侵权投诉
订阅
纠错
加入自媒体

预测缺陷、工业分拣、故障感知 机器学习正在大举入侵制造业!

2017-02-10 09:28
九一隐士
关注

经过机器学习后,机器人知道了分捡时夹圆柱的哪个位置会有更高的捡起成功率,经过8个小时的学习后,机器人的分捡成功率可以达到90%,和熟练工人的水平相当。

(3)工业机器人异常的提前检知,从而有效避免机器故障带来的损失和影响

这方面和IoT(Internet of Things)结合比较多。例如在制造流水线上,有大量的工业机器人。如果其中一个机器人出现了故障,当人感知到这个故障时,可能已经造成大量的不合格品,从而带来不小的损失。如果能在故障发生以前就检知的话,可以有效做出预防,减少损失。

例如下图的工业机器人减速机和主轴,如果给它们配上sensor,并提前采取它们正常/不正常工作时的波形,电流等信息,用于训练机器学习系统,那么训练出来的模型就可以用来提前预警,实际的数据也表明人工智能会比人更早地预知到故障,从而降低损失。

经过机器学习后,模型通过观测到的波形,可以感知到人很难感知的细微变化。

经过机器学习后,模型通过观测到的波形,可以检知到人很难感知到的细微的变化,并在工业机器人彻底故障的之前的数星期,就提出有效预警。利用机器学习来提前预警主轴的故障,一般人都是主轴出现问题后才知道。

(4)高匹配率的找出符合3D模型参数的那些现实零件

例如工业上的3D模型设计完成后,需要根据3D模型中参数,寻找可对应的现实中的零件,用于制造实际的产品。使用机器学习来完成这个任务的话,可以快速,高匹配率的找出符合3D模型参数的那些现实零件。

根据3D模型设计的参数,机器学习模型计算各个现实零件与这些参数的类似度,从而筛选出匹配的现实零件。没有使用机器学习时,筛选的匹配率大概是68%,也就是说,找出的现实零件中有1/3不能满足3D模型设计的参数,而使用机器学习后,匹配率达到了96%。

(5)PCB电路板的辅助设计

任何一块印制板,都存在著与其他结构件配合装配的问题,所以,印制板的外形和尺寸,必须以产品整机结构为依据,另外还需要考虑到生产工艺。层数方面,也需要根据电路性能要求,板尺寸和线路的密集程度而定。如果不是经验丰富的技术人员,很难设计出合适的多层板。通过机器学习,可以将技术人员的经验转化为模型,从而提升PCB设计的效率与成功率。

机器学习在工业领域的瓶颈

参考知乎用户苗广艺和Assam的观点,机器学习在工业领域应用,仍有许多需要攻克的瓶颈。

(1)数据量的问题

效果好的方法大都是有监督训练的,这就需要很多标注数据,数据的质量、归一化方法、分布等,对模型的效果都影响很大。

数据量的问题可以分成两类来讨论:

a. 数据太多:那么面临着计算能力和计算成本的问题。

b. 数据太少:数据太少有时候是很客观存在的事情,在这种情况下模型的预测能力一般都不会太好。

(2)工程师经验

机器学习的方法对于一般的工程师并不友好,尤其是在工业和制造业领域深耕对机器学习根本不了解的工程师朋友。

如果没有了解原理和做过一些实验,这就是一个参数很多的黑盒,弄不好效果就会很差。

(3)计算能力和工程实现能力

很多模型,特别是深度学习模型,训练时间和资源消耗很大,如果需要多次训练调整策略和参数,周期很长。实际部署运行速度也受模型大小和种类影响,速度和效果会有一个权衡。

另外,好的算法要有好的工程实现,才能发挥正常的作用,代码能力不行,再好的模型也不行。

(4)机器学习的不可预测性

机器学习的每个过程都充满了不可预测性,比如解释model,比如处理missing value,也比如将文字转化为vector。按理来说,我们会觉得更复杂的处理效果更好,但大部分时候你会发现bag of words比skip-gram强多了。大概机器学习的每个环节都存在这种问题,没有唯一的经典的最好的方法。做机器学习就像是猜密码,而且是一个很多位的密码。

<上一页  1  2  3  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

物联网 猎头职位 更多
文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号