Ipari mérnöki fokozat Mesterképzés az iparmérnökök iparművészeti iskolájában VALLADOLID MASTER FOKOZÁS VÉGLEGES PROJEKTJE A GÉPTANULÁS IGAZDASÁGBAN 4.0.

géptanulás

KÖSZÖNETNYILVÁNÍTÁS Pedrónak, a TFM oktatómnak, a projekt során nyújtott bátorításáért és javaslataiért. Családomnak és barátaimnak, minden támogatásért, amit az egyetemen töltöttem.

Tartalomjegyzék Bevezetés. 1.Háttér. 1 Motiváció. 2 Célkitűzések. 3 Hatály. 3 Memória felépítése. 4 1 AZ IPAR 4.0. 7 1.1. Mi az Ipar 4.0. 7 1.2. Az ipari forradalmak. 8 1.3. Engedélyező technológiák. 10 1.3.1. Felhő alapú számítástechnika. 10 1.3.2. Internet of Things. 11 1.3.3. Adalékanyagok gyártása. 11 1.3.4. Nagy adat. 12 1.3.5. Mesterséges intelligencia. 13 1.3.6. Autonóm és együttműködő robotok. 13 1.3.7. Kiterjesztett valóság és virtuális valóság. 14 1.3.8. Blockchain. 14 1.4. Okos környezet. 15 1.4.1. Okos város. 16 1.4.2. 1.4.3. Intelligens rács. 16 Okos gyár. 17 1.4.4. 1.4.5. Intelligens logisztika. 17 Intelligens fogyasztó. 18 1.5. A digitalizálás jelenlegi állapota. 18 1.5.1. Digitalizálás Európában. 18 1.5.2. A spanyol ipar digitalizálása. 21 1.5.3. Az ipar digitalizálásának fő akadályai. 23 2 A GÉP TANULÁSA. 27 2.1. Mi a gépi tanulás. 27 2.1.1. Korábbi fogalmak. 27 2.1.2. A gépi tanulás története. 30 2.2. A gépi tanulás alapjai. 31 2.2.1. 2.2.2. A tanulás. 31 A hiba és a beállítási problémák. 34 2.2.3. Szakaszok egy Machine Learning projektben. 36 2.3. Felügyelt tanulás. 38 2.3.1. Lineáris regresszió. 38 2.3.2. 2.3.3. Polinomiális regresszió. 40 Logisztikai regresszió. 41 2.3.4. Támogatja a vektor gépet. 43

2.3.5. K-Legközelebbi szomszédok. 44 2.4. Felügyelet nélküli tanulás. 44 2.4.1. 2.4.2. K-azt jelenti. 45 Főkomponens-elemzés. 46 2.4.3. 2.4.4. Szinguláris érték felbontás. 47 Független alkatrészelemzés. 49 2.5. Megerősített tanulás. 50 2.5.1. Q-tanulás. 51 2.5.2. SARSA. 52 2.6. Mély tanulás. 53 2.6.1. Konvolúciós neurális hálózatok. 55 2.6.2. Ismétlődő neurális hálózatok. 57 2.6.3. Generatív kontradiktórius hálózatok. 58 3 A GÉPTANULÁS ALKALMAZÁSAI AZ IPARBAN. 61 3.1. A gépi tanulás jelentősége az iparban. 61 3.2. A gépi tanulás a termelésben, a gyártásban és a minőségben alkalmazott. 63 3.3. Gépi tanulás a logisztikában. 67 3.4. A karbantartás során alkalmazott gépi tanulás. 74 3.5. Gépi tanulás az üzleti életben. 76 3.6. A gépi tanulás a marketing és az ügyfélmenedzsment területén alkalmazható. 78 3.7. Az ergonómiában alkalmazott gépi tanulás. 82 3.8. Gépi tanulás a biztonság területén. 85 3.9. Az emberi erőforrásokban alkalmazott gépi tanulás. 87 3.10. A gépi tanulás korlátai az iparban. 89 Következtetések és jövőbeli vonalak. 91 1. Következtetések. 91 2. Jövőbeli vonalak. 94 BIBLIOGRAPHY. 95

A gépi tanulás használata az iparban 4.0 5

6 A gépi tanulás használata az iparban 4.0

1. ábra: 4. Az I-DESI alakulása 2013 és 2016 között különböző országokban (Európai Bizottság, 2018). Másodsorban a DESI 2018 eredményeit mutatjuk be, amelyek osztályozást hoznak létre az Európai Unió e tanulmányhoz benyújtott 28 tagállama között (1.5. Ábra). 1. ábra. 5. A DESI 2018 eredményei az EU különböző országaiban (Commission European, 2018) . E rangsor szerint a digitalizálás európai vezetői Dánia, Svédország, Finnország és Hollandia. Őket követi Luxemburg, Írország, az Egyesült Királyság, Belgium és Észtország. Spanyolország a tizedik helyet foglalja el a 28 elemzett állam közül a rangsorban, és egyike azoknak az európai országoknak, amelyek Írországgal és Ciprussal együtt az elmúlt négy évben a legnagyobb mértékben haladtak. Ezzel szemben Portugália az, amely a legkevésbé fejlődött az elmúlt évben, és Románia folytatja a legalacsonyabb pontszámot a rangsorban (Európai Bizottság, 2018). Az 1.6. Ábra Spanyolország relatív teljesítményét mutatja mind az öt dimenzió esetében. 20 A gépi tanulás használata az iparban 4.0

komplementaritás, ahol az automatizálás kiegészíti a munkavállaló feladatait, produktívabbá téve azt (Blanco, Fontrodona és Poveda, 2017). A szükséges készségek különbözőek, ezért az alacsony és képzett szakembereket, akik egyszerű és ismétlődő feladatokat látnak el, szoftveres vagy mechatronikai szakemberek váltják fel. Érdekes szempont, hogy az ismétlődő feladatok nem csak automatizálódnak, hanem a mesterséges intelligencia és a fejlett elemzés fejlődésével automatizálni lehet a járművek vezetését vagy az orvosi diagnózisok teljesítését, így a negatív hatás fokozódik (Blanco, Fontrodona és Poveda, 2017). Ha a foglalkoztatáspolitikában és a képzésben nincs innováció, akkor a munkanélküliségi ráta növekedni fog. Végül is a digitális átalakulás szükségszerűség, ugyanakkor lehetőség a biztos nyereségbe való befektetésre és a vállalatok versenyképességének növelésére. 26 A gépi tanulás használata az iparban 4.0

A lineáris regresszió egyszerű lehet, ha csak egy független változó van, vagy több, ha több is van. Ez a modell gyors és robusztus, de megfelelő működésének biztosításához bizonyos lineáris kapcsolatnak kell lennie a bemenet és a kimenet között (González, 2018). Egy egyszerű lineáris regresszió példája az eladható napernyők számának előrejelzése az előző év története alapján a csapadék mennyisége alapján (2.8. Ábra). A többszörös lineáris regresszió példája a termék eladásának előrejelzése a TV-reklámba és a rádiós reklámba fektetett pénz alapján (2. 9. ábra). Ez utóbbi esetben, mivel két független változó létezik, lehetséges ábrázolni őket egyenes helyett sík beállításával. 2. ábra: Példa egyszerű lineáris regresszióra. Az esernyő eladásának jóslata eső alapján. Letöltve: https://www.ablebits.com/office-addins-blog/2018/08/01/linear-regression-analysis-excel/ 2. ábra 9. Példa többszörös lineáris regresszióra. A termék értékesítésének előrejelzése a TV-reklámba és a rádiós reklámba fektetett pénz alapján. Letöltve: https://rpubs.com/joaquin_ar/226291 A gépi tanulás használata az iparban 4.0 39

Ez az algoritmus nagyon hasznos a képtömörítésben, ahol minden pixel egy változónak felel meg. A 2.17. Ábra példájában a cél az előrejelezni kívánt címkét tartalmazó pixelek információinak megtartása, hogy minden macskát nem tartalmazó pixel haszontalan legyen. A képekkel működő neurális hálózat számítási ideje jelentősen lerövidül a PCA-nak, mint az előfeldolgozás szakaszának köszönhetően (Chandupatla, 2019). 2. ábra. 17. Példa a PCA alkalmazására (Chandupatla, 2019). 2.4.3. Szinguláris értékbontás A lineáris algebrában a szinguláris értékbontás (SVD) a dimenziócsökkentéshez használt valós vagy komplex mátrix faktorálásának módszere. A vektorok ortogonális tengelyeikben történő bontásának elvén alapul (2.18. Ábra), így bármely a vektor két változóval fejezhető ki: az egységvektor, amely jelzi a vetítés irányát (vi) és a vetület hosszát ( igen ai). Az SVD-ben ez a következtetés számos vektorra és minden dimenzióra kiterjed (Abdullatif, 2019). 2. ábra: Egy vektor bontása két merőleges tengelyben (Abdullatif, 2019). A gépi tanulás használata az iparban 4.0 47

A súlyok és a bemenetek lineáris kombinációjának kiszámítása után egy aktiválási függvényt () alkalmazunk, amelynek célja a kimenet (y) torzítása, azaz nemlineárisá tétele, hogy a hálózat nemlineáris problémákat oldhasson meg (egyenlet 2.20) (Villanueva, 2019). (2.20) Az ideghálózatokban a leggyakrabban használt aktiválási funkciók közül a lépésfüggvény, a sigmoid függvény, a lineáris egyenirányító függvény és a hiperbolikus tangens függvény (2.23. Ábra) (Villanueva, 2019). 2. ábra. 23. Leggyakrabban használt aktiválási funkciók (Villanueva, 2019). Az idegsejt vázlatos ábrázolását a 2. ábra mutatja. 24. 2. ábra. 24. Az idegsejt vázlatos ábrázolása. Letöltve: https://naukas.com/2015/12/09/acertando-quinielas-redes-neuronales/ 54 A gépi tanulás használata az iparban 4.0

60 A gépi tanulás használata az iparban 4.0

felhasználása kiterjed minden olyan helyzetre vagy folyamatra, ahol trendeket kíván azonosítani, előrejelzéseket készíteni, rendellenességeket észlelni stb. A Smart Industry 4.0 tanulmány szerint, amelyet (everis Spain, 2018) végzett, 2018-ban a vállalatok mindössze 8% -ának volt ipari alkalmazása a Big Data-val és a mesterséges intelligenciával kapcsolatban (3.1. Ábra). 3. ábra: 1. A vállalatok legmodernebb paradigmái (everis Spain, 2018). A vállalatok azonban tisztában vannak a folyamataikban rendelkezésre álló adatok mennyiségével, ezért a vállalatok 15% -a nagy érdeklődést mutat az erőfeszítések és beruházások ezen technológiákra való összpontosítása iránt (3.2. Ábra). 3. ábra: 2. Technológiák, amelyekbe a vállalatok többet fektetnek be az elkövetkező években (everis Spain, 2018). 62 A gépi tanulás használata az iparban 4.0

a hő és a tömeg, valamint a folyamat kémiai reakciói, a vizsgálati változók jellege rendkívül nem lineáris. A lézeres fémvágásban (Tsai, Li és Chen, 2008) az ideghálózatok és a genetikai algoritmusok kombinációját javasolja, hogy megtalálják a folyamat áramának, frekvenciájának és vágási sebességének optimális értékeit a kívánt minőségnek megfelelően. Az acél esztergálási folyamatában (Pontes, de Paiva, Belestrassi, Ferreira és da Silva, 2012) sugárirányú neurális hálózati modellt kap az átlagos érdesség előrejelzésére. (Çaydas & Hasçalik, 2008) hasonló vizsgálatot hajtott végre a vízsugaras vágásnál, ötvözve az ideghálózatokat regressziós modellekkel a felületi érdesség előrejelzésére a sugársebesség, nyomás és alkalmazási távolság alapján; ahol a nyomás bizonyult a legjelentősebb paraméternek. A számítógépes látás az iparban széles körben alkalmazott tudományos tudományág, mivel lehetővé teszi a robotok számára, hogy olyan feladatokat hajtsanak végre, mint a minőségellenőrzés, valamint az objektumok ellenőrzése és felismerése. A látórendszereket használják az objektumok helyzetének és tájolásának meghatározására is, hogy egy robot manipulálni tudja őket. Az általában erre a célra használt kamerákat azonban erősen befolyásolja az ipari környezet fénye. (Pinto, Rocha és Moreira, 2013) egy 2D lézeres távolságmérőn (Laser Range Finder, LRF) alapuló megoldást ír le, amely 3D szürkeárnyalatos képet hoz létre az objektumtól mért távolság alapján. Ezután a Machine Learning algoritmusokat használják az objektumok felismerésének és osztályozásának elvégzésére. Végül egy robotkar megy az objektumhoz és szállítja a megfelelő helyre (3.3. Ábra). A tanulmány három algoritmus eredményeit hasonlítja össze: KNN, SVM és neurális hálózatok; mivel SVM az, aki a legjobban általánosít. Ez a rendszer használható tárgyak elhelyezésére a megmunkáló gépeken vagy szállító elemeken, ezáltal csökkentve a kézi munkát. 3. ábra: 3. Feltáró szkenner az objektumok mesterséges látással történő manipulálására (Pinto, Rocha és Moreira, 2013) 64 A gépi tanulás használata az iparban 4.0

hegesztés. Ha a hegesztéshez mikrofont helyezünk, akkor az ív hangjának spektrogramját kapjuk, amely a modell kiképzésére szolgál (3.5. Ábra). 3. ábra. 5. A jó hegesztéshez (felső) és a hegesztési hibához (alul) társított spektrogram összehasonlítása (Sumesh, Rameshkumar, Mohandas és Shyam Babu, 2015) Egy másik tanulmány (Mirapeix, García- Allende, Cobo, Conde és López-Higuera, 2007) a hegesztés során keletkező plazma spektrumának spektroszkópiai elemzését használja a hegesztési varrat minőségének ellenőrzésére. Az elektronikus hőmérsékleti profil becslése összefüggést kínál a plazmaspektrum és a folyamat minősége között (3.6. Ábra). A hiba automatikus észlelését és annak megfelelő besorolását úgy érik el, hogy a fő komponens elemzést (PCA) alkalmazzák a spektrum információ tömörítésére és a feldolgozás megkönnyítésére, majd egy neurális hálózat követi, amely maga végzi az észlelést és a besorolást. 3. ábra: 6. A jó hegesztés (bal oldali) és a rossz hegesztés (jobb) ideghálózati kimeneteinek összehasonlítása (Mirapeix, García-Allende, Cobo, Conde és López-Higuera, 2007) 66 A gépi tanulás használata az iparban 4.0

3. ábra. 12. NPL-vel rendelkező rendszerek a raktár támogatásához (Gesing, Peterson és Michelsen, 2018) A raktárak autonóm robotokat (például AGV-ket, automatizált vezetett járműveket) és együttműködő robotokat tartalmaznak, hogy az emberek nagyobb feladatoknak szentelhessék magukat. hozzáadott érték. A GreyOrange egy automatizálási és robotikai vállalat, amely a WMS kiegészítéseként kifejlesztette a GreyMatter nevű szoftvert. A GreyMatter a Machine Learning segítségével valós időben valósítja meg az AGV-k együttműködését, és optimalizálja az utazásukat és a sebességüket. Ezenkívül öntanulási mechanizmust biztosít számukra, hogy tapasztalataikkal javítsák képességeiket. Például az AGV-k megváltoztathatják a legnépszerűbb termékek helyzetét, hogy közelebb kerüljenek a válogatási ponthoz, és ezáltal csökkentsék az elmozdulásokat (3.13. Ábra) (Gesing, Peterson és Michelsen, 2018; GreyOrange, 2019). 3. ábra. 13. Az AGV alkalmazása a raktárkezelésben a GreyMatter-rel (GreyOrange, 2019) Ugyanezt a raktárkezelő rendszert használják az Amazon logisztikai központjaiban, például a Castellbisbal-ban, amely Spanyolországban az első robotraktár. A termékek polcait Pods-nak hívják, az őket mozgató AGV-ket pedig meghajtóknak. Minden robot akár 1300 kilogrammot is képes szállítani a munkafelületen, amelyet Robotics Field néven ismernek. Háromszázötven meghajtó és kétezer hüvely dolgozik ebben a raktárban, másodpercenként kevesebb, mint két méter sebességgel. A termékeket felhozzák a raktár üzemeltetőinek, hogy elkészítsék a megrendeléseket (3.14. Ábra). Pontosabban attól kezdve, amikor valaki megveszi a terméket, a megrendelés elkészültéig, csak tizenöt-hetven perc telik el. Ezenkívül a folyosók hiánya 50% -kal növeli a helyhasználatot (López, 2017). A gépi tanulás használata az iparban 4.0 71

3. ábra. 21. Pepper szenzorok (Kumar & Gelin, 2018) A Tally a Simbe Robotics által kifejlesztett robot, amely a Pepperrel ellentétben a boltokban található termékek készletének és árának figyelemmel kísérésével foglalkozik. A beépített mesterséges látásrendszer érzékeli a polcokon lévő szabad helyeket, pótmegrendelést indít a dolgozók számára, és rangsorolja a riasztásokat. Meghatározza a rosszul vagy rosszul árazott termékeket is (3.22. Ábra). Ez javítja a vásárlói élményt, biztosítva a termékek mindenkori létét (Simbe Robotics, 2019; Underwood, 2019). 3. ábra. 22. Tally a készlet ellenőrzését végzi egy szupermarketben. Helyreállítva: https://www.upi.com/top_news/us/2017/08/07/tally-the-robot-could-be-the-stock-boy-of-thefuture/1161502148250/ A Lowe s egy forgalmazó lakberendezési, építési és barkácsolási termékek, amelyek a Fellow Robots együttműködésével létrehozták a LoweBot-ot (Gesing, Peterson és Michelsen, 2018). Ez a robot az előző kettő kombinációja, mivel amellett, hogy ellenőrzi a termékek létezését az üzletben, kölcsönhatásba lép az ügyfelekkel (a 80 különböző gépi tanulás használata az iparban 4.0).