UTILIZAREA ÎNVĂȚĂRII MAȘINILOR ÎN INDUSTRIE PDF Descărcare gratuită
Masterat în inginerie industrială GRADUL DE INGINERIE INDUSTRIALĂ ȘCOALA DE INGINERI INDUSTRIALI UNIVERSITATEA DIN VALLADOLID PROIECT FINAL DE MASTER DE UTILIZARE A ÎNVĂȚĂRII MAȘINILOR ÎN INDUSTRIE 4.0 Autor: Dl Alberto Maisueche Cuadrado Tutor: Dl. Pedro Sanz Angulo Valladolid, septembrie 2019
Mulțumesc lui Pedro, tutorele meu TFM, pentru încurajări și sugestii pe tot parcursul proiectului. Familia și prietenii mei, pentru tot sprijinul primit în timpul meu la universitate.
Indice general Introducere. 1. Fundal. 1 Motivație. 2 Obiective. 3 Domeniul de aplicare. 3 Structura memoriei. 4 1 INDUSTRIA 4.0. 7 1.1. Ce este Industria 4.0. 7 1.2. Revoluțiile industriale. 8 1.3. Tehnologii de activare. 10 1.3.1. Cloud Computing. 10 1.3.2. Internetul Lucrurilor. 11 1.3.3. Fabricarea aditivă. 11 1.3.4. Date mare. 12 1.3.5. Inteligență artificială. 13 1.3.6. Roboți autonomi și colaborativi. 13 1.3.7. Realitate augmentată și realitate virtuală. 14 1.3.8. Blockchain. 14 1.4. Un mediu inteligent. 15 1.4.1. Oras destept. 16 1.4.2. 1.4.3. Retea inteligenta. 16 Smart Factory. 17 1.4.4. 1.4.5. Logistică inteligentă. 17 consumator inteligent. 18 1,5. Starea actuală a digitalizării. 18 1.5.1. Digitalizarea în Europa. 18 1.5.2. Digitalizarea industriei spaniole. 21 1.5.3. Principalele bariere în digitalizarea industriei. 23 2 ÎNVĂȚAREA CU MAȘINA. 27 2.1. Ce este învățarea automată. 27 2.1.1. Concepte anterioare. 27 2.1.2. Istoria învățării automate. 30 2.2. Bazele învățării automate. 31 2.2.1. 2.2.2. Învățarea. 31 Probleme de eroare și reglare. 34 2.2.3. Etape într-un proiect de învățare automată. 36 2.3. Învățare supravegheată. 38 2.3.1. Regresie liniara. 38 2.3.2. 2.3.3. Regresia polinomială. 40 Regresie logistică. 41 2.3.4. Suport Machine Vector. 43
2.3.5. K-Vecinii cei mai apropiați. 44 2.4. Învățare nesupravegheată. 44 2.4.1. 2.4.2. K-înseamnă. 45 Analiza componentelor principale. 46 2.4.3. 2.4.4. Descompunerea unei valori singulare. 47 Analiza componentelor independente. 49 2.5. Învățare întărită. 50 2.5.1. Q-learning. 51 2.5.2. SARSA. 52 2.6. Invatare profunda. 53 2.6.1. Rețele neuronale convoluționale. 55 2.6.2. Rețele neuronale recurente. 57 2.6.3. Rețele contradictorii generative. 58 3 APLICAȚII DE ÎNVĂȚARE CU MAȘINI ÎN INDUSTRIE. 61 3.1. Importanța învățării automate în industrie. 61 3.2. Machine Learning aplicat în producție, fabricație și calitate. 63 3.3. Machine Learning aplicat în logistică. 67 3.4. Machine Learning aplicat în întreținere. 74 3.5. Învățarea automată aplicată în afaceri. 76 3.6. Machine Learning aplicat în marketing și managementul clienților. 78 3.7. Învățarea automată aplicată în ergonomie. 82 3.8. Machine Learning aplicat în securitate. 85 3.9. Învățarea automată aplicată în resursele umane. 87 3.10. Limitele învățării automate în industrie. 89 CONCLUZII ȘI LINII VIITOARE. 91 1. Concluzii. 91 2. Linii viitoare. 94 BIBLIOGRAFIE. 95
Utilizarea învățării automate în industria 4.0 5
6 Utilizarea învățării automate în industria 4.0
Figura 1. 4. Evoluția I-DESI între 2013 și 2016 pentru diferite țări (Comisia Europeană, 2018). În al doilea rând, sunt prezentate rezultatele DESI 2018, stabilind o clasificare între cei 28 de membri ai Uniunii Europene supuși acestui studiu (Figura 1.5) Figura 1. 5. Rezultatele DESI 2018 pentru diferite țări ale UE (Comisia Europeană, 2018) . Potrivit acestui clasament, liderii europeni în digitalizare sunt Danemarca, Suedia, Finlanda și Olanda. Acestea sunt urmate de Luxemburg, Irlanda, Regatul Unit, Belgia și Estonia. Spania ocupă locul zece în clasamentul din cele 28 de state analizate și este una dintre țările europene care a înregistrat cele mai multe progrese în ultimii patru ani, alături de Irlanda și Cipru. În schimb, Portugalia este cea care a înregistrat cele mai puține progrese în ultimul an și România continuă cu cel mai mic scor din clasament (Comisia Europeană, 2018). Figura 1.6 arată performanța relativă a Spaniei pentru fiecare dintre cele cinci dimensiuni. 20 Utilizarea învățării automate în industria 4.0
complementaritatea, în care automatizarea completează sarcinile lucrătorului, făcându-l mai productiv (Blanco, Fontrodona și Poveda, 2017). Competențele necesare sunt diferite, astfel încât profesioniștii cu calificare scăzută care îndeplinesc sarcini simple și repetitive vor fi înlocuiți de specialiști în software sau mecatronică. Un aspect interesant este că nu numai că sarcinile repetitive vor deveni automatizate, dar odată cu progresele în inteligența artificială și analiza avansată, este posibil să se automatizeze conducerea vehiculelor sau efectuarea diagnosticelor medicale, astfel încât impactul negativ crește (Blanco, Fontrodona și Poveda, 2017). Dacă nu există inovații în politicile de ocupare și formare, ratele șomajului vor crește. La urma urmei, transformarea digitală este o necesitate, dar în același timp o oportunitate de a investi în profituri asigurate și de a crește competitivitatea companiilor. 26 Utilizarea învățării automate în industria 4.0
Regresia liniară poate fi simplă dacă există o singură variabilă independentă sau multiplă dacă există mai multe. Acest model este rapid și robust, dar pentru a asigura funcționarea corectă a acestuia trebuie să existe o anumită relație liniară între intrare și ieșire (González, 2018). Un exemplu de regresie liniară simplă este prezicerea numărului de umbrele care vor fi vândute pe baza cantității de precipitații pe baza istoricului anului precedent (Figura 2. 8). Un exemplu de regresie liniară multiplă este predicția vânzărilor unui produs pe baza banilor investiți în publicitatea TV și publicitatea radio (Figura 2. 9). În acest din urmă caz, deoarece există două variabile independente, este posibil să le reprezentăm prin ajustarea unui plan în loc de o linie dreaptă. Figura 2. 8. Exemplu de regresie liniară simplă. Predicție vânzare umbrelă bazată pe ploaie. Adus de la: https://www.ablebits.com/office-addins-blog/2018/08/01/linear-regression-analysis-excel/ Figura 2. 9. Exemplu de regresie liniară multiplă. Predicția vânzărilor unui produs pe baza banilor investiți în publicitate TV și publicitate radio. Adus de la: https://rpubs.com/joaquin_ar/226291 Utilizarea învățării automate în industria 4.0 39
Acest algoritm este foarte util în compresia imaginii, unde fiecare pixel corespunde unei variabile. În exemplul din Figura 2.17, scopul este să păstreze informațiile pixelilor care conțin eticheta care urmează să fie prezisă, astfel încât toți pixelii care nu conțin pisici să fie inutile. Timpul de calcul al unei rețele neuronale care funcționează cu imagini este redus considerabil datorită PCA ca etapă de preprocesare (Chandupatla, 2019). Figura 2. 17. Exemplu de aplicație PCA (Chandupatla, 2019). 2.4.3. Descompunerea valorii singulare În algebră liniară, Descompunerea valorii singulare (SVD) este o metodă de factoring a unei matrice reale sau complexe utilizate pentru reducerea dimensiunii. Se bazează pe principiul descompunerii vectorilor în axele lor ortogonale (Figura 2.18), astfel încât orice vector a poate fi exprimat prin două variabile: vectorul unitar care indică direcția de proiecție (vi) și lungimea proiecției ( da ai). În SVD, această concluzie este extinsă la mulți vectori și în toate dimensiunile (Abdullatif, 2019). Figura 2. 18. Descompunerea unui vector în două axe ortogonale (Abdullatif, 2019). Utilizarea învățării automate în industria 4.0 47