Politechnika Poznańska

Wydział Budowy Maszyn i Zarządzania

Inteligencja obliczeniowa

(ang. Computational Inteligence)

w zastosowaniach przemysłowych

.

Przedmiot: Komputerowe systemy sterowania produkcją

Prowadzący: prof. dr hab. inż. Zenon Ignaszak

Przygotowali: Ewa Wawrzyniak

Ilona Gładysiak

Bartosz

Drzazga

Poznań 2014

Plan prezentacji

1.

Co to jest inteligencja obliczeniowa

2.

Podział metod wspomagających
rozwiązywanie problemów

3.

Modelowanie twarde (hard modeling)

4.

Modelowanie miękkie (soft modeling)

5.

Przykłady zastosowania CI w przemyśle

1.Co to jest inteligencja obliczeniowa

„inteligencja psych. zdolność rozumienia,
kojarzenia; pojętność, bystrość; zdolność
znajdowania właściwych, celowych reakcji na nowe
zadania i warunki życia, sprawnego zdobywania i
wykorzystywania wiedzy.”

(Władysław Kopaliśki, „Słownik wyrazów obcych i zwrotów obcojęzycznych”)

1.Co to jest Inteligencja obliczeniowa

Computational Intelligence (CI) / Artificial
intelligence (AI)

Ile książek tyle definicji co to AI

•

John McCarthy w 1956 zdefiniował AI jako „nauka i inżynieria robienia inteligentnych
maszyn” .

•

Inteligentna maszyna to system, który analizuje swoje środowisko i podejmuje
działanie które maksymalizuje prawdopodobieństwo odniesienia sukcesu w tym
środowisku .

•

Sztuczna inteligencja to dziedzina nauki zajmująca się zdolnością do rozumowania,
tworzenia teorii i posługiwania się językiem, oparta na wykorzystaniu reprezentacji
symboli.

Lub po prostu: Rozwiązywanie problemów nie algorytmizowalnych lub trudno
algorytmizowalnych

.

http://www.mblachnik.pl/lib/exe/fetch.php/dydaktyka/zajecia/wyklady/systemy_ekspertowe.pdf

1.Co to jest Inteligencja obliczeniowa

•

Inteligencja obliczeniowa
(Computational Inteligence CI) zajmuje się
teorią i metodami rozwiązywania
problemów, które nie są efektywnie
algorytmizowalne.

•

Podłożem do rozwoju CI jest rozwój różnych
teorii: ewolucyjnych, sztuczna inteligencja,
sieci neuronowe, teorie logiczne, teorie
wychodzące poza logikę dwuwartościową.

www.is.umk.pl/~duch/Wyklady/NN-CI/CI-01.ppt

1.Co to jest Inteligencja obliczeniowa

Typowe problemy inteligencji

obliczeniowej

•

Znajdowanie rozwiązań dla różnych gier (szachy, warcaby, wychodzenie z
labiryntów itp.)

•

Automatyczne wnioskowanie i dowodzenie twierdzeń

•

Systemy ekspertowe - budowanie dużych baz wiedzy

•

Przetwarzanie i rozumienie języka naturalnego – translacja pomiędzy językami (np.
Google tłumacz), rozumienie zdań, rozpoznawanie mowy (np. Ms. Vista, Opera),
chatterboty itp

•

Modelowanie ludzkich potrzeb – chatterboty jako wirtualny pomocnik, systemy
autoasocjacyjne, diagnozowanie medyczne

•

Planowanie i robotyka – automatyczne planowanie produkcji, sterowanie robotem
itp.

•

Konstruowanie języka i środowiska do przetwarzania wiedzy (prolog, lisp)

•

Rozpoznawanie i analiza obrazów itp.

http://www.mblachnik.pl/lib/exe/fetch.php/dydaktyka/zajecia/wyklady/systemy_ekspertowe.p
df

2.Podział metod rozwiązywania prob

lemów

R. Sika "Akwizycja i eksploracja danych dla potrzeb systemow Data Mining na przykladzie aplikacji w
odlewnictwie".

2.Podział metod rozwiązywania problemów

Górna część schematu (logika rozmyta, sieci
neuronowe, algorytmu ewolucyjne) dotyczy metod
sztucznej inteligencji (często nazywane przez
badaczy soft computing), które służą do
modelowania miękkiego (soft modeling); najbardziej
rozpowszechnione są obecnie sieci neuronowe,
będące jednocześnie narzędziem bardzo
zaawansowanym, wykorzystywanym w wielu
dziedzinach nauki (również w tych nowych, jak Data
Mining),

R. Sika "Akwizycja i eksploracja danych dla potrzeb systemow Data Mining na przykladzie aplikacji w odlewnictwie".

2.Podział metod rozwiązywania problemów

•

Sieci neuronowe mają zastosowania do
modelowania realnych układów
biologicznych, jak i zastosowania czysto
praktyczne. Zastosowania sieci
neuronowych dotyczą robotyki, automatyki,
a także teorii sterowania i zagadnień
optymalizacji, percepcji ruchu i jego
planowania. W zagadnieniach identyfikacji i
sterowania procesami dynamicznymi sieć
neuronowa pełni zwykle kilka funkcji.

Oprac. własne

2. Podział metod rozwiązywania problemów

Rys. Sieć wielowarstwowa
http://www.ai.clabtech.net/sn/sneuro.ht
ml

Rys. Uproszczony schemat jednokierunkowj
sieci neuronowej
http://pl.wikipedia.org/wiki/Sie
%C4%87_neuronowa

2.Podział metod rozwiązywania problemów

Jednym z celów sztucznej inteligencji AL
jest konstruowanie inteligentnych agentów,
autonomicznych programów komputerowych
potrafiących gromadzić użyteczną wiedzę i
potrafiących użyć w tym celu różnorodne
środki.

http://www.fizyka.umk.pl/publications/kmk/03-CI-przyszlosc.pdf

2. Podział metod rozwiązywania problemów

Reguły rozmyte

•

Podlegają logice, w której występuje nieskończenie wiele
wartości

•

Wykorzystują bardziej naturalny dla ludzi sposób
reprezentacji przesłanek „temperatura wysoka”, „niskie
ciśnienie”

•

Wynikiem każdej operacji/operatora jest liczba z
przedziału [0,1] określająca stopień spełnienia tej operacji

Przykład:

•

Jeżeli pogoda jest pochmurna i ciśnienie jest niskie to
wystąpią opady deszczu

http://www.mblachnik.pl/lib/exe/fetch.php/dydaktyka/zajecia/wyklady/systemy_ekspertowe.pdf

2. Podział metod rozwiązywania problemów

Wizualizacja, systemy ekspertowe,
uczenie maszynowe, rozpoznawanie
wzorców dotyczy metod związanych z
budowaniem

dużych

systemów

autonomicznych

służących

konkretnym zastosowaniom, np. do
analizy

obrazów,

systemy

samouczące na podstawie zbieranych
danych,

systemy

zastępujące

eksperta w danej dziedzinie nauki
oraz rozpoznawanie wzorców.

R. Sika "Akwizycja i eksploracja danych dla potrzeb systemow Data Mining na przykladzie aplikacji w odlewnictwie".

2. Podział metod rozwiązywania problemów

Systemy ekspertowe to program lub zestaw
programów komputerowych wspomagający
korzystanie z wiedzy i ułatwiający podejmowanie
decyzji. Systemy ekspertowe mogą wspomagać
bądź zastępować ludzkich ekspertów w danej
dziedzinie, mogą dostarczać rad, zaleceń i diagnoz
dotyczących problemów tej dziedziny.

http://www.mblachnik.pl/lib/exe/fetch.php/dydaktyka/zajecia/wyklady/systemy_ekspertowe.pdf

2. Podział metod rozwiązywania problemów

W postaci reguł rozmytych

•

Jeżeli temperatura jest około 15st i wilgotność jest około 80 to będzie padać

http://www.mblachnik.pl/lib/exe/fetch.php/dydaktyka/zajecia/wyklady/systemy_ekspertow
e.pdf

2. Podział metod rozwiązywania problemów

Reguły bazujące na prototypach

•

Posiadają wszystkie właściwości reguł rozmytych

•

Przesłanki reguł rozmytych reprezentują
podobieństwo do obiektów wzorcowych

•

Naturalna forma reprezentacji wiedzy przez nasze
mózgi

•

Rozwiązanie problemu interpretacji złożonych baz
wiedzy (czytelna forma reguł)

•

Jeżeli warunki atmosferyczne są typowe dla
deszczu to powinien wystąpić opad.

http://www.mblachnik.pl/lib/exe/fetch.php/dydaktyka/zajecia/wyklady/systemy_ekspertowe.pdf

2.Podział metod rozwiązywania
problemów

System wizyjny sterujący zrobotyzowanym
stanowiskiem spawania

Systemy wizyjne są coraz częściej stosowane w
różnego rodzaju zrobotyzowanych stanowiskach
produkcyjnych do sterowania, nadzorowania oraz
kontroli pracy robotów spawających.

http://www.robotyka.com/publikacje/6.pdf

2. Podział metod rozwiązywania
problemów

Rysunek. Schemat działania systemu wizyjnego, a – operacje wykonywane podczas lokalizacji na obrazie
otworów do spawania, b – operacje wykonywane podczas testowania otworu i wyznaczania trajektorii palnika
robota.

http://www.robotyka.com/publikacje/6.pdf

2. Podział metod rozwiązywania
problemów

Zastosowanie systemów ekspertowych:

•

Banki – problem podejmowania decyzji kredytowej

•

Przemysł - sterowanie urządzeń (piece)

•

Usługi – serwisy sprzętu technicznego -
metodologia usuwania awarii

•

Medycyna – automatyczna klasyfikacja chorób

•

Energetyka – sterowanie urządzeń, planowanie
zużycia energii

•

Automatyczne gry – gra w szachy

http://www.mblachnik.pl/lib/exe/fetch.php/dydaktyka/zajecia/wyklady/systemy_ekspertow
e.pdf

2.Podział metod rozwiązywania problemów

•

Analiza i rozpoznawanie obrazów - rozpoznawanie pisma,
rozpoznawanie tablic rejestracyjnych, rozpoznawanie
marek samochodów.

•

Przetwarzanie języka naturalnego – analiza gramatyczna i
semantyczna tekstów, korekcja i ujednoznacznianie
tekstów, automatyczna anonimizacja.

•

Synteza i analiza mowy – dostosowanie intonacji do treści
wypowiedzenia, rozpoznawanie języka syntetyzowanego
tekstu, audio mining, czyli wyszukiwanie informacji w
nagraniach dźwiękowych, rozpoznawanie mowy o bardzo
wysokiej precyzji dostosowane do konkretnej sytuacji
językowej, w specjalistycznych systemach dyktowania.

•

http://neurosoft.pl/technologie/sztuczna-inteligencja/

2.Podział metod rozwiązywania problemów

Metody statystyczne,
optymalizacja
i badania optymalizacyjne,
rachunek prawdopodobieństwa
dotyczy metod związanych z
szeroko rozumianymi badaniami
statystycznymi, optymalizacją
i rachunkiem prawdopodobieństwa.

R. Sika "Akwizycja i eksploracja danych dla potrzeb systemow Data Mining na przykladzie aplikacji w odlewnictwie".

2.Podział metod rozwiązywania problemów

•

Modele typu statystycznego są tradycyjnie

od wielu lat stosowane w różnych dziedzinach
przemysłu, w tym dość szeroko w odlewnictwie,
w postaci tzw. wzorów empirycznych.

Charakterystycznymi przykładami są zależności
wytrzymałości stopów od zawartości pierwiastków,
zależność parametrów struktury stopu od
szybkości chłodzenia, wzory do obliczania czasu
zalewania w funkcji masy odlewu i grubości
ścianki itp.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń
procesów odlewniczych możliwości i problemy”
http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf

)

2.Podział metod rozwiązywania problemów

Dolna część schematu (Acquisition and Data Mining) dotyczy
bardzo popularnego ostatnio zagadnienia dotyczącego
odkrywania wiedzy z potężnych zbiorów danych (baz danych
lub hurtowni danych), czyli drążenie danych z
uwzględnieniem akwizycji danych.

R. Sika "Akwizycja i eksploracja danych dla potrzeb systemow Data Mining na przykladzie aplikacji w odlewnictwie".

2.Podział metod rozwiązywania problemów

•

Eksploracja danych łączy teorię i praktykę baz danych,
statystykę i sztuczną inteligencję.

•

Wskazując na podstawowe cechy metod data mining
należy zwrócić uwagę na następujące ich właściwości:

- metody data mining są grupą bardzo zróżnicowaną i stale
wzbogacaną. Wywodzą się ze statystyki, informatyki,
analizy sygnałów, matematyki, grafiki;

- należą do metod o charakterze indukcyjnym.
- formułowane wnioski wypływają zawsze z analizy
dostępnych zbiorów danych, a nie z a priori przyjmowanych
abstrakcyjnych teorii;

Metody Sztucznej Inteligencji i ich zastosowanie w ekonomii i zarządzaniu. , Wydawnictwo Akademii Ekonomicznej w Krakowie,
Kraków 2007 Paweł Lula str.121

2.Podział metod rozwiązywania problemów

-

uzyskiwane rezultaty analizy są zwykle proste w
interpretacji - i na tym polega ich praktyczna
użyteczność;

- rozważane metody są niezależne od semantycznej treści
przeszukiwanych informacji, dlatego pozwalają na
zunifikowane badanie bardzo zróżnicowanych grup
zagadnień;

- celem ich stosowania może być dostarczenie opisu
badanego fragmentu rzeczywistości bądź prognozowanie;

- są ukierunkowane na zastosowania praktyczne, przede
wszystkim wspomaganie procesów decyzyjnych.

Metody Sztucznej Inteligencji i ich zastosowanie w ekonomii i zarządzaniu. , Wydawnictwo Akademii Ekonomicznej w Krakowie,
Kraków 2007 Paweł Lula str.121

2. Podział metod rozwiązywania problemów

Budowa systemów ekspertowych

http://www.mblachnik.pl/lib/exe/fetch.php/dydaktyka/zajecia/wyklady/systemy_ekspertowe.pdf

3. Modelowanie twarde hard modeling

Modelowanie twarde (hard modeling),
wykorzystuje związki uwzględniające naturę danego
zjawiska czy procesu (np. prawa fizyczne rządzące
wymianą ciepła między odlewem a formą).
W odlewnictwie ma ono zastosowanie głównie do
procesów powstawania odlewu w formie, tj.
zalewania, krzepnięcia, oraz powstawania naprężeń
technologicznych w odlewie.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń procesów odlewniczych możliwości
i problemy” http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

4.Modelowanie miękkie softmodeling.

•

Soft modeling służy do rozwiązywania
problemów typu „czarna skrzynka”, które nie

uwzględniają natury zjawisk.

•

Parametry modelu są wyznaczane na podstawie
danych zebranych z procesów produkcyjnych lub
mogą to być również specjalnie zaprojektowane
eksperymenty.

R. Sika "Akwizycja i eksploracja danych dla potrzeb systemow Data Mining na przykladzie aplikacji w
odlewnictwie".

4.Modelowanie miękkie soft modeling.

•

W zależności od rodzaju modelu stosowane są
różnego rodzaju algorytmy i metody
optymalizacyjne (w tym również metody
statystyczne), których zadaniem jest stworzenie
modelu, który będzie wykorzystany do
przewidywania wartości WYjściowych

dla nowych zmiennych .

http://www.mblachnik.pl/lib/exe/fetch.php/dydaktyka/zajecia/wyklady/systemy_ekspertowe.pdf

4.Modelowanie miękkie soft modeling.

W warunkach przemysłowych najczęściej
stosowane modele wykorzystujące metody
sztucznej inteligencji to:

•

sztuczne sieci neuronowe,

•

drzewa decyzyjne,

•

modele stosujące logikę rozmytą lub rachunek
liczb rozmytych,

•

modele stosujące optymalizację genetyczną,

•

klasyfikacja bayesowska,

•

MARSplines.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń procesów

odlewniczych możliwości i problemy” http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf

)

5. Zastosowania CI w przemyśle

•

W modelowaniu procesów produkcyjnych

dość często mamy do czynienia z procesami o
charakterze ciągłym, czyli takimi, których parametry
powinny być utrzymywane na ustalonym poziomie w
dłuższym przedziale czasu.

•

Przykładem może być każdy proces związany z

produkcją w długich seriach, np. wytop jednego
gatunku stopu, przerób mas formierskich,
formowanie
lub odlewanie dla jednego asortymentu
odlewów.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń procesów odlewniczych możliwości
i problemy” http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

5. Zastosowania CI w przemyśle

•

Metody modelowania na podstawie inteligencji
obliczeniowej, które nie są związane ze sztuczną
inteligencją w zakresie mechanizacji,
automatyzacji

i robotyzacji, wykorzystuje się do rozwiązywania
problemów w obszarze wykrywania zakłóceń w
procesach produkcyjnych.

•

Modelowanie miękkie procesu produkcyjnego

może znacząco ułatwić wykrywanie
przyczyn zakłóceń przejawiające się obniżeniem
jakości wyrobów, np. zbyt dużą ilością braków.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń
procesów odlewniczych możliwości i problemy” http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

5. Zastosowania CI w przemyśle

•

Modelowanie miękkie procesu produkcyjnego

może znacząco ułatwić wykrywanie
przyczyn zakłóceń przejawiające się obniżeniem
jakości wyrobów, np. zbyt dużą ilością braków.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń
procesów odlewniczych możliwości i problemy” http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

5. Zastosowania CI w przemyśle

Metody sztucznej inteligencji, takie jak sieci
neuronowe i algorytmy genetyczne, stanowić mogą
efektywne narzędzia w procesie modelowania
dynamiki rynków finansowych dla potrzeb
generowania decyzji inwestycyjnych, jednak
efektywność ta może być uzależniona od
prawidłowego doboru szeregu parametrów
stosowanej metody.

http://www.embio.agh.edu.pl/library/Janusz_Morajda_PhD.pdf

5. Zastosowania CI w przemyśle

SSN mają bardzo szerokie zastosowania przemysłowe, w takich
dziedzinach jak:

•

przewidywanie własności wyrobów na podstawie parametrów

procesu technologicznego,

•

zastąpienie symulacji numerycznej procesów fizycznych
uogólnionymi przez sieć neuronową wynikami 'eksperymentów
numerycznych',

•

opis własności materiałów (równania empiryczne),

•

projektowanie oparte na doświadczeniach zebranych w przemyśle i
uogólnionych przez sieć neuronową, przewidywanie awarii
urządzeń na podstawie parametrów typu obciążenie, temperatura
itp., a także stosowanie sieci jako sterowników w automatyce.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn
zakłóceń procesów odlewniczych możliwości i problemy”
http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

5. Zastosowania CI w przemyśle

Dotychczasowe ogólne zastosowania w odlewnictwie metali
dotyczyły takich zagadnień jak:

•

przewidywanie własności odlewanych stopów (najczęściej
różnego typu żeliw),

•

przewidywanie awarii, zwłaszcza przy odlewaniu ciągłym,
sterowanie procesami wytopu w żeliwiaku i piecu łukowym,

•

sterowanie procesem przerobu masy formierskiej,

•

gospodarka energetyczna w odlewni,

•

projektowanie odlewów i układów zasilających dla odlewów,

•

projektowanie odpowietrzeń w rdzennicach,

•

dobór parametrów odlewania ciśnieniowego.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn
zakłóceń procesów odlewniczych możliwości i problemy”
http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

5. Zastosowania CI w przemyśle

•

W modelowaniu procesów produkcyjnych

mamy do czynienia z procesami o charakterze
ciągłym, czyli takimi, których parametry
powinny być utrzymywane na ustalonym
poziomie w dłuższym przedziale czasu.

•

Przykładem może być każdy proces związany z

produkcją w długich seriach, np. wytop jednego
gatunku stopu, przerób mas formierskich,
formowanie
lub odlewanie dla jednego asortymentu odlewów.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń
procesów odlewniczych możliwości i problemy”
http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf )

5. Zastosowania CI w przemyśle

Rys. Struktura modelowania powstawania wad wyrobów w procesach ciągłych
wykorzystaniem SSN; wyjścia z sieci I (w ilości 3 × liczba uwzględnianych parametrów
procesu) stanowią wejścia do sieci II. ( źródło Marcin Perzyk „Zastosowanie modelowania
miękkiego do wykrywania przyczyn zakłóceń procesów odlewniczych możliwości i
problemy” http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

5. Zastosowania CI w przemyśle

•

Drzewo decyzyjne jest to system operujący

na danych typu nominalnego lub porządkowego.
Jest strukturą logiczną (grafem) składającą
się z następujących elementów: korzeń (początek
drzewa), z którego wychodzą co najmniej dwie
gałęzie do węzłów leżących na niższym poziomie.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn
zakłóceń procesów odlewniczych możliwości i problemy”
http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf

5. Zastosowania CI w przemyśle

•

Do generowania drzew decyzyjnych na

podstawie obserwacji stosuje się programy
komputerowe stosujące różnego typu algorytmy.

•

Klasycznym zastosowaniem drzew decyzyjnych
jest klasyfikacja (drzewa działają na danych typu
nominalnego lub porządkowego).

•

Możliwa jest również realizacja zadań typu regresji

(aproksymacji funkcji).
Zastosowania przemysłowe tego typu modeli są
jeszcze stosunkowo nieliczne.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania
przyczyn zakłóceń procesów odlewniczych możliwości i problemy”
http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

5. Zastosowania CI w przemyśle

•

Modele stosujące logikę rozmytą i rachunek liczb
rozmytych są nowoczesnym narzędziem

wyrażania wielkości określanych nieprecyzyjnie,
w sposób przybliżony.

•

Modele stosujące optymalizację genetyczną

wykorzystują tzw. algorytmy genetyczne,
będące nowoczesnym i efektywnym narzędziem
matematycznym służącym do optymalizacji
dowolnej funkcji jednej lub wielu zmiennych,
wzorowanym na procesach naturalnej ewolucji.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń

procesów odlewniczych możliwości problemy”http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

5. Zastosowania CI w przemyśle

Rys. Przykład wykresu Pareto pozwalającego na identyfikację
najistotniejszych wad odlewów wykonywanych w danej odlewni. ( źródło
Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania
przyczyn zakłóceń procesów odlewniczych możliwości i problemy”
http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf)

5. Zastosowania CI w przemyśle

Klasyfikacja bayesowska obejmuje systemy
uczące się oparte na rachunku
prawdopodobieństwa,
wykorzystujące twierdzenie (wzór)Bayesa. Należą
do nich tzw. naiwny klasyfikator Bayesa (NKB) oraz
sieci bayesowskie.
Modele tego typu operują na wielkościach typu
nominalnego lub porządkowego i najczęściej
wykorzystywane są do realizacji zadań klasyfikacji
w dziedzinach takich jak zarządzanie, organizacja,
ekonomia.

( źródło Marcin Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń procesów
odlewniczych możliwości i problemy” http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf

4. Zastosowania CI w przemyśle

Rys. Przykład wykresu Ishikawy wspomagającego ustalenie potencjalnych przyczyn
pogarszania się wytrzymałości żeliwa szarego w odlewni Crane Valves, USA.( źródło Marcin
Perzyk „Zastosowanie modelowania miękkiego do wykrywania przyczyn zakłóceń procesów
odlewniczych możliwości
i problemy” http://www.zo.wip.pw.edu.pl/publikacje/2006/MP.pdf

)

5. Zastosowania CI w przemyśle

Systemy wizyjne są coraz częściej stosowane w
różnego rodzaju zrobotyzowanych stanowiskach
produkcyjnych do sterowania, nadzorowania
oraz kontroli pracy robotów spawających.

Rysunek. Mocowanie
kamery, oświetlacza
oraz palnika

http://www.robotyka.com/publikacje/6.pdf

5. Zastosowania CI w przemyśle

Wyposażony robot w system wizyjny pozwala mu
automatycznie rozpoznać położenie spawanego
detalu na podstawie otworów lub innych pkt.
Charakterystycznych, wygenerować wymaganą
trajektorię palnika robota. Działanie systemu jest
dwuetapowe. Pierwszy etap składa się z
rozpoznania globalnego, polegającego na
wykonaniu serii zdjęć nad spawanym detalem z
otworami. Etap drugi składa się z właściwego
spawania otworów.

http://www.robotyka.com/publikacje/6.pdf

5. Zastosowania CI w przemyśle

Rysunek. Przykładowe zdjęcie otrzymywane na etapie wstępnego
rozpoznania detalu z otworami, zdjęcie po prawej stronie zawiera
wynik przetwarzania obrazu – znalezione otwory.

Obraz z systemu wizyjnego
wstępny

http://www.robotyka.com/publikacje/6.pdf

5. Zastosowania CI w przemyśle

Rysunek. Przykładowe zdjęcie otrzymywane na etapie wyznaczania trajektorii
spawania, zdjęcie po prawej stronie zawiera wynik przetwarzania obrazu –
wyznaczoną trajektorię palnika.

Tak wyznaczona trajektoria jest następnie przesyłana do
robota, który odpowiednio ją wydłuża o połowę obwodu
otworu, w celu wykonania nakładki spawu i wygaszenia łuku
palnika.

http://www.robotyka.com/publikacje/6.pdf

5. Zastosowania CI w przemyśle

Przedstawiony system wizyjny służy do
sterowania pracą zrobotyzowanego stanowiska
spawania. Dzięki niemu uzyskuje się zmniejszenie
kosztów produkcji przez umożliwienie szybkiego
przezbrojenia stanowiska produkcyjnego oraz
wyeliminowanie kosztownego i skomplikowanego
w obsłudze urządzenia do precyzyjnego
pozycjonowania spawanych detali.

http://www.robotyka.com/publikacje/6.pdf

5. Zastosowania CI w przemyśle

Sztuczna inteligencja w samochodzie

•

Coraz szersze kręgi postrzegają sztuczną
inteligencję jako przyszłość bezpiecznej
motoryzacji. Na szeroką skalę montuje się już dziś
asystentów pasów ruchu, automatyczne
parkowanie, kamery wykrywające pieszych czy
czujniki bezpiecznej odległości od innych aut.
Wystarczy do tego inteligentne sterowanie, i
kierowca oraz prawo jazdy nie będą nikomu
potrzebne.

 

http://figeneration.pl/sztuczna-inteligencja-w-samochodzie-pomaga-czy-przeszkadza

5. Zastosowania CI w przemyśle

http://figeneration.pl/sztuczna-inteligencja-w-samochodzie-pomaga-czy-przeszkadza

5. Zastosowania CI w przemyśle

Jeśli ktoś ma problemy z parkowaniem równoległym
i na tyle ufa temu systemowi, żeby powierzyć mu tę
czynność, to może spokojnie dopłacić za taki
gadżet. Większość takich urządzeń oferowanych
przez producentów spełnia swoje zadanie i potrafi
zrobić “kopertę” na życzenie kierowcy bez
uszkodzenia czy zarysowania zarówno jego, jak i
innych aut ustawionych w pobliżu

http://figeneration.pl/sztuczna-inteligencja-w-samochodzie-pomaga-czy-przeszkadza

5. Zastosowania CI w przemyśle

Tempomat, czyli niewidzialny zmiennik
kierowcy

Gdy przemierzamy daleką trasę, po
przejechaniu dłuższego dystansu wciskanie pedału
gazu i hamulca staje się uciążliwe. Z pomocą
przychodzi wtedy tempomat. Wciskamy jeden
przycisk i auto zaczyna utrzymywać stałą prędkość,
a my zapominamy o pedale gazu, przyśpieszeniu,
hamowaniu i skupiamy się wyłącznie na kręceniu
kierownicą.

http://figeneration.pl/sztuczna-inteligencja-w-samochodzie-pomaga-czy-przeszkadza

5. Zastosowania CI w przemyśle

http://figeneration.pl/sztuczna-inteligencja-w-samochodzie-pomaga-czy-przeszkadza

5. Zastosowania CI w przemyśle

Sztuczna inteligencja w samochodzie –

pomaga czy przeszkadza?

 

Większość gadżetów stosowanych we
współczesnych samochodach raczej pomaga niż
przeszkadza kierowcom, aby jednak wybrać te
rzeczywiście przydatne warto przed ich zakupem
poszukać testów i opinii na ich temat, albo jeśli to
możliwe wypróbować je na własną rękę. Tylko w taki
sposób uda się nam zweryfikować ich praktyczność.
 

http://figeneration.pl/sztuczna-inteligencja-w-samochodzie-pomaga-czy-przeszkadza

Dziękujemy za uwagę!