Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: Научного журнала «Студенческий» № 23(193)

Рубрика журнала: Информационные технологии

Скачать книгу(-и): скачать журнал часть 1, скачать журнал часть 2, скачать журнал часть 3, скачать журнал часть 4, скачать журнал часть 5

Библиографическое описание:
Зорина Ю.О. ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ К ПРОМЫШЛЕННОЙ АВТОМАТИЗАЦИИ // Студенческий: электрон. научн. журн. 2022. № 23(193). URL: https://sibac.info/journal/student/193/260179 (дата обращения: 04.07.2022).

ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ К ПРОМЫШЛЕННОЙ АВТОМАТИЗАЦИИ

Зорина Юлия Олеговна

студент, кафедра электротехника и электроника, Донской государственный технический университет,

РФ, г. Ростов-на-Дону

APPLICATION OF MACHINE LEARNING TO INDUSTRIAL AUTOMATION

 

Yuliya Zorina

student, Department of electrical and electronics engineering, Don State Technical University,

Russia, Rostov-on-Don

 

АННОТАЦИЯ

Машинное обучение произвело революцию в некоторых областях техники за последние несколько лет и собирается затронуть многие другие в ближайшем будущем. Одним из них может быть промышленная автоматизация.

ABSTRACT

Machine learning has revolutionized some areas of technology over the past few years and is going to affect many others in the near future. One of them may be industrial automation.

 

Ключевые слова: машинное обучение; промышленность; данные.

Keywords: machine learning; industry; data.

 

Машинное зрение - это область, где нашли место приложения. Видение в промышленной автоматизации не так широко распространено, как на массовом потребительском рынке, вероятно, потому, что традиционные подходы не были достаточно надежными для промышленных требований. YOLO и SDD работают практически в режиме реального времени. Семантическая сегментация с FCNs немного медленнее (хотя процесс вывода может быть оптимизирован), но она предоставляет множество информации на уровне пикселей. Кроме того, лучше всего то, что эти сети можно обучать в автономном режиме на смоделированных и дополненных данных, не требуя тонкой настройки на машине. Вы можете легко автоматически генерировать массивную базу данных для обучения FCN, чтобы манипулятор мог выбирать различные объекты с конвейера. Равномерные цвета фона конвейера или поддона делают все это намного проще, чем, скажем, обнаружение дороги для самоуправляемых автомобилей [1, с. 20].

В то время как обучение всей глубокой сети может показаться пугающим, трансфертное обучение значительно сокращает время обучения. При обучении CNN нам остаются только полностью подключенные головки (либо для классификации, либо для регрессии, либо для того и другого), которые нужно настроить. При работе с FCNs нам нужно беспокоиться только о части декодера.

Машинное зрение быстро найдет свой путь в машинной и заводской автоматизации в области упаковки, логистики, сортировки, управления AGVs и многого другого.

Следующая область, где машинное обучение может улучшить текущее состояние технологий, - это техническое обслуживание оборудования. Мониторинг физического состояния машины и возможность предсказать аппаратные сбои до того, как они произойдут, потенциально могут сэкономить большие затраты, избегая повреждения заготовок и заранее планируя остановки производства для ремонта.

Традиционно мониторинг состояния на промышленном уровне выполняется путем считывания сигналов с различных типов датчиков (токов, температур, крутящих моментов, ускорений, потоков и т.д.) и установки статических порогов, которые не должны нарушаться. Несмотря на простоту, этот метод имеет несколько недостатков: пороговые значения статичны, но условия окружающей среды могут сильно различаться; внутренние структуры сигналов полностью игнорируются, так что накопление проблем не распознается своевременно; как только сигнал достигает порога, может быть слишком поздно действовать [2, c. 3107].

Гораздо лучший подход заключается в построении модели переменной (переменных), которую мы отслеживаем, и использовании модели в качестве предиктора состояния на будущее. Сравнивая прогнозы с фактическими наблюдениями, мы можем обеспечить обнаружение неисправностей оборудования с высоким разрешением задолго до того, как они достигнут критического состояния.

Хотя этот метод решает многие из ранее упомянутых недостатков, его практически очень сложно реализовать. Основными причинами являются: физические модели могут быть нелегко описать аналитически, потому что они могут зависеть от многих физических переменных с неизвестными перекрестными корреляциями; математическая формула никогда не моделирует физическую систему идеально. Всегда есть неточности из-за не моделированных эффектов (например, упругости в механических моделях) или отклонения из-за неправильной параметризации самой модели (например, тепловые константы в пластиковом экструдере); даже самая лучшая модель с наиболее точными параметрами будет страдать от зависящих от времени эффектов, которые изменяют фоновые условия (например, колебания температуры между летом и зимой, эффекты трения, когда звенья более или менее смазаны). Повторная параметризация модели может быть сложной и дорогостоящей: вам нужно вызвать эксперта, чтобы сделать это для каждой машины, развернутой в полевых условиях [3, c. 1781].

 

Список литературы:

  1. Тинг, К.М. Путаница Matrix. In Энциклопедия машинного обучения и интеллектуального анализа данных. ред.; Спрингер: Бостон, 2017. – 260 с.
  2. Пан, С.; Моррис, T.; Адхикари, Ю. Разработка гибридной системы обнаружения вторжений с использованием интеллектуального анализа данных для энергетических систем. Smart Grid, 2015. – С. 3104-3113.
  3. Озай, М.; Эснаола, И.; Вурал, Ф.Т.Я.; Кулкарни, С.Р.; Пур, Х.В. Методы машинного обучения в интеллектуальной сети. 2015. – C. 1773-1786.

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом