg nem kapsz használható modellt. Jobb itt tölteni az időt és jobbá tenni, mint később hibákat javítani.

További cikkeink

Mechanikus szerelő

Milyen feladatok várnak az új munkatársra? Szerelés elvégzése műszaki dokumentáció alapján, és/vagy a szerelde vezetőjének instrukciója alapján Kereskedelmi és gyártott tételek átvétele a raktártól, beszerelésig annak műszaki állapotának megőrzése Adott…

Gépész tervező mérnök

Milyen feladatok várnak az új munkatársra? Egyedi célgépek, készülékek, gyártósorok gépészeti tervezése Tervező munkához szükséges számítások elvégzése Műszaki dokumentációk elkészítése Konzultáció kollegákkal a főbb funkciókat illetően Milyen elvárásoknak kell megfelelned?…

CAD szoftverek a mindennapokban

Az automatizálással párhuzamosan szükségessé váltak olyan szoftverek, melyek a tervezési folyamatok idejét is képesek csökkenteni. Mivel sikeresen rövidíthető lett egy termék előállításának ideje, szükségessé vált egy olyan szoftver is, mely…

Kollaboratív robotok jelensége az iparban

A kollaboratív robotok terjedése egyre biztatóbb jelenség a piacok világában. Számos pozitív hatásuknak köszönhetően ugyanis nem csak a termelésben segédkeznek, de bizonyos biztonsági hibákat is kiküszöbölnek.

Projektvezető

Milyen feladatok várnak az új munkatársra? Projektek leszállítása határidőre, a megfelelő minőségben, a költségkereteken belül Projektcsapat vezetése (feladatok delegálása és teljesülésük követése, ellenőrzése) Külső és belső érintettek menedzsmentje, kapcsolattartás a…

Villamos szerelő

Milyen feladatok várnak az új munkatársra? Villamos vezérlőszekrények villamos és mechanikus szerelése Az épített gépek műhelyi és helyszíni villamos szerelése, bekötése A villamos szerelésekhez kapcsolódó mechanikai szerelések (pl. érzékelő felszerelés,…

Fémek felületi kezelésének lehetőségei

A fémek felületét különféle módokon lehet kezelni. A fizikai vagy kémiai eljárások során elérhető, hogy a festék vagy más réteg jobban tapadjon, a felület jobban ellenálljon a korróziónak, jobban forraszthatóvá váljon a fém, stb.