Neurális hálózat alapú karbantartási döntés támogatás
Neurális hálózat alapú karbantartási döntés támogatás
Kocsis Ádám, MSc II. évf.
e-mail: kocsis314@gmail.com
Konzulens: Dr. Németh István, Gyártástudomány és –technológia Tanszék
e-mail: inemeth@manuf.bme.hu
A gyártási folyamat közben fellépő rendellenességek a produktivitás csökkenéséhez, pénzügyi veszteségekhez vagy egyéb károkhoz vezetnek. A technológia és a műszaki tudományok fejlődésével egyre több lehetőség adódik az ilyen jelenségeket kezelő módszerek korszerűsítésére, valamint újítások bevezetésére. Az elkerülésre irányuló törekvések ellenére sem küszöbölhetők ki minden esetben a termelés során a munkadarab, illetve a gép oldaláról jelentkező hibák. A működési elégtelenségek, illetve a selejt keletkezések dokumentálása során összegyűjtött adatok halmaza olyan információkat rejthet, amelyből mind gazdasági, mind műszaki döntéseket befolyásoló következtetések vonhatók le a jövőre nézve. Sok esetben ezen információk kinyerése az adatsorok kaotikus jellege, a rögzített értékek közti bonyolult összefüggések miatt nehéz feladat, melyre megoldást jelenthet a mesterséges intelligencia valamely módszerének alkalmazása.
A dolgozatban a neurális hálózatok működésének, alkalmazásuk alapjainak bemutatása után egy dinamikus neurális architektúra kerül ismertetésre, amely alkalmas lehet egyes gyártó berendezések meghibásodási viselkedésének modellezésére, az azt befolyásoló tényezők idősorának figyelembe vételével. Ezt a képességet a program gépi tanulás segítségével sajátítja el, amely egy hatékony és robosztus optimum keresési eljáráson keresztül valósul meg. Az adatok feldolgozását követően a modell előrejelzést ad az ütemezett karbantartások, előirányzott terhelés mellett várható meghibásodások, selejtek mennyiségére, tendenciájára, így elősegítve a rendelkezésre álló tudás alapján meghozható legjobb döntéseket. A program által nyújtott információ a termelés tervezésének több fázisában is felhasználásra kerülhet, valamint az olyan műszaki feladatok mellett, mint a karbantartás vagy a gyártott darabszám ütemezése, gazdasági számításokban is támogatást nyújthat.
Az ismertetett eljárás tesztelése szimulációval valósul meg, mely alapján következtetések vonhatók le a valós körülmények közti alkalmazhatóságra vonatkozóan. Megfelelően implementálva, a szolgáltatott információk helyes felhasználása mellett a bemutatott modell egy olyan eszköz alapjául szolgálhat, amely hozzájárul a termelési folyamatok hatékonyabbá, gazdaságosabbá tételéhez, illetve lehetőséget ad az automatizált döntésre meghibásodásokkal kapcsolatos problémákban.
Irodalom:
1. Haykin, Simon: Neural Networks: A Comprehensive Foundation, 2nd Edition, Prentice-Hall, 1999.
2. Horváth, Gábor: Neurális Hálózatok, Panem, 2006.
3. Yu, Hao - Wilamowski, Bogdan M.: Neural Network Training with Second Order Algorithms,
Human – Computer Systems Interaction: Backgrounds and Applications 2, pp. 463-476,
Springer, 2012.
