Gépi tanulás alkalmazási lehetőségei hibadetektálásra belsőégésű motorok összeszerelésénél

Authors

  • Balázs Szűcs

Keywords:

gépi tanulás, mesterséges intelligencia, neurális hálózatok, belsőégésű motor, hibadetektálás, digitalizáció, Big Data, ipar 4.0, gyártás, gyártásoptimalizálás, minőségbiztosítás

Abstract

Az Ipar 4.0 terjedésének köszönhetően a gyártásban is egyre nagyobb hangsúly kerül a gépi tanulásra. Az iparban előállított adathalmaz kiváló kiindulási alapot biztosít a berendezések és termékjellemzők vizsgálatára, nem ismert összefüggések feltárásra. A tanulmányban példákon keresztül bemutatásra kerülnek a gépi tanulás algoritmusok lehetséges felhasználási módjai, valamint egy hibadetektálási eljárás, melynek következtében a szerelősori kihozatal növelhető, a kritikus szerelési hibák elkerülhetőek. A belsőégésű motorok főtengelyeinek átforgatási nyomaték méréseit gépi tanulással elemezve nem ismert összefüggések kerültek feltárásra, melyek alapján a szerelési folyamat korai szakaszában detektálható az idegen anyag a csapágyakon és a főtengelycsapokon, így elkerülhetőek az utómunka miatt feleslegessé váló további műveletek.

References

[1] Travis E, Oliphant. (2006), A guide to NumPy, USA: Trelgol Publishing, http://web.mit.edu/dvp/Public/numpybook.pdf
[2] Wes Mckinney (2011), pandas: a Foundational Python Library for Data Analysis and Statistics, https://www.scribd.com/doc/71048089/pandas-a-Foundational-Python-Library-for-Data-Analysis-and-Statistics
[3] Hunter et al (2007), Matplotlib: A 2D graphics environment, Computing in Science & Engineering, Volume 9, Number 3, 90-95, https://ieeexplore.ieee.org/document/4160265
[4] Pedregosa et al. (2011). Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825-2830, https://dl.acm.org/citation.cfm?id=1953048.2078195
[5] Martín et al. (2015), TensorFlow: Large-scale machine learning on heterogeneous systems, https://arxiv.org/abs/1603.04467
[6] Hadley Wickham (2014). Tidy Data, Journal of Statistical Software, Volume 59, Issue 10., https://www.jstatsoft.org/article/view/v059i10/v59i10.pdf
[7] Vafaei, Nazanin & Ribeiro, Rita & Camarinha-Matos, Luis. (2015). Importance of Data Normalization in Decision Making: case study with TOPSIS method., https://www.researchgate.net/publication/304539326_Importance_of_Data_Normalization_in_Decision_Making_case_study_with_TOPSIS_method
[8] S. B. Kotsiantis, D. Kanellopoulos and P. E. Pintelas (2006), Data Preprocessing for Supervised Leaning, INTERNATIONAL JOURNAL OF COMPUTER SCIENCE VOLUME 1 NUMBER 1 2006 ISSN 1306-4428, https://www.researchgate.net/publication/228084519_Data_Preprocessing_for_Supervised_Learning
[9] David Arthur, Sergei Vassilvitskii (2007), k-means++: The Advantages of Careful Seeding, Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, Society for Industrial and Applied Mathematics, https://theory.stanford.edu/~sergei/papers/kMeansPP-soda.pdf
[10] Pearson, K. (1901). „On Lines and Planes of Closest Fit to Systems of Points in Space” . Philosophical Magazine 2 (11), 559–572. , http://pca.narod.ru/pearson1901.pdf
[11] McLachlan, G. J. (2004). Discriminant Analysis and Statistical Pattern Recognition. Wiley Interscience. ISBN 0-471-69115-1. MR 1190469., https://pdfs.semanticscholar.org/20ce/95262aa2781c2c3127ca77f18afece3c8f69.pdf
[12] Ester, Martin; Kriegel, Hans-Peter; Sander, Jörg; Xu, Xiaowei (1996). Simoudis, Evangelos; Han, Jiawei; Fayyad, Usama M., eds. A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). AAAI Press. pp. 226–231. https://www.aaai.org/Papers/KDD/1996/KDD96-037.pdf
[13] P Malhotra, L Vig, G Shroff, P Agarwal (2015), Long Short Term Memory Networks for Anomaly Detection in Time Series, ESANN 2015 proceedings, European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. Bruges (Belgium), 22-24 April 2015, i6doc.com publ., ISBN 978-287587014-8. Available from http://www.i6doc.com/en/
[14] Sepp Hochreiter; Jürgen Schmidhuber (1997). "Long short-term memory". Neural Computation. 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735. PMID 9377276, http://europepmc.org/abstract/MED/9377276
[15] Bengio, Y., Simard, P., and Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult, IEEE Transactions on Neural Networks,5(2), 157–166., http://ai.dinfo.unifi.it/paolo/ps/tnn-94-gradient.pdf

Downloads

Published

2019-07-06

Issue

Vol. 2 No. 2 (2019): Bánki Közlemények Autumn/Winter (2019)

Section

Manufacturing Technology (Gyártástechnológia)

License

Bánki Közlemények is loyal to open access for academic work. All the original articles and review papers published in this journal are free to access immediately from the date of publication. We don’t charge any fees for any reader to download articles and reviews for their own scholarly use.

The Bánki Közlemények also operates under the Creative Commons Licence CC-BY-NC-ND. This allows for the reproduction of articles, free of charge, for non-commercial use only and with the appropriate citation information. All authors publishing with the Bánki Közlemények accept these as the terms of publication.