Въведение в задълбоченото обучение за производство

Преди да навлезем в детайлите на дълбокото обучение за производство, е добре да се отдръпнем и да прегледаме кратка история. Концепциите, оригиналното мислене и физическите изобретения оформят световната икономика и производствената индустрия от началото на модерната епоха, т.е. началото на 18 век.

Идеи за икономии на- мащаб от Адам Смит и Джон Стюарт Мил, първата индустриална революция и машините, задвижвани с пара, електрификацията на фабриките и втората индустриална революция и въвеждането на метода на поточната линия от Хенри Форд са само някои от основните примери за това как търсенето на висока ефективност и повишена производителност винаги е било в основата на производството.

Въпреки това, почти всички от тези изобретения са съсредоточени около извличането на максимална ефективност от хората и машините чрез внимателно манипулиране на законите на механиката и термодинамиката. През последните няколко десетилетия обаче най-големите нови печалби в производството идват от добавянето на концепцията за информация или данни към съществуващия микс.

Добавяне на информация за задълбочено обучение в микса

Движението на суровини, стоки и части е в основата на всяка производствена система. След революцията в компютърните и информационните технологии се разбра, че такова физическо движение може да бъде оптимално ефективно само когато това движение се контролира по прецизен начин, заедно със стотици други подобни движения, контролирани от машина за обработка на информация . Следователно иновативната комбинация от хардуер и софтуер въведе „старите индустрии“ в ерата на интелигентното производство.

Но днес производствените индустрии по света са изправени пред нов проблем, произтичащ от тези системи за обработка на информация. Това е двойният (и свързан) проблем с потоп от данни и информационен взрив.

Тъй като разходите и оперативната сложност на изчисленията и съхранението намаляха с експоненциална скорост (закон на Мур), информационното съдържание, генерирано от работници, машини, контролери, фабрики, складове и логистични машини, експлодира по размер и сложност по такъв начин, че изненада традиционните производствени организации.

Те обаче не са били сами. Дори софтуерните и ИТ организациите, които познават информацията, трябваше да се изправят пред същия проблем през последното десетилетие. Блоговете и публикациите на Google признаха, че сложността на техните софтуерни проекти става неудобна.

Решението?

Иновативните идеи в областта на изкуствения интелект и машинното обучение спасиха много софтуерни организации от удавяне в потопа от данни и им помогнаха да осмислят екзабайтите данни, които трябва да обработват всеки ден.

Въпреки че все още не са в същия мащаб, производствените организации по света също се затоплят към идеята да използват авангардни постижения в тези области, за да подпомогнат и подобрят работата си и да продължат да доставят най-висока стойност на своите клиенти и акционери. Нека да разгледаме няколко интересни примера и практически казуси.

Потенциални приложения на задълбочено обучение в производството

Трябва да се отбележи, че цифровата трансформация и прилагането на техники за моделиране се извършват на арената на производствената индустрия от доста време. Тъй като неефективността измъчва глобалното производство през 60-те и 70-те години, почти всяка голяма организация рационализира и възприема добри практики като Производствената техника на Toyota. Този вид техника разчита на непрекъснато измерване и статистическо моделиране на множество променливи на процеса и характеристики на продукта.

Тъй като измерването и съхранението на такава информация стана цифровизирано, бяха въведени компютри за изграждане на тези прогнозни модели. Това беше предшественикът на днешния модерен дигитален анализ.

Обаче, тъй като експлозията на данни продължава, традиционното статистическо моделиране не може да бъде в крак с такива високомерни, неструктурирани емисии на данни. Именно тук задълбоченото обучение блести ярко, тъй като по своята същност е способно да се справя със силно нелинейни модели на данни и също така ви позволява да откривате функции, които са изключително трудни за забелязване от статистици или моделиращи данни ръчно.

Контрол на качеството в машинното обучение и дълбокото обучение

Машинното обучение като цяло и „дълбокото обучение“ в частност могат значително да подобрят задачите за контрол на качеството в голяма поточна линия. Всъщност, според Forbes, аналитичните и управляваните от машинното обучение процеси и оптимизацията на качеството ще нараснат с 35%, а визуализацията и автоматизацията на процесите са планирани да нараснат с 34%.

Традиционно машините са били ефективни само при откриване на проблеми с качеството с показатели на високо ниво, като тегло или дължина на продукт. Без да харчите цяло състояние за много усъвършенствани системи за компютърно зрение, не беше възможно да откриете фини визуални улики относно проблеми с качеството, докато частите профучават по поточната линия с висока скорост.

Източник на изображението: Pixabay

Дори тогава тези системи за компютърно зрение бяха донякъде ненадеждни и неспособни да мащабират ефективно в домейни на проблемни области. Конкретна подорганизация на голямо производствено предприятие може да има такава система, но не може да бъде „обучена“ да работи с други части на завода, ако това е необходимо.

Архитектурите за „задълбочено обучение“ като конволюционните невронни мрежи са особено готови да поемат от човешките оператори, за да забелязват и откриват визуални улики, показващи проблеми с качеството в промишлени стоки и части в голям процес на сглобяване. Те са много по-мащабируеми от по-старите си аналози, които разчитаха на ръчно изработено инженерство на функции и могат да бъдат обучени и преразположени във всяка секция на производствения завод, от която има нужда . Всичко, което трябва да се случи за преквалификация, е да се обучи системата с подходящи данни за изображения.

Източник на изображение: http://cs231n.github.io/convolutional-networks/ (Станфорд CS 231 клас Github repo)

Мониторинг на процеси и откриване на аномалии

Мониторингът на процеса и откриването на аномалии са необходими за всяко непрекъснато усилие за подобряване на качеството. Всички големи производствени организации го използват широко. Традиционните подходи като диаграмите за статистически контрол на процеса произлизат от прости (понякога погрешни) допускания относно естеството на статистическото разпределение на променливите на процеса.

Въпреки това, тъй като броят на взаимно взаимодействащите променливи се увеличава и все по-голям набор от сензори улавят стационарни и променящи се във времето данни за тези променливи, традиционните подходи не се мащабират с висока точност или надеждност.

Тук моделите на „задълбочено обучение“ могат да помогнат по доста неочакван начин. За откриване на аномалия или отклонение от нормата често се използват техники за намаляване на размерността като PCA (анализ на основните компоненти) от традиционната област на статистическа обработка на сигнали. Човек обаче може да използва статични или вариационни автоенкодери, които са дълбоки невронни мрежи със слоеве, състоящи се от прогресивно намаляващи и нарастващи конволюционни филтри (и обединяване).

Този тип мрежи за кодиране пренебрегват шума и обичайната дисперсия и кодират основните характеристики на сигнал или поток от данни в малък брой битове с висока размерност. Много по-лесно е да се проследят силно кодирани битове, ако те се променят неочаквано, когато се търсят аномалии в непрекъснато работещ процес с голям обем.

Накратко, основният проблем при наблюдението на процесите е нещо, което може да бъде обработено от клона на машинното обучение, известен като неконтролирано машинно обучение. В това отношение автокодерите за „задълбочено обучение“ са мощен набор от инструменти, които можете може да наема.

Тъй като сложността на процеса и свързаните с него Големи данни нарастват без граници, няма съмнение, че конвенционалното статистическо моделиране (което се основава на извадка от данни в малък мащаб) ще отстъпи на такива усъвършенствани техники и модели за машинно обучение .

Тези статии предоставят добър преглед:

Предсказуема поддръжка в Deep Learning

Моделите на „задълбочено обучение“ вече са доказали своята висока ефективност в областта на икономиката и финансовото моделиране, работещи с данни от времеви серии. По същия начин, при предсказуема поддръжка, данните се събират с течение на времето, за да се наблюдава здравото състояние на даден актив с цел намиране на модели за прогнозиране на повреди. Следователно „дълбокото обучение“ може да бъде от значителна помощ за предсказуема поддръжка на сложни машини и свързани системи.

Определянето кога да се извърши поддръжка на оборудването е изключително трудна задача с високи финансови и управленски залози. Всеки път, когато дадена машина бъде изключена за поддръжка, резултатът е намалено производство или дори престой на фабриката. Честите поправки се превръщат в ясни загуби, но рядката поддръжка може да доведе до още по-скъпи повреди и катастрофални промишлени аварии.

Ето защо автоматизираното проектиране на функции на невронни мрежи е от решаващо значение. Традиционните ML алгоритми за предсказуема поддръжка зависят от тясна, специфична за домейн експертиза за ръчно разработване на функции за откриване на проблеми със здравето на машината. Докато невронната мрежа може да изведе тези функции автоматично с достатъчно висококачествени данни за обучение. Следователно е междудомейн и мащабируем.

По-специално, повтарящи се невронни мрежи (RNN) с клетки с дългосрочна краткосрочна памет (LSTM) или затворени повтарящи се единици (GRU ) може да предвиди временно поведение от малък до среден обхват въз основа на минало време за обучение под формата на времеви серии.

Stanford CS 231 Class Github Repo

За щастие, има поток от изследователски дейности върху RNN с цел прилагането им в областта на обработката на естествен език и анализа на текст. Цялото знание в тази област на изследване може да се използва за прилагане в условията на индустриално приложение. Например оптимизираните за изчисление RNN могат да се използват за производствени задачи, при които изчислителното натоварване е сведено до минимум, без да се жертва твърде много силата на прогнозиране. Може да не се представя най-добре за NLP задача, но може да бъде достатъчно мощен за прогнозиране на потенциални проблеми с параметрите за изправност на машината.

Разбира се, човешки експерт ще прегледа прогнозите на система за „задълбочено обучение“, за да реши най-накрая относно работата по поддръжката. Но в интелигентна, свързана фабрика използването на такива машини за прогнозиране заедно с инженери и техници може да спести пари и работна ръка на производствената организация, като в крайна сметка подобрява времето за престой и използването на машината.

Всъщност приемането на машинно обучение и анализи в производството само ще подобри предсказуемата поддръжка. Очаква се прогнозната поддръжка да се увеличи с 38% през следващите пет години според PwC. Тази статия от Microsoft предоставя повече информация по темата:
Дълбоко обучение за предсказуема поддръжка с мрежи с дългосрочна краткосрочна памет

Фабрична оптимизация на въвеждане

Рентабилността на една производствена организация зависи критично от оптимизирането на физическите ресурси, влизащи в производствения процес, както и от поддържането на тези процеси. Например електрическата енергия и водоснабдяването са две ключови фабрични суровини, които могат да се възползват от оптимизацията.

Често се използват сложни оптимизационни процеси и стратегии за максимално използване на тези основни ресурси. С нарастването на размера на фабриката и взаимодействието машина-машина потокът от тези ресурси става неразрешимо сложен за управление с прости предсказуеми алгоритми. Това е моментът, когато в играта трябва да се включат мощни машини за обучение като невронни мрежи.

Системите за „задълбочено обучение“ могат да проследяват модела на потребление на електроенергия като функция на стотици параметри на производствения процес и променливи на дизайна на продукта и могат динамично да препоръчват най-добрите практики за оптимално използване. Ако организацията се движи към възприемане на възобновяема енергия, прогнозите от алгоритми за „задълбочено обучение“ могат да се използват за начертаване на оптималната траектория на преход от зависимост от изкопаеми горива към устойчив енергиен отпечатък. Този вид промяна на парадигмата е трудна за справяне с помощта на класически прогнозен анализ.

Резюме

Интелигентното производство, поддържано от информационни системи, увеличи производителността и качеството на индустриалните организации, големи и малки, от доста десетилетия. В тази интелигентна производствена среда използването на анализи на данни, статистическо моделиране и предсказуеми алгоритми се е увеличило главоломно, тъй като качеството и склонността на машинно генерираните и генерираните от хора данни се подобряват с течение на времето. Индустриалната революция, която започна с поточната линия на Хенри Форд в началото на миналия век, беше подпомогната през 20-ти век от иновациите в автоматизацията, системите за управление, електрониката, сензорите, цифровите изчисления и интернет. Революцията на големите данни на 21-ви век е готова най-накрая да ги изведе на съвсем ново ниво, като отприщи възможности за експоненциален растеж.

За да се възползвате напълно от тази експлозия на данни, „дълбокото обучение“ и свързаните с него техники, подпомагани от AI, трябва да бъдат интегрирани в инструментариума на съвременните производствени системи, тъй като те са експоненциално по-мощни от класическите системи за статистическо обучение и прогнозиране.

Дълбокото обучение е в състояние да се интегрира безпроблемно с амбициозните цели на Индустрия 4.0 — Изключителна автоматизация и цифрова фабрика. Индустрия 4.0 е проектирана около постоянната връзка с информационни сензори, задвижвания, клапани, всички работещи заедно с една обща цел: минимизиране на времето за престой и повишаване на ефективността. Алгоритмичните рамки като дълбока невронна мрежа, която е достатъчно гъвкава, за да работи с различни типове данни, тъй като те се предават непрекъснато, са правилният избор за справяне с този конкретен тип задачи.

Очаква се полученото увеличение на производителността и качеството да надхвърли тясната цел за задоволяване на корпоративната рентабилност. Утрешното интелигентно производство ще обогати живота на милиарди потребители чрез предоставяне на стоки и услуги с високо качество и на достъпна цена. Обществото като цяло трябва да се възползва от подобна промяна на парадигмата

Бъдещето е светло и ние го очакваме с нетърпение.

Първоначално публикувано в https://blog.exxactcorp.com на 24 септември 2019 г.