Машинное обучение широко используется в индустрии программного обеспечения по целому ряду причин. А как насчет производителей оборудования, которые не хранят данные (механические предприятия раньше вносили данные в журналы, но все еще есть небольшие предприятия, которые хранят свои данные в журналах).
В машиностроении методы машинного обучения используются в различных приложениях, таких как оценка физического поведения, проектирование, распознавание, обратный инжиниринг или материаловедение. В этих приложениях классификаторы часто используются для оценки одного или нескольких выходных параметров различной природы (например, геометрических, статистических, физических) или даже для классификации форм или наборов трехмерных точек. Для определения размера и формы классификаторы часто оценивают глобальные геометрические параметры модели. Оценка физической величины, такой как нагрузка, напряжение, давление или температура, избавляет от необходимости решать сложные уравнения. Статистические параметры не дают непосредственно физической величины. Однако они дают возможность оценить, например, стандартное отклонение, среднее значение, тенденцию или вероятность физического эффекта. Классификация форм или оцифрованных наборов трехмерных точек используется для распознавания и повторного использования моделей.
Приложение машинного обучения в области механики
- Прогнозное обслуживание. Узнайте о состоянии машины, собирая данные с машин через различные датчики и прогнозируя поведение на основе критериев отказа.
- Классификация 3D-моделей. Нейронные сети глубокой свертки можно успешно применять для классификации 3D-моделей CAD по различным сегментам. Этот метод можно использовать для быстрого извлечения 3D-данных из базы данных.
3. Анализ временных рядов — этот метод используется для прогнозирования спроса и продаж, инвентаризации и планирования запасов. Планирование, диспетчеризация и планирование.
4. Распознавание объектов. Проблема распознавания объектов может быть резюмирована следующим образом:
«Система машинного зрения, использующая объектную модель, называется
основанной на модели системы зрения, а общая проблема идентификации
желаемого объекта именуется распознаванием объектов. Хотя не существует
единого определения проблемы распознавания объектов, цель состоит в том, чтобы
идентифицировать желаемый объект на сцене и определить его точное местоположение
и ориентацию».
На приведенном ниже рис. представлены пять задач, на которые можно разделить исследовательскую область повторного
познания объектов. Каждая из следующих задач направлена на решение немного разных задач с возрастающей сложностью, но их необходимо преодолеть, чтобы определить и построить систему, способную выполнять перекрестное сравнение между 3D и 2D данными.
5. Распознавание элементов. Автоматическое распознавание элементов обработки, поддисциплина твердотельного моделирования, была активной областью в течение последних трех десятилетий и является важным компонентом цифровой производственной информации из моделей САПР. Элементы обработки (отверстия, карманы, пазы) можно легко распознать с помощью трехмерных сверточных нейронных сетей.
Было замечено, что алгоритмы и процедуры глубокого обучения могут предоставить много желаемых преимуществ и активов для решения проблем, присущих отрасли будущего. В области механики есть больше областей, где мы можем использовать машинное обучение для изучения существующих данных.
Использованная литература -
- Джонатан Дехтиар, Александр Дюрюп, Матьё Бриконь, Бенуа Эйнар,
Харви Роусон, Димитрис Кирицис. «Глубокое обучение для приложений больших данных в CAD и PLM — обзор исследований, возможности и тематическое исследование», Computers in Industry 100 (2018) 227–243 - ZhiboZhang, PrakharJaiswal, RahulRai, «FeatureNet: распознавание элементов обработки
на основе трехмерной сверточной нейронной сети», Computer-Aided Design Volume 101, август 2018 г., страницы 12–22
