CC BY
15МЕЖДУНАРОДНАЯ НАУЧНО-ПРАКТИЧЕСКАЯ КОНФЕРЕНЦИЯ «НАУКА И ТЕХНИКА В XXI ВЕКЕ»
УДК 004.032.26
Заплатников П.В.
магистрант
Московский государственный технологический университет «Станкин»
(г. Москва, Россия)
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ НА ПРОИЗВОДСТВЕННОМ ПРЕДПРИЯТИИ ДЛЯ АВТОМАТИЗАЦИИ ПРОЦЕССОВ ТЕХНОЛОГА
Аннотация: в процессе осуществления своей деятельности технолог получает большое количество данных, анализ и отбраковка которых требуют огромного количества сил и времени. В данной статье рассматривается возможность при помощи обученной нейронной сети осуществлять правильный отбор данных на основе регрессионной модели и сортировку их по блокам.
Ключевые слова: информационные технологии, нейронные сети, технолог, автоматизация процессов.
Применяются несколько подходов к объединенной функции и выбору экземпляра данных для загрузки в нейронную сеть, склонности к загрузке неточных данных обсуждаются и экспериментально оцениваются в отношении точность и сжатие наборов данных, учитывая также их вычислительная сложность. К ним относятся различные версии выбора функций и экземпляров данных до обучения сети, выбор встроен в нейронную сеть автоматически [3, с.94].
Существует три основных цели выбора данных: неограниченность размера набора данных для обработки и, следовательно, ускорение процесса обучения модели, удаление шума из данных и тем самым доказательство
возможностей прогнозирования модели и упрощение интерпретации данных программой, а не технологом. Данные могут быть подгружены в программу посредством файла Excel. Выбор характеристик до изучения модели взаимосвязей данных, полученных с производства, может быть выполнен либо с помощью фильтров, либо оберток. Данные с производства как правило поступают в виде размеров деталей и количества бракованных деталей или деталей которые подлежат переделке, в связи с поломкой оборудования.
Когда экспертные знания доступны, их можно использовать для выбора функции регрессии и глубины построения нейронной сети. Чтобы выбрать методы, которые мы собираемся использовать, нужно выполнить некоторые предварительные эксперименты с различным выбором функций и другим экземпляром метода выбора с использованием программного обеспечения Mathlab для обучения нейронной сети и выбрать данные, которые наибольшим образом коррелируют между собой.
В последние годы наша цифровая активность деятельности технологов на производстве значительно возросла, генерируются очень большие объемы данных. Точность и время работа являются основными преимуществами разработанного программного обеспечения.
В то время как производительность традиционных методов машинного обучения будет снижаться по мере использования большего количества данных, достаточно большие нейронные сети увидят увеличение их производительности по мере того, как будет доступно больше данных[2, с. 148].
На рисунке 1 представлены ошибки данных, которые обнаружены нейронной сетью при обучении на 32 эпохе. В итоге программа представила следующую матрицу показателей, которые представляют собой 100% совпадающие данные с заданными, без брака и без ошибок для загрузки в любую программу
Neural Network Training Confusion [plotconfusion), Epoch 32, Minimum gradient reached, — □ X
File Edit View In sert Tools Desktop Window Help
Training Confusion Matrix
Validation Confusion Matrix
« 2 (Л
_ra
О g 3
a.
О 4
174 24.9% 0 0.0% 0 0.0% 0 0.0% 100% 0.0%
0 0.0% 169 24.1% 0 0.0% о 0.0% 100% 0.0%
0 0.0% 0 0.0% 152 21.7% 0 0.0% 100% 0.0%
0 0.0% 0 0.0% 0 0.0% 205 29.3% 100% 0.0%
100% 0.0% 100% 0.0% 100% 0.0% 100% 0.0% 100% 0.0%
N. T, "3 >
Target Class
u> 2
n
m
О
53
CL
О 4
35 23.3% 0 0.0% 0 0.0% 0 0.0% 100% 0.0%
0 0.0% 41 27.3% 0 0.0% 0 0.0% 100% 0.0%
0 0.0% 0 0.0% 40 26.7% 0 0.0% 100% 0.0%
0 0.0% 0 0.0% 0 0.0% 34 22.7% 100% 0.0%
100% 0.0% 100% 0.0% 100% 0.0% 100% 0.0% 100% 0.0%
a- ъ > Target Class
Test Confusion Matrix
Ail Confusion Matrix
я 2
en
m
О
3 3
EL
-M
О 4
34 22.7% 0 0.0% 0 0.0% 0 0.0% 100% 0.0%
0 0.0% 37 24.7% 0 0.0% 0 0.0% 100% 0.0%
0 0.0% 0 0.0% 41 27.3% 0 0.0% 100% 0.0%
0 0.0% 0 0.0% 0 0.0% за 25.3% 100% 0.0%
100% 0.0% 100% 0.0% 100% 0.0% 100% 0.0% 100% 0.0%
N T, ^ (*
Target Class
(fl 2 гл (С
О
53
CL
+J
О 4
243 24.3% 0 0.0% 0 0.0% 0 0.0% 100% 0.0%
0 0.0% 247 24.7% 0 0.0% 0 0.0% 100% 0.0%
0 0.0% 0 0.0% 233 23.3% 0 0.0% 100% 0.0%
0 0.0% 0 0.0% 0 0.0% 277 27.7% 100% 0.0%
100% 0.0% 100% 0.0% 100% 0.0% 100% 0.0% 100% 0.0%
N Т, (*
Target Class
Рис.1. Исходные данные для выгрузки, которые были получены на 32 эпохе обучения
нейронной сети
Новые подходы и технологии достаточно часто применяются в производственной среде технологами. В последнее время интерес к искусственным нейронным сетям для автоматизации анализа данных в производственной системе растет[1, с. 62].
Искусственные нейронные сети имеют ряд преимуществ, которые желательны в производственной практике при автоматизации бизнес-процессов технолога, включая способность к обучению и адаптации, параллельные распределенные вычисления, надежность и т.д. Ожидается, что методы
нейронных сетей могут привести к реализации действительно интеллектуальных производственных систем. Эта статья знакомит с основными понятиями нейронных сетей и рассматривает текущее применение нейронных сетей в производстве.
СПИСОК ЛИТЕРАТУРЫ:
A.В. Шаламов, П.Г. Мазеин. Нейронные сети как новый подход к управлению технологическим оборудованием. Известия Челябинского научного центра, вып. 1 (18), 2003. С. 60-64.
Н.С. Мальцева, Е.А. Барабанова. Имитационное моделирование коммутационных систем. Вестник АГТУ. № 1. - Астрахань: Изд-во АГТУ. -2009.- С. 146-150.
B.И. Комашинский, Д.А. Смирнов. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия - Телеком, 2003. - 94 с.
