ترجمه فارسی مقاله تحلیل ریشه‌ای علل کاهش بهره‌وری در سیستم‌های تولیدی با استفاده از یادگیری ماشین گروهی

چکیده

In today’s rapidly evolving landscape of automation and manufacturing systems, the efficient resolution of productivity losses is paramount. This study introduces a data-driven ensemble approach, utilizing the cyclic multivariate time series data from binary sensors and signals from Programmable Logic Controllers (PLCs) within these systems. The objective is to automatically analyze productivity losses per cycle and pinpoint their root causes by assigning the loss to a system element. The ensemble approach introduced in this publication integrates various methods, including information theory and machine learning behavior models, to provide a robust analysis for each production cycle. To expedite the resolution of productivity losses and ensure short response times, stream processing becomes a necessity. Addressing this, the approach is implemented as data-stream analysis and can be transferred to batch processing, seamlessly integrating into existing systems without the need for extensive historical data analysis. This method has two positive effects. Firstly, the result of the analysis ensures that the period of lower productivity is reduced by identifying the likely root cause of the productivity loss. Secondly, these results are more reliable due to the ensemble approach and therefore avoid dependency on technical experts. The approach is validated using a semi-automated welding manufacturing system, an injection molding automation system, and a synthetically generated test PLC dataset. The results demonstrate the method’s efficacy in offering a data-driven understanding of process behavior and mark an advancement in autonomous manufacturing system analysis.

چکیده به فارسی (ترجمه ماشینی)

در چشم انداز در حال تحول سریع سیستم های اتوماسیون و تولید ، وضوح کارآمد تلفات بهره وری مهم است.این مطالعه یک رویکرد گروه داده محور را با استفاده از داده های سری چند متغیره چرخه ای از سنسورهای باینری و سیگنال های کنترل کننده منطق قابل برنامه ریزی (PLC) در این سیستم ها معرفی می کند.هدف این است که به طور خودکار ضررهای بهره وری در هر چرخه را تجزیه و تحلیل کنیم و با اختصاص ضرر به یک عنصر سیستم ، علل اصلی آنها را مشخص کنیم.رویکرد گروه معرفی شده در این نشر ، روشهای مختلفی از جمله تئوری اطلاعات و مدلهای رفتار یادگیری ماشین را برای ارائه یک تحلیل قوی برای هر چرخه تولید ادغام می کند.برای تسریع در وضوح تلفات بهره وری و اطمینان از زمان پاسخ کوتاه ، پردازش جریان به یک ضرورت تبدیل می شود.با پرداختن به این موضوع ، این رویکرد به عنوان تجزیه و تحلیل جریان داده اجرا می شود و می تواند به پردازش دسته ای منتقل شود ، بدون نیاز به تجزیه و تحلیل گسترده داده های تاریخی ، یکپارچه در سیستم های موجود ادغام شود.این روش دو اثر مثبت دارد.در مرحله اول ، نتیجه تجزیه و تحلیل تضمین می کند که با شناسایی علت اصلی احتمالی از دست دادن بهره وری ، دوره بهره وری پایین تر کاهش می یابد.ثانیا ، این نتایج به دلیل رویکرد گروه قابل اطمینان تر است و بنابراین از وابستگی به متخصصان فنی خودداری می کنند.این رویکرد با استفاده از یک سیستم تولید جوشکاری نیمه اتوماتیک ، یک سیستم اتوماسیون قالب گیری تزریق و یک مجموعه داده PLC تست مصنوعی تولید شده تأیید می شود.نتایج نشان می دهد که اثربخشی روش در ارائه درک داده محور از رفتار فرآیند و پیشرفت در تجزیه و تحلیل سیستم تولید خودمختار است.