ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В ПРОМЫШЛЕННОСТИ

АННОТАЦИЯ

Современное состояние промышленности требует от производителей использовать различные ресурсы и технологии, чтобы иметь преимущество перед конкурентами. С текущими техническими реалиями человечество находится на этапе четвертой промышленной революции, основным понятием которой является «Индустрия 4.0». Одним из ключевых компонентов данного термина является искусственный интеллект, для реализации которого используются методы машинного обучения. Однако не всем понятны принципы этих методов и возможности их применения в промышленной среде. Данная статья посвящена краткому обзору некоторых типов машинного обучения и примеров их применения на производстве.

ABSTRACT

The current state of industry requires manufacturers to use various resources and technologies to have an advantage over competitors. With the current technical realities, humanity is at the stage of the fourth industrial revolution, the main concept of which is "Industry 4.0". One of the key components of this term is artificial intelligence, for the implementation of which machine-learning methods are used. However, not everyone understands the principles of these methods and the possibilities of their application in an industrial environment. This article is devoted to a brief overview of some types of machine learning and examples of their application in production.

Ключевые слова: машинное обучение, промышленность, производство, цифровое производство, автоматизация.

Keywords: Machine Learning, industrial machine learning, manufacturing, digital production, automation.

Стремительное внедрение новейших технологий практически во все сферы жизни современного общества привело к глобальным изменениям. Общество уже не раз переживало подобные изменения, каждый виток которых обозначился в истории в качестве промышленных революций. На данный момент, человечество находится на этапе четвертой промышленной революции, для объяснения принципов которой используется понятие «Индустрия 4.0».

«Индустрия 4.0» объединяет в себе множество технологий и методик, такие как киберфизические системы, интернет вещей, дополненная и виртуальная реальность и большие данные. Последняя технология часто используется при применении искусственного интеллекта в различных сферах деятельности человека [1].

Искусственный интеллект, в свою очередь, содержит в себе множество теорий, методик и технологий. Одним из ключевых понятий для данной технологии является машинное обучение (англ. Machine Learning) [2].

Поскольку термин «Индустрия 4.0» неразрывно и главным образом связано с промышленностью, целесообразно рассмотрение примеров применения методов машинного обучения в производстве, как один из принципов автоматизации человеческой деятельности, особенно в области обработки данных и принятия решений.

Машинное обучение — это использование алгоритмов и методов обработки входных данных, с целью построения математической или статистической модели для дальнейшего прогноза или вывода целевых значений рассматриваемого набора данных. Построенные модели как правило используются для решения практических задач.

Перед определением методов машинного обучения и способов их применения, следует определиться с входными данными на производстве и источниками их получения.

В производстве есть множество потенциальных источников информации о реализуемом процессе, начиная от очевидных датчиков и ПЛК, заканчивая нетипичной промышленной информацией, как бизнес-транзакции, результаты RFID-сканирования, геопространственные данные или записи технического обслуживания.

Одним из возможных препятствий для сбора информации может стать разрозненность источников данных. Вариантом получения всех данных производства со всех его этапов (начиная информацией о сырье, заканчивая информацией о готовой продукции) могут стать MES- и ERP-системы, которые являются, фактически, центрами по сбору и обработке информации практически со всех уровней производства [3, 4].

В той или иной мере все эти данные могут использоваться для обучения проектируемой модели машинного обучения, всё зависит от типа и цели поставленной практической задачи, а также от используемого метода её решения.

Традиционно выделяют два способа машинного обучения [5]:

• обучение с учителем (англ. Supervised learning);
• обучение без учителя (самообучение, спонтанное обучение, англ. Unsupervised learning).

Однако, дополнительно в промышленности может использоваться ещё один тип машинного обучения — обучение с частичным привлечением учителя (англ. semi-supervised learning).

Рассмотрим подробнее особенности каждого способа, необходимые условия для построения модели и примеры использования в промышленности.

Обучение с учителем

Для данного типа обучения используются размеченные наборы данных, при которых изначально указывается некоторое целевое значение признака. Алгоритмы для данного способа стремятся обнаружить зависимость между вектором входных данных и вектором выходных данных, каждое значение которого сопоставляется значению из первого набора.

Обучение с учителем используется для решения проблем, которые имеют четко определенные режимы отказа или пороговые значения для отказа. Такое решение может использоваться в качестве прогнозирования прохождения теста детали в конце производственное линии. Например, передавая модели данные из истории предыдущих тестов на вибрацию, шумы или жесткость, модель будет способно определять, пройдет ли деталь или устройство тест ещё до того, как оно действительно достигнет испытательной станции.

Определение вероятности выхода оборудования из строя также может быть решено с применением данного типа машинного обучения: происходит выявление закономерностей между различными параметрами производственных операций, текущим состоянием оборудования и вероятностью его отказа на основе исторических данных о техническом обслуживании рассматриваемого оборудования. Данное решение позволяет соответствующим техническим бригадам и операторам процесса производить ремонт и обслуживание устройств ещё до их выхода из строя или, что хуже, возможного внезапного отказа из-за непредвиденной поломки.

Обучение без учителя

В отличие от обучения с учителем, данный способ использует для обучения неразмеченные данные, то есть без воздействия внешнего участника. Данным способом решаются задачи кластеризации, регрессии или снижения размерности. Хотя данный способ нечасто используется для решения практических задач, поскольку отсутствуют контрольные точки для проверки корректности работы построенной модели, обучение без учителя нашло своё применение в промышленности.

К примеру, данный тип обучения полезно использовать для определения базовой структуры набора данных. Он позволяет проводить анализ сложных взаимодействий между различными параметрами, обеспечивая понимание невидимых тенденций и проблем с конвейером или со всей цепочкой поставок. Этот способ используется для определения факторов, наиболее влияющих на производственный процесс, которые в будущем могут быть использованы для оптимизации распределения персонала, выстраивания иной линии или иных операций, обеспечивающих бесперебойное выполнение процесса.

Другим примером применения данного типа обучения может служить прогнозирование потребления оборудования: на основе исходных данных с используемых машин, модель создаёт шаблоны относительно преобладающего потребления энергии, на основе которых проводится последующий прогноз будущего потребления. Это позволит осуществлять надлежащее планирование потребления энергии.

Обучение с частичным привлечением учителя

Этот тип обучения не так хорошо известен и не так часто используется, как предыдущие два, однако, в некоторых случаях, он оказывается полезным для применения в промышленности. Суть данного способа заключается в одновременном использовании размеченной и неразмеченной частей набора данных. Этот способ можно назвать подвидом обучения с учителем. Обычно он используется, если невозможно, крайне трудоемко или непрактично получить достаточный с точки зрения количества набор размеченных данных, что в реалиях производства является важным вопросом. Модели с частичным привлечением учителя обучаются на комбинации размеченных и неразмеченных данных, причём последних больше, чем первых.

Например, алгоритмы, реализующие данный тип, могут использоваться, если было протестировано лишь часть деталей или устройств (рассмотренный ранее пример при обзоре обучения с учителем). Сравнивая размеченные данные о прохождении тестирования с неразмеченными, модель способна генерировать прогнозы о том, какие ещё непроверенные единицы с наибольшей вероятностью пройдут тест, тем самым снижая риск потери качества без всестороннего тестирования.

Хотя разработка моделей является не самым простым и быстрым решением и требует особого внимания к проектированию исходного набора данных и выборе метода, так как неверно обученная или построенная модель может привести в финансовым издержкам или производственным простоям, использование машинного обучения в производстве может улучшить определённые аспекты производства, ускорить процесс принятия решений и увеличить качество производимой продукции.

Список литературы:

1. Гаврилкович, А. О. Индустрия 4.0: понятие и основные технологии / А. О. Гаврилкович. — Текст : непосредственный // Молодой ученый. — 2022. — № 3 (398). — С. 154-158. [электронный ресурс] — Режим доступа — URL: https://moluch.ru/archive/398/88080/ (дата обращения: 12.01.2023).
2. Корешкова Т. Искусственный интеллект: технологии и применение // Научно-технический центр ФГУП «ГРЧЦ» — 28.12.2020. [электронный ресурс] — Режим доступа — URL: https://rdc.grfc.ru/2020/12/aitech/ (Дата обращения: 12.01.2023).
3. Что такое система управления производством (MES)? // SAP Insights — 2023. [электронный ресурс] — Режим доступа — URL: https://www.sap.com/cis/insights/what-is-mes-manufacturing-execution-system.html (Дата обращения: 12.01.2023).
4. Что такое ERP? // SAP Insights — 2023. [электронный ресурс] — Режим доступа — URL: https://www.sap.com/cis/insights/what-is-erp.html (Дата обращения: 12.01.2023).
5. Машинное обучение // Wikipedia — 2023. [электронный ресурс] —Режим доступа — URL: https://ru.wikipedia.org/wiki/Машинное_обучение#Общая_постановка_задачи_обучения_по_прецедентам (Дата обращения: 12.01.2023).