מבוא

למידת מכונות התפתחה במהירות מסקרנות מחקר ככלי מעשי כי פעולות ייצור רפלקציה.בתחום של תהליכי גיבוש - שבו חומרי גלם מעוצבים תחת כוח ליצור רכיבים עבור תעשיות הרכב, החלל והציוד הכבד - ML מציעה דרך בקרת תהליכים הדוקים יותר ואבטחת איכות גבוהה יותר.

הבנת תהליך ההקמה

תהליכים המתכוננים כוללים מגוון רחב של טכניקות המשמשות כדי לפענח את העבודה - מתכת רטיבית או פלסטיק - בצורת הרצויה ללא הסרת חומר. שיטות נפוצות כוללות בולים, חדירה, חדירה, מתגלגל, וציור עמוק.כל תהליך כרוך בשליטה מדויקת של פרמטרים כגון כוח, טמפרטורה, מהירות, מהירות, סיכה, וגאומטריה קלה של המטרה יכולה לייצר פגמים: סדקים, קריפטפטפטים, טמפרטורות מעומקות, או טמפרטורות חסכוניות, ואפקטים, ואפקטים על פני השטח.

הפיזיקה של עיוות פלסטי היא לא ליניארית ולעתים קרובות יחד עם אפקטים תרמיים וטריבולוגיים.לדוגמה, בלחיצת חום, טמפרטורת העבודה משפיעה על לחץ זרימה ומת ללבוש, בעוד בגלי מתכת גיליון, כוח מחזיק ריק וציירת חומר בקרת עיצוב חרוזים.ק הפעלת אינטראקציות אלה אנליטית היא קשה, שבו מודלים של למידה מונעת נתונים הצטיין.

מימון למידה מכונות לייצור

לפני צלילה ליישומים ספציפיים, מומלץ לבדוק את הקטגוריות העיקריות של למידת מכונה רלוונטית לתהליכי גיבוש (FLT:0) Supervised LearningFLT:1 משתמשת בנתונים מתוייגים כדי להכשיר מודל החיזוי משתנה מטרה - לדוגמה, לחזות אם חלק מוטבע יהיה סדקים (סיווג פנימי) או עובי הסופי לאחר תוקפנות (Rideion):2ulating aconulating in aalyticsation) מוצא פעולה סטנדרטית של למידה של 4.

אלגוריתמים נפוצים ב-ML תעשייתי כוללים יערות אקראיים, ⁇ שיפור מכונות, מכונות וקטורנטים תומכים ורשתות עצביות עמוקות.הבחירה תלויה בגודל הנתונים, מורכבות תכונה, ואת הצורך בפירושים.לדוגמה, יער אקראי יכול לספק דירוגים חשובים, עוזר למהנדסים להבין אילו אותות חיישן משפיעים על איכות - דרישה קריטית בעת פריסת מודלים על רצפת חנות שבה הסבירות חשובה לאמון ולפתור בעיות.

למידה על פרופיל חיזוי

אחת האפליקציות הפשוטות ביותר של למידה מבוקרת היא חיזוי פגומה במהלך מחזור מורכב, חיישנים ללכוד את נתוני סדרות זמן מתאים לטעון, thermocouples, transducers עקירה, ו- accelerometers. אלה אותות, יחד עם פרמטרים סטטיים כמו אצולה חומר וגיאומטריה כלי, להפוך לתכונות עבור מודל אשר פיזור של דגם 1J של פגום.

כדי לפרוס מודל כזה בייצור, מהנדסים חייבים לטפל בחוסר איזון מעמדי - חסימות הן נדירות בקו המנוהל היטב.טכניקות כמו SMOTE (Synthetic Minority Over-sampling Technique) או אימון רגיש בעלות עוזר המודל לשים לב לכיתת המיעוט.בנוסף, סף ההחלטה של המודל יכול להיות מכוון לאזן אזעקות שווא (שגורם מפסיק מיותר) נגד פגמים (אשר מאפשר מעבר רע לחלקים).

למידה בלתי מבוקרת ל-Anomaly Detection

לא כל פגמים שנוצרו ידועים או מתוייגים. Tool Wear, התמוטטות סיכה, או שינויים בחומרים פתאומיים יכולים ליצור מצבי אשמה חדשים.מודלים לזיהוי אנטומיים לא מבוקרים - כגון autoencoders, אחד מסוג SVMs, או יערות בידוד - יכול ללמוד את ההפצה של חתימות תהליכים נורמליים ודגל כל סטייה.

בפריסה מעשית, סף אנמטי חייב להיות מוגדר בזהירות.מהנדסי צמחים לעתים קרובות להשתמש בשילוב של כללי בקרה של תהליך סטטיסטית (SPC) וציונים של ML-derived aomaly כדי להפחית את החיובים המזויפים.שילוב של SPC ו-ML מספק הגנה שכבתית: SPC תופס שינויים הדרגתיים, בעוד ML מזהה סטיות מורכבות שעשויות להחמיץ.

Reinforcement Learning for Process Optimization

Reinforcement למידה (RL) מציעה דרך לייעל את הפרמטרים של תהליכים בזמן אמת.בשורה להרכיב, סוכן ה-RL יכול לצפות במצב הנוכחי (למשל, טמפרטורה, התחדשות, מדידות עובי) ולבחור פעולה (למשל, להגדיל את כוח ריק על ידי 2%) הסביבה לאחר מעברים למדינה חדשה ונותן פרס על בסיס איכות ומחזור לאורך מאות או של פרמטרים, במיוחד עבור מספר רב של תהליכים גמישים, כגון:

אתגר אחד הוא יעילות הדגימה: פעולות גיבוש אמיתיות לא יכולות להרשות לעצמן עשרות אלפי מחזורי ניסוי וטרור.זו הסיבה לכך ש-RL רבים משתמשים בתאום דיגיטלי – סימולציה של הסימולציה של התהליך – כדי למנוע מראש את הסוכן לפני הפריסה.פעם על הקו הפיזי, הסוכן של סימולציה בסדר גמורה עם מחקר עולמי מוגבל.

רכישת נתונים וקידום

ההצלחה של כל פרויקט ML בתהליכים להרכיב תלויה באופן ביקורתי באיכות הנתונים ובנפח.עיתונות מודרנית מצוידת במגוון של חיישנים: תאי עומס על ram, בדיקות טמפרטורה במות, חיישנים אדזואלקטריים עבור פליטות אקוסטיות, וקודים ליניאריים עבור שלב עקירה.דאטה נרכשת בדרך כלל בקצב גבוה של דגימה - מגודל לשנייה - ומותק להיסטוריון או קצה, לעתים קרובות, אך ורקמותק נתונים לא מלאים (אך), אך ורקמותרפיון).

הנדסה תכונה היא חשובה באותה מידה.מומחיות Domain מסייעת ליצור תכונות נגזרות כגון העלייה השיא, המדרונות של עקומת הניתוק כוח, ואת האינטגראלי של כוח על אזור שבץ מסוים.תכונות אלה לעתים קרובות ללכוד את הפיזיקה של התהליך טוב יותר מאשר ערכי אותות גולמיים. לחלופין, מודלים למידה עמוקה עם שכבות convolutional או חוזרות יכולים ללמוד תכונות שימושיות מסידרה זמן, אם כי הם דורשים יותר משאבי נתונים חישוביים.

ניהול תהליכים בזמן אמת עם מודלים של ML

ברגע שמודל למידת מכונה הוכשר ואומת, יש לשלב אותו בלולאה הבקרה כדי להשפיע על תהליך ההקמה בזמן אמת.יש שני ארכיטקטורות פריסה משותפת: קצה הקצוץ וההקצאות בענן מנהל את המודל ישירות על בקר לוגיקה בעל תוכנית (PLC) או מחשב תעשייתי ליד העיתונות, המציע עצלות תת-מילות והימנעות מרשת קישוריות, אך מאפשר לשיטות ניהול מרובות, אך מאפשר שימושיות, אך מאפשר שימושיות, אך ורק על גבי קווי ניהול נתונים מרכזיים, אך מאפשר, אך מאפשר, אך ורק על גבי קווי ניהול מרובים, אך מאפשר, עם קווי ניהול נתונים מרכזיים, אך מאפשר, עם קווי ניהול נתונים, עם קווי ניהול מרובים, אך מאפשר, עם קווי קישוריות, עם קווי ניהול מרובים, עם קווי קישוריות, עם קווי ניהול מרובים, עם קווי ניהול, עם מגבלות משניים מרובים, אך מאפשר, עם קווי ניהול נתונים, עם מגבלות מצטברים, עם קווי ניהול נתונים, עם קווי ניהול נתונים, עם קווי ניהול נתונים, עם מגבלות של שימוש, אך מאפשר, עם קווי ניהול מרובים, עם קווי ניהול נתונים, עם קווי ניהול מרובים, אך מאפשר, עם קווי ניהול, אך מאפשר, עם קווי קישוריות, עם קווי ניהול, עם מגבלות של ניהול מרובים, עם קווי ניהול נתונים, אך מאפשר, אך מאפשר

schema בקרה סגורה טיפוסית פועלת כדלקמן: במהלך כל שבץ, זרמי החיישן נלכדים ומעבדים.מודל ML (למשל, מודל תוקפנות של הרכב צופה חלק) מבצעים בפחות מ -10 מילישניות.אם עובי הצפוי נופל מחוץ לטווח היעד, בעיות הבקר התאמה להגדרות התקשורת - תוך הגדלת הגובה על ידי מ"מ סגור - לדוגמה זה יכול לגרור מחדש את גודל זה, אפילו לגרור את הלחץ על בסיס קבוע, או לטבול, כדי לטבול על בסיס קבוע, כדי לטבול, כך שגובה קבוע, לדוגמה, כדי לטמפרטורה קבועה, או להזיז את גודל זה.

בקרה מתאימה כזו דורשת שילובי בטיחות זהירים.התפוקה של ML חייבת להיות מחויבת למנוע התאמות קיצוניות שעלולות לפגוע בכלי כלי.בנוסף, עול ידני מאפשר למפעילים להשתלט אם המודל מתנהג באופן בלתי צפוי.יצרנים רבים ליישם גישה "התחלה רכה": מערכת ה-ML פועלת במצב ייעוץ במשך שבועות לפני שניתן לשנות את הפרמטרים של התהליך באופן ישיר, בניית אמון מפעיל.

איכות שיפור

מעבר לשליטה בתהליך, למידת מכונה משפרת את אבטחת האיכות באמצעות בדיקה אוטומטית.מכונות חזון מצוידות בלמידה עמוקה יכולות לזהות פגמים משטח (סקטורטים, דנטות, קורוזיה) ולדרג ממדים גאומטריים עם דיוק תת-פיקסל (CNN) לשלוט במרחב הזה, כי הם לומדים תכונות היררכיות מתמונות: קצוות, מרקמים, וצורות.

שילוב של בדיקה פנימית עם נתוני תהליך משפר את QA. לדוגמה, אם פגם משטח קטן מזוהה, המערכת יכולה לקשור אותו עם קוראי חיישן אחרונים כדי לזהות את הסיבה השורש - אומר, ירידה של 2C בטמפרטורת מוות. משוב זה סוגר את הלולאה: הנתונים האיכותיים לא רק חלקים שונים אלא גם גורם להתאמות למנוע הישנות.

תחזוקה חיזוי

תחזוקה חיזויית היא אחת האפליקציות הגבוהות ביותר של למידת מכונה ביצירת. Tooling -dies, אגרופים ותבניות - חוויות ללבוש ועייפות מעל אלפי מחזורים.כישלונות כלי בלתי מתוכנן לגרום להפחתה יקרה ועלולות לייצר חלקים פגומים. ניתוח ויברציה, ניטור פליטה אקוסטי, ועומס מעקב אחר פרופיל לספק אינדיקטורים מוקדמים של התדרדרדרות.

לדוגמה, יער הישרדות אקראי מאומן על רטט RMS ו שיא amplitude מעיתונות גינון יכול להעריך את ההסתברות של כישלון בתוך 100 שבץ הבא , תוכניות תחזוקה להשתמש מידע זה כדי לבדוק ושיפוץ כלי על פי המרווחים אופטימליים, להאריך את החיים למות על ידי 10-20% תוך הימנעות מפירוק קטסטרופלי.המודל זה יכול לשמש גם גלאי חד משמעית: אם החתימה deviates מן דפוסים, או מהזדקנות עשוי להצביע על ידי חומר דומה או מדידה שונה כמו מדידה.

הטמעת אתגרים ועיסוקים טובים

למרות היתרונות ברורים, פריסת למידת מכונה בהקמה תהליכים אינה ללא מכשולים.FLT:0DataentialabilityFLT:1 הוא נושא עיקרי: קווים רבים חסרים את תשתית החיישן הדרושה לאיסוף נתונים מקיפה של חיישנים יכולים להיות יקרים ודורשים תכנון זהיר כדי להימנע מהתערבות עם התהליך.חברות צריכות להתחיל עם קו טייס, כלי זה ביסודיות, לאסוף נתונים במשך כמה חודשים לפחות כדי ללכוד ולפתח.

(FLT:0Model AffairabilityFLT:1) הוא עוד דאגה.מהנדסים ומנהלי הצמח צריכים להבין מדוע מודל עשה חיזוי מסוים לפני שהם בוטחים בו כדי לשלוט בעיתונות.טכניקות כמו SHAP (SHapley Additive exPlanations) ו-LIME (הסברים הבין-ממשלתיים-מודלים) יכולים לספק הסברים ברמה מסוימת.

(FLT:0) Change ManagementBuildalFLT:1) לא ניתן להתעלם מהם. המפעילים שציינו פרמטרים על ידי אינסטינקט במשך עשרות שנים עשויים לעמוד בפני "קופסא שחורה" ביצוע התאמות.ביצועים מוצלחים כרוכים בתוכניות הכשרה המסבירות כיצד מערכת ה-ML עובדת, את מגבלותיה, וכיצד להתערב כאשר יש צורך בחברות רבות גם להשתמש בתיקון שלב: ראשית, מערכת ה-ML רק המלצות; להלן, מציעות לקבל התאמות או לדחות אותן לבסוף; היא יכולה לסגור את ההתאמות; היא לסגור; היא רשאית לבצע התאמות; היא סופית; היא יכולה לנסחפתן.

מחקר: Auto Stamping

יצרנית רכב גדולה רשמה מערכת למידה מכונה על קו מבוהל מתקדם במהירות גבוהה המייצר לוחות גוף.השורה הייתה קצב גרוטאות היסטורי של 4.2% בשל פיצולים ונקודות דקות. קבוצה התקנת חיישנים נוספים כוח ובדיקות טמפרטורה במות ואסף נתונים מ-50,000 שבץ.הם אימנו מדג 'מתאים' כדי לחזות את ההסתברות של פיצול עבור כל חלק, תוך שימוש בתכונות כגון שיא לחום, כוח, כוח, כוח, מדרונות, ומטה, ומטה, מת, על פני המדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדרדר.

המודל השיג זיכרון של 92% עבור חלקים פגומים עם דיוק של 78%.כאשר משולב בקר הקו, הוא הותאם באופן אוטומטי את כוח מחזיק ריק על ידי ±5% בין שבץ בהתבסס על הסיכון הפגם הצפוי בתוך שלושה חודשים, קצב הגרד ירד ל-1.1%, והשורה יצרה חלקים עקביים יותר עם פחות התאמות כלי.

כיוונים עתידיים

הגבול הבא ללמידה של מכונות בתהליכים להרכיב הוא תא שנוצר באופן עצמאי לחלוטין.תאומים דיגיטליים - העתקים וירטואליים של הקו הפיזי - יאפשרו הכשרה ואופטימיזציה לא מקוונת ללא הפרעה ייצור. סוכני למידה כוח אדם מאומן בסימולציה יועברו לקו האמיתי באמצעות אקראיזציה וטכניקות למידה, צמצום באופן דרסטי את הצורך בניסויים פיזיים בנוסף, למידה מוזן תאפשר לצמחים לשתף שיפורים מרובים ללא חשיפת תהליך ניהולי של ארגון קנייני, ובכך לפריסת מידע מיטבי.

מגמה נוספת היא השימוש במודלים ניוניים לעיצוב תהליכים.במקום לשלוט רק בתהליך קיים, רשתות ניווניות (גנים) או קודקודים וריאציות יכולים להציע פרמטרים חדשים של תהליכים הנותנים תוצאה איכותית הרצויה.לדוגמה, בהתחשב בתכונות מכניות מטרה עבור חלק מזויף, מודל ניווני יכול לייצר את הטמפרטורה אופטימלית, זמן, לחץ ויכולת זו, בעוד שבמחקר, מבטיח לשלבים חדשים הדרושים כדי להביא תהליך ייצור חדש.

מסקנה

למידת מכונות כבר עושה השפעה מדידה על יצירת בקרת תהליכים ואבטחת איכות. על ידי מינוף נתוני חיישן ואלגוריתמים מתקדמים, יצרנים יכולים לחזות פגמים, אופטימיזציה פרמטרים בזמן אמת, בדיקה אוטומטית, ולצפות כישלונות כלי.הטכנולוגיה אינה מחליפה מומחיות הנדסית אבל מגבירה אותו, הופכת את הנתונים לתובנות ניתנות פעולה כי שיפור עקביות, צמצום הפסולת, ושיפור התחרותיות.