Магистърска степен по индустриално инженерство СТЕПЕН НА МАГИСТЪР ПО ИНДУСТРИАЛНО ИНЖЕНЕРИНГ УНИВЕРСИТЕТ НА ВАЛАДОЛИД ЗАКЛЮЧИТЕЛЕН ПРОЕКТ НА МАГИСТЪР С ИЗПОЛЗВАНЕ НА МАШИННО ОБУЧЕНИЕ В ПРОМИШЛЕНОСТТА 4.0 Автор: Г-н Алберто Маисуече Куадро Вандрадо, Англия Педрало Валадора Сандора

безплатно

ПРИЗНАВАНИЯ На Педро, моя преподавател по TFM, за неговите насърчения и предложения по време на проекта. На моето семейство и приятели, за цялата подкрепа, получена по времето ми в университета.

Общ индекс Въведение. 1. Предистория. 1 Мотивация. 2 цели. 3 Обхват. 3 Структура на паметта. 4 1 ПРОМИШЛЕНОСТ 4.0. 7 1.1. Какво е Индустрия 4.0. 7 1.2. Индустриалните революции. 8 1.3. Активиращи технологии. 10 1.3.1. Облачни изчисления. 10 1.3.2. Интернет на нещата. 1.3.3. Производство на добавки. 11 1.3.4. Голяма информация. 12 1.3.5. Изкуствен интелект. 13 1.3.6. Автономни и съвместни роботи. 13 1.3.7. Разширена реалност и виртуална реалност. 14 1.3.8. Блокчейн. 14 1.4. Интелигентна среда. 15 1.4.1. Умен град. 16 1.4.2. 1.4.3. Smart Grid. 16 Интелигентна фабрика. 17 1.4.4. 1.4.5. Интелигентна логистика. 17 Интелигентен потребител. 18 1.5. Текущо състояние на дигитализация. 18 1.5.1. Дигитализация в Европа. 18 1.5.2. Дигитализация на испанската индустрия. 21 1.5.3. Основни бариери пред цифровизацията на индустрията. 23 2 МАШИННОТО ОБУЧЕНИЕ. 27 2.1. Какво е машинно обучение. 27 2.1.1. Предишни концепции. 27 2.1.2. История на машинното обучение. 30 2.2. Основи на машинното обучение. 31 2.2.1. 2.2.2. Ученето. 31 Грешки и проблеми с настройката. 34 2.2.3. Етапи в проект за машинно обучение. 36 2.3. Учене под наблюдение. 38 2.3.1. Линейна регресия. 38 2.3.2. 2.3.3. Полиномиална регресия. 40 Логистична регресия. 41 2.3.4. Поддръжка на векторна машина. 43

2.3.5. K-Най-близките съседи. 44 2.4. Учене без надзор. 44 2.4.1. 2.4.2. K-Средства. 45 Анализ на главния компонент. 46 2.4.3. 2.4.4. Разлагане на единична стойност. 47 Независим анализ на компоненти. 49 2.5. Подсилено учене. 50 2.5.1. Q-обучение. 51 2.5.2. SARSA. 52 2.6. Дълбоко обучение. 53 2.6.1. Конволюционни невронни мрежи. 55 2.6.2. Повтарящи се невронни мрежи. 57 2.6.3. Генеративни състезателни мрежи. 58 3 ПРИЛОЖЕНИЯ НА МАШИННОТО ОБУЧЕНИЕ В ПРОМИШЛЕНОСТТА. 61 3.1. Значението на машинното обучение в индустрията. 61 3.2. Машинно обучение, прилагано в производството, производството и качеството. 63 3.3. Машинно обучение, приложено в логистиката. 67 3.4. Прилагано машинно обучение при поддръжка. 74 3.5. Машинното обучение се прилага в бизнеса. 76 3.6. Машинно обучение, прилагано в маркетинга и управлението на клиенти. 78 3.7. Машинното обучение, приложено в ергономията. 82 3.8. Машинно обучение, приложено в сигурността. 85 3.9. Машинно обучение, прилагано в човешките ресурси. 3.10. Ограничения на машинното обучение в индустрията. 89 ЗАКЛЮЧЕНИЯ И БЪДЕЩИ ЛИНИИ. 91 1. Заключения. 91 2. Бъдещи редове. 94 БИБЛИОГРАФИЯ. 95

Използване на машинно обучение в индустрия 4.0 5

6 Използване на машинно обучение в индустрия 4.0

Фигура 1. 4. Развитие на I-DESI между 2013 и 2016 за различни страни (Европейска комисия, 2018). На второ място, представени са резултатите от DESI 2018, като се установява класификация между 28-те членове на Европейския съюз, представени в това проучване (Фигура 1.5) Фигура 1. 5. Резултати от DESI 2018 за различни страни от ЕС (Европейска комисия, 2018) . Според тази класация европейските лидери в цифровизацията са Дания, Швеция, Финландия и Холандия. Следват Люксембург, Ирландия, Обединеното кралство, Белгия и Естония. Испания се нарежда на десето място в класацията от 28-те анализирани държави и е една от европейските държави, които са постигнали най-голям напредък през последните четири години, заедно с Ирландия и Кипър. За разлика от тях, Португалия е постигнала най-малък напредък през последната година, а Румъния продължава с най-ниския резултат в класацията (Европейска комисия, 2018). Фигура 1.6 показва относителната ефективност на Испания за всяко от петте измерения. 20 Използване на машинно обучение в индустрия 4.0

комплементарност, при която автоматизацията допълва задачите на работника, правейки го по-продуктивен (Blanco, Fontrodona, & Poveda, 2017). Необходимите умения са различни, така че нискоквалифицираните специалисти, които изпълняват прости и повтарящи се задачи, ще бъдат заменени от специалисти по софтуер или мехатроника. Интересен аспект е, че повтарящите се задачи не само ще станат автоматизирани, но с напредъка в изкуствения интелект и усъвършенстваната аналитика е възможно да се автоматизира шофирането на превозни средства или извършването на медицински диагностики, така че негативното въздействие се увеличава (Blanco, Fontrodona и Poveda, 2017). Ако няма иновации в политиките по заетостта и обучението, нивото на безработица ще се увеличи. В крайна сметка дигиталната трансформация е необходимост, но в същото време възможност за инвестиране в гарантирани печалби и повишаване на конкурентоспособността на компаниите. 26 Използване на машинно обучение в индустрия 4.0

Линейната регресия може да бъде проста, ако има само една независима променлива, или многократна, ако има повече от една. Този модел е бърз и здрав, но за да се гарантира правилното му функциониране, трябва да има определена линейна връзка между входа и изхода (González, 2018). Пример за проста линейна регресия е прогнозирането на броя на чадърите, които ще бъдат продадени на базата на количеството валежи въз основа на историята от предходната година (Фигура 2. 8). Пример за множествена линейна регресия е прогнозирането на продажбите на продукт въз основа на парите, инвестирани в телевизионна реклама и радиореклама (Фигура 2. 9). В последния случай, тъй като има две независими променливи, е възможно да ги представите чрез регулиране на равнина вместо права линия. Фигура 2. 8. Пример за проста линейна регресия. Прогноза за продажба на чадър въз основа на дъжд. Взето от: https://www.ablebits.com/office-addins-blog/2018/08/01/linear-regression-analysis-excel/ Фигура 2. 9. Пример за множествена линейна регресия. Предвиждане на продажбите на продукт въз основа на парите, вложени в телевизионна реклама и радио реклама. Взето от: https://rpubs.com/joaquin_ar/226291 Използване на машинно обучение в индустрия 4.0 39

Този алгоритъм е много полезен при компресиране на изображения, където всеки пиксел съответства на променлива. В примера на фигура 2.17 целта е да се запази информацията за пикселите, които съдържат етикета, който трябва да се предскаже, така че всички пиксели, които не съдържат котки, да са безполезни. Времето за изчисление на невронна мрежа, която работи с изображения, е значително намалено благодарение на PCA като етап на предварителна обработка (Chandupatla, 2019). Фигура 2. 17. Пример за приложение на PCA (Chandupatla, 2019). 2.4.3. Декомпозиция на единична стойност В линейната алгебра декомпозицията на единична стойност (SVD) е метод за факториране на реална или сложна матрица, използвана за намаляване на размерите. Той се основава на принципа на разлагане на векторите в техните ортогонални оси (Фигура 2.18), така че всеки вектор a може да бъде изразен с две променливи: единичен вектор, който показва посоката на проекция (vi) и дължината на проекцията ( да ai). В SVD това заключение се разпростира върху много вектори и във всички измерения (Abdullatif, 2019). Фигура 2. 18. Разлагане на вектор в две ортогонални оси (Abdullatif, 2019). Използване на машинно обучение в индустрия 4.0 47

След изчисляване на линейната комбинация от теглата и входовете се прилага активираща функция (), чиято цел е да изкриви изхода (y), т.е. да го направи нелинеен, така че мрежата да може да решава нелинейни проблеми (уравнение 2.20) (Вилануева, 2019). (2.20) Някои от най-използваните активиращи функции в невронните мрежи са стъпковата функция, сигмоидната функция, линейната изправителна функция и хиперболичната тангенс функция (Фигура 2.23) (Villanueva, 2019). Фигура 2. 23. Най-използвани функции за активиране (Villanueva, 2019). Схематично представяне на неврона е показано на Фигура 2. 24. Фигура 2. 24. Схематично представяне на неврон. Взето от: https://naukas.com/2015/12/09/acertando-quinielas-redes-neuronales/ 54 Използване на машинно обучение в индустрия 4.0

60 Използване на машинно обучение в индустрия 4.0

неговото използване се разпростира до всяка ситуация или процес, при който искате да идентифицирате тенденции, да правите прогнози, да откривате аномалии и т.н. Според проучването Smart Industry 4.0, проведено от (everis Spain, 2018), само 8% от компаниите са имали индустриални приложения, свързани с големи данни и изкуствен интелект през 2018 г. (Фигура 3.1). Фигура 3. 1. Най-модерните парадигми в момента в компаниите (everis Spain, 2018). Компаниите обаче са наясно с количеството данни, налични в техните процеси, и следователно 15% от компаниите проявяват голям интерес да фокусират своите усилия и инвестиции върху тези технологии (Фигура 3.2). Фигура 3. 2. Технологии, в които компаниите ще инвестират повече през следващите години (everis Spain, 2018). 62 Използване на машинно обучение в индустрия 4.0

топлина и маса, както и химичните реакции на процеса, естеството на изследваните променливи е изключително нелинейно. При металното лазерно рязане (Tsai, Li, & Chen, 2008) предлага комбинация от невронни мрежи и генетични алгоритми, за да се намерят оптималните стойности на тока, честотата и скоростта на рязане на процеса според желаното качество. В процеса на струговане на стомана (Pontes, de Paiva, Belestrassi, Ferreira и da Silva, 2012) се получава модел на невронна мрежа, базиран на радиална основа, за да се предскаже средната грапавост. (Çaydas & Hasçalik, 2008) извършиха подобно проучване, приложено за рязане с водна струя, комбинирайки невронни мрежи с регресионни модели за прогнозиране на грапавостта на повърхността от скоростта на струята, налягането и разстоянието на приложение; където налягането се оказа най-важният параметър. Компютърното зрение е широко използвана научна дисциплина в индустрията, тъй като дава възможност на роботите да изпълняват задачи като контрол на качеството и проверка и разпознаване на обекти. Системите за зрение също се използват за определяне на позицията и ориентацията на обектите, така че роботът да може да ги манипулира. Камерите, които обикновено се използват за тази цел, са силно повлияни от светлината от индустриалната среда. В (Pinto, Rocha и Moreira, 2013) е описано решение, базирано на 2D лазерен далекомер (Laser Range Finder, LRF), което създава 3D изображение в сива скала въз основа на разстоянието до обекта. След това алгоритмите за машинно обучение се използват за извършване на разпознаване и класификация на обектите. И накрая, роботизирана ръка отива към обекта и го транспортира до съответното място (Фигура 3.3). Изследването сравнява резултатите от три алгоритма: KNN, SVM и невронни мрежи; като SVM този, който най-добре обобщава. Тази система може да се използва за позициониране на предмети върху машинни машини или транспортни елементи, като по този начин намалява ръчния труд. Фигура 3. 3. Изследователски скенер за манипулиране на обекти с изкуствено зрение (Pinto, Rocha и Moreira, 2013) 64 Използване на машинното обучение в индустрия 4.0

заваряване. Поставяйки микрофон, където се извършва заваряването, се получава спектрограма на дъговия звук, която служи за обучение на модела (Фигура 3.5). Фигура 3. 5. Сравнение между спектрограма, свързана с добра заварка (отгоре) и такава, свързана с излишен дефект на заварка (отдолу) (Sumesh, Rameshkumar, Mohandas и Shyam Babu, 2015) Друго проучване (Mirapeix, García-Allende, Cobo, Conde и López-Higuera, 2007) използва спектроскопски анализ на спектъра на плазмата, получена по време на заваряване, за да следи качеството на заваръчния шев. Оценката на електронния температурен профил предлага корелация между плазмения спектър и качеството на процеса (Фигура 3.6). Автоматичното откриване на дефекта и съответната му класификация се постига чрез прилагане на анализ на главния компонент (PCA) за компресиране на информацията за спектъра и улесняване на обработката, последвано от невронна мрежа, която извършва откриването и класификацията сама. Фигура 3. 6. Сравнение между изходите на невронната мрежа за добро заваряване (вляво) и лошо заваряване (вдясно) (Mirapeix, García-Allende, Cobo, Conde и López-Higuera, 2007) 66 Използване на машинно обучение в индустрията 4.0

Фигура 3. 12. Системи с NPL за поддръжка в склада (Gesing, Peterson, & Michelsen, 2018) Складовете включват автономни роботи (като AGV, автоматизирани управлявани превозни средства) и съвместни роботи, така че хората да могат да се посветят на по-големи задачи добавената стойност. GreyOrange е компания за автоматизация и роботика, която е разработила софтуер, наречен GreyMatter като допълнение към WMS. GreyMatter използва машинно обучение, за да накара AGV да си сътрудничат в реално време и да оптимизират както своите пътувания, така и скоростите си. Освен това им осигурява механизъм за самообучение, така че да подобрят способностите си с опит. Например AGV могат да променят позицията на най-популярните продукти, за да ги приближат до точката на бране и по този начин да намалят изместванията (Фигура 3.13) (Gesing, Peterson и Michelsen, 2018; GreyOrange, 2019). Фигура 3. 13. Използване на AGV при управление на складове с GreyMatter (GreyOrange, 2019) Същата тази система за управление на складовете се използва в логистичните центрове на Amazon, като Castellbisbal, който е първият роботизиран склад в Испания. Рафтовете с продукти се наричат ​​Pods, а AGV-тата, които ги преместват, се наричат ​​Drives. Всеки робот може да носи до 1300 килограма през работната повърхност, известна като Robotics Field. Триста и петдесет задвижвания и две хиляди шушулки работят в този склад със скорост по-малка от два метра в секунда. Продуктите се отнасят до складовите оператори, за да подготвят поръчките (Фигура 3.14). По-конкретно, от момента, в който човек купува продукта, докато поръчката е готова, минават само петнадесет до седемдесет минути. Освен това липсата на коридори увеличава използването на пространството с 50% (López, 2017). Използване на машинно обучение в индустрия 4.0 71

Фигура 3. 21. Pepper сензори (Kumar & Gelin, 2018) Tally е роботът, разработен от Simbe Robotics, който за разлика от Pepper отговаря за наблюдението на запасите и цената на продуктите в магазините. Вградената система за изкуствено зрение открива свободните пространства в рафтовете, издава заповед за подмяна на работниците и дава приоритет на сигналите. Той също така идентифицира продуктите с погрешно или неправилно ценообразуване (Фигура 3.22). Това подобрява изживяването на клиентите, като гарантира съществуването на продуктите по всяко време (Simbe Robotics, 2019; Underwood, 2019). Фигура 3. 22. Проверка на запасите в супермаркет. Възстановено от: https://www.upi.com/top_news/us/2017/08/07/tally-the-robot-could-be-the-stock-boy-of-thefuture/1161502148250/ Lowe s е дистрибутор на продукти за подобряване на дома, строителство и „направи си сам“, които със сътрудничеството на Fellow Robots са създали LoweBot (Gesing, Peterson и Michelsen, 2018). Този робот е комбинация от предишните два, тъй като освен че контролира съществуването на продукти в магазина, той взаимодейства с клиентите (в различни 80 Използване на машинно обучение в индустрия 4.0