A GÉPTANULÁS HASZNÁLATA AZ IPARBAN PDF Free Download
Ipari mérnöki fokozat Mesterképzés az iparmérnökök iparművészeti iskolájában VALLADOLID MASTER FOKOZÁS VÉGLEGES PROJEKTJE A GÉPTANULÁS IGAZDASÁGBAN 4.0.
KÖSZÖNETNYILVÁNÍTÁS Pedrónak, a TFM oktatómnak, a projekt során nyújtott bátorításáért és javaslataiért. Családomnak és barátaimnak, minden támogatásért, amit az egyetemen töltöttem.
Tartalomjegyzék Bevezetés. 1.Háttér. 1 Motiváció. 2 Célkitűzések. 3 Hatály. 3 Memória felépítése. 4 1 AZ IPAR 4.0. 7 1.1. Mi az Ipar 4.0. 7 1.2. Az ipari forradalmak. 8 1.3. Engedélyező technológiák. 10 1.3.1. Felhő alapú számítástechnika. 10 1.3.2. Internet of Things. 11 1.3.3. Adalékanyagok gyártása. 11 1.3.4. Nagy adat. 12 1.3.5. Mesterséges intelligencia. 13 1.3.6. Autonóm és együttműködő robotok. 13 1.3.7. Kiterjesztett valóság és virtuális valóság. 14 1.3.8. Blockchain. 14 1.4. Okos környezet. 15 1.4.1. Okos város. 16 1.4.2. 1.4.3. Intelligens rács. 16 Okos gyár. 17 1.4.4. 1.4.5. Intelligens logisztika. 17 Intelligens fogyasztó. 18 1.5. A digitalizálás jelenlegi állapota. 18 1.5.1. Digitalizálás Európában. 18 1.5.2. A spanyol ipar digitalizálása. 21 1.5.3. Az ipar digitalizálásának fő akadályai. 23 2 A GÉP TANULÁSA. 27 2.1. Mi a gépi tanulás. 27 2.1.1. Korábbi fogalmak. 27 2.1.2. A gépi tanulás története. 30 2.2. A gépi tanulás alapjai. 31 2.2.1. 2.2.2. A tanulás. 31 A hiba és a beállítási problémák. 34 2.2.3. Szakaszok egy Machine Learning projektben. 36 2.3. Felügyelt tanulás. 38 2.3.1. Lineáris regresszió. 38 2.3.2. 2.3.3. Polinomiális regresszió. 40 Logisztikai regresszió. 41 2.3.4. Támogatja a vektor gépet. 43
2.3.5. K-Legközelebbi szomszédok. 44 2.4. Felügyelet nélküli tanulás. 44 2.4.1. 2.4.2. K-azt jelenti. 45 Főkomponens-elemzés. 46 2.4.3. 2.4.4. Szinguláris érték felbontás. 47 Független alkatrészelemzés. 49 2.5. Megerősített tanulás. 50 2.5.1. Q-tanulás. 51 2.5.2. SARSA. 52 2.6. Mély tanulás. 53 2.6.1. Konvolúciós neurális hálózatok. 55 2.6.2. Ismétlődő neurális hálózatok. 57 2.6.3. Generatív kontradiktórius hálózatok. 58 3 A GÉPTANULÁS ALKALMAZÁSAI AZ IPARBAN. 61 3.1. A gépi tanulás jelentősége az iparban. 61 3.2. A gépi tanulás a termelésben, a gyártásban és a minőségben alkalmazott. 63 3.3. Gépi tanulás a logisztikában. 67 3.4. A karbantartás során alkalmazott gépi tanulás. 74 3.5. Gépi tanulás az üzleti életben. 76 3.6. A gépi tanulás a marketing és az ügyfélmenedzsment területén alkalmazható. 78 3.7. Az ergonómiában alkalmazott gépi tanulás. 82 3.8. Gépi tanulás a biztonság területén. 85 3.9. Az emberi erőforrásokban alkalmazott gépi tanulás. 87 3.10. A gépi tanulás korlátai az iparban. 89 Következtetések és jövőbeli vonalak. 91 1. Következtetések. 91 2. Jövőbeli vonalak. 94 BIBLIOGRAPHY. 95
A gépi tanulás használata az iparban 4.0 5
6 A gépi tanulás használata az iparban 4.0
1. ábra: 4. Az I-DESI alakulása 2013 és 2016 között különböző országokban (Európai Bizottság, 2018). Másodsorban a DESI 2018 eredményeit mutatjuk be, amelyek osztályozást hoznak létre az Európai Unió e tanulmányhoz benyújtott 28 tagállama között (1.5. Ábra). 1. ábra. 5. A DESI 2018 eredményei az EU különböző országaiban (Commission European, 2018) . E rangsor szerint a digitalizálás európai vezetői Dánia, Svédország, Finnország és Hollandia. Őket követi Luxemburg, Írország, az Egyesült Királyság, Belgium és Észtország. Spanyolország a tizedik helyet foglalja el a 28 elemzett állam közül a rangsorban, és egyike azoknak az európai országoknak, amelyek Írországgal és Ciprussal együtt az elmúlt négy évben a legnagyobb mértékben haladtak. Ezzel szemben Portugália az, amely a legkevésbé fejlődött az elmúlt évben, és Románia folytatja a legalacsonyabb pontszámot a rangsorban (Európai Bizottság, 2018). Az 1.6. Ábra Spanyolország relatív teljesítményét mutatja mind az öt dimenzió esetében. 20 A gépi tanulás használata az iparban 4.0
komplementaritás, ahol az automatizálás kiegészíti a munkavállaló feladatait, produktívabbá téve azt (Blanco, Fontrodona és Poveda, 2017). A szükséges készségek különbözőek, ezért az alacsony és képzett szakembereket, akik egyszerű és ismétlődő feladatokat látnak el, szoftveres vagy mechatronikai szakemberek váltják fel. Érdekes szempont, hogy az ismétlődő feladatok nem csak automatizálódnak, hanem a mesterséges intelligencia és a fejlett elemzés fejlődésével automatizálni lehet a járművek vezetését vagy az orvosi diagnózisok teljesítését, így a negatív hatás fokozódik (Blanco, Fontrodona és Poveda, 2017). Ha a foglalkoztatáspolitikában és a képzésben nincs innováció, akkor a munkanélküliségi ráta növekedni fog. Végül is a digitális átalakulás szükségszerűség, ugyanakkor lehetőség a biztos nyereségbe való befektetésre és a vállalatok versenyképességének növelésére. 26 A gépi tanulás használata az iparban 4.0
A lineáris regresszió egyszerű lehet, ha csak egy független változó van, vagy több, ha több is van. Ez a modell gyors és robusztus, de megfelelő működésének biztosításához bizonyos lineáris kapcsolatnak kell lennie a bemenet és a kimenet között (González, 2018). Egy egyszerű lineáris regresszió példája az eladható napernyők számának előrejelzése az előző év története alapján a csapadék mennyisége alapján (2.8. Ábra). A többszörös lineáris regresszió példája a termék eladásának előrejelzése a TV-reklámba és a rádiós reklámba fektetett pénz alapján (2. 9. ábra). Ez utóbbi esetben, mivel két független változó létezik, lehetséges ábrázolni őket egyenes helyett sík beállításával. 2. ábra: Példa egyszerű lineáris regresszióra. Az esernyő eladásának jóslata eső alapján. Letöltve: https://www.ablebits.com/office-addins-blog/2018/08/01/linear-regression-analysis-excel/ 2. ábra 9. Példa többszörös lineáris regresszióra. A termék értékesítésének előrejelzése a TV-reklámba és a rádiós reklámba fektetett pénz alapján. Letöltve: https://rpubs.com/joaquin_ar/226291 A gépi tanulás használata az iparban 4.0 39
Ez az algoritmus nagyon hasznos a képtömörítésben, ahol minden pixel egy változónak felel meg. A 2.17. Ábra példájában a cél az előrejelezni kívánt címkét tartalmazó pixelek információinak megtartása, hogy minden macskát nem tartalmazó pixel haszontalan legyen. A képekkel működő neurális hálózat számítási ideje jelentősen lerövidül a PCA-nak, mint az előfeldolgozás szakaszának köszönhetően (Chandupatla, 2019). 2. ábra. 17. Példa a PCA alkalmazására (Chandupatla, 2019). 2.4.3. Szinguláris értékbontás A lineáris algebrában a szinguláris értékbontás (SVD) a dimenziócsökkentéshez használt valós vagy komplex mátrix faktorálásának módszere. A vektorok ortogonális tengelyeikben történő bontásának elvén alapul (2.18. Ábra), így bármely a vektor két változóval fejezhető ki: az egységvektor, amely jelzi a vetítés irányát (vi) és a vetület hosszát ( igen ai). Az SVD-ben ez a következtetés számos vektorra és minden dimenzióra kiterjed (Abdullatif, 2019). 2. ábra: Egy vektor bontása két merőleges tengelyben (Abdullatif, 2019). A gépi tanulás használata az iparban 4.0 47