سرعت و کارایی، توسط تولید سیستم یادگیری ماشین افزایش یافته است.
محققین فرانهوفر(The Fraunhofer) از مجموعه یادگیری ماشین استفاده کردند تا کارایی پردازش ورقه های فلز را ارتقا دهند.
یک سیستم یادگیری ماشین جدید (ML) که داده های تولید را تحلیل میکند و از طریق تجربه یاد میگیرد، می تواند سرعت و کارایی داده های تولید در هر اندازه ای را، بسته به توسعه دهندگانش ارتقا دهد.
توسعه دهندگان در فرانهوفر در آلمان گفته اند : استفاده از یک رویکرد پیمانه ای و شفاف در مجموعه نرم افزارها ، که برای پروژه ML4P(یادگیری ماشین برای تولید) ایجاد شده است ، می تواند موانع را برای ورود کمپانی های کوچک کم کند .
مجموعه هایی که هدفشان کارآمدتر کردن صنایع تولیدی با استفاده از یادگیری ماشین است ، طبق گزارش بسیار انعطاف پذیر هستند و می توانند برای فرآیند های تولید موجود استفاده شوند .
محقق میگوید : ماشین های به روز و مجهز به سنسورهای گسترده، حجم فزاینده ای از داده ها را تولید میکنند که باعث پتانسیل بهینه سازی عظیم برای تولید ، از طریق تحلیل داده ها با هوش مصنوعی می شود. مجموعه ای از چند موسسه فرانهوفر به دنبال استفاده از این پتانسیل استفاده نشده به نفع صنعت بودند .
در طی این پروژه چهار ساله ، این مجموعه مدل های فرآیند و ابزارهای نرم افزار را به هدف تولید سریعتر و کارآمدتر انرژی و منابع ترکیب کرد . این مجموعه توانست داده های ماشین را برای کشف روندهای پنهان تجزیه و تحلیل کند و از آنها برای بهینه سازی فرآیند تولید استفاده کند. برای مثال ، همچنین میتواند در گذر زمان یاد بگیرد که تولید را به طور مداوم بهتر کند .
کریستین فری، مدیر پروژه ML4P میگوید: (ما فقط یک راه حل نرم افزاری تکمیل شده برای یک شرکت ارائه نمیدهیم، بلکه آنها را از طریق مدل فرآیند، با اتخاذ رویکردی روش محور و قدم به قدم راهنمایی میکنیم.)
به گفته این گروه اولین قدم ، تجزیه و تحلیل وضعیت فعلی فرآیند تولید است. بعد متخصصین ، حوزههای بالقوه را برای بهینه سازی شناسایی میکنند، اهداف را تعیین میکنند و موضوعی برای اجرای ML4P تعیین میکنند . سپس بررسی می کنند که آیا این موضوع واقعاً میتواند با ماشینآلات و دادههای موجود پیاده سازی شود و چگونه با اهداف شرکت مطابقت دارد.
مرحله بعدی شامل تبدیل داده های فرآیند از ماشین آلات به «مدل اطلاعات جامع و دیجیتال» است که نیازمند دانش تخصصی مهندسین در مورد تمام مراحل تولید است. این در یک خط لوله ML4P یکپارچه شده است که یک مدل فرآیند را از داده های ماشین یاد می گیرد. عملیات پیاده سازی و آزمایش دنبال می شود و در نهایت مدل فرآیند مستقر شده و تولید روزانه آغاز می شود.
