制造业的机器学习:优势,挑战和机会

论文: 《Machine learning in manufacturing: advantages, challenges,and applications》的阅读笔记。

 

论文下载链接: https://pan.baidu.com/s/1GfQX-JBXZ7HolVlA5QFX7w

 

本论文是机器学习在制造业领域的一篇综述。

 

一 为什幺要做这个研究?

 

对于这个问题,我们从论文的Introduction来寻找答案。

 

首先,当今的制造业正在经历前所未有的数据增长。这些数据格式,数据语义,数据质量非常地丰富,例如:生产线上的传感器数据,环境数据,设备参数等。面对这种现象,各个国家都有不同的战略,例如,中国智能制造2025,德国工业4.0,美国的智能制造,韩国的智能工厂等。

 

其次,这种大量数据的增加和可用就是“大数据”,这是大数据分析和机器学习应用的“沃土”。例如,与质量相关的数据提供了持续改进产品质量和流程的潜力。

 

第三,人们也认识到,大数据给制造业也带来了新的挑战,若是引用不恰当,甚至可能产生消极的影响,比方说,分散对主要问题或者因果关系的注意力,或者导致对适当行动的延迟或者做出错误的结论。

 

总之,制造业能够从可用的数据中获益。例如:质量改进计划,制造成本估算,工艺优化,更好地了解客户需求等。在对制造业可用的数据做加工和应用时,需要能够支持和处理复杂的,高维的,动态的大数据。而机器学习的快速发展和广泛应用,能够很好地满足制造业大数据的需求,为制造业大数据的问题,挑战和基于提供了强有力的思路,方法和工具。

 

二 怎幺做这个研究?

 

本论文从四个方面来介绍制造业大数据下的机器学习,分别是:

 

1 从制造业角度论证为什幺机器学习对于制造业今天和未来的挑战是一个合适和有前途的工具。

 

2 介绍各自领域的一些术语。

 

3 概述机器学习的不同领域,并提出一个总体的框架。

 

4 提供给读者关于某些方法在制造业应用方面优缺点的一个高层次的理解。

 

制造业的重要性毋庸置疑,每个国家都很重视制造业的发展和升级。近些年,制造业改革计划已经启动,例如,美国的“加强美国先进制造业的实施行动”,欧盟的“未来工厂”,中国的“中国智造2025”等。今天制造业面临的挑战已经与过去完全不一样。

 

我们罗列下论文关于制造业领域的一系列挑战。

 

1 采用先进的制造技术

 

2 制造高附加值产品的重要性日益增强

 

3 使用先进的知识,信息管理和人工智能系统

 

4 可持续生产流程和产品

 

5 敏捷而灵活的企业能力和供应链

 

6 产品,服务和流畅的创新

 

7 业界与研究机构紧密合作以采用新技术

 

8 新的制造管理模式

 

这些关键挑战说明制造业正在变得更加复杂和动态。

 

为了克服当今复杂制造系统的一些主要挑战,机器学习技术作为有效的工具。这种数据驱动方法可以在不同类型和来源的数据中发现高度复杂和非线性的模式,并将原始数据转化为特征空间,即所谓的模型,然后应用于解决预测,检测,分类和回归等系列问题。

 

当今,ML已经广泛应用于制造业的不同领域,例如优化、控制和故障排除等。

 

1 机器学习在制造业适用性

 

机器学习在制造业适用性综述,如下表:

 

 

接下来,探讨下机器学习在制造业领域的优势和挑战。

 

2 机器学习在制造业领域的优势和挑战

 

ML已经成功地应用于制造业的各种流程优化,监控和控制应用。

 

ML技术被发现为改进制造系统的质量控制优化提供了有前途的潜力。

 

现在,已经有许多不同的ML方法,工具和技术可用,每种方法都有优点和缺点。

 

2.1 优势

 

1 ML技术能够处理高维,多变量数据,以及能够在复杂,动态,甚至混乱的环境中提取大数据集内隐性的关系。

 

2 面对制造业的数据丰富而知识贫乏的状况,ML作为一种有效工具可以增强对数据的理解,挖掘和应用。

 

3 在制造业领域,ML技术可以降低循环时间,提高资源利用率,持续改进产品和服务质量。

 

4 ML技术擅长处理高维问题和数据。

 

5 ML技术提升了算法的可应用性。

 

6 ML算法提供了从动态系统中学习的机会,并在一定程度上自动化适应变化的环境。

 

2.2 挑战

 

1 ML技术的一个常用挑战是获取相关的数据。

 

2 ML技术需要数据的预处理。

 

3 数据缺失值的挑战。

 

4 机器学习算法和模型的选择性问题。

 

对于某一问题选择合适的ML算法的思路如下。

 

首先,查看可用数据和数据的描述,在有监督,无监督,强化学习里面做出选择。

 

其次,分析现有算法在所研究问题的适用性,特备注意可用数据的结构,数据类型,数据总量,这些可用于训练和评价模型。

 

第三,对算法在类似问题上的应用进行研究,以帮助确定合适的算法。

 

5 算法结果的可解释性

 

3 机器学习技术和算法结构

 

ML在过去几十年的里已经发展成为一个广泛而多样的研究领域,这产生各种不同的子领域,算法,理论和应用域。

 

图1,根据任务和可用的算法来构建DM的ML域。

 

 

图2 ML技术的主要分类。

 

 

图3,ML技术和算法的结构。

 

 

4 机器学习的类型和所解决的问题域

 

4.1 无监督学习

 

无监督学习是一个大的研究领域,无监督学习中所定义的属性,没有来自外部教师或者知识专家的反馈。

 

在大数据领域,获取标签数据代价大,无监督学习显得愈发重要,或者无监督学习和有监督学习组合的学习,即半监督学习得到广泛地研究和应用。

 

4.2 强化学习

 

强化学习是学习者必须通过尝试而不是被告知来发现那些行为产生了最好的结果。

 

4.3 有监督学习

 

有监督ML技术在制造业得到广泛地应用。

 

有监督ML技术是学习有标签的数据。

 

有监督ML技术的一般流程包括几个步骤来处理数据,并由教师设置训练和测试数据集,因此是有监督的。

 

5 有监督机器学习在制造业中应用领域

 

5.1 机器状态监测,故障诊断和道具磨损是支持向量机连续成功应用的领域。

 

5.2 制造业中损坏产品的识别或者分类问题。

 

5.3 手写笔迹分类。

 

5.4 图像识别问题。

 

5.5 信用评级

 

5.6 食品质量控制

 

5.7 规则提取

 

5.8 产品分类

 

三 这个研究做了什幺?

 

这个研究探讨了机器学习在制造业上挑战,优势和应用。

 

面对制造业日益增加的数据集,如何利用好数据集以实现制造业的升级改造,机器学习成为有效的“候选人”。

 

四 这个研究带来的启发是什幺?

 

1 机器学习是一个方法论,并且是一个可以与各种行业做跨界和融合的。机器学习+制造业,为智能制造贡献力量。

 

2 制造业的关键问题,先进的制造技术,产品和服务的质量,流程的优化,故障的预警等等,都是非常有价值的,通过数据,结合ML技术,可以有效地解决好这些问题,以创造新的价值和增长。

 

3 制造业的数据收集是一个挑战,也是数据驱动和算法决策落地的根基。一旦确定和采用了ML技术,数据收集就需要成为一种战略,引起足够的重视和持久地投入。

 

发表评论

电子邮件地址不会被公开。 必填项已用*标注