Тестирование качества продукции всегда было важным звеном в современной промышленности. Кузница, являющаяся основой механических компонентов, непосредственно влияет на производительность и продолжительность жизни машины. По мере развития технологий все больше новых технологий применяются в области тестирования качества. В частности, развитие технологии машинного обучения предлагает новые решения для автоматического обнаружения качества ковки. В этой статье будет изложено, как автоматическое обнаружение качества ковки, основанного на методе машинного обучения.
Традиционные тесты качества ковки в основном зависят от искусственного обнаружения и простых приборов, в которых присутствует определенная субъективность и погрешность. Автоматическое обнаружение стало неизбежной тенденцией по мере развития промышленности 4.0, поскольку точность и эффективность тестов на качество ковки увеличиваются. Быстрое развитие технологии машинного обучения дает возможность автоматического обнаружения, которое может быть достигнуто с высокой точностью, обучением массивных моделей данных.
Применение машинного обучения в автоматическом обнаружении качества ковки состоит в основном из следующих шагов:
Сбор данных: сбор массивных данных по качеству ковки, включая контрактные товары и несоответсвенные товары, в то же время фиксируя параметры каждой кузни, такие как размер, вес, твердость и т.д.
Предварительная обработка данных: очистка собранных данных, дескрипирование, классификация и т.д.
Моделирование: выберите подходящие для обучения алгоритмы машинного обучения (например, деревья принятия решений, поддерживающие вектор, нейронные сети и т.п.), и обучайте послеобработанные данные для получения модели прогноза качества.
Оценка модели: оценка модели с использованием набора тестовых данных, вычисление точных показателей модели, уровня отзыва и т.п., изменение параметров модели в зависимости от результатов оценки.
Применение модели: применять хорошо обученные модели в реальном производстве, осуществлять мониторинг и прогнозирование качества ковки в реальном времени, своевременно находить несовместимые товары и повышать производительность.
Какая-то крупная машиностроительная компания использует нейросетевые алгоритмы для обучения модели прогноза качества ковки. Во-первых, было собрано 5000 образцов образцов, включая 2000 контрактов и 3000 несовместимых. Затем данные были предварительно проанализированы и классифицированы в Один и тот же диапазон. Далее, используя нейросетевые алгоритмы для обучения моделям, после 100 итераций модели сходились. Наконец, применение модели в реальном производстве обеспечило более 90% точность и 85% процент отзывов. В отличие от традиционных методов обнаружения, этот метод значительно увеличил эффективность и точность обнаружения, сократив человеческие издержки.
В этой статье представлены автоматические методы обнаружения качества кузнечных изделий, основанные на машинном обучении. Автоматическое тестирование качества ковки с высокой точностью осуществляется на основе таких шагов, как сбор данных, предварительная обработка, подготовка моделей, оценка и применение. Технология машинообучения более эффективна и точна, чем традиционные методы обнаружения, которые позволяют машине изучать технологии, которые могут своевременно обнаружить проблему качества и повысить производительность. Тем не менее, существуют определенные ограничения в технологиях машинного обучения, такие как более высокие требования к качеству и количеству данных, которые требуют от профессионалов обучения и адаптации моделей. Таким образом, будущие направления исследований должны включать в себя оптимизацию методов предварительной обработки данных, исследование более эффективных алгоритмов, улучшение доступности моделей.
