Obszar technicznego przygotowania produkcji jest jednym z najważniejszych obszarów dobrze działającego przedsiębiorstwa. Każdy element wchodzący w skład procesu powinien być przygotowany z należytą dbałością nie tylko o normatywy zużycia materiałów pod dany proces, ale również rzetelnego wyliczenia czasów pod daną operację. Czynniki zewnętrzne oraz jakość surowca wejściowego również w mniejszym lub większym stopniu powoduje brak powtarzalności procesu produkcyjnego niezależnie od jego etapu.

Ta sama partia finalnego produktu może znacząco różnić się pod względem składu, właściwości sensorycznych lub nawet kształtu, koloru i pozostałych właściwości fizycznych. Ręczna korekta parametrów procesu bywa często niemożliwa do wykonania w krótkim czasie. Bo jak jednoznacznie stwierdzić, jaki efekt finalnie przyniesie zmiana tych parametrów? Bazowanie na doświadczeniu pracownika przy tak dużej jego zmienności i niepewności (migracja zarobkowa) nie daje bezpieczeństwa w prowadzeniu biznesu co do bazowania na tym wskazanym parametrze tj. czynniku ludzkim. I tutaj przychodzą nam z pomocą sieci neuronowe i drzewa decyzyjne.

Sieci neuronowe poprzez swoje działanie mogą znacząco wpłynąć na optymalizację procesu produkcyjnego w tym na czas, jaki trzeba poświęcić, aby uzyskać wysokiej jakości i powtarzalny produkt. W gruncie rzeczy właśnie po to stosuje się rekurencyjne sieci neuronowe dla uzyskania efektu szybkości w sprzężeniu zwrotnym, w tym na braku konieczności angażowania całego sztabu ludzi do prowadzenia analityki porównawczej.

Czym są sieci neuronowe?

Jak najprościej zobrazować ten element w oparciu o nowoczesne systemy informatyczne, do których należy System Zarządzania Produkcją UNIS PRO? Co do sposobu działania można taką sieć porównać do ludzkiego mózgu, gdzie w przypadku postawionego problemu podejmujemy decyzję na podstawie posiadanych danych – jak najlepiej i najszybciej rozwiązać zadany problem.

Kolejnym wspólnym elementem jest zdolność do uczenia się na podstawie przykładów i możliwość automatycznego uogólnienia zdobytej wiedzy. Całość procesu skupia się na samej konstrukcji sieci, trenowaniu oraz badaniu jej możliwości co do powtarzalności uzyskanych rezultatów lub uzyskaniu konkretnych parametrów wyjściowych (oszczędność surowca wejściowego, optymalizacja procesu co do wymaganego czasu, powtarzalność sensoryczna itd.) według wskazanych założeń w ramach danego problemu.

Rodzaje sieci neuronowych

Sieci neuronowe możemy podzielić zasadniczo na trzy rodzaje sieci neuronowych: sieci jednokierunkowe, sieci rekurencyjne oraz sieci komórkowe (nie mylić z sieciami GSM). Ze względu na swoją budowę najczęściej wykorzystywane są jednokierunkowe i rekurencyjne.

Jednokierunkowe sieci neuronowe charakteryzują się przesyłem sygnałów w jednym kierunku. Szczególnym przypadkiem tego rodzaju sieci są sieci wielowarstwowe, stanowiące najpopularniejszą architekturę SSN. Odwrotnym przykładem są sieci rekurencyjne, czyli sieci ze sprzężeniami zwrotnymi. Wprowadzanie zmiany stanu jednego elementu sieci (neuronu) przenosi się przez masowe sprzężenie zwrotne na całą sieć, wywołując stan przejściowy, kończący się określonym stanem ustalonym, na ogół innym niż poprzedni.

Odnosząc się do sfery produkcyjnej, przykładem takiego działania może być zwiększenie lub zmniejszenie ilości materiału wsadowego ze względu na czynniki środowiskowe (temperatura, wilgotność, rodzaj surowca wsadowego). Przykładami takich sieci są sieci ART., BAM, sieci Hopfielda czy jego zmodyfikowana forma zwana maszyną Boltzmanna. w ostatniej grupie tj. sieciach komórkowych sprzężenie zwrotne tyczy się wzajemnych relacji w obrębie sąsiedztwa najbliższych sobie danych wejściowych (neuronów). Tego typu sieci wykorzystywane są do przetwarzania obrazów.

Uczenie sieci neuronowych

Każda sieć neuronowa, zanim będzie w stanie przekazywać rzetelne sprzężenie zwrotne, musi zostać zasilona odpowiednią paczką danych wejściowych. Uczenie sieci neuronowej nie ma etapu projektowania kolejnych po sobie algorytmów przetwarzania danych wejściowych, lecz podchodzi się do tego w formie czysto zadaniowej (tj. rozpoznawania kształtów, pisma ręcznego, dźwięków, twarzy itp.), a następnie zgodnie z założoną strategią uczenia (tego, co chcemy na finalnie uzyskać) modyfikuje się połączenia elementów sieci, a dokładniej mówiąc współczynników wagowych poszczególnych połączeń w ramach sieci neuronowej.

Całość nie opiera się na jednolitej odgórnie przyjętej strategii. Tak jak mózg ludzki może wyciągać wnioski oraz podchodzić badawczo do powstałego problemu, tak rekurencyjne sieci neuronowe można również oprzeć o zasadę prób i błędów. Na chwilę obecną wyróżnia się dwie metody uczenia sieci neuronowych:

• uczenie nadzorowane – można to też nazwać żartobliwie uczeniem z nauczycielem, które w gruncie rzeczy polega na porównywaniu sygnału wyjściowego z sieci ze znanymi dla nauczyciela prawidłowymi odpowiedziami.
• uczenie bez nadzoru – można to też nazwać żartobliwie uczeniem bez nauczyciela. Polega to na tym, że to sieć sama decyduje, w jaki sposób całość danych pokategoryzuje i rozpozna właściwie sygnały wyjściowe.

Prawidłowo przeprowadzony etap trenowania sieci neuronowej jest krytycznym elementem prawidłowego jej funkcjonowania. Co istotne trzeba też pamiętać o sytuacji, w której sieć ma zbyt dużą ilość danych i nie jest w stanie rozpoznać danych zbliżonych do wzorca. Czyli tak jak w życiu – można wchłonąć zbyt dużą ilość wiedzy. Rezultatem nie będą trafne odpowiedzi. Dalej będziemy zadawać pytania do już istniejących i szukać rozwiązań. Efektem końcowym może być znikoma przydatność takiej sieci, a tego wszyscy, którzy dążą do wprowadzenia takich narzędzi, chcą uniknąć.

Zastosowanie sieci neuronowych

Trudno jednoznacznie wymienić wszystkie możliwe zastosowania sieci neuronowych ze względu na ich uniwersalność procesową. Upraszczając, można powiedzieć, że sieci możemy zastosować wszędzie tam, gdzie jest problem do rozwiązania i zależy nam na maksymalnym odciążeniu czynnika ludzkiego. Idąc dalej, można to jeszcze bardziej spłycić do odpowiedzi, że sieci neuronowe możemy stosować wszędzie tam, gdzie zależy nam na odpowiedzi jakościowej, a nie na ilościowej. Obszarami, gdzie można je zastosować są:

• Diagnostyka układów elektronicznych,
• Badania psychiatryczne,
• Rozpoznawanie dźwięków,
• Rozpoznawania obrazów,
• Prognozowania sprzedaży,
• Prognozowania zakupów,
• Prognozowanie cen,
• Analiza procesów produkcyjnych i wychwytywania anomalii,
• Optymalizacja procesów produkcyjnych.

Z naszych doświadczeń wynika, że największe korzyści można uzyskać łącząc wiele technologii w obrębie danego zagadnienia. w przypadku branży spożywczej kluczową cechą jest chęć uzyskania powtarzalnego produktu pod kątem walorów sensorycznych, terminu przydatności oraz kosztów produkcji, a szczególnie w zminimalizowaniu powstałych odpadów. Sieć rekurencyjna jest w stanie na bieżąco śledzić parametry wejściowe na podstawie odczytów z wag, mikrofali przemysłowych do rozmrażania bloków surowca w tym utrzymania odpowiedniej temperatury w rdzeniu, jak i na powierzchni rozmrażanego bloku, aplikatorów, nastrzykiwarek itd.

Sieć analizując dane może na każdym etapie produkcyjnym wszędzie tam, gdzie mamy „proces technologiczny” wskazywać swoje przypuszczenia co do parametrów wejściowych (nastawów), jak i ilości poszczególnych surowców (mieszanka). Sama zmiana parametrów może odbywać się automatycznie bez etapu decyzyjnego ze strony człowieka i jego akceptacji lub z jego uwzględnieniem. Wszystkie te zmiany agregowane są w obrębie informacji zapisanych przy zleceniu oraz partii danego produktu.

Optymalizacja procesu technologicznego

Kluczem każdego dobrze prowadzonego procesu jest rzetelność danych wejściowych. Dzięki temu sieci neuronowe są w stanie trafnie optymalizować dany proces i skrócić znacząco sam proces uczenia i doskonalenia. Rola programisty ogranicza się do samego zaprogramowania takiej sieci i sam jej nadzór (rola nauczyciela). Uczeń powtarzając te same czynności nabiera wprawy, dokładności i powtarzalności podobnie jak sam sposób działania takiej sieci.

Zachęcamy do kontaktu oraz dalszej rozmowy w tym obszarze. Firma AutoID S.A. nieustannie poszerza swoje portfolio produktów, łącząc wiele technologii w ramach platformy webUNIS. Efektem tego są rozwiązania technologiczne i techniczne idące w duchu Przemysłu 4.0 oraz digitalizacji przedsiębiorstwa.