УПОТРЕБА НА МАШИННО ОБУЧЕНИЕ В ПРОМИШЛЕНОСТТА PDF Безплатно изтегляне
Магистърска степен по индустриално инженерство СТЕПЕН НА МАГИСТЪР ПО ИНДУСТРИАЛНО ИНЖЕНЕРИНГ УНИВЕРСИТЕТ НА ВАЛАДОЛИД ЗАКЛЮЧИТЕЛЕН ПРОЕКТ НА МАГИСТЪР С ИЗПОЛЗВАНЕ НА МАШИННО ОБУЧЕНИЕ В ПРОМИШЛЕНОСТТА 4.0 Автор: Г-н Алберто Маисуече Куадро Вандрадо, Англия Педрало Валадора Сандора
ПРИЗНАВАНИЯ На Педро, моя преподавател по TFM, за неговите насърчения и предложения по време на проекта. На моето семейство и приятели, за цялата подкрепа, получена по времето ми в университета.
Общ индекс Въведение. 1. Предистория. 1 Мотивация. 2 цели. 3 Обхват. 3 Структура на паметта. 4 1 ПРОМИШЛЕНОСТ 4.0. 7 1.1. Какво е Индустрия 4.0. 7 1.2. Индустриалните революции. 8 1.3. Активиращи технологии. 10 1.3.1. Облачни изчисления. 10 1.3.2. Интернет на нещата. 1.3.3. Производство на добавки. 11 1.3.4. Голяма информация. 12 1.3.5. Изкуствен интелект. 13 1.3.6. Автономни и съвместни роботи. 13 1.3.7. Разширена реалност и виртуална реалност. 14 1.3.8. Блокчейн. 14 1.4. Интелигентна среда. 15 1.4.1. Умен град. 16 1.4.2. 1.4.3. Smart Grid. 16 Интелигентна фабрика. 17 1.4.4. 1.4.5. Интелигентна логистика. 17 Интелигентен потребител. 18 1.5. Текущо състояние на дигитализация. 18 1.5.1. Дигитализация в Европа. 18 1.5.2. Дигитализация на испанската индустрия. 21 1.5.3. Основни бариери пред цифровизацията на индустрията. 23 2 МАШИННОТО ОБУЧЕНИЕ. 27 2.1. Какво е машинно обучение. 27 2.1.1. Предишни концепции. 27 2.1.2. История на машинното обучение. 30 2.2. Основи на машинното обучение. 31 2.2.1. 2.2.2. Ученето. 31 Грешки и проблеми с настройката. 34 2.2.3. Етапи в проект за машинно обучение. 36 2.3. Учене под наблюдение. 38 2.3.1. Линейна регресия. 38 2.3.2. 2.3.3. Полиномиална регресия. 40 Логистична регресия. 41 2.3.4. Поддръжка на векторна машина. 43
2.3.5. K-Най-близките съседи. 44 2.4. Учене без надзор. 44 2.4.1. 2.4.2. K-Средства. 45 Анализ на главния компонент. 46 2.4.3. 2.4.4. Разлагане на единична стойност. 47 Независим анализ на компоненти. 49 2.5. Подсилено учене. 50 2.5.1. Q-обучение. 51 2.5.2. SARSA. 52 2.6. Дълбоко обучение. 53 2.6.1. Конволюционни невронни мрежи. 55 2.6.2. Повтарящи се невронни мрежи. 57 2.6.3. Генеративни състезателни мрежи. 58 3 ПРИЛОЖЕНИЯ НА МАШИННОТО ОБУЧЕНИЕ В ПРОМИШЛЕНОСТТА. 61 3.1. Значението на машинното обучение в индустрията. 61 3.2. Машинно обучение, прилагано в производството, производството и качеството. 63 3.3. Машинно обучение, приложено в логистиката. 67 3.4. Прилагано машинно обучение при поддръжка. 74 3.5. Машинното обучение се прилага в бизнеса. 76 3.6. Машинно обучение, прилагано в маркетинга и управлението на клиенти. 78 3.7. Машинното обучение, приложено в ергономията. 82 3.8. Машинно обучение, приложено в сигурността. 85 3.9. Машинно обучение, прилагано в човешките ресурси. 3.10. Ограничения на машинното обучение в индустрията. 89 ЗАКЛЮЧЕНИЯ И БЪДЕЩИ ЛИНИИ. 91 1. Заключения. 91 2. Бъдещи редове. 94 БИБЛИОГРАФИЯ. 95
Използване на машинно обучение в индустрия 4.0 5
6 Използване на машинно обучение в индустрия 4.0
Фигура 1. 4. Развитие на I-DESI между 2013 и 2016 за различни страни (Европейска комисия, 2018). На второ място, представени са резултатите от DESI 2018, като се установява класификация между 28-те членове на Европейския съюз, представени в това проучване (Фигура 1.5) Фигура 1. 5. Резултати от DESI 2018 за различни страни от ЕС (Европейска комисия, 2018) . Според тази класация европейските лидери в цифровизацията са Дания, Швеция, Финландия и Холандия. Следват Люксембург, Ирландия, Обединеното кралство, Белгия и Естония. Испания се нарежда на десето място в класацията от 28-те анализирани държави и е една от европейските държави, които са постигнали най-голям напредък през последните четири години, заедно с Ирландия и Кипър. За разлика от тях, Португалия е постигнала най-малък напредък през последната година, а Румъния продължава с най-ниския резултат в класацията (Европейска комисия, 2018). Фигура 1.6 показва относителната ефективност на Испания за всяко от петте измерения. 20 Използване на машинно обучение в индустрия 4.0
комплементарност, при която автоматизацията допълва задачите на работника, правейки го по-продуктивен (Blanco, Fontrodona, & Poveda, 2017). Необходимите умения са различни, така че нискоквалифицираните специалисти, които изпълняват прости и повтарящи се задачи, ще бъдат заменени от специалисти по софтуер или мехатроника. Интересен аспект е, че повтарящите се задачи не само ще станат автоматизирани, но с напредъка в изкуствения интелект и усъвършенстваната аналитика е възможно да се автоматизира шофирането на превозни средства или извършването на медицински диагностики, така че негативното въздействие се увеличава (Blanco, Fontrodona и Poveda, 2017). Ако няма иновации в политиките по заетостта и обучението, нивото на безработица ще се увеличи. В крайна сметка дигиталната трансформация е необходимост, но в същото време възможност за инвестиране в гарантирани печалби и повишаване на конкурентоспособността на компаниите. 26 Използване на машинно обучение в индустрия 4.0
Линейната регресия може да бъде проста, ако има само една независима променлива, или многократна, ако има повече от една. Този модел е бърз и здрав, но за да се гарантира правилното му функциониране, трябва да има определена линейна връзка между входа и изхода (González, 2018). Пример за проста линейна регресия е прогнозирането на броя на чадърите, които ще бъдат продадени на базата на количеството валежи въз основа на историята от предходната година (Фигура 2. 8). Пример за множествена линейна регресия е прогнозирането на продажбите на продукт въз основа на парите, инвестирани в телевизионна реклама и радиореклама (Фигура 2. 9). В последния случай, тъй като има две независими променливи, е възможно да ги представите чрез регулиране на равнина вместо права линия. Фигура 2. 8. Пример за проста линейна регресия. Прогноза за продажба на чадър въз основа на дъжд. Взето от: https://www.ablebits.com/office-addins-blog/2018/08/01/linear-regression-analysis-excel/ Фигура 2. 9. Пример за множествена линейна регресия. Предвиждане на продажбите на продукт въз основа на парите, вложени в телевизионна реклама и радио реклама. Взето от: https://rpubs.com/joaquin_ar/226291 Използване на машинно обучение в индустрия 4.0 39
Този алгоритъм е много полезен при компресиране на изображения, където всеки пиксел съответства на променлива. В примера на фигура 2.17 целта е да се запази информацията за пикселите, които съдържат етикета, който трябва да се предскаже, така че всички пиксели, които не съдържат котки, да са безполезни. Времето за изчисление на невронна мрежа, която работи с изображения, е значително намалено благодарение на PCA като етап на предварителна обработка (Chandupatla, 2019). Фигура 2. 17. Пример за приложение на PCA (Chandupatla, 2019). 2.4.3. Декомпозиция на единична стойност В линейната алгебра декомпозицията на единична стойност (SVD) е метод за факториране на реална или сложна матрица, използвана за намаляване на размерите. Той се основава на принципа на разлагане на векторите в техните ортогонални оси (Фигура 2.18), така че всеки вектор a може да бъде изразен с две променливи: единичен вектор, който показва посоката на проекция (vi) и дължината на проекцията ( да ai). В SVD това заключение се разпростира върху много вектори и във всички измерения (Abdullatif, 2019). Фигура 2. 18. Разлагане на вектор в две ортогонални оси (Abdullatif, 2019). Използване на машинно обучение в индустрия 4.0 47