Podsumowanie

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

Czym jest deep learning?

DL oparte jest na sztucznych sieciach neuronowych, których algorytmy uczenia się są inspirowane strukturą i działaniem biologicznych sieci neuronowych. Algorytmy te mają strukturę połączonych ze sobą grup węzłów obliczeniowych (sztucznych neuronów), które są zorganizowane w warstwy. Pierwsza z nich jest określana jako warstwa wejściowa, która łączy się z sygnałem wejściowym lub danymi. Ostatnia warstwa to warstwa wyjściowa, a neurony w tej warstwie wysyłają ostateczną prognozę albo decyzję. Pomiędzy warstwą wejściową a wyjściową znajduje się jedna lub więcej warstw ukrytych (rys. 6). Wyjścia jednej warstwy są połączone z węzłami w następnej warstwie za pomocą połączeń ważonych. Sieć neuronowa uczy się mapowania zależności między wejściem a wyjściem, modyfikując te wagi. Wykorzystując wiele warstw ukrytych, algorytmy DL uczą się cech, które należy wyodrębnić z danych wejściowych, bez konieczności ich bezpośredniego wprowadzania do algorytmu uczącego się.

 
Rys. 6. Sztuczna sieć neuronowa

Przyszłościowe techniki DL

DL szybko się rozwija. Opracowywane są w związku z tym różne topologie, spośród których kilka wyróżnia się potencjałem w obróbce danych IIoT. Przykładem są głębokie sieci neuronowe (Deep neural network, DNN), czyli w pełni połączone sztuczne sieci neuronowe z wieloma ukrytymi warstwami. Warte uwagi są także konwolucyjne sieci neuronowe (Convolutional Neural Network, CNN), składające się z jednej lub więcej warstw konwolucyjnych (warstw filtrujących), po których następuje w pełni połączona wielowarstwowa sieć neuronowa. Kolejnym przykładem są RNN (Recurrent Neural Network), oparte na algorytmach, które wykorzystują informacje sekwencyjne (lub historyczne) do prognozowania. Tradycyjne sieci neuronowe zakładają, że wszystkie wejścia (i wyjścia) są od siebie niezależne pod względem czasu lub kolejności nadejścia, RNN natomiast przechowują informacje o przeszłości i wykorzystują je do następnej prognozy. Kluczowe znaczenie w przyszłości będzie też z pewnością miała technika DRL (Deep Reinforcement Learning), czyli głębokiego uczenia przez wzmacnianie, którego potencjał dostrzeżono już na przykład w projektowaniu adaptacyjnych systemów sterowania działających w złożonym, dynamicznym otoczeniu.

Podsumowanie

Głębokie sieci neuronowe wymagają dużych ilości danych treningowych, które najlepiej by obejmowały informacje ze wszystkich możliwych stanów albo warunków, których sieć musi się nauczyć. Źródłem takich jest z pewnością Przemysłowy Internet Rzeczy. Z drugiej strony ogromne ilości danych w sieciach IIoT bez AI nie będą tak użyteczne, jak mogą być po poddaniu analizie za pomocą algorytmów sztucznej inteligencji. W związku z tym z pewnością w kolejnych latach będzie można zaobserwować, jak obie te technologie się uzupełniają, napędzając wzajemnie swój rozwój.

 

Monika Jaworowska

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