Uczenie nadzorowane i nienadzorowane

Industry 4.0 ze swoją kluczową technologią, Przemysłowym Internetem Rzeczy (Industrial Internet of Things, IIoT), rewolucjonizuje produkcję. Sprawia, że staje się ona wydajniejsza, bardziej efektywna i zróżnicowana, a wszystko to dzieje się w odpowiedzi na wyzwania – głównie braki siły roboczej i rosnący popyt, którym musi sprostać przemysł. Potencjał IIoT wynika przede wszystkim stąd, że jest to bogate źródło danych, na podstawie których można optymalizować produkcję. Ze względu na specyfikę tych informacji nie jest jednak łatwo wyodrębnić z nich te rzeczywiście użyteczne – choćby do późniejszych analiz. W artykule omawiamy związane z tym zagadnienia oraz wykorzystywane przez branżę nowe technologie.

Posłuchaj
00:00
Spis treści

Sztuczna inteligencja a IIoT

Komponent analityczny jest jedną z kluczowych części platformy do zarządzania danymi IIoT. Analiza tego typu dużych zbiorów danych wymaga specjalnego podejścia oraz zaawansowanych rozwiązań. Ostatnio w tym zastosowaniu popularność zyskują algorytmy sztucznej inteligencji. Pozwalają one na opracowywanie modeli systemów, które inaczej niż tradycyjne, oparte na fizyce, charakteryzują ich działanie na podstawie danych.

Przykładowo podzbiór technik sztucznej inteligencji, uczenie maszynowe (machine learning, ML), umożliwia w dziedzinie utrzymania ruchu przejście z konserwacji reaktywnej i zapobiegawczej do predykcyjnej – rozwiązania oparte na ML są już wykorzystywane nie tylko do detekcji nietypowego działania maszyn, diagnozowania problemów, ale również do pewnego stopnia do przewidywania pozostałego czasu ich użytkowania. Na rysunku 2 przedstawiamy ogólne etapy przygotowywania modelu ML, a na rysunku 3 jak wygląda to w praktyce na przykładzie opracowywania modelu do monitorowania pracy silnika. Dane są zbierane z wielu typów czujników, takich jak akcelerometry, termopary i przetworniki prądu zainstalowane w silniku. Etap inżynierii cech zwykle składa się z dwóch faz: ekstrakcji cech i redukcji cech.

 
Rys. 2. Etapy przygotowywania modelu ML
 
Rys. 3. Modelowanie pracy silnika

Pierwsza ma na celu wyodrębnienie przydatnych informacji z surowych danych, które pozwolą na określenie stanu urządzenia. Przykładowo niektóre składowe częstotliwościowe w widmie prądów fazowych silnika wskazują na konkretne problemy (rys. 4), za cechę można zatem przyjąć średnią amplitudę sygnału na takim wykresie. Ponieważ wyróżniki wyodrębnione na podstawie danych z wielu czujników mogą zawierać nadmiarowe informacje, konieczny jest etap redukcji, który ma na celu zmniejszenie liczby cech ostatecznie wykorzystywanych do zbudowania modelu. Im jest ich mniej, tym jest on prostszy. Zredukowany zestaw cech jest reprezentowany jako wektor (lub tablica) i wprowadzany do algorytmu. Tworzenie i sprawdzanie poprawności modelu to iteracyjny proces, w ramach którego eksperymentuje się z wieloma algorytmami i ostatecznie wybiera ten, który sprawdzi się najlepiej.

 
Rys. 4. Składowe częstotliwościowe w widmie prądów fazowych silnika wskazują na konkretne problemy

Uczenie nadzorowane i nienadzorowane

W dziedzinie uczenia maszynowego wyróżnia się dwie grupy algorytmów: uczenia nadzorowanego i nienadzorowanego. Te drugie sprawdzają się w poszukiwaniu ukrytych wzorców w danych bez konieczności ich etykietowania – pozwalają przykładowo zamodelować normalne działanie silnika i wykrywać, kiedy jego praca zaczyna odbiegać od normy.

Algorytmy uczenia nadzorowanego są wymagane do wykrywania przyczyn anomalii. Metody tego typu bazują na parach: danych wejściowych i pożądanym wyjściu. Pozwala to algorytmowi uczyć się funkcji, która odwzorowuje wejścia na wyjścia. W opisywanym przypadku dane używane do trenowania algorytmu ML tego typu obejmują cechy wyodrębnione w warunkach normalnych i podczas awarii silnika. Są one wyraźnie określone za pomocą etykiety, która oznacza stan silnika.

 
Rys. 5. Etapy tworzenia modelu DL

Wyzwaniem związanym z tradycyjnymi technikami uczenia maszynowego jest proces ekstrakcji cech. Etap ten eliminuje się w obecnie jednej z szybciej rozwijających się dziedzin ML – uczeniu głębokim (deep learning, DL). Dane pozyskane z czujników (surowe pomiary) można w tym przypadku bezpośrednio wprowadzić do algorytmów DL (rys. 5).

Spis treści
Zobacz więcej w kategorii: Temat miesiąca
Artykuły
Oil&gas i sektor chemiczny - automatyka i pomiary w branżach procesowych
Silniki i napędy
Nowoczesne przekładnie i motoreduktory - kompendium
Obudowy, złącza, komponenty
Nowoczesne kable, złącza i osprzęt kablowy
Przemysł 4.0
Smart Factory 2024
Bezpieczeństwo
Automatyka i urządzenia do zastosowań specjalnych
Przemysł 4.0
Nowoczesna intralogistyka i logistyka zakładowa
Powiązane treści
Asix Energy i nie tylko - monitorowanie mediów energetycznych
Cyfryzacja bez dodatkowych rozwiązań nie do końca jest inteligentna - szanse, zagrożenia i skutki uboczne projektów cyfrowych
NUPANO - wykorzystanie potencjału innowacyjnego IT na poziomie maszyn
Sztuczna inteligencja jako przewodnik dla pracowników przemysłowych
Finder OPTA - rozwiązanie dla przemysłu
Nowoczesny monitoring
DriveRadar firmy SEW-Eurodrive dla przekładni przemysłowych
Efektywność energetyczna dzięki Platformie Programowej zenon - wspólna droga do zrównoważonego rozwoju z Carlsberg Srbija
Zobacz więcej z tagiem: Przemysł 4.0
Targi zagraniczne
Konferencja i wystawa technologii nawijania elementów indukcyjnych CWIEME Berlin 2025
Prezentacje firmowe
Nowe standardy w przemyśle spożywczym, farmaceutycznym i medycznym
Targi zagraniczne
Eliaden 2026 - targi branży elektrotechnicznej

Poradnik doboru rozwiązań drukujących - drukarki mobilne, stacjonarne i przemysłowe

Jak dobrać drukarkę do zastosowań w logistyce, przemyśle czy handlu? Na co zwrócić uwagę, jeżeli chodzi o cechy i funkcje urządzenia? Jak zapewnić wysoką niezawodność pracy oraz trwałość systemu drukującego? A co z oprogramowaniem? W artykule odpowiadamy na powyższe pytania, przedstawiając przykłady nowoczesnych urządzeń drukujących, które z powodzeniem sprawdzają się w wymienionych zastosowaniach.
Zapytania ofertowe
Unikalny branżowy system komunikacji B2B Znajdź produkty i usługi, których potrzebujesz Katalog ponad 7000 firm i 60 tys. produktów