Ступінь магістра в галузі промислового машинобудування Ступінь магістра в галузі промислового машинобудування УНІВЕРСИТЕТ ВАЛЛАДОЛІДНОГО ЗАКЛЮЧНОГО ПРОЕКТУ МАГІСТРУ З ВИКОРИСТАННЯМ МАШИНИ В ПРОМИСЛІ

завантажити

ДЯКУЄ Педро, моєму репетитору TFM, за його заохочення та пропозиції протягом проекту. Моїй родині та друзям, за всю підтримку, яку я отримав у свій час в університеті.

Загальний покажчик Вступ. 1. Передумови. 1 Мотивація. 2 Завдання. 3 Сфера застосування. 3 Структура пам'яті. 4 1 ПРОМИСЛОВІСТЬ 4.0. 7 1.1. Що таке Індустрія 4.0. 7 1.2. Промислові революції. 8 1.3. Увімкнення технологій. 10 1.3.1. Хмарні обчислення. 10 1.3.2. Інтернет речей. 11 1.3.3. Виробництво добавок. 11 1.3.4. Великі дані. 12 1.3.5. Штучний інтелект. 13 1.3.6. Автономні та спільні роботи. 13 1.3.7. Розширена реальність та віртуальна реальність. 14 1.3.8. Блокчейн. 14 1.4. Розумне середовище. 15 1.4.1. Розумне місто. 16 1.4.2. 1.4.3. Розумна сітка. 16 Розумна фабрика. 17 1.4.4. 1.4.5. Розумна логістика. 17 Розумний споживач. 18 1.5. Сучасний стан оцифрування. 18 1.5.1. Оцифровка в Європі. 18 1.5.2. Оцифровка іспанської промисловості. 21 1.5.3. Основні бар'єри в оцифруванні галузі. 23 2 НАВЧАННЯ МАШИНИ. 27 2.1. Що таке машинне навчання. 27 2.1.1. Попередні концепції. 27 2.1.2. Історія машинного навчання. 30 2.2. Основи машинного навчання. 31 2.2.1. 2.2.2. Навчання. 31 Помилка та проблеми з налаштуванням. 34 2.2.3. Етапи в проекті машинного навчання. 36 2.3. Навчання під контролем. 38 2.3.1. Лінійна регресія. 38 2.3.2. 2.3.3. Поліноміальна регресія. 40 Логістична регресія. 41 2.3.4. Підтримка векторної машини. 43

2.3.5. K-Найближчі сусіди. 44 2.4. Навчання без нагляду. 44 2.4.1. 2.4.2. K-засоби. 45 Аналіз основних компонентів. 46 2.4.3. 2.4.4. Декомпозиція однинного значення. 47 Незалежний аналіз компонентів. 49 2.5. Посилене навчання. 50 2.5.1. Q-навчання. 51 2.5.2. ГРВІ. 52 2.6. Глибоке навчання. 53 2.6.1. Свертові нейронні мережі. 55 2.6.2. Нейронні мережі, що повторюються. 57 2.6.3. Генеративні змагальні мережі. 58 3 ЗАСТОСУВАННЯ МАШИННОГО НАВЧАННЯ В ПРОМИСЛОВОСТІ. 61 3.1. Значення машинного навчання у галузі. 61 3.2. Машинне навчання застосовується у виробництві, виробництві та якості. 63 3.3. Машинне навчання, що застосовується в логістиці. 67 3.4. Машинне навчання, що застосовується в технічному обслуговуванні. 74 3.5. Машинне навчання застосовується в бізнесі. 76 3.6. Машинне навчання, що застосовується в маркетингу та менеджменті клієнтів. 78 3.7. Машинне навчання, застосоване в ергономіці. 82 3.8. Машинне навчання застосовується в безпеці. 85 3.9. Машинне навчання, що застосовується в людських ресурсах. 87 3.10. Обмеження машинного навчання у галузі. 89 ВИСНОВКИ ТА МАЙБУТНІ РЯДКИ. 91 1. Висновки. 91 2. Майбутні рядки. 94 БІБЛІОГРАФІЯ. 95

Використання машинного навчання у промисловості 4.0 5

6 Використання машинного навчання у промисловості 4.0

Рисунок 1. 4. Еволюція I-DESI між 2013 і 2016 роками для різних країн (Європейська комісія, 2018). По-друге, представлені результати DESI 2018, що встановлюють класифікацію серед 28 членів Європейського Союзу, представлених у цьому дослідженні (Рисунок 1.5) Рисунок 1. 5. Результати DESI 2018 для різних країн ЄС (European European, 2018) . Згідно з цим рейтингом, європейськими лідерами з точки зору оцифровки є Данія, Швеція, Фінляндія та Нідерланди. За ними йдуть Люксембург, Ірландія, Великобританія, Бельгія та Естонія. Іспанія посідає десяте місце в рейтингу з 28 проаналізованих держав і є однією з європейських країн, яка досягла найбільшого прогресу за останні чотири роки, поряд з Ірландією та Кіпром. Навпаки, Португалія досягла найменшого прогресу за останній рік, а Румунія продовжує з найнижчим балом у рейтингу (Європейська комісія, 2018). На рисунку 1.6 наведено відносну ефективність Іспанії для кожного з п’яти вимірів. 20 Використання машинного навчання у промисловості 4.0

комплементарність, де автоматизація доповнює завдання працівника, роблячи його більш продуктивним (Blanco, Fontrodona, & Poveda, 2017). Необхідні навички різні, тому низькокваліфіковані фахівці, які виконують прості та повторювані завдання, будуть замінені спеціалістами з програмного забезпечення або мехатроніки. Цікавим аспектом є те, що не тільки автоматизуються повторювані завдання, але завдяки досягненню Штучного інтелекту та вдосконаленої аналітики можна автоматизувати керування транспортними засобами або виконання медичних діагнозів, тому негативний вплив зростає (Blanco, Fontrodona, & Poveda, 2017). Якщо в політиці зайнятості та навчанні не буде нововведень, рівень безробіття зростатиме. Зрештою, цифрова трансформація - це необхідність, але в той же час можливість інвестувати в забезпечений прибуток та підвищити конкурентоспроможність компаній. 26 Використання машинного навчання у промисловості 4.0

Лінійна регресія може бути простою, якщо є лише одна незалежна змінна, або багаторазовою, якщо їх більше одного. Ця модель є швидкою та надійною, але для забезпечення її належного функціонування повинна існувати певна лінійна залежність між входом і виходом (González, 2018). Прикладом простої лінійної регресії є прогнозування кількості парасольок, які будуть продані, виходячи з кількості опадів, виходячи з історії попереднього року (рис. 2. 8). Прикладом множинної лінійної регресії є прогнозування продажу товару на основі грошей, вкладених у телевізійну рекламу та радіорекламу (рис. 2. 9). В останньому випадку, оскільки існує дві незалежні змінні, їх можна представити, регулюючи площину замість прямої. Рисунок 2. 8. Приклад простої лінійної регресії. Прогноз продажу парасольки на основі дощу. Отримано з: https://www.ablebits.com/office-addins-blog/2018/08/01/linear-regression-analysis-excel/ Рисунок 2. 9. Приклад багаторазової лінійної регресії. Прогнозування продажів товару на основі грошей, вкладених у телевізійну рекламу та радіорекламу. Отримано з: https://rpubs.com/joaquin_ar/226291 Використання машинного навчання у промисловості 4.0 39

Цей алгоритм дуже корисний при стисненні зображення, де кожен піксель відповідає змінній. На прикладі рисунку 2.17 мета полягає в тому, щоб зберегти інформацію про пікселі, що містять мітку, яку слід передбачити, так що всі пікселі, що не містять котів, є марними. Час обчислення нейронної мережі, яка працює з зображеннями, значно скорочується завдяки PCA як етапу попередньої обробки (Chandupatla, 2019). Рисунок 2. 17. Приклад застосування PCA (Chandupatla, 2019). 2.4.3. Декомпозиція сингулярних значень У лінійній алгебрі декомпозиція сингулярних значень (SVD) - це метод факторингу реальної або складної матриці, що використовується для зменшення розмірності. Він заснований на принципі розкладання векторів по їх ортогональних осях (рис. 2.18), так що будь-який вектор a можна виразити двома змінними: одиничним вектором, який вказує напрямок проекції (vi) та довжиною проекції ( так ай). У SVD цей висновок поширюється на багато векторів і у всіх вимірах (Абдуллатіф, 2019). Малюнок 2. 18. Розкладання вектора по двох ортогональних осях (Абдуллатіф, 2019). Використання машинного навчання у промисловості 4.0 47

Після обчислення лінійної комбінації ваг та входів застосовується функція активації (), метою якої є спотворення вихідного сигналу (y), тобто зробити його нелінійним, щоб мережа могла вирішувати нелінійні задачі (рівняння 2.20) (Вільянуева, 2019). (2.20) Деякі з найбільш використовуваних функцій активації в нейронних мережах - це ступінчаста функція, сигмоїдна функція, лінійна випрямляча функція та гіперболічна дотична функція (Рисунок 2.23) (Вільянуева, 2019). Малюнок 2. 23. Найчастіше використовувані функції активації (Villanueva, 2019). Схематичне зображення нейрона показано на малюнку 2. 24. Рисунок 2. 24. Схематичне зображення нейрона. Отримано з: https://naukas.com/2015/12/09/acertando-quinielas-redes-neuronales/ 54 Використання машинного навчання у промисловості 4.0

60 Використання машинного навчання у промисловості 4.0

його використання поширюється на будь-яку ситуацію або процес, коли потрібно визначити тенденції, зробити прогнози, виявити аномалії тощо. Згідно з дослідженням Smart Industry 4.0, проведеним (everis Spain, 2018), лише 8% компаній мали промислові програми, пов’язані з великими даними та штучним інтелектом у 2018 році (рис. 3.1). Малюнок 3. 1. Найсучасніші парадигми в даний час у компаніях (everis Іспанія, 2018). Однак компанії усвідомлюють кількість даних, доступних у їхніх процесах, і тому 15% компаній виявляють великий інтерес зосередити свої зусилля та інвестиції на цих технологіях (рис. 3.2). Малюнок 3. 2. Технології, в які компанії будуть інвестувати більше в найближчі роки (everis Іспанія, 2018). 62 Використання машинного навчання у промисловості 4.0

Тепла і маси, а також хімічних реакцій процесу, характер досліджуваних змінних надзвичайно нелінійний. При лазерному різанні металу (Tsai, Li, & Chen, 2008) пропонується поєднання нейронних мереж та генетичних алгоритмів для пошуку оптимальних значень струму, частоти та швидкості різання процесу відповідно до бажаної якості. У процесі токарної обробки сталі (Pontes, de Paiva, Belestrassi, Ferreira та da Silva, 2012) отримують модель нейронної мережі на основі радіального для прогнозування середньої шорсткості. (Çaydas & Hasçalik, 2008) провели аналогічне дослідження, застосовуване для різання струменем води, поєднуючи нейронні мережі з регресійними моделями для прогнозування шорсткості поверхні на основі швидкості струменя, тиску та відстані нанесення; де тиск виявився найбільш значущим параметром. Комп’ютерний зір є широко використовуваною науковою дисципліною в промисловості, оскільки дозволяє роботам виконувати такі завдання, як контроль якості та перевірка та розпізнавання об’єктів. Системи зору також використовуються для визначення положення та орієнтації об’єктів, щоб робот міг ними маніпулювати. Однак на камери, які зазвичай використовуються для цієї мети, сильно впливає світло від промислового середовища. У роботі (Pinto, Rocha та Moreira, 2013) описано рішення, засноване на 2D-лазерному далекомірі (Laser Range Finder, LRF), яке створює тривимірне зображення у градаціях сірого на основі відстані до об’єкта. Потім алгоритми машинного навчання використовуються для розпізнавання та класифікації об’єктів. Нарешті, робота-рука спрямовується до об’єкта і транспортує його у відповідне місце (рис. 3.3). Дослідження порівнює результати трьох алгоритмів: KNN, SVM та нейронних мереж; будучи SVM, який найкраще узагальнює. Цю систему можна використовувати для розташування предметів на обробних верстатах або транспортних елементах, таким чином зменшуючи ручну працю. Рисунок 3. 3. Дослідницький сканер для маніпулювання об’єктами зі штучним зором (Pinto, Rocha та Moreira, 2013) 64 Використання машинного навчання у промисловості 4.0

зварювання. Розміщуючи мікрофон там, де здійснюється зварювання, отримують спектрограму дугового звуку, яка служить тренуванням для моделі (рис. 3.5). Рисунок 3. 5. Порівняння між спектрограмою, пов’язаною з хорошим зварним швом (зверху), та спектром, пов’язаним із надлишковим дефектом зварного шва (знизу) (Sumesh, Rameshkumar, Mohandas, & Shyam Babu, 2015) Інше дослідження (Mirapeix, García-Allende, Cobo, Conde, & López-Higuera, 2007) використовує спектроскопічний аналіз спектру плазми, що утворюється під час зварювання, для контролю якості зварного шва. Оцінка електронного температурного профілю забезпечує кореляцію між спектром плазми та якістю процесу (рис. 3.6). Автоматичне виявлення дефекту та його відповідна класифікація досягається застосуванням аналізу основних компонентів (PCA) для стиснення інформації про спектр та полегшення обробки, а потім нейронної мережі, яка сама виконує виявлення та класифікацію. Рисунок 3. 6. Порівняння виходів нейронної мережі для хорошого зварного шва (ліворуч) і поганого зварного шва (праворуч) (Mirapeix, García-Allende, Cobo, Conde, & López-Higuera, 2007) 66 Використання машинного навчання в галузі 4.0

Рисунок 3. 12. Системи з NPL для підтримки на складі (Gesing, Peterson, & Michelsen, 2018) Склади включають автономні роботи (такі як AGV, автоматизовані керовані транспортні засоби) та роботів, що працюють спільно, щоб люди могли присвятити себе завданням більших масштабів. додану вартість. GreyOrange - це компанія з автоматизації та робототехніки, яка розробила програмне забезпечення під назвою GreyMatter як доповнення до WMS. GreyMatter використовує машинне навчання, щоб змусити AGV співпрацювати в режимі реального часу та оптимізувати як поїздки, так і швидкість. Крім того, це забезпечує їм механізм самонавчання, щоб вони вдосконалювали свої здібності досвідом. Наприклад, AGV можуть змінювати положення найпопулярніших продуктів, щоб наблизити їх до точки збору і, таким чином, зменшити переміщення (Рисунок 3.13) (Gesing, Peterson, & Michelsen, 2018; GreyOrange, 2019). Рисунок 3. 13. Використання AGV в управлінні складами з GreyMatter (GreyOrange, 2019) Ця сама система управління складами використовується в логістичних центрах Amazon, таких як Castellbisbal, який є першим роботизованим складом в Іспанії. Полки з продуктами називаються стручками, а АГВ, що їх переміщують, називаються приводами. Кожен робот може нести до 1300 кілограмів через робочу поверхню, відому як Робототехнічне Поле. Триста п'ятдесят приводів і дві тисячі стручків працюють на цьому складі зі швидкістю менше двох метрів в секунду. Продукція доставляється операторам складу для підготовки замовлень (рис. 3.14). Зокрема, від того, як людина купує товар, до замовлення готове, проходить лише п’ятнадцять-сімдесят хвилин. Крім того, відсутність коридорів збільшує використання простору на 50% (Лопес, 2017). Використання машинного навчання у промисловості 4.0 71

Малюнок 3. 21. Перець-датчики (Kumar & Gelin, 2018) Tally - це робот, розроблений Simbe Robotics, який, на відміну від Pepper, відповідає за моніторинг запасів та ціни на товари в магазинах. Вбудована система штучного зору виявляє вільні місця на полицях, видає наказ про заміну працівникам та надає пріоритети попередженням. Він також визначає неправильно поставлені або неправильно оцінені товари (рис. 3.22). Це покращує взаємодію з клієнтами, забезпечуючи існування продуктів у будь-який час (Simbe Robotics, 2019; Underwood, 2019). Малюнок 3. 22. Підрахунок кількості запасів у супермаркеті. Відновлено з: https://www.upi.com/top_news/us/2017/08/07/tally-the-robot-could-be-the-stock-boy-of-thefuture/1161502148250/ Lowe s є дистриб'ютором продуктів для благоустрою будинку, будівництва та саморобних робіт, які за співпраці Fellow Robots створили LoweBot (Gesing, Peterson та Michelsen, 2018). Цей робот є комбінацією попередніх двох, оскільки, крім контролю існування товарів у магазині, він взаємодіє з покупцями (у різних 80 Використання машинного навчання у промисловості 4.0