工业自动化的新视野

场景四：基于声纹的产品质量检测与故障判断

利用声纹识别技术实现异音的自动检测，发现不良品，并比对声纹数据库进行故障判断。例如，从2018年年末开始，佛吉亚(无锡)工厂就与集团大数据科学家团队展开全面合作，致力于将AI技术应用于座椅调角器的NVH性能评判(震动噪声测试)。2019年，佛吉亚(无锡)工厂将AI技术应用到调角器异音检测中，实现从信号采集、数据存储、数据分析到自我学习全过程的自动化，检测效率及准确性远超传统人工检测。随着基于AI(人工智能)技术的噪声检测系统在无锡工厂投入应用，人员数量已经从38人下降至3人，同时，质量控制能力显著提高，年经济效益高达450万人民币。

场景五：智能决策

制造企业在产品质量、运营管理、能耗管理和刀具管理等方面，可以应用机器学习等人工智能技术，结合大数据分析，优化调度方式，提升企业决策能力。

例如，一汽解放无锡柴油机厂的智能生产管理系统，具有异常和生产调度数据采集、基于决策树的异常原因诊断、基于回归分析的设备停机时间预测、基于机器学习的调度决策优化等功能。通过将历史调度决策过程数据和调度执行后的实际生产性能指标作为训练数据集，采用神经网络算法，对调度决策评价算法的参数进行调优，保证调度决策符合生产实际需求。
 

主成分分析(Principal Component Analysis，PCA)、最近邻分析和判别分析是常用的降维技术。

图1.7所示是基于PCA的降维技术的工作原理的著名描述图片。图片左侧展示了一组在三维空间中能表示为瑞士卷形状的数据，图片右侧则展示了应用PCA将数据转换到二维空间中的结果。

3.关联规则挖掘

这类无监督机器学习算法能够帮助我们理解和从交易数据集中提取模式。这些算法被称为市场篮子分析(Market Basket Analysis，MBA)，可以帮助我们识别交易项目之间有趣的关系。

使用关联规则挖掘，我们可以回答“在特定的商店中哪些商品会被一起购买?”或者“买葡萄酒的人也会买奶酪吗?”等问题。FP-growth、ECLAT和Apriori是关联规则挖掘任务的一些广泛使用的算法。

4.异常检测

异常检测是基于历史数据识别罕见事件或观测的任务，也称为离群点检测。异常值或离群值通常具有不频繁出现或在短时间内突然爆发的特征。

对于这类任务，我们为算法提供了一个历史数据集，因此它能够以无监督学习的方式识别和学习数据的正常行为。一旦学习完成之后，算法将帮助我们识别不同于之前学习行为的模式。
 

5.编写大量代码并进行辅助项目

您编写的代码越多，您在软件开发中的能力也可能就越高。在编程中，这是使您的编程技能保持最新状态 的最佳方法之一。如果您只花时间来学习书面内容而不进行任何实际的实现，则没有任何意义。不管你有多少书籍或博客阅读，不管有多少的教程或课程，你在线观看，如果你没有在一些实际项目运用的知识，你将无法学到更好的方法。作为开发人员，您应该始终花一些时间每天做一些辅助项目。

结论

作为软件开发人员，最好一直保持最新状态，但又不要太着迷于新事物。您会精疲力尽，并且可能损害您的日常生活。您所要做的就是制定适当的计划/策略并逐一去做

（编辑：济南站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!