Giới thiệu về Deep Learning trong lĩnh vực sản xuất
Trước khi đi vào chi tiết chủ đề deep learning cho sản xuất, có lẽ nên nhìn lại một tí về lịch sử. Các khái niệm, tư duy ban đầu và các phát minh vật lý đã và đang định hình nền kinh tế và ngành công nghiệp sản xuất trên thế giới kể từ đầu kỷ nguyên hiện đại, tức là đầu thế kỷ 18.
Ý tưởng của các nền kinh tế-of – quy mô bởi những người như Adam Smith và John Stuart Mill, cuộc cách mạng công nghiệp đầu tiên và máy chạy bằng hơi nước, điện khí hóa các nhà máy và cách mạng công nghiệp lần thứ hai, và sự ra đời của phương pháp dây chuyền lắp ráp bởi Henry Ford, đó chỉ là một số ví dụ điển hình về cách tìm kiếm tính hiệu quả cao và nâng cao năng suất và chúng luôn là tâm điểm của ngành sản xuất.
Tuy vậy, hầu hết tất cả các phát minh này tập trung vào việc khai thác hiệu quả tối đa từ con người và máy móc bằng cách thao tác cẩn thận các định luật cơ học và nhiệt động lực học . Tuy nhiên, trong vài thập kỷ qua, những thành tựu mới lớn nhất trong sản xuất đã đến từ việc thêm khái niệm thông tin hoặc dữ liệu vào hỗn hợp hiện có.
Thêm dữ liệu deep learning vào hỗn hợp
Sự di chuyển của nguyên liệu thô, hàng hóa và các bộ phận là trung tâm của bất kỳ hệ thống sản xuất nào. Sau cuộc cách mạng về điện toán và công nghệ thông tin, người ta nhận ra rằng chuyển động vật lý đó chỉ có thể có hiệu quả tối ưu khi chuyển động đó được kiểm soát một cách chính xác, kết hợp với hàng trăm chuyển động tương tự khác, được giám sát bởi một công cụ xử lý thông tin. Do đó, sự kết hợp sáng tạo giữa phần cứng và phần mềm đã đưa các ngành công nghiệp cũ vào thời kỳ sản xuất thông minh.
Nhưng, ngày nay các ngành công nghiệp sản xuất trên toàn thế giới đang phải đối mặt với một vấn đề mới xuất phát từ chính những hệ thống xử lý thông tin đó. Đây là vấn đề kép (và có liên quan) về sự bùng nổ dữ liệu và thông tin .
Khi chi phí và độ phức tạp hoạt động của máy tính và lưu trữ giảm với tốc độ theo cấp số nhân (luật Moore), nội dung thông tin được tạo ra bởi công nhân, máy móc, bộ điều khiển, nhà máy, kho, và máy móc hậu cần bùng nổ về kích thước và độ phức tạp theo cách đó, nó làm các tổ chức sản xuất truyền thống ngạc nhiên.
Tuy nhiên, họ không đơn độc. Ngay cả các phần mềm am hiểu thông tin và các tổ chức CNTT đã phải đối mặt với vấn đề tương tự trong thập kỷ qua hoặc lâu hơn. Các blog và ấn phẩm của Google đã thừa nhận rằng sự phức tạp của các dự án phần mềm của họ đang trở nên khó sử dụng.
Giải pháp?
Những ý tưởng sáng tạo trong lĩnh vực trí tuệ nhân tạo và machine learning đã giải cứu nhiều tổ chức phần mềm khỏi bị chìm trong dữ liệu và đã giúp họ hiểu được exabyte dữ liệu mà họ cần xử lý hàng ngày.
Mặc dù không ở cùng một quy mô, các tổ chức sản xuất trên khắp thế giới cũng đang nóng lên ý tưởng sử dụng những tiến bộ tiên tiến trong các lĩnh vực này để hỗ trợ và tăng cường hoạt động của họ và tiếp tục mang lại giá trị cao nhất cho khách hàng và cổ đông của họ. Hãy xem xét một vài ví dụ thú vị và trường hợp thực tế.
>>> Xem thêm: ram hpe 32gb
Các ứng dụng tiềm năng của Deep learning trong sản xuất
Cần lưu ý rằng chuyển đổi kỹ thuật số và ứng dụng các kỹ thuật mô hình hóa đã diễn ra trong lĩnh vực công nghiệp sản xuất trong một thời gian khá dài. Khi sự thiếu hiệu quả làm ảnh hưởng đến sản xuất toàn cầu trong thập niên 60 và 70, hầu hết mọi tổ chức lớn đều sắp xếp hợp lý và áp dụng các thực tiễn tốt như Kỹ thuật sản xuất của Toyota . Loại kỹ thuật này dựa trên mô hình đo lường và thống kê liên tục của vô số biến quy trình và tính năng sản phẩm.
Khi việc đo lường và lưu trữ thông tin đó trở nên số hóa, các máy tính đã được đưa vào để xây dựng các mô hình dự đoán đó. Đây là tiền thân của phân tích kỹ thuật số hiện đại ngày nay.
Tuy nhiên, khi sự bùng nổ dữ liệu tiếp tục, mô hình thống kê truyền thống không thể theo kịp với nguồn cấp dữ liệu không có cấu trúc, chiều cao như vậy . Ở đây, việc deep learning tỏa sáng vì nó vốn có khả năng xử lý các mẫu dữ liệu phi tuyến tính cao và cũng cho phép bạn khám phá các tính năng cực kỳ khó được phát hiện bởi các nhà thống kê hoặc người lập mô hình dữ liệu.
Kiểm soát chất lượng trong machine learning và deep learning
Machine learning, nói chung và deep learning , nói riêng, có thể cải thiện đáng kể các nhiệm vụ kiểm soát chất lượng trong một dây chuyền lắp ráp lớn. Trên thực tế, phân tích và quy trình dựa trên ML và tối ưu hóa chất lượng được dự đoán sẽ tăng 35% và quá trình trực quan hóa và tự động hóa dự kiến sẽ tăng 34%, theo Forbes.
Theo truyền thống, máy móc chỉ có hiệu quả trong việc phát hiện các vấn đề về chất lượng với các số liệu cấp cao như trọng lượng hoặc chiều dài của sản phẩm. Không tốn nhiều tiền vào các hệ thống thị giác máy tính rất tinh vi , không thể phát hiện ra manh mối trực quan tinh tế về các vấn đề chất lượng trong khi các bộ phận phát ra từ dây chuyền lắp ráp ở tốc độ cao.
Ngay cả sau đó, các hệ thống thị giác máy tính đó có phần không đáng tin cậy và không thể mở rộng hiệu quả trên các lĩnh vực thuộc khu vực có vấn đề. Một tổ chức phụ cụ thể của một nhà máy sản xuất lớn có thể có một hệ thống như vậy nhưng nó không thể được ‘đào tạo’ để làm việc với các bộ phận khác của nhà máy nếu cần thiết.
Các kiến trúc deep learning như lưới thần kinh tích chập đặc biệt sẵn sàng tiếp quản từ các nhà khai thác của con người để phát hiện và phát hiện các manh mối trực quan cho thấy vấn đề chất lượng trong hàng hóa và các bộ phận sản xuất trong một quy trình lắp ráp lớn. Chúng có khả năng mở rộng hơn nhiều so với các đối tác cũ, dựa trên kỹ thuật tính năng thủ công, và có thể được đào tạo và triển khai lại trong bất kỳ phần nào của nhà máy sản xuất cần chúng. Tất cả những gì cần phải xảy ra để đào tạo lại là đào tạo hệ thống với dữ liệu hình ảnh liên quan.
>>> Xem thêm: linh kiện máy chủ chính hãng
Giám sát quá trình và phát hiện bất thường
Giám sát quá trình và phát hiện bất thường là cần thiết cho bất kỳ nỗ lực cải tiến chất lượng liên tục. Tất cả các tổ chức sản xuất lớn sử dụng nó rộng rãi. Các cách tiếp cận truyền thống như biểu đồ SPC (Kiểm soát quá trình thống kê) xuất phát từ các giả định đơn giản (đôi khi sai) về bản chất của phân phối thống kê của các biến quy trình.
Tuy nhiên, khi số lượng các biến tương tác lẫn nhau tăng lên và một loạt các cảm biến ngày càng tăng lấy dữ liệu tĩnh và thay đổi theo thời gian về các biến này, các phương pháp truyền thống không mở rộng với độ chính xác hoặc độ tin cậy cao.
Đây là nơi các mô hình deep learning có thể giúp đỡ một cách khá bất ngờ. Để phát hiện sự bất thường hoặc rời khỏi định mức, thường các kỹ thuật giảm kích thước như PCA (Phân tích thành phần chính) được sử dụng từ miền xử lý tín hiệu thống kê truyền thống. Tuy nhiên, người ta có thể sử dụng Autoencoder tĩnh hoặc đa dạng , đó là các mạng thần kinh sâu với các lớp bao gồm giảm dần và tăng các bộ lọc chập (và gộp).
Các loại mạng mã hóa này nhìn qua nhiễu và phương sai thông thường và mã hóa các tính năng thiết yếu của tín hiệu hoặc kho dữ liệu trong một số lượng nhỏ các bit chiều cao . Việc theo dõi các bit được mã hóa cao sẽ dễ dàng hơn nhiều nếu chúng thay đổi bất ngờ khi một người tìm kiếm sự bất thường trong một quy trình có khối lượng lớn, chạy liên tục.
Tóm lại, vấn đề trung tâm của giám sát quá trình là một vấn đề có thể được xử lý bởi nhánh machine learning được gọi là machine learning không giám sát. Về mặt này, bộ điều khiển tự động deep learning là một bộ công cụ mạnh mẽ mà bạn có thể sử dụng.
Khi độ phức tạp của quy trình và Dữ liệu lớn liên quan tăng lên không giới hạn, không còn nghi ngờ gì nữa, mô hình thống kê thông thường (dựa trên việc lấy mẫu dữ liệu quy mô nhỏ), sẽ cho ra các kỹ thuật và mô hình ML tiên tiến như vậy.
Công ty cổ phần thương mại Máy Chủ Hà Nội
- Trụ sở Hà Nội: Tầng 1,2,4 - Tòa nhà PmaxLand số 32 ngõ 133 Thái Hà - Q. Đống Đa
Hotline mua hàng Hà Nội: 0979 83 84 84 Điện thoai: 024 6296 6644
- CN Hồ Chí Minh: Lầu 1- Tòa nhà 666/46/29 Đường 3/2- Phường 14 - Quận 10
Hotline mua hàng Hồ Chí Minh: 0945 92 96 96 Điện thoai: 028 2244 9399
- Email: [url=mailto:hotro@maychuhanoi.vn]hotro@maychuhanoi.vn[/url]
- website: https://maychuhanoi.vn/
- facebook: https://www.facebook.com/maychuhanoi
Trước khi đi vào chi tiết chủ đề deep learning cho sản xuất, có lẽ nên nhìn lại một tí về lịch sử. Các khái niệm, tư duy ban đầu và các phát minh vật lý đã và đang định hình nền kinh tế và ngành công nghiệp sản xuất trên thế giới kể từ đầu kỷ nguyên hiện đại, tức là đầu thế kỷ 18.
Ý tưởng của các nền kinh tế-of – quy mô bởi những người như Adam Smith và John Stuart Mill, cuộc cách mạng công nghiệp đầu tiên và máy chạy bằng hơi nước, điện khí hóa các nhà máy và cách mạng công nghiệp lần thứ hai, và sự ra đời của phương pháp dây chuyền lắp ráp bởi Henry Ford, đó chỉ là một số ví dụ điển hình về cách tìm kiếm tính hiệu quả cao và nâng cao năng suất và chúng luôn là tâm điểm của ngành sản xuất.
Tuy vậy, hầu hết tất cả các phát minh này tập trung vào việc khai thác hiệu quả tối đa từ con người và máy móc bằng cách thao tác cẩn thận các định luật cơ học và nhiệt động lực học . Tuy nhiên, trong vài thập kỷ qua, những thành tựu mới lớn nhất trong sản xuất đã đến từ việc thêm khái niệm thông tin hoặc dữ liệu vào hỗn hợp hiện có.
Thêm dữ liệu deep learning vào hỗn hợp
Sự di chuyển của nguyên liệu thô, hàng hóa và các bộ phận là trung tâm của bất kỳ hệ thống sản xuất nào. Sau cuộc cách mạng về điện toán và công nghệ thông tin, người ta nhận ra rằng chuyển động vật lý đó chỉ có thể có hiệu quả tối ưu khi chuyển động đó được kiểm soát một cách chính xác, kết hợp với hàng trăm chuyển động tương tự khác, được giám sát bởi một công cụ xử lý thông tin. Do đó, sự kết hợp sáng tạo giữa phần cứng và phần mềm đã đưa các ngành công nghiệp cũ vào thời kỳ sản xuất thông minh.
Nhưng, ngày nay các ngành công nghiệp sản xuất trên toàn thế giới đang phải đối mặt với một vấn đề mới xuất phát từ chính những hệ thống xử lý thông tin đó. Đây là vấn đề kép (và có liên quan) về sự bùng nổ dữ liệu và thông tin .
Khi chi phí và độ phức tạp hoạt động của máy tính và lưu trữ giảm với tốc độ theo cấp số nhân (luật Moore), nội dung thông tin được tạo ra bởi công nhân, máy móc, bộ điều khiển, nhà máy, kho, và máy móc hậu cần bùng nổ về kích thước và độ phức tạp theo cách đó, nó làm các tổ chức sản xuất truyền thống ngạc nhiên.
Tuy nhiên, họ không đơn độc. Ngay cả các phần mềm am hiểu thông tin và các tổ chức CNTT đã phải đối mặt với vấn đề tương tự trong thập kỷ qua hoặc lâu hơn. Các blog và ấn phẩm của Google đã thừa nhận rằng sự phức tạp của các dự án phần mềm của họ đang trở nên khó sử dụng.
Giải pháp?
Những ý tưởng sáng tạo trong lĩnh vực trí tuệ nhân tạo và machine learning đã giải cứu nhiều tổ chức phần mềm khỏi bị chìm trong dữ liệu và đã giúp họ hiểu được exabyte dữ liệu mà họ cần xử lý hàng ngày.
Mặc dù không ở cùng một quy mô, các tổ chức sản xuất trên khắp thế giới cũng đang nóng lên ý tưởng sử dụng những tiến bộ tiên tiến trong các lĩnh vực này để hỗ trợ và tăng cường hoạt động của họ và tiếp tục mang lại giá trị cao nhất cho khách hàng và cổ đông của họ. Hãy xem xét một vài ví dụ thú vị và trường hợp thực tế.
>>> Xem thêm: ram hpe 32gb
Các ứng dụng tiềm năng của Deep learning trong sản xuất
Cần lưu ý rằng chuyển đổi kỹ thuật số và ứng dụng các kỹ thuật mô hình hóa đã diễn ra trong lĩnh vực công nghiệp sản xuất trong một thời gian khá dài. Khi sự thiếu hiệu quả làm ảnh hưởng đến sản xuất toàn cầu trong thập niên 60 và 70, hầu hết mọi tổ chức lớn đều sắp xếp hợp lý và áp dụng các thực tiễn tốt như Kỹ thuật sản xuất của Toyota . Loại kỹ thuật này dựa trên mô hình đo lường và thống kê liên tục của vô số biến quy trình và tính năng sản phẩm.
Khi việc đo lường và lưu trữ thông tin đó trở nên số hóa, các máy tính đã được đưa vào để xây dựng các mô hình dự đoán đó. Đây là tiền thân của phân tích kỹ thuật số hiện đại ngày nay.
Tuy nhiên, khi sự bùng nổ dữ liệu tiếp tục, mô hình thống kê truyền thống không thể theo kịp với nguồn cấp dữ liệu không có cấu trúc, chiều cao như vậy . Ở đây, việc deep learning tỏa sáng vì nó vốn có khả năng xử lý các mẫu dữ liệu phi tuyến tính cao và cũng cho phép bạn khám phá các tính năng cực kỳ khó được phát hiện bởi các nhà thống kê hoặc người lập mô hình dữ liệu.
Kiểm soát chất lượng trong machine learning và deep learning
Machine learning, nói chung và deep learning , nói riêng, có thể cải thiện đáng kể các nhiệm vụ kiểm soát chất lượng trong một dây chuyền lắp ráp lớn. Trên thực tế, phân tích và quy trình dựa trên ML và tối ưu hóa chất lượng được dự đoán sẽ tăng 35% và quá trình trực quan hóa và tự động hóa dự kiến sẽ tăng 34%, theo Forbes.
Theo truyền thống, máy móc chỉ có hiệu quả trong việc phát hiện các vấn đề về chất lượng với các số liệu cấp cao như trọng lượng hoặc chiều dài của sản phẩm. Không tốn nhiều tiền vào các hệ thống thị giác máy tính rất tinh vi , không thể phát hiện ra manh mối trực quan tinh tế về các vấn đề chất lượng trong khi các bộ phận phát ra từ dây chuyền lắp ráp ở tốc độ cao.
Ngay cả sau đó, các hệ thống thị giác máy tính đó có phần không đáng tin cậy và không thể mở rộng hiệu quả trên các lĩnh vực thuộc khu vực có vấn đề. Một tổ chức phụ cụ thể của một nhà máy sản xuất lớn có thể có một hệ thống như vậy nhưng nó không thể được ‘đào tạo’ để làm việc với các bộ phận khác của nhà máy nếu cần thiết.
Các kiến trúc deep learning như lưới thần kinh tích chập đặc biệt sẵn sàng tiếp quản từ các nhà khai thác của con người để phát hiện và phát hiện các manh mối trực quan cho thấy vấn đề chất lượng trong hàng hóa và các bộ phận sản xuất trong một quy trình lắp ráp lớn. Chúng có khả năng mở rộng hơn nhiều so với các đối tác cũ, dựa trên kỹ thuật tính năng thủ công, và có thể được đào tạo và triển khai lại trong bất kỳ phần nào của nhà máy sản xuất cần chúng. Tất cả những gì cần phải xảy ra để đào tạo lại là đào tạo hệ thống với dữ liệu hình ảnh liên quan.
>>> Xem thêm: linh kiện máy chủ chính hãng
Giám sát quá trình và phát hiện bất thường
Giám sát quá trình và phát hiện bất thường là cần thiết cho bất kỳ nỗ lực cải tiến chất lượng liên tục. Tất cả các tổ chức sản xuất lớn sử dụng nó rộng rãi. Các cách tiếp cận truyền thống như biểu đồ SPC (Kiểm soát quá trình thống kê) xuất phát từ các giả định đơn giản (đôi khi sai) về bản chất của phân phối thống kê của các biến quy trình.
Tuy nhiên, khi số lượng các biến tương tác lẫn nhau tăng lên và một loạt các cảm biến ngày càng tăng lấy dữ liệu tĩnh và thay đổi theo thời gian về các biến này, các phương pháp truyền thống không mở rộng với độ chính xác hoặc độ tin cậy cao.
Đây là nơi các mô hình deep learning có thể giúp đỡ một cách khá bất ngờ. Để phát hiện sự bất thường hoặc rời khỏi định mức, thường các kỹ thuật giảm kích thước như PCA (Phân tích thành phần chính) được sử dụng từ miền xử lý tín hiệu thống kê truyền thống. Tuy nhiên, người ta có thể sử dụng Autoencoder tĩnh hoặc đa dạng , đó là các mạng thần kinh sâu với các lớp bao gồm giảm dần và tăng các bộ lọc chập (và gộp).
Các loại mạng mã hóa này nhìn qua nhiễu và phương sai thông thường và mã hóa các tính năng thiết yếu của tín hiệu hoặc kho dữ liệu trong một số lượng nhỏ các bit chiều cao . Việc theo dõi các bit được mã hóa cao sẽ dễ dàng hơn nhiều nếu chúng thay đổi bất ngờ khi một người tìm kiếm sự bất thường trong một quy trình có khối lượng lớn, chạy liên tục.
Tóm lại, vấn đề trung tâm của giám sát quá trình là một vấn đề có thể được xử lý bởi nhánh machine learning được gọi là machine learning không giám sát. Về mặt này, bộ điều khiển tự động deep learning là một bộ công cụ mạnh mẽ mà bạn có thể sử dụng.
Khi độ phức tạp của quy trình và Dữ liệu lớn liên quan tăng lên không giới hạn, không còn nghi ngờ gì nữa, mô hình thống kê thông thường (dựa trên việc lấy mẫu dữ liệu quy mô nhỏ), sẽ cho ra các kỹ thuật và mô hình ML tiên tiến như vậy.
Công ty cổ phần thương mại Máy Chủ Hà Nội
- Trụ sở Hà Nội: Tầng 1,2,4 - Tòa nhà PmaxLand số 32 ngõ 133 Thái Hà - Q. Đống Đa
Hotline mua hàng Hà Nội: 0979 83 84 84 Điện thoai: 024 6296 6644
- CN Hồ Chí Minh: Lầu 1- Tòa nhà 666/46/29 Đường 3/2- Phường 14 - Quận 10
Hotline mua hàng Hồ Chí Minh: 0945 92 96 96 Điện thoai: 028 2244 9399
- Email: [url=mailto:hotro@maychuhanoi.vn]hotro@maychuhanoi.vn[/url]
- website: https://maychuhanoi.vn/
- facebook: https://www.facebook.com/maychuhanoi