Többlépcsős gépi tanulással támogatott eljárás a gyártási selejtek szűrésére és elemzésére
Napjainkban a gyártás területén már nem csak a nagyvállalatok, hanem a kisebb cégek körében is egyre jobban terjednek el az Ipar 4.0 alapelvei, melyhez köthetőek a digitalizációs, illetve különböző mesterséges intelligencia alapú megoldások, melynek segítségével többek között igyekeznek csökkenteni a selejtek termelésének mennyiségét. Egyre nő a tárolt bemeneti adatok mennyisége, illetve több szenzor kerül fel a gyártósorokra - ezzel megsokszorozva a gyűjtött adatok számát, melyek komplex információkat hordoznak, ugyanakkor ezek rejtve vannak a nagy adathalmazokban.
A gyártásban megjelenő adattudományi feladatok kezelésének során a legjobban elterjedt módszertan a CRISP-DM (Cross-industry standard process for data mining), ennek lépéseit veszik alapul a projektek tervezésének és kialakításának folyamán. Ezt alkalmazva a programozás tekintetében a különböző prediktáló modellek felállítását egy adatelőkészítési lépés előzi meg. Ez többnyire az egész projekt idejének több mint felét veszi igénybe, ugyanis számos adattisztítási feladatra (például hiányzó értékek, kiugró értékek kezelése) kell megfelelő megoldást keresni. Az adattudományi modellek fékezhetetlen terjedésének köszönhetően meghatároztak már számos általános lépést, melyek mentén az adattisztítást szokás végezni, azonban ritkán foglalkoznak azzal az információval, ami az előkészítés során elvész.
Dolgozatom elején ezeknek az információknak a kiaknázásával foglalkozom. Ezután ezt is felhasználva olyan többlépcsős klasszifikációs eljárást vezetek be, aminek eredményeképp lehetőség nyílik selejtes termékek előzetes kiszűrésére, már a végső klasszifikációt megelőzően. A bevezetett eljárást egy döntéstámogató folyamatba építem bele, amely információkat szolgáltat a felhasználónak, aki a visszajelzésekből fel tudja ismerni nem csak a hibás termékeket, hanem fel tudja térképezni a hiba lehetséges okait is. Erre a célra, az itt bevezetett döntéstámogató rendszerbe beépítésre került egy könnyen értelmezhető vizualizációs eszköztár is. Jelen munkám statisztikai és gépi tanulási eszköztárak ötvözésére épül. Az eljárást valós gyártási adatokra tesztelem és bemutatom a beépített lépcsők fontosságát.
szerző
-
Giczi Alexandra Laura
Mechatronikai mérnöki mesterképzési szak
mesterképzés (MA/MSc)
konzulens
-
Dr. Kovács Edith Alice
Docens, Differenciálegyenletek Tanszék