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

Section

Manufacturing Technology (Gyártástechnológia)