Thuật ngữ “Học Sâu – Deep Learning” này đã bùng cháy trong hai thập kỷ qua. Mọi người đam mê Machine Learning đều muốn làm việc với nó và nhiều công ty lớn đã tạo ra ảnh hưởng trong lĩnh vực khoa học dữ liệu bằng cách khám phá nó – ví dụ: dự án Google Brain từ Google hoặc DeepFace từ Facebook. Trong bài viết này chúng ta hãy cùng Smart Factory đi tìm hiểu những ứng dụng của Deep Learning trong sản xuất nhé.
Deep Learning là gì ?
Deep Learning – Học sâu là một tập hợp con của Máy học trong Trí tuệ nhân tạo (AI) có các mạng có khả năng học không bị giám sát từ dữ liệu không có cấu trúc hoặc không được gắn nhãn. Deep Learning còn được gọi là học tập nơ-ron sâu hoặc mạng lưới nơ-ron học sâu.
Học sâu là lớp thuật toán đầu tiên có khả năng tự mở rộng khi không có con người tác động. Hiệu suất sẽ tiếp tục tốt hơn khi bạn cung cấp cho chúng nhiều dữ liệu hơn.”
Xem thêm : Phân biệt AI , Machine Learning , Deep Learning và NLP
Học sâu – Deep Learning ra đời với kiến trúc Deep Learning như lưới nơ-ron tích chập đặc biệt sẵn sàng tiếp quản từ các nhà khai thác của con người để phát hiện và phát hiện các manh mối trực quan cho thấy vấn đề chất lượng trong hàng hóa và các bộ phận sản xuất trong một quy trình lắp ráp lớn.
Chúng có khả năng mở rộng hơn nhiều so với các giải pháp cũ, dựa trên kỹ thuật tính năng thủ công, và có thể được đào tạo và triển khai lại trong bất kỳ phần nào của nhà máy sản xuất cần chúng. Tất cả những gì cần làm là đào tạo hệ thống với dữ liệu hình ảnh liên quan.
Các ứng dụng tiềm năng của Deep Learning trong sản xuất
Các dự án chuyển đổi số và ứng dụng các kỹ thuật mô hình hóa đã diễn ra trong lĩnh vực sản xuất trong một thời gian khá lâu. Khi sự thiếu hiệu quả làm ảnh hưởng đến sản xuất toàn cầu trong thập niên 60 và 70, hầu hết mọi tổ chức lớn đều sắp xếp hợp lý và áp dụng các Phương pháp luận quản lý sản xuất tốt như Các Kỹ thuật sản xuất của Toyota. Loại kỹ thuật này dựa trên mô hình đo lường và thống kê liên tục của vô số biến quy trình và tính năng sản phẩm.
Khi việc đo lường và lưu trữ thông tin đó trở nên số hóa, các máy tính đã được đưa vào để xây dựng các mô hình dự đoán đó. Đây là tiền thân của các phân tích kỹ thuật số hiện đại ngày nay.
Tuy nhiên, khi sự bùng nổ dữ liệu tiếp tục, mô hình thống kê truyền thống không thể theo kịp với nguồn cấp dữ liệu không có cấu trúc, và sự lớn mạnh nhanh chóng như vậy. Và đây là nơi việc deep learning – học sâu tỏa sáng vì nó vốn có khả năng xử lý các mẫu dữ liệu phi tuyến tính cao và cũng cho phép bạn khám phá các tính năng cực kỳ khó phát hiện bởi các nhà thống kê hoặc người lập mô hình dữ liệu theo cách thủ công.
Phát triển sản phẩm mới
Nếu bạn đã quen thuộc với các practice tốt nhất về thiết kế sản phẩm mới, bạn sẽ biết rằng việc loại bỏ độ phức tạp không có giá trị gia tăng là một yếu tố tạo ra lợi nhuận đáng kể, vì thời gian gia công chuyên gia quý giá được tiết kiệm cho gia công giá trị thay vì thiết lập các lãng phí (nhìn từ góc độ sản xuất).
Nếu được thiết kế và huấn luyện đúng cách, nhiệm vụ tạo sản phẩm mới hiệu quả này cũng có thể được giải quyết bằng Mạng Nơ-ron. Mạng Nơ-ron này sẽ có đầu vào như một tập hợp các số phần hiện có và thứ tự sử dụng các công cụ khác nhau để sản xuất các bộ phận.
Bằng cách cung cấp cho Mạng Nơ-ron rất nhiều ví dụ về các công cụ xử lý và đơn đặt hàng công việc cho các công cụ hiện có, nó có thể học hỏi từ chức năng ánh xạ chúng đến đầu ra.Theo cách đó, khi gặp một phần mới, Mạng Nơ-ron sẽ kiểm tra phần nào trong bộ dữ liệu hiện tại gần nhất với sản phẩm mới và sau đó thử bắt đầu với đơn hàng đó để sản xuất sản phẩm, thành phần mới.
Lập kế hoạch sản xuất
Một cách mà Mạng lưới nơ-ron có thể được sử dụng trong lập lịch cửa hàng công việc là trước tiên đào tạo mạng bằng cách cung cấp nhiều kết hợp đầu vào khác nhau (thời gian thiết lập, thời hạn) và đầu ra (thứ tự xử lý cho mỗi máy).
Xem thêm : Hệ thống điều độ sản xuất APS (Advanced Planning and Scheduling)
Các kết quả đầu ra này có thể được bắt nguồn theo nhiều cách, ví dụ bằng cách sử dụng phương pháp phỏng đoán kế hoạch Sản xuất theo công việc và nguồn lực (JSM).
Mạng nơ-ron có thể được dạy để tìm hiểu hàm phi tuyến tính cơ bản ánh xạ đầu ra tới đầu vào, không nhạy cảm với bất kỳ công thức phân tích nào.
Sau đó, đối với bất kỳ work order công việc mới nào và thời hạn hoàn thành có liên quan, sản lượng thực tế có thể được lấy từ chính Mạng nơ-ron, hệ thống Deep Learning sẽ tự đề xuất các lịch sản xuất phù hợp với hiện trạng của doanh nghiệp.
Điều khiển động cơ Servo của máy và robot
FANUC đã phát triển AI Feed Forward đầu tiên ra đời từ những nỗ lực phát triển của mình trong một nhóm các chức năng Điều chỉnh Servo để thực hiện gia công tốc độ cao, độ chính xác cao, chất lượng cao. Họ sử dụng Machine Learning/Deep Learning để dễ dàng điều chỉnh các thông số để điều khiển động cơ servo một cách tinh vi. AI Feed Forward là một bộ điều khiển feed-forward dựa trên một mô hình chiều cao đại diện cho đặc tính cơ học chính xác hơn. Mô hình này có quá nhiều tham số để điều chỉnh thủ công như đã được thực hiện cho đến nay.
Do đó, Deep Learning được sử dụng trong quy trình để xác định các tham số cho điều khiển chuyển tiếp tiên tiến này. AI Feed Forward cung cấp gia công chất lượng cao vì nó giảm rung động cơ học gây ra khi động cơ servo tăng tốc hoặc giảm tốc.
Kiểm soát chất lượng trong Máy học và học sâu
Để đáp ứng các thanh tra chất lượng tiêu chuẩn công nghiệp trong các công ty sản xuất thường kiểm tra chất lượng sản phẩm sau khi sản phẩm được sản xuất, đó là một nỗ lực tốn thời gian và sản phẩm bị từ chối dẫn đến lãng phí công suất nhà máy, vật tư tiêu hao, nhân công và chi phí.
Với xu hướng hiện đại của Trí tuệ nhân tạo, các công ty công nghiệp đang tìm cách sử dụng công nghệ thị giác máy tính dựa trên Deep Learning trong chính chu kỳ sản xuất để tự động kiểm tra chất lượng vật liệu. Mục tiêu là để giảm thiểu sự can thiệp của con người đồng thời đạt được độ chính xác của con người hoặc nhiều hơn cũng như tối ưu hóa công suất nhà máy, chi phí lao động, v.v …
Theo truyền thống, máy móc chỉ có hiệu quả trong việc phát hiện các vấn đề về chất lượng với các số liệu cấp cao như trọng lượng hoặc chiều dài của sản phẩm. Các hệ thống cũ kỹ này không mất nhiều tiền vào các hệ thống thị giác máy tính rất tinh vi, không thể phát hiện ra manh mối trực quan tinh tế về các vấn đề chất lượng trong khi các bộ phận hư hỏng đều phát ra từ dây chuyền lắp ráp ở tốc độ cao.
Sau đó, các hệ thống thị giác máy tính đã ứng dụng, và cũng có phần không đáng tin cậy và không thể mở rộng hiệu quả trên các lĩnh vực thuộc nơi khó tiếp cận. Một giải pháp cụ thể tại 1 khu vực của một nhà máy sản xuất lớn có thể có một hệ thống như vậy nhưng nó không thể được “đào tạo” để làm việc với các bộ phận khác của nhà máy nếu cần thiết, điều này dẫn đến khá nhiều tốn kém và chi phí.
Học máy nói chung và học sâu nói riêng có thể cải thiện đáng kể các nhiệm vụ kiểm soát chất lượng trong một dây chuyền lắp ráp lớn. Trên thực tế, phân tích và quy trình dựa trên ML và tối ưu hóa chất lượng được dự đoán sẽ tăng 35% và quy trình trực quan hóa và tự động hóa dự kiến sẽ tăng 34%, theo Forbes.
Xem thêm : Thị giác máy tính Computer Vision là gì ?
Giám sát quy trình và phát hiện bất thường
Giám sát quy trình và phát hiện bất thường là cần thiết cho bất kỳ nỗ lực cải tiến chất lượng liên tục. Tất cả các tổ chức sản xuất lớn sử dụng nó rộng rãi. Các cách tiếp cận truyền thống như biểu đồ SPC (Kiểm soát quy trình thống kê) xuất phát từ các giả định đơn giản (đôi khi sai) về bản chất của phân phối thống kê của các biến quy trình.
Tuy nhiên, khi số lượng các biến tương tác lẫn nhau tăng lên và một loạt các cảm biến ngày càng tăng dữ liệu cố định và thay đổi theo thời gian về các biến này, các phương pháp truyền thống không thể mở rộng với độ chính xác hoặc độ tin cậy cao.
Đây là nơi các mô hình Deep Learning có thể giúp đỡ một cách khá bất ngờ. Để phát hiện sự bất thường hoặc xuất phát từ định mức, thường các kỹ thuật giảm kích thước như PCA (Phân tích thành phần chính) được sử dụng từ miền xử lý tín hiệu thống kê truyền thống.
Nhờ các phương pháp học tập nhiều lớp Deep Learning có thể đưa ra các mô hình dự đoán bất thường tốt hơn so với phương pháp thống kê truyền thống, không nằm trong tiên liệu.
Bảo trì dự đoán trong Deep Learning
Các mô hình Deep Learning đã được chứng minh là có hiệu quả cao trong lĩnh vực kinh tế và mô hình tài chính, xử lý dữ liệu theo chuỗi thời gian. Tương tự, trong bảo trì dự đoán, dữ liệu được thu thập theo thời gian để theo dõi sức khỏe của một tài sản với mục tiêu tìm ra các mẫu để dự đoán các thất bại. Do đó, học sâu có thể là trợ giúp đáng kể để bảo trì dự đoán các máy móc phức tạp và các hệ thống được kết nối.
Xác định thời điểm tiến hành bảo trì thiết bị là một nhiệm vụ đặc biệt khó khăn với cổ phần quản lý và tài chính cao. Mỗi lần máy được đưa ra ngoại tuyến để bảo trì, kết quả là giảm sản lượng hoặc thậm chí ngừng hoạt động của nhà máy. Sửa chữa thường xuyên sẽ chuyển thành phí tổn thất rõ ràng, nhưng bảo trì không thường xuyên có thể dẫn đến sự cố thậm chí tốn kém hơn và tai nạn công nghiệp thảm khốc.
Đây là lý do tại sao kỹ thuật tính năng tự động của các mạng nơ-ron có tầm quan trọng quan trọng. Các thuật toán ML truyền thống để bảo trì dự đoán phụ thuộc vào chuyên môn hẹp, đặc thù của miền đối với các tính năng thủ công để phát hiện các vấn đề về sức khỏe của máy. Trong khi đó một mạng lưới nơ-ron có thể tự động suy ra các tính năng đó với dữ liệu đào tạo đủ chất lượng cao. Do đó, nó là tên miền chéo và có thể mở rộng.
Cụ thể, các mạng nơ-ron hồi quy (RNN) với các cell bộ nhớ ngắn hạn (LSTM) hoặc các đơn vị được kiểm soát lại (GRU) có thể dự đoán hành vi tạm thời từ ngắn đến trung bình dựa trên thời gian đào tạo trước đây ở dạng chuỗi thời gian.
Ý tưởng chính của RNN (Recurrent Neural Network) là sử dụng chuỗi các thông tin. Trong các mạng nơ-ron truyền thống tất cả các đầu vào và cả đầu ra là độc lập với nhau. Tức là chúng không liên kết thành chuỗi với nhau. Nhưng các mô hình này không phù hợp trong rất nhiều bài toán. Ví dụ, nếu muốn đoán từ tiếp theo có thể xuất hiện trong một câu thì ta cũng cần biết các từ trước đó xuất hiện lần lượt thế nào chứ nhỉ? RNN được gọi là hồi quy (Recurrent) bởi lẽ chúng thực hiện cùng một tác vụ cho tất cả các phần tử của một chuỗi với đầu ra phụ thuộc vào cả các phép tính trước đó. Nói cách khác, RNN có khả năng nhớ các thông tin được tính toán trước đó. Trên lý thuyết, RNN có thể sử dụng được thông tin của một văn bản rất dài, tuy nhiên thực tế thì nó chỉ có thể nhớ được một vài bước trước đó (ta cùng bàn cụ thể vấn đề này sau) mà thôi. Về cơ bản một mạng RNN có dạng như sau:
May mắn thay, có rất nhiều hoạt động nghiên cứu về RNN với mục tiêu áp dụng chúng vào lĩnh vực xử lý ngôn ngữ tự nhiên và phân tích văn bản. Tất cả các kiến thức trong lĩnh vực nghiên cứu này có thể được tận dụng để áp dụng trong cài đặt của một ứng dụng công nghiệp.
Ví dụ, các RNN khi được tối ưu hóa tính toán có thể được sử dụng cho các công việc sản xuất trong đó tải trọng tính toán được giảm thiểu mà không làm giảm sức mạnh dự đoán quá nhiều. Nó có thể không hoạt động tốt nhất cho một nhiệm vụ NLP, nhưng có thể đủ mạnh để dự đoán các vấn đề tiềm ẩn với các thông số sức khỏe của máy.
Tất nhiên, một chuyên gia về con người sẽ xem xét các dự đoán của một hệ thống Deep Learning để cuối cùng quyết định về công việc bảo trì. Nhưng trong một nhà máy thông minh, được kết nối, sử dụng các máy dự đoán như vậy cùng với các kỹ sư và kỹ thuật viên, có thể tiết kiệm tiền của một tổ chức sản xuất và nhân lực cuối cùng cải thiện downtime và sử dụng máy.
Trên thực tế, việc áp dụng Máy học và phân tích trong sản xuất sẽ chỉ cải thiện việc bảo trì dự đoán. Bảo trì dự đoán dự kiến sẽ tăng 38% trong năm năm tới theo PwC.
Tối ưu hóa đầu vào nhà máy
Lợi nhuận của một tổ chức sản xuất cực kỳ phụ thuộc vào việc tối ưu hóa các nguồn lực đầu vào quy trình sản xuất cũng như hỗ trợ các quy trình đó. Ví dụ, năng lượng điện và cấp nước là hai đầu vào quan trọng của nhà máy có thể hưởng lợi từ việc tối ưu hóa.
Các quy trình và chiến lược tối ưu hóa phức tạp thường được sử dụng để tối đa hóa việc sử dụng các tài nguyên thiết yếu này. Khi quy mô nhà máy và tương tác giữa máy với máy tăng lên, dòng chảy của các tài nguyên này trở nên phức tạp khó quản lý với các thuật toán dự đoán đơn giản.
Đây là khi các thuật toán deep learning mạnh mẽ như mạng lưới nơ-ron cần được đưa vào. Các hệ thống Deep Learning có thể theo dõi mô hình sử dụng điện như là một chức năng của hàng trăm thông số quy trình của nhà máy và các biến thiết kế sản phẩm và có thể tự động đề xuất các thực tiễn tốt nhất để sử dụng tối ưu.
Nếu tổ chức đang chuyển sang sử dụng năng lượng tái tạo, dự đoán từ các thuật toán học sâu có thể được sử dụng để vạch ra quỹ đạo chuyển đổi tối ưu từ sự phụ thuộc vào nhiên liệu hóa thạch sang footprint năng lượng bền vững. Loại thay đổi mô hình này rất khó xử lý bằng cách sử dụng các phân tích dự đoán cổ điển.
Kết luận
Sản xuất thông minh hỗ trợ hệ thống thông tin đã tăng năng suất và chất lượng của các tổ chức công nghiệp, lớn và nhỏ, trong một vài thập kỷ nay. Trong cài đặt sản xuất thông minh này, việc sử dụng phân tích dữ liệu, mô hình thống kê và thuật toán dự đoán đã tăng lên theo các bước nhảy vọt, vì chất lượng và xu hướng của dữ liệu do máy tạo và con người tạo ra được cải thiện theo thời gian.
Cuộc cách mạng công nghiệp, bắt đầu với dây chuyền lắp ráp của Henry Ford vào đầu thế kỷ trước, được hỗ trợ trong suốt thế kỷ 20 bởi những đổi mới trong tự động hóa, hệ thống điều khiển, điện tử, cảm biến, máy tính kỹ thuật số và internet.
Cuộc cách mạng dữ liệu lớn của thế kỷ 21 đã sẵn sàng để đưa nó lên một cấp độ hoàn toàn mới bằng cách mở ra các cơ hội tăng trưởng theo cấp số nhân. Để tận dụng tối đa sự bùng nổ dữ liệu này, phải học sâu và các kỹ thuật hỗ trợ AI liên quan, phải được tích hợp vào bộ công cụ của các hệ thống sản xuất hiện đại, vì chúng mạnh hơn theo cấp số nhân so với các hệ thống học và dự đoán thống kê cổ điển.
Học sâu có thể tích hợp hoàn hảo với các mục tiêu đầy tham vọng của Công nghiệp 4.0 – Tự động hóa cực độ và Nhà máy kỹ thuật số. Công nghiệp 4.0 được thiết kế xung quanh kết nối liên tục với các bộ cảm biến, ổ đĩa, van, tất cả cùng hoạt động với một mục tiêu chung duy nhất: giảm thiểu downtime và tăng hiệu quả. Các khung thuật toán như một mạng nơ ron sâu, đủ linh hoạt để làm việc với nhiều loại dữ liệu khi chúng truyền liên tục, là lựa chọn phù hợp để xử lý loại nhiệm vụ cụ thể đó.
Sự gia tăng năng suất và chất lượng dự kiến sẽ vượt xa mục tiêu hẹp là đáp ứng lợi nhuận của công ty. Sản xuất thông minh vào ngày mai sẽ làm phong phú thêm cuộc sống của hàng tỷ người tiêu dùng bằng cách cung cấp hàng hóa và dịch vụ với chất lượng cao và chi phí phải chăng. Xã hội, nói chung, nên được hưởng lợi từ một sự chuyển đổi mô hình như vậy.
