Использование искусственного интеллекта в производстве

Использование искусственного интеллекта в производстве

В статье приводятся различные варианты использования технологии искусственного интеллекта и машинного обучения в частности в производственном секторе. Вопросы, рассматриваемые в рамках статьи: анализ области применения машинного обучения, подбор данных, постановка задачи на проектирование системы.

Авторы публикации

Рубрика

IT-Технологии

Журнал

Журнал «Научный лидер» выпуск # 3 (48), Январь ‘22

Дата публицакии 14.01.2022

Поделиться

Производственная система основана на движении сырья, товаров и запчастей. На данном этапе все процессы на производстве контролируются механизмами, работающими непрерывно. Износостойкость оборудования можно назвать одним из важных критериев оценки состояния технической базы предприятия. Однако при эксплуатации срок службы оборудования может измениться, на это влияют не только внешние, но и внутренние факторы. Поэтому своевременная оценка технического состояния оборудования может сократить количество издержек на ремонт, а также на выпуск бракованной продукции.

Конечно, на производстве есть люди, служащие специально для проверки состояния оборудования, однако необходимо принять во внимание так называемый «человеческий фактор». Усталость, невнимательность, неопытность работника влияет на выдаваемую оценку. Кроме того, сегодня обрабатывающая промышленность во всем мире сталкивается с проблемой, связанной с большим объемом постоянно поступающей информации.

Передовые идеи в области искусственного интеллекта помогут решить проблему качественной оценки состояния производственного оборудования. Нововведения должны увеличить эффективность деятельности предприятий в целом, сократить издержки по срочному ремонту оборудования, а также избежать последствий «человеческого фактора».

Суммируя вышесказанное, предлагается использовать технологии машинного обучения для анализа звуков оборудования на предприятии с целью своевременного выявления отказов и поломок.

Аудиоанализ — область, включающая автоматическое распознавание речи (ASR), цифровую обработку сигналов, а также классификацию, тегирование и генерацию музыки — представляет собой развивающийся поддомен приложений глубокого обучения [1].

Рассмотрим основную последовательность действий при анализе звуков. Во-первых, необходимо создать набор аудиофайлов, которые должны быть не менее 10 секунд по продолжительности и относиться к категории «стандартно звучащее оборудование» или к категории «оборудование, звучащее нестандартно».

Далее необходимо распределить данные и отнести их к определенной категории. В Machine Learning указанная задача называется задачей кластеризации.

Каждый аудиофайл состоит из множества признаков. Именно по этим признакам модель будет распределять информацию по двум категориям. В качестве примера рассмотрим спектрограммы частотных признаков.

Спектральный центроид указывает, на какой частоте сосредоточена энергия спектра или, другими словами, указывает, где расположен «центр масс» для звука [2]. Рассчитывается по формуле 1:

 

                                                                                      (1)

где S(k) — спектральная величина элемента разрешения k;

f(k) — частота элемента k.

 

Спектральный центроид возвращает массив со столбцами, равными количеству фреймов, представленных в семпле. В графическом виде спектральный центроид представлен на рисунке 1 ниже.

 

Рисунок 1. Признак спектрального центроида

 

Скорость пересечения нуля - скорость изменения знака вдоль сигнала, то есть скорость, с которой сигнал изменяется с положительного на отрицательный или обратно. Вычисляется по формуле 2:

                                                           (2)

где St — сигнал длины t,

II{X} — функция-индикатор (=1 if X true, else =0).

 

Визуализируя этот процесс, рассмотрим вычисление скорости пересечения нуля (рис. 2).

 

Рисунок 2. Признак скорости пересечения нуля

Чтобы запустить процесс машинного обучения, необходимо загрузить в компьютер некоторое количество исходных данных, на которых алгоритм будет учиться обрабатывать запросы [3]. После процесса обучения, программа уже сама должна распознавать изображения, которые имеют признаки поломки, некорректной работы оборудования. Важно отметить, что процесс обучения продолжается и после выданных прогнозов, чем больше данных будет проанализировано программой, тем более точно она распознает нужные изображения.

Резюмируя вышесказанное: создаваемая модель должна будет анализировать звуки работы промышленного оборудования с целью мониторинга состояния, при котором оно не может выполнять предназначенные функции и поддерживать заданный уровень производительности.

Рост затрат на контроль качества производства растет пропорционально увеличению объемов производства. Для эффективного мониторинга предлагается применять методы машинного обучения. Системы, обученные по предыдущим практикам помогут принять лучшие решения для оптимальной работы производства.

Список литературы

  1. Michael Nielsen. Neural Networks and Deep Learning /2019 – 220 с.
  2. Станислав Исаков. Как работает сверточная нейронная сеть: архитектура, примеры, особенности / Станислав Исаков, 2018. - URL: https://neurohive.io/ru/osnovy-data-science/glubokaya-svertochnaja-nejronnaja-set/
  3. Комаров, П. В. Проблематика обучения нейросети для распознавания дефектов деталей на аддитивном производстве / П. В. Комаров, В. В. Сокольников, В. В. Ветохин // Перспективные научные разработки: Труды Всероссийской научно-технической конференции, Воронеж, 20 июня 2019 года. – Воронеж: ООО "НАУЧНОЕ ИЗДАТЕЛЬСТВО ГУСЕВЫХ", 2019. – С. 30-35.

Предоставляем бесплатную справку о публикации,  препринт статьи — сразу после оплаты.

Прием материалов
c по
Остался последний день
Размещение электронной версии
Загрузка материалов в elibrary