داده کاوی در مهندسی ساخت

داده کاوی در مهندسی ساخت

Data Mining in Manufacturing Engineering

در محیط های تولید مدرن ، مقادیر گسترده ای از داده ها در سیستم های مدیریت پایگاه داده و انبارهای داده از تمام مناطق درگیر مانند طراحی محصول و فرآیند ، مونتاژ ، برنامه ریزی مواد ، کنترل کیفیت ، برنامه ریزی ، تعمیر و نگهداری ، تشخیص خطا و غیره جمع آوری می شود.

داده کاوی به عنوان ابزاری مهم برای کسب دانش در پایگاه های تولید پدیدار شده است.

در این مقاله برنامه های کاربردی مربوط به کشف دانش و داده کاوی در دامنه وسیع تولید با تأکید ویژه بر نوع عملکردهایی که باید بر روی داده ها انجام شود ، مرور می شود.

توابع عمده داده کاوی که باید انجام شود شامل توصیف ، ارتباط ، طبقه بندی ، پیش بینی ، خوشه بندی و تجزیه و تحلیل تکامل است.

دانش در بسیاری از زمینه های تولیدی امکان ایجاد و تسهیل حفظ میراث با ارزش ، یادگیری چیزهای جدید ، حل مشکلات پیچیده ، ایجاد صلاحیت های اصلی و آغاز موقعیت های جدید را برای افراد و سازمان ها در حال حاضر و در آینده فراهم می کند.

در اکثر بخش ها ، تولید بسیار رقابتی است و حاشیه های مالی که بین موفقیت و شکست تفاوت قایل می شوند بسیار محدود است و بیشتر صنایع مستقر نیاز به رقابت ، تولید و فروش در سطح جهانی دارند.

برای تسلط بر این چالش های فرا قاره ای ، یک شرکت باید به تولید کم هزینه دست یابد اما هنوز نیروهای کار بسیار ماهر ، انعطاف پذیر و کارآمد که قادر به طراحی مداوم و تولید محصولات با کیفیت بالا و کم هزینه هستند را حفظ کند.

در اقتصادهای با دستمزد بالاتر ، این امر فقط می تواند از طریق بهره برداری بسیار کارآمد از دانش انجام شود. با این وجود دانش می تواند اشکال مختلفی داشته باشد و شناسایی نوع دانش استخراج شده هنگام بررسی مقدار زیادی از داده های تولید شده ضروری است.

برای خرید لایسنس پاور بی ای Power BI کلیک کنید

لایسنس Power BI

برای مشاهده ویدیوی مقایسه Load the same data in two Power BI VS Tableau در یوتیوب لینک زیر را کلیک کنید ⇓

⇐ ⇐ Load the same data in two Power BI VS  Tableau

 

 

در تولید مدرن ، حجم داده ها با استفاده از بارکد ، سنسورها ، سیستم دید و غیره با سرعت بی سابقه ای در محیط های تولید دیجیتال رشد می کند.

این داده ها ممکن است مربوط به طراحی ، محصولات ، ماشین آلات ، فرآیندها ، مواد ، موجودی ، نگهداری ، برنامه ریزی و کنترل باشد ، مونتاژ اطلاعات ، عملکردها و غیره و ممکن است شامل الگوها ، روندها ، ارتباطات و وابستگی ها باشد.

با این حال ، استفاده از داده های جمع شده محدود شده است ، که منجر به مشکل “داده های غنی اما اطلاعات ضعیف” شده است. داده های تولیدی جمع آوری شده حاوی اطلاعات و دانش ارزشمندی است که می تواند در سیستم تولید برای بهبود تصمیم گیری و افزایش بهره وری ادغام شود.

مقادیر بسیار زیاد داده ها در پایگاه های تولیدی ، که شامل تعداد زیادی از سوابق است ، با بسیاری از ویژگی هایی که برای کشف اطلاعات و دانش مفید به طور همزمان باید مورد کاوش قرار گیرد ، تجزیه و تحلیل دستی را غیر عملی می کند.

همه این عوامل نیاز به تجزیه و تحلیل داده های هوشمند و خودکار ، یعنی ممکن است دانش مفیدی را از داده ها کشف کنند. کشف دانش در پایگاه های داده (KDD) و داده کاوی (DM) ابزارهای بسیار مهمی در تحقق هدف تجزیه و تحلیل داده های هوشمند و خودکار می شوند.

داده کاوی یک گام خاص در روند KDD است که شامل استفاده از الگوریتم های خاص برای استخراج الگوها (مدل ها) از داده ها است. مراحل اضافی در فرآیند KDD ، مانند آماده سازی داده ها ، تمیز کردن داده ها ، انتخاب داده ها ، استفاده از دانش قبلی مناسب و تفسیر مناسب از نتایج استخراج ، اطمینان حاصل می کند که دانش مفید از داده ها گرفته شده است.

مزیت اصلی داده کاوی نسبت به سایر روش های تجربی این است که می توان داده های مورد نیاز برای تجزیه و تحلیل را در حین عملکرد طبیعی فرآیند تولید مورد مطالعه جمع آوری کرد. بنابراین ، اختصاصاً فرایندهای ماشین ساز برای جمع آوری اطلاعات ضروری نیست.

تنوع ابزار ، تکنیک ها و ویژگی های داده کاوی از یک سو فرصت های خوبی را فراهم می کند ، اما از طرف دیگر تولید گزینه ها باعث سردرگمی می شود.

 

انواع KDD ، استخراج اطلاعات و دانش

۱-  تعاریف اساسی

KDD فرآیند غیرانتفاعی شناسایی الگوهای معتبر ، جدید ، بالقوه مفید و در نهایت قابل فهم در داده ها است.

داده کاوی یک گام خاص در این فرایند است که شامل استفاده از الگوریتم های خاص برای استخراج الگوها (مدل ها) از داده ها است. مراحل اضافی در فرآیند KDD ، مانند آماده سازی داده ها ، انتخاب داده ها ، تمیز کردن داده ها ، ادغام دانش قبلی و تفسیر مناسب از نتایج استخراج ، اطمینان حاصل می کند که دانش مفید از داده ها به دست می آید.

یک مفهوم جالب توجه معمولاً به عنوان یک معیار کلی برای اندازه گیری الگو ، با ترکیب اعتبار ، تازگی ، سودمندی ، سادگی و قابل درک بودن در نظر گرفته می شود. در حقیقت ، دانش در این تعریف صرفاً کاربر محور و خاص دامنه است و با توجه به هر عملکرد و آستانه انتخاب کاربر تعیین می شود. نقش جالب توجه این است که تعداد زیادی از الگوهای کشف شده را آستانه قرار داده و فقط مواردی را که ممکن است از برخی موارد استفاده کنند گزارش کند.

 

 

۲- فرآیند KDD در ساخت

روند کلی KDD اعمال شده در ساخت در شکل زیر مشخص شده است.

روند KDD تعاملی و تکرار شونده است که مراحل زیر را کم و بیش انجام می دهد:

• درک دامنه تولید: این شامل دانش قبلی مربوط به برنامه تولید و هدف هدف است.
• جمع آوری داده های هدف: این شامل مجموعه ای از داده های خام ، انتخاب مجموعه داده ها و تمرکز بر روی مجموعه ای از متغیرهای موثر بر مشکل تولید است.
• تمیز کردن داده ها ، پیش پردازش و تغییر شکل: این شامل پیش پردازش داده ها مانند حذف سر و صدا ، جایگزینی مقدار از دست رفته و تمیز کردن داده ها است. داده ها به فرم های مناسب استخراج ادغام می شوند.
• ادغام داده ها: این شامل ادغام چندین منبع تولید داده ناهمگن است.
• انتخاب توابع داده کاوی: بر اساس نوع دانش مورد نیاز ، توابع مختلف داده کاوی (خوشه بندی ، طبقه بندی ، پیش بینی ، تداعی ، رگرسیون ، خلاصه سازی و غیره) برای استخراج مodلفه مورد نیاز است. انتخاب الگوریتم مناسب داده کاوی : این شامل انتخاب تکنیک ها برای انجام عملکرد مورد نظر برای یافتن الگوهای موجود در داده ها است.
• انتخاب الگوریتم مناسب داده کاوی. این شامل جستجوی الگوهای مورد علاقه در یک فرم نمایشی خاص یا مجموعه ای از این نمایش ها است.
• تفسیر و تجسم: این شامل تفسیر و تجسم الگوها برای بدست آوردن دانش جدید است.
• پیاده سازی دانش کشف شده: دانش کشف شده در سیستم عملکرد حوزه تولید گنجانیده شده است. بازخورد دریافت می شود و دانش می تواند براساس بازخورد بیشتر اصلاح شود.
• ذخیره دانش ، استفاده مجدد و ادغام در سیستم تولید: این شامل ذخیره دانش کشف شده برای استفاده مجدد بیشتر و یکپارچه سازی احتمالی در سیستم تولید است.

 

 

۳- داده کاوی در ساخت

داده کاوی یک زمینه میان رشته ای با هدف کلی پیش بینی نتایج و کشف روابط در داده ها است. این از ابزارها و تکنیک های خودکار استفاده می کند ، با استفاده از الگوریتم های پیچیده الگوهای پنهان ، ارتباطات ، ناهنجاری ها و / یا ساختار را از مقادیر زیادی از داده های ذخیره شده در انبار داده ها یا مخازن اطلاعات دیگر کشف می کند.

در زمینه تولید ، دو هدف اولیه سطح بالای داده کاوی پیش بینی و توصیف است. داده کاوی توصیفی ، کشف الگوهای جالب برای توصیف داده ها را متمرکز می کند. داده کاوی پیش بینی بر پیش بینی رفتار یک مدل و تعیین مقادیر آینده متغیرهای کلیدی است که اطلاعات موجود را از پایگاه داده های موجود ارائه می دهد.

مرزهای بین استخراج داده های توصیفی و پیش بینی شده دقیق نیستند ، به عنوان مثال برخی از جنبه های مدل پیش بینی می توانند توصیفی باشند ، تا حدی که قابل درک باشند و بالعکس. با استفاده از انواع ابزارها و تکنیک های داده کاوی می توان اهداف پیش بینی و توصیف را به دست آورد.

۴- نوع دانش استخراج شده

همانطور که در مقدمه توضیح داده شد ، قبل از انجام وظیفه داده پردازی در تولید ، شناسایی نوع دانش استخراج ضروری است. نوع دانش استخراج شده توابع داده کاوی را تعیین می کند. بنابراین بخش بعدی طیف وسیعی از توابع را توصیف می کند و کاربرد آنها را در حوزه های تولید بررسی می کند.

 

 

به دنبال این هستید که داده های خود را از طریق تجزیه و تحلیل بصری به نمایش بذارید ؟ با ما در داده کاوی ویستا ارتباط برقرار کنید.

با یکی از کارشناسان داده ما تماس بگیرید و صحبت کنید، و ما به هر سوالی که ممکن است داشته باشید پاسخ خواهیم داد.

امیدواریم از این پست لذت برده باشید

برای مطالب بیشتر از وب سایت ما از جمله مطالعات موردی اضافی، اخبار و رویدادها، و نکات و ترفندهایی برای ارتقای تجزیه و تحلیل بصری خود، از وب سایت ما دیدن کنید.

رسانه های اجتماعی ما را برای به روز رسانی نرم افزارهای، BI و AI دنبال کنید.

دوره آموزشی هوش تجاری با Tableau «کلیک کنید» و  هوش تجاری با Power BI «کلیک کنید» یک برنامه جامع است که بر توسعه مهارت در تجزیه‌ و تحلیل داده‌ها، تجسم و گزارش سازی و گزارش دهی و دشبوردسازی با استفاده از این ابزارها  تمرکز دارد.

سپاسگذاریم از وقتی که برای خواندن این مقاله گذاشتید

.

برای خرید لایسنس تبلو Tableau کلیک کنید

.

برای مشاهده ویدیوهای آموزشی داده کاوی و هوش تجاری ما را در شبکه های اجتماعی دنبال کنید

Youtube Chanel :VISTA Data Mining 

Aparat Chanel: VISTA Data Mining 

Instagram Chanel: VISTA Data Mining

Telegram Chanel: VISTA Data Mining 

Linkedin Chanel: VISTA Company