ПРИНЦИПИ ВПРОВАДЖЕННЯ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ У СФЕРІ ІНТЕЛЕКТУАЛЬНОГО ОБСЛУГОВУВАННЯ ПРОМИСЛОВОГО ОБЛАДНАННЯ

Автор(и)

DOI:

https://doi.org/10.32851/tnv-tech.2021.3.3

Ключові слова:

машинне навчання, промислове обладнання, інтелектуальне обслугову- вання, модель, хмара, персональний комп’ютер

Анотація

У статті досліджено принципи впровадження моделей машинного навчання у сферу інтелектуального обслуговування промислового обладнання. Зазначено, що розумне вироб- ництво використовує передову аналітику даних для доповнення фізичних законів щодо підвищення ефективності роботи виробничих систем. Наголошується, що за широкого поширення датчиків та Інтернету речей (IoT) зростає потреба в обробці великих вироб- ничих даних, що характеризуються високим об’ємом, високою швидкістю і високою різ- номанітністю. Наведено схему промислової машини, яка використовується для перемо- тування та різання пакувальної плівки на виробництві. Детально розкрито виробничий процес та складено структурну схему налаштування системи, сформовано модель клас- теризації параметрів для виявлення збоїв у роботі промислової машини. Підкреслено, що дані, отримані від датчиків, фактично є дискретними даними часу, що відбираються за секунду часу, а декомпозиція даних часових рядів виявила тенденцію до зростання залиш- ків. Отримані часові ряди стаціонарувались за допомогою диференціації, а логарифмічне перетворення у свою чергу використовувалось для зменшення дисперсії даних часових рядів. При цьому наголошується, що диференціація усуває зміни рівня динамічного ряду, а отже, усуває тенденції та сезонність, причому середнє ковзне та стандартне відхи- лення знайдено незалежно від часу, на основі чого побудовано діаграму стаціонарності. Визначено етапи прогнозування та запропоновано модель інтегрованої ковзної середньої. У роботі запропоновано три моделі: метод опорних векторів, глибока нейронна мережа та наївний баєсів класифікатор, здійснено порівняння всіх трьох моделей та доведено, що модель глибокої нейронної мережі була більш ефективною в разі моделювання даних. Про- гнозна модель побудована для зменшення низькоякісних виробничих циклів та планування технічного обслуговування. Таким чином, наголошено, що машинне навчання на основі IoT допоможе подолати суттєві обмеження продуктивності та пов’язані з цим витрати на обслуговування, що в загальному випадку значно підвищить продуктивність виробничого обладнання.

Посилання

Олійник О.Ю., Тараненко Ю.К. Система безперервного вібромоніторингу стану технологічного обладнання з машинним навчанням класифікатору. Інформаційні технології та комп'ютерна інженерія. 2020. № 2. С. 18–26.

Подскребко О.С., Квашук Д.М., Берідзе-Стаховський А.К. Технології машинного навчання в промисловості з використанням методів розпізнавання образів. Економіка та держава. 2019. № 6. С. 46-49.

Хома Ю.В. Теорія і методи комп’ютерного опрацювання біосигналів на основі машинного навчання : дис. … на здобуття наукового ступеня доктора технічних наук : 05.13.05 ; Міністерство освіти і науки України, Національний університет «Львівська політехніка». Львів, 2020. 379 с.

Бідяк М.А., Олійник О.В. Застосування машинного навчання в автоматизації промисловості для технічного обслуговування. «Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами» : Матеріали VІІ Міжнародної науково-технічної Internet-конференції, (м. Київ, 26 листопада 2020. Київ : НУХТ, 2020. С. 22–24.

Agrawal S.S., Patel A. CSG cluster: A collaborative similarity based graph clustering for community detection in complex networks. International Journal of Engineering and Advanced Technology. 2019. 8(5). 1682–1687.

Paul R. Daugherty, Wilson H.J. Human+ machine: Reimagining work in the age of AI. Harvard Business Review Press, 2018.

Dhankhad S., Mohammed E., Far B. Supervised machine learning algorithms for credit card fraudulent transaction detection: a comparative study. In 2018 IEEE international conference on information reuse and integration (IRI). 2018. July. Р. 122–125. IEEE.

Agrawal S., Patel A. Clustering algorithm for community detection in complex network: a comprehensive review. Recent Advances in Computer Science and Communications (Formerly: Recent Patents on Computer Science). 2020. 13(4). 542–549.

Amruthnath N., Gupta T. A research study on unsupervised machine learning algorithms for early fault detection in predictive maintenance. In 2018 5th International Conference on Industrial Engineering and Applications (ICIEA). 2018. April Р. 355–361. IEEE.

Patel N., Oza P., Agrawal S. Homomorphic cryptography and its applications in various domains. In International Conference on Innovative Computing and Communications. Springer, Singapore, 2019. Р. 269–278.

Machine learning based models for fault detection in automatic meter reading systems. In 2017 International Conference on Security, Pattern Analysis, and Cybernetics (SPAC) / Y. Kou et al. 2017. December. P. 684–689. IEEE.

Specification of the Application of Vibrodiagnostics in Assessing the State of the Industrial Robot. Advances in Science and Technology. Research Journal / N. Daneshjo et al. 2019. 13(1).

Puchalski A. A technique for the vibration signal analysis in vehicle diagnostics. Mechanical Systems and Signal Processing. 2015. 56. 173–180.

Модель прогнозування геопросторових даних в системах обробки геопросторової інформації. Системи озброєння і військова техніка / Г.В. Худов та ін. 2021. № 2 (66). С. 123–128. URL: https://doi.org/10.30748/soivt.2021.66.16

##submission.downloads##

Опубліковано

2021-11-02

Як цитувати

Козак, Є. (2021). ПРИНЦИПИ ВПРОВАДЖЕННЯ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ У СФЕРІ ІНТЕЛЕКТУАЛЬНОГО ОБСЛУГОВУВАННЯ ПРОМИСЛОВОГО ОБЛАДНАННЯ. Таврійський науковий вісник. Серія: Технічні науки, (3), 19-28. https://doi.org/10.32851/tnv-tech.2021.3.3

Номер

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ