ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА ПРОИЗВОДСТВА

USING NEURAL NETWORKS TO IMPROVE MANUFACTURING QUALITY

Artem Gonets

1^th year master’s student, Department of Applied Mathematics, MIREA — Russian Technological University (RTU MIREA),

Russia, Moscow

Egor Gridasov

1^st year master’s student, Department of Artificial Intelligence Technologies, MIREA — Russian Technological University (RTU MIREA),

Russia, Moscow

АННОТАЦИЯ

Интерес к нейронным сетям растет, поскольку их перечень преимуществ становится слишком великим, чтобы пренебрегать ими в промышленности. В основном, внедрение нейронных сетей предоставляет возможность прогнозировать механические характеристики обработанных продуктов, опираясь на определенные технологические параметры. Это означает, что нейронные сети приносят значительную пользу обрабатывающей промышленности, обеспечивая экономию материальных ресурсов и снижение затрат. В данной статье представлен обзор применения нейронных сетей и алгоритмов машинного зрения в промышленности и их воздействие на данную сферу.

ABSTRACT

Interest in neural networks is growing as their list of advantages becomes too large to be neglected in industry. Basically, the introduction of neural networks provides an opportunity to predict the mechanical characteristics of processed products based on certain technological parameters. This means that neural networks bring significant benefits to the manufacturing industry, saving material resources and reducing costs. This article provides an overview of the application of neural networks and machine vision algorithms in industry and their impact on this area.

Ключевые слова: нейронная сеть, обрабатывающая промышленность, машинное зрение.

Keywords: neural network, manufacturing industry, machine vision.

Нейронные сети представляют собой точный и эффективный инструмент для моделирования производственных процессов. В прошлом многие промышленные предприятия отдавали предпочтение использованию нейронных сетей с целью оптимизации своих производственных процессов. В результате этого использования нейронные сети дали толчок к революционным изменениям в сфере обрабатывающей промышленности. Однако производители в основном фокусировались на специализированных экспертных системах, упуская возможность полной реализации конкретных преимуществ искусственного интеллекта. С учетом растущей сложности промышленного сектора становится необходимым более эффективное принятие решений, направленное на снижение эксплуатационных расходов, повышение производительности и эффективное управление ресурсами.

Недавно проведены экспериментальные наблюдения, где нейронные сети успешно применялись для управления, оптимизации и мониторинга производственных процессов. Преимущества, такие как архитектура параллельных вычислений и самоадаптирующиеся функции, способные предсказывать изменения окружающей среды для улучшения способности к обучению, делают нейронные сети идеальным инструментом для компьютеризированного производства и применения на интеллектуальных фабриках.

В неструктурированных задачах принятия решений искусственные нейронные сети обладают врожденной способностью интерпретировать самые запутанные и сложные закономерности. Нейронная сеть способна выявлять скрытые закономерности и корреляции в необработанных данных при помощи алгоритмов, группировать и классифицировать их, а также учиться и совершенствоваться с течением времени. Ниже представлены некоторые из выдающихся характеристик нейронных сетей:

• помогает осуществлять расширенный анализ данных для предоставления предупреждений на ранних этапах. Прогностическая аналитика, встроенная в искусственный интеллект, позволяет инженерам оперативно обрабатывать и оценивать обширные объемы информации, выявляя трудности на ранних этапах разработки. Это дает возможность инженерам принимать предварительные меры для улучшения результатов;
• обеспечивает более быстрое и точное определение будущих тенденций с использованием уникальных алгоритмов, обеспечивая постоянное качество продукции через автоматический мониторинг эффективности всех производственных процессов.

Нейронные сети с многоузловой связью привлекают все больший интерес и успешно находят применение в различных аспектах производства. В цепочках поставок иногда возникают временные задержки в передаче сигналов, и такие задержки могут быть успешно выявлены и преодолены с использованием нейронных сетей. Производственная экосистема должна обладать способностью оперативно реагировать на изменения на рынке и в предложении, обеспечивая эффективное управление производственными процессами.

Современные технологии предоставляют возможность эффективно использовать компьютерную точность, объединяя обработку изображений с использованием статических и адаптивных параметров принятия решений. Решения в области машинного зрения на сегодняшний день разделяются на две основные ветви: традиционное машинное зрение и подход, основанный на машинном обучении (нейронные сети или искусственный интеллект). Обе эти ветви заметно продвинулись в последние годы, благодаря как усовершенствованию камер и сенсоров, так и развитию вычислительных технологий.

В традиционном подходе к машинному зрению инженеры используют камеру и систему освещения для получения изображения, четко выделяющего объекты, подлежащие анализу. Алгоритмы обработки на основе программного обеспечения дополнительно улучшают эти характеристики, а инструменты для измерения изображений классифицируют или проверяют объекты в соответствии с заданными критериями. Такие системы могут быть реализованы достаточно надежно, однако для некоторых сложных применений они могут не обеспечивать такую же эффективность, как человеческий глаз.

Для этих задач машинное обучение может оказаться более подходящим. В такой системе алгоритм "обучается" путем предоставления ему предварительно классифицированных изображений известных хороших и дефектных продуктов с известными недостатками.

Вот три примера использования нейронных сетей:

1. Литье под давлением. Нейронные сети, в частности многослойный персептрон, применяются для моделирования и прогнозирования качества конечного продукта в процессе литья под давлением. Это позволяет оптимизировать параметры процесса, улучшая качество литых изделий.
2. Газодуговая сварка металлов. В газодуговой сварке металлов многослойный персептрон нейронной сети используется для контроля и обнаружения переменных с высокой точностью. Этот метод включает недавние исследования и инфракрасную сенсорную систему, обеспечивая эффективный контроль качества сварочных работ.
3. Механическая обработка. В процессах механической обработки нейронные сети на основе многослойного персептрона используют технологические данные для прогнозирования срока службы инструмента, выявления поломок и определения степени износа инструмента. Это позволяет эффективно планировать техническое обслуживание и предупреждать потенциальные проблемы в работе инструмента.

Ожидается, что обрабатывающая промышленность будет демонстрировать устойчивые среднегодовые темпы роста в прогнозируемом периоде, обусловленные возрастающим спросом. Согласно анализу RationalStat (Рисунок 1), глобальный рынок нейронных сетей прогнозируется вырастет в среднем более чем на 15% в период с 2024 по 2028 годы и достигнет более 500 миллионов долларов США к 2028 году.

Рисунок 1. Глобальный рынок нейронных сетей в долларах США до 2028 года

В 2020 году предприятия по всему миру осознали важность искусственного интеллекта и машинного обучения, столкнувшись с вызовами, представленными пандемией COVID-19. Благодаря автоматизации процессов компании смогли более оперативно справляться с последствиями этой глобальной кризисной ситуации. Полученный опыт подчеркнул значимость использования нейронных сетей в промышленности как важного фактора в снижении воздействия негативных внутренних и внешних факторов.

Список литературы:

1. Role of Artificial Neural Network (ANN) in Manufactoring [Электронный ресурс] — URL: https://rationalstat.com/artificial-neural-network-ann-manufacturing/
2. How neural networks reduce manufacturing costs [Электронный ресурс] — URL: https://electronics360.globalspec.com/article/17437/how-neural-networks-reduce-manufacturing-costs/
3. Applying Neural Concepts and Networks in Manufacturing [Электронный ресурс] — URL: https://www.arcweb.com/blog/applying-neural-concepts-networks-manufacturing/
4. Neural Networks in Manufacturing [Электронный ресурс] — URL: https://www.cmi.fraunhofer.org/en/news/neural-networks-in-manufacturing/