Deep Learning trong lĩnh vực sản xuất: Tổng quan & Ứng dụng

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.

Giải pháp hạ tầng Deep Learning, Trí tuệ Nhân tạo - AI

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.

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.

Nguồn hình ảnh: Pixabay

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.

Nguồn hình ảnh: http://cs231n.github.io/convolutional-networks/ (repo Github lớp Stanford CS 231)

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.

Những bài viết này cung cấp một cái nhìn tổng quan tốt:

Machine learning để phát hiện bất thường và theo dõi tình trạng
Deep learning để phát hiện sự bất thường: Một khảo sát

Bảo trì dự đoán trong Deep Learning

Các mô hình deep learning đã được chứng minh là có hiệu quả cao trong lĩnh vực kinh tế và mô hình tài chính, xử lý dữ liệu chuỗi thời gian . Tương tự, trong bảo trì dự đoán, dữ liệu được thu thập theo thời gian để theo dõi sức khỏe của một tài sản với mục tiêu tìm ra các mẫu để dự đoán các thất bại. Do đó, deep learning có thể là trợ giúp đáng kể để bảo trì dự đoán các máy móc phức tạp và các hệ thống được kết nối.

Xác định thời điểm tiến hành bảo trì thiết bị là một nhiệm vụ đặc biệt khó khăn với cổ phần quản lý và tài chính cao. Mỗi lần máy được đưa ra ngoại tuyến để bảo trì, kết quả là giảm sản lượng hoặc thậm chí là ngừng hoạt động của nhà máy. Sửa chữa thường xuyên chuyển thành tổn thất rõ ràng, nhưng bảo trì không thường xuyên có thể dẫn đến sự cố thậm chí tốn kém hơn và tai nạn công nghiệp thảm khốc.

Đây là lý do tại sao kỹ thuật tính năng tự động của các mạng thần kinh có tầm quan trọng quan trọng. Các thuật toán ML truyền thống để bảo trì dự đoán phụ thuộc vào chuyên môn hẹp, đặc thù của miền đối với các tính năng thủ công để phát hiện các vấn đề về sức khỏe của máy. Trong khi đó một mạng lưới thần kinh có thể tự động suy ra các tính năng đó với dữ liệu đào tạo đủ chất lượng cao. Do đó, tên miền chéo và có thể mở rộng .

Cụ thể, các mạng thần kinh tái phát (RNN) với các tế bào bộ nhớ ngắn hạn ( LSTM ) hoặc các đơn vị được kiểm soát lại ( GRU ) có thể dự đoán hành vi tạm thời từ ngắn đến trung bình dựa trên thời gian đào tạo trước đây ở dạng chuỗi thời gian.

Đại học Github của Stanford CS 231

Nguồn

May mắn thay, có rất nhiều hoạt động nghiên cứu về RNN với mục tiêu áp dụng chúng vào lĩnh vực xử lý ngôn ngữ tự nhiên và phân tích văn bản . Tất cả các kiến thức trong lĩnh vực nghiên cứu này có thể được tận dụng để áp dụng trong cài đặt của một ứng dụng công nghiệp. Ví dụ, các RNN được tối ưu hóa tính toán có thể được sử dụng cho các công việc sản xuất trong đó tải trọng tính toán được giảm thiểu mà không làm giảm sức mạnh dự đoán quá nhiều. Nó có thể không hoạt động tốt nhất cho một nhiệm vụ NLP, nhưng có thể đủ mạnh để dự đoán các vấn đề tiềm ẩn với các thông số sức khỏe của máy.

Tất nhiên, một chuyên gia về con người sẽ xem xét các dự đoán của một hệ thống deep learning để cuối cùng quyết định về công việc bảo trì. Nhưng trong một nhà máy thông minh, được kết nối , sử dụng các máy dự đoán như vậy cùng với các kỹ sư và kỹ thuật viên, có thể tiết kiệm tiền của một tổ chức sản xuất và nhân lực cuối cùng cải thiện thời gian chết và sử dụng máy .

Trên thực tế, việc áp dụng machine learning và phân tích trong sản xuất sẽ chỉ cải thiện việc bảo trì dự đoán. Bảo trì dự đoán dự kiến sẽ tăng 38% trong năm năm tới theo PwC. Bài viết này của Microsoft cung cấp thêm thông tin về chủ đề: Tìm
hiểu sâu về bảo trì dự đoán với Mạng bộ nhớ dài hạn

Tối ưu hóa đầu vào nhà máy

Lợi nhuận của một tổ chức sản xuất cực kỳ phụ thuộc vào việc tối ưu hóa các nguồn lực vật chất đi vào quy trình sản xuất cũng như hỗ trợ các quy trình đó. Ví dụ, năng lượng điện và cấp nước là hai đầu vào quan trọng của nhà máy có thể hưởng lợi từ việc tối ưu hóa.

Các quy trình và chiến lược tối ưu hóa phức tạp thường được sử dụng để tối đa hóa việc sử dụng các tài nguyên thiết yếu này. Khi quy mô nhà máy và tương tác giữa máy với máy tăng lên, dòng chảy của các tài nguyên này trở nên phức tạp khó quản lý với các thuật toán dự đoán đơn giản. Đây là khi các machine learning mạnh mẽ như mạng lưới thần kinh cần được đưa vào trò chơi.

Các hệ thống deep learning có thể theo dõi mô hình sử dụng điện như là một hàm của hàng trăm thông số quy trình của nhà máy và các biến thiết kế sản phẩm và có thể tự động đề xuất các thực tiễn tốt nhất để sử dụng tối ưu. Nếu tổ chức đang chuyển sang sử dụng năng lượng tái tạo , dự đoán từ các thuật toán deep learning có thể được sử dụng để vạch ra quỹ đạo chuyển đổi tối ưu từ sự phụ thuộc vào nhiên liệu hóa thạch sang dấu chân năng lượng bền vững . Loại thay đổi mô hình này rất khó xử lý bằng cách sử dụng các phân tích dự đoán cổ điển.

Tóm lược

Sản xuất thông minh hỗ trợ hệ thống thông tin đã tăng năng suất và chất lượng của các tổ chức công nghiệp , lớn và nhỏ, trong một vài thập kỷ nay. Trong cài đặt sản xuất thông minh này, việc sử dụng phân tích dữ liệu, mô hình thống kê và thuật toán dự đoán đã tăng lên theo các bước nhảy vọt, vì chất lượng và xu hướng của dữ liệu do máy tạo và con người tạo ra được cải thiện theo thời gian. Cuộc cách mạng công nghiệp, bắt đầu với dây chuyền lắp ráp của Henry Ford vào đầu thế kỷ trước, được hỗ trợ trong suốt thế kỷ 20 bởi những đổi mới trong tự động hóa, hệ thống điều khiển, điện tử, cảm biến, máy tính kỹ thuật số và internet. Cuộc cách mạng dữ liệu lớn của thế kỷ 21 đã sẵn sàng để đưa nó lên một cấp độ hoàn toàn mới bằng cách mở ra các cơ hội tăng trưởng theo cấp số nhân.

Để tận dụng tối đa sự bùng nổ dữ liệu này, deep learning và các kỹ thuật hỗ trợ AI liên quan, phải được tích hợp trong bộ công cụ của các hệ thống sản xuất hiện đại, vì chúng mạnh hơn theo cấp số nhân so với các hệ thống học và dự đoán thống kê cổ điển.

Deep learning có thể tích hợp hoàn hảo với các mục tiêu đầy tham vọng của Công nghiệp 4.0 – Tự động hóa cực độ và Nhà máy kỹ thuật số. Công nghiệp 4.0 được thiết kế xung quanh kết nối liên tục với các cảm biến, ổ đĩa, van thông tin, tất cả đều hoạt động cùng nhau với một mục tiêu chung duy nhất: giảm thiểu thời gian chết và tăng hiệu quả. Các khung thuật toán như một mạng nơ ron sâu, đủ linh hoạt để làm việc với nhiều loại dữ liệu khác nhau khi chúng truyền liên tục, là lựa chọn phù hợp để xử lý loại nhiệm vụ cụ thể đó.

Sự gia tăng năng suất và chất lượng dự kiến sẽ vượt xa mục tiêu hẹp là đáp ứng lợi nhuận của công ty. Sản xuất thông minh vào ngày mai sẽ làm phong phú thêm cuộc sống của hàng tỷ người tiêu dùng bằng cách cung cấp hàng hóa và dịch vụ với chất lượng cao và chi phí phải chăng. Xã hội, nói chung, nên được hưởng lợi từ sự chuyển đổi mô hình như vậy.

Nguồn Tổng hợp

____
Bài viết liên quan