Süreç Kontrol ve Kalite Güvencesi Geliştirmek için Makine Öğrenmesinin Kullanımı

Giriş Giriş Giriş

Makine öğrenimi hızla bir araştırma merakından, sabit tariflere, manuel ayarlamalara ve post-işlem incelemesine dayanan pratik bir araç haline geldi - her şey, otomotiv, havacılık ve ağır ekipman endüstrileri için bileşenler oluşturmaya devam ediyor -ML, daha sıkı bir işlem kontrolü ve daha yüksek kaliteli güvence sağlar. Geleneksel şekillendirme hatları sabit tariflere, manuel ayarlamalara ve yayınlamaya ve uygulama prosedürlerini tanıtmak için uygulanan tüm yöntemler ve atıkları yapılandırır.

Form Sürecini Anlamak

Süreçler, bir iş parçası oluşturmak için kullanılan geniş bir dizi teknik içeriyor -tipik olarak metal veya plastik - malzeme kaldırmadan istenen bir şekil. Ortak yöntemler damgayı, dövme, yuvarlanma ve derin çizimler içerir. Her işlem, amplifik bilgi ve deneme-ve-terör düzenlemeleri gibi parametrelerin tam kontrolünü içerir, hız, yağ, yağ, yağdırma ve geometri. Hedefden hafif sapmalar: Çarpıcı, sualtı, yüzey işaretleri veya boyutsal hatalar.

Plastik deformasyon fiziği doğrusal değildir ve genellikle termal ve tribolojik etkilerle çiftleşir. Örneğin, sıcak forting, çalışma sıcaklığı akış stresi etkiler ve ölü aşınmayı etkiler, ancak kağıt metal damgası, boş tutucu güç ve tasarım kontrol malzeme akışı çizer. Bu etkileşimleri analitik olarak zorlanır, bu da veriye dayalı makine öğrenimi modelleri öne çıkar.

Makine Öğrenme Temelleri Üretim için

Belirli uygulamalara dalmadan önce, bir damgalı parçasının bir çatlak (binary sınıflandırma) veya son kalınlıkta olduğunu tahmin etmek için etiketlenen verileri kullanarak, genellikle bir hedef değişkeni tahmin etmek için kullanılır.[Döneticileri değiştir].Döneticileri kontrol etmek için uygun olmayan bir şekilde yapılır.[Döneticileri kontrol etmek için uygun olmayan bir şekilde yapılır.[Döneticileri kontrol etmek için uygun bir şekilde yapılır.)

Endüstriyel ML'deki ortak algoritmalar rastgele ormanlar, yüksek çözünürlükte makineleri, vektör makineleri ve derin sinir ağları destekler. Seçim veri büyüklüğüne, özellik karmaşıklığına ve yorumlanabilirliğe bağlıdır. Örneğin, rastgele bir orman, hangi sensörlerin en fazla etkisini anlamasına yardımcı olabilir - bir mağaza zemininde modellemek için önemli olan modelleri açıklayarak kritik bir gerekliliktir.

Önleme Öğrenmeyi Etkiliyor

Denetimli öğrenmenin en basit uygulamaları hata tahminidir. Bir form döngüsü sırasında, sensörler yük hücrelerden zaman serisi verileri yakalar, termo çiftleri, yerinden transdüsers ve hızlayıcılar.Bu sinyalleri, malzeme toplu ve araç geometrisi gibi statik parametrelerle birlikte, hata yapan bir model için özellikler elde edebilir.Agradient-boosted ağacı, örneğin, görünür bir bölünmüş veya boyutsuz olmayan bir ayrımı öğrenebilir. Araştırmacılar, iyi vs. kullanarak tahmin edilen hataların% 95'ini bildirdiler.

Bu tür bir modelin üretimde dağıtılması için mühendisler sınıf dengesizliği ele almalıdır - örneğin SMOTE (Sental Minority Over-sampling Technique) veya maliyetle hassas eğitim, modelin azınlık sınıfına dikkat etmesi için ayarlanabilir.

Anomaly Tespit Edilmeye Olmayan Öğrenme

Tüm formasyonlar bilinmemektedir veya etiketlenir. Tool aşınma, yağdırma veya aniden malzeme değiştirmeleri yeni hata modları oluşturabilir.Innetsiz anomaly algılama modelleri - bir sınıf SVMs veya izolasyon ormanları - normal işlem imzalarının ve bayrakların dağıtımını öğrenerek daha sonra tartışılabilir. Örneğin, iyi bir damgalardan gelen pencerelerde eğitilmiş bir otoencoder, çatlakları çatlak bir ölü bir merdivenle bir aşamadan beslediğinde yüksek bir yeniden yapılandırma hatasına sahip olacaktır.

Pratik dağıtımda, anomali eşiği dikkatlice ayarlanmış olmalıdır. Bitki mühendisleri genellikle SPC'nin yanlış pozitifleri azaltmak için sayısal bir işlem kontrolü (SPC) kuralları ve ML-derived anomaly puanlarını kullanır. SPC ve ML entegrasyonu bir tabakalı savunma sağlar: SPC yakalama kademeli değişimleri sağlarken, ML SPC'nin özlediği karmaşık multivariat anomalileri algılar.

Süreç Optimizasyonu İçin Zorlama Öğrenme

Dondurma öğrenme (RL) gerçek zamanlı olarak süreci parametreleri sürekli optimize etmenin bir yolunu sunar. Bir formda, RL ajanı mevcut durumu (örneğin, sıcaklık, tonaj, kalınlık ölçümleri) gözlemleyebilir ve bir aksiyon (örneğin, daha sonra çevre ile boş bir güçlendirici, yeni bir duruma geçiş ve döngü zamanı temelinde bir ödül verir.

Bir meydan okuma örnek verimliliktir: gerçek form işlemleri, sınırlı gerçek dünya araştırmaları ile ilgili on binlerce denemeyi göze alamaz.Procedia CIRP (2022), bir RL aracı önceden dağıtım yapmadan önce, bir kez metal damgalama işlemine göre, aracı iyi bir şekilde geri dönüşüme maruz bıraktı.

Data Acquisition and Preprocessing

Süreçler oluşturmak için herhangi bir ML projesinin başarısı, veri kalitesi ve hacim üzerinde kritiktir. Modern basınlar çeşitli sensörler ile donatılmıştır: ölüler, tuz sensörü verileri akustik emisyonlar için gürültülü, yüksek çözünürlükte ve genellikle eksik.

Özel mühendislik eşit derecede önemlidir. Domain uzmanlığı, konvolutional veya recurrent katmanları gibi elde edilen özellikleri oluşturmak için yardımcı olur, daha fazla veri ve hesaplama kaynağı gerektirir.Bu özellikler genellikle işlem fiziğini çiğ sinyal değerlerinden daha iyi yakalamaya yardımcı olur. Alternatif olarak, derin öğrenme modelleri zaman serisinden otomatik olarak faydalı özellikleri öğrenebilirler.

Gerçek Zamanlı Süreç ML Modelleriyle Kontrol

Bir makine öğrenimi modeli eğitilmiş ve doğrulanmış bir şekilde, basına bir endüstri PC'ye entegre edilmelidir ve ağ bağlantılarına güvenmeyin. Cloud inference ve bulut inference. Edge inference modeli doğrudan birden çok hatlardan oluşan bir mantık kontrol cihazıyla çalışır, ancak geç saatlere ve bağlantı risklerine güven sağlar.

Tipik kapalı bir regresyon modeli aşağıdaki gibi çalışır: Her bir form boyunca, sensör akışları yakalanır ve işlem öncesidir. ML modeli (örneğin, bir araya gelen geri dönüşüm modeli, 10 milisaniye altında bile tutarlı bir şekilde kullanılabilir. Örneğin, sıcak bir şekilde, son tahıl boyutunun 0.1 mm'ye kadar uzatılabilir - bir sonraki vuruş için telafi etmek için geri ödeme işlemine kadar.Bu geri bildirim döngüsü, malzeme özellikleri veya araç takmak için tutarlı bir kaliteyi koruyabilir. Örneğin, sıcak bir ML modeli, son derecesinde bir ayarlanabilir.

Bu tür bir adaptasyon kontrolü dikkatli bir güvenlik sıkışıklığı gerektirir. ML çıktısı, doğrudan değiştirme işlemi parametrelerine zarar verebilecek aşırı ayarlamaları önlemek için sınırlanmalıdır. Ek olarak, bir manuel override, operatörlerin modelin beklenmedik bir şekilde davrandığını kontrol etmesine izin verir: ML sistemi doğrudan bir şekilde danışmanlık modunda çalışır, bina operatörü güven operatörü güven.

Kalite Güvencesi Geliştirilmiş

Süreç kontrolü ötesinde, makine öğrenimi otomatik denetim yoluyla kaliteli güvence geliştirir. Derin öğrenme ile donatılmış makine vizyonu sistemleri yüzey kusurları (scratches, dents, korozyon) ve alt-pikri doğrulukla geometrik boyutları ölçebilir. Convolutional sinir ağları (CNNs) bu alanı genişletir, çünkü yukarıdaki milisaniyeler içinde hierarşik özellikler öğrenirler ve şekillere ulaşırlar (% 99TFLT)

Süreç verileri ile yapılan incelemeler QA'yı daha da güçlendiriyorsa, hafif bir yüzey kusuru tespit edilirse, sistem, kök nedenini tanımlamak için son sensör okumalarıyla ilişkilendirebilir - 2°C düşüşte kalır: Bu geri bildirimler sadece birkaç parça değil aynı zamanda tekrarlayıcılık önleme süreci düzenlemeleri de tetikler.

Tahmin edici Bakım

Tahmin edici bakım, yüksek performanslı makine öğreniminin oluşturulmasında en yüksek teknoloji uygulamalarıdır. Tooling –dies, yumruklar ve kalıplar – binlerce döngüden fazla yorgunluk ve yorgunluk. Planlanmamış araç başarısızlıkları pahalı bir süre ve yanlış parçalar üretebilmeyi tercih eder.

Örneğin, vibrasyon RMS üzerinde eğitilmiş rastgele hayatta kalma ormanı ve bir forling basından gelen artış olasılığı bir sonraki 100 vuruş içinde başarısızlığı tahmin edebilir. Bakım planlayıcıları bu bilgiyi en iyi aralıklarda inceleme ve yeniden şekillendirmek için kullanabilir, felaket molasından 10-20% uzatılabilir. Aynı model aynı model aynı zamanda biromali de kullanılabilir: eğer titreşim imzası öğrenilen yaşlanma modelinden sapmazsa, bu bilgiyi farklı bir başarısızlık modu gösterebilir.

Uygulama Challenges ve En İyi Uygulamaları

Açık faydalara rağmen, prosesler oluşturmak için makine öğrenimi dağıtma engelsiz değildir.ETHFLT:0)Data kullanılabilirlik) birincil bir konudur: birçok çizgi, kapsamlı eğitim verileri toplamak için gerekli olan sensör altyapısından yoksundur. Retrofitting sensörleri, süreçle müdahale etmekten kaçınmaya yardımcı olabilir ve dikkatli bir şekilde planlama gerektirir.

[FONT:0) Model yorumlama kabiliyeti başka bir endişedir. Mühendisler ve bitki yöneticileri bu açıklamaların neden operatör arayüzünün güven oluşturmadan önce belirli bir tahminde bulunduğunu ve model eksperleri (SHapley Katkıları) ve LIME (Local Interpretable Model-agnostic Açıklamalar) test etmek için bu açıklamaları operatör arayüze güven oluşturmalarına ve model hataları teşhis etmeye yardımcı olabilir.

[FONT:0)Değişim yönetimi[Döneticiler) göz ardı edilemez. Yıllar boyunca süreç parametrelerini ayarlayan operatörler, operatörlerin nasıl işlediğini veya reddetmesi gerektiğini açıklayan bir uygulama sunar; sonunda, kontrol edilen kısıtlamalarda nasıl müdahale edileceği ve bir aşamaya müdahale etmek için izin verilir.

Vaka Çalışması: Otomotiv Üretimi

Büyük bir otomotiv OEM, yüksek hızlı bir şekilde gelişmiş bir vücut panellerini üreten bir makine öğrenme sistemi pilotladı. hattın bölme ve ince noktalar nedeniyle 4.2% gradient artış sınıflandırıcı bir şekilde toplanıp toplanan bir ekip, ölüler ve sıcaklık kontrolleri ile birlikte yüksek çözünürlükte bir kontrol cihazı kurdular.

Model, tahmin edilen hata riskine göre askıya alınan % 92'lik hatalı parçalar için bir hatırlatma yaptı ve hattın% 78'lik bir araç ayarlaması ile daha tutarlı parçalara düştüğünü belirtti.The model uses a remember of 92 for false parts for a correct parts of the mistake parts.In the line made to the line made to the line operator.The model tested a back-ups.

Future Yol Tarifi

Sistem öğrenme sürecine yönelik bir sonraki sınır, alan rastgeleleştirme ve transfer teknikleri kullanılarak tamamen otonomi oluşturur. Dijital ikizler - fiziksel çizginin gerçek kopyalarını paylaşmadan çevrimdışı eğitim ve optimizasyona izin verir - simülasyonda eğitilmiş olan Dondurma öğrenme ajanları, alan rastgeleleştirme ve transfer teknikleri kullanılarak gerçek bir çizgiye aktarılacaktır. Ek olarak, beslenme öğrenme ihtiyacının fiziksel denemelere olanak sağlayacaktır.

Başka bir yükselen trend, mevcut bir süreci kontrol etmek yerine, jeneratif adversarial ağ (GANs) veya varyasyon otomatik otomatik kodlayıcılar, yeni bir formasyon işlemine ihtiyaç duyan yeni bir üretim sürecini, örneğin, uygun bir şekilde mekanik özellikleri elde etmek için gereken zamanı, optimal sıcaklığı, oturma zamanı ve baskı profilinü üretebilir.Bu yetenek, araştırma aşamalarında hala, araştırma aşamalarında, yeni bir form oluşturma işlemini üretime zorlama işlemini hızlandırmaya ihtiyaç duyan zamanlarını zorlayabilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi zaten süreç kontrolü ve kalite güvencesi oluşturmak için ölçülebilir bir etki yaratıyor.Viasure sensör verileri ve gelişmiş algoritmaları kullanarak, üreticilerin kusurları tahmin edebilir, gerçek zamanlı olarak parametreleri optimize edebilir, otomatik denetim ve araç başarısızlıklarını tahmin eder. Teknoloji, tutarlılığı artırmak, atıkları azaltmak ve gerekli verileri altyapıya yatırım yapan rekabetçi şirketleri güçlendirmek için harekete geçmeye devam eder.