Adimen
digitala
prozesuetan

Adimen Artifiziala

Adimen Artifiziala (AA) diziplina anitzeko ikerketa arlo bat da Konputazio Zientzien barruan sartzen dena.

Adimen artifizialaren helburua giza arrazonamendua emulatzea da makinek datu-fluxuetatik ikasteko eta erabakiak automatikoki hartzeko aukera izan dezaten.

Arlo honetako lanak duela mende bat baino gehiagokoak badira ere, orain, aurrerapen teknologikoari eta datuen eztandari esker, inplementatu ahal izan dira industriako testuinguruetan arrakastaz aplikatzen diren metodoak.

Gaur egun, aro digitalean bizi gara eta ia gailu automatiko guztiek dute elektronika digitala, eta beraz, datuak prozesatu eta igortzen dituzte. Horrek boom efektua izan du industrian. Edozein instalazio modernok datu ugari prozesatu eta igortzen ditu. Horregatik, testuinguru bikaina sortu da AA metodoak ezartzeko, eta hauxe da 4.0 Industria (I4.0) izenekoaren oinarria.

Lorteken AAk industriako testuinguruetan eskaintzen dituen aplikazioetan zentratzen gara, zatirik handiena 4.0 Industrian biltzen delarik. Hainbat teknika daude tartean: zibersegurtasuna, BlockChain, Kontrol Adimenduna, Ordenagailu bidezko Ikusmena, IoT, Edge-Fog-Cloud Computing edo Machine Learning, esaterako, ezinbesteko atalak dira.

Horiek guztiek oinarrizko printzipio hauek dituzte:

  • Gizakia dago teknika horien erdigunean.
  • Etika, legezkotasuna eta gardentasuna AA algoritmoetan.
  • Jasangarritasuna eta eraginkortasuna.
  • Europako araudiaren jarraipena.

Zertan dihardugu gaur egun

3L: Machine Learning, Deep Learning eta Active Learning

Eremu honek eskaintzen dituen tresnekin (tensorflow, keras, Caffe, sk-learn, etab.) eta programazio lengoaia ezberdinekin lan egiteaz haratago, LORTEKen industriako arazoetara egokitutako algoritmoak diseinatzen ditugu. Egungo 4.0 Industriako datuen eztanda dagokionez, datu jatorri eta mota ezberdinekin, haien trazabilitatearekin eta datu faltsuaren detekzioari dagozkion arazoei egiten diegu aurre. Algoritmoak ad-hoc sortzen ditugu, zehaztasun eta kalitaterik handieneko iragarpen-ereduak sortzeko

Ezagutzaren zaharkitzea da kezkatzen gaituen alderdietako bat, horregatik gure metodoak Self-Learning tekniken bidez laguntzen ditugu. Teknika horiek ahalik eta errendimendu handiena bermatzen dute, bai industriako instalazioari dagokionez, baita testuinguru aldaketen ondorengo tolerantziari dagokionez ere (produktu, parametro nahiz osagarrien aldaketak).

Honako eremuetan aplikatzen ditugu metodo horiek: mantenu prediktiboa, produktuaren optimizazioa, optimizazio energetikoa eta akatsen iragarpena.

Ordenagailu bidezko Ikusmena

Irudi digitalen prozesamendua Machine Learning metodoak aplikatzeko kasu berezi bat da, izan ere, irudiak datu ordenatu-multzo izatearen abantaila du. Testuinguru horretan, ikusmen eremuko arazoei egokitutako teknikak aplikatzen ditugu, hala nola islapen-analisia, kalibrazio kromatikoa eta argiztapen-aldaketak zuzentzeko sistema automatikoak.

Metodo konputazionalei dagokienez, metodo klasikoekin lan egiten jarraitzen dugu, hala nola SVM, RF, Ann, Bayes, etab. Baina ikusmen-algoritmoez ari garela, Deep Learning teknikak eskaintzen dituen azken aurrerapenekin ere lan egiten dugu (CNN, RNn, Gan, etab.).

Ugari dira, ikuste-sistemekin batera, Active Learning software arkitekturak erabiltzen ditugun kasuak. Horrek esan nahi du langile adituak funtsezkoa izaten jarraitzen duela kalitate-kontrolean. Gaur egungo industriak gero eta serie laburragoak fabrikatzea eskatzen du, gero eta produktu barietate handiagoarekin. Langile aditua da, giza/AA interfazeak batuz, algoritmoak fabrikazio-testuinguru berrietara egokitzeko prozesua zuzentzen duena.

Metodo horiek kalitatea kontrolatzeko sistemetan aplikatzen ditugu. Produktu bat ematen dugunean, kamerekin behatzen dugu eta hortik ondorioztatzen dugu pieza ona den ala ez.


Kontrol Adimenduna

Kontrol adimenduneko sistemek adimen artifizialeko teknikak erabiltzen dituzte prozesu konplexuak kontrolatzeko. Oso eredu konplexuak dituzten prozesuak, ez linealak, ziurgabetasun-inguruneak dituztenak edo denborarekin aldatzen diren kontrol irizpide eta helburuak dituztenak. Kontrol adimendunari esker, metodo klasikoen bidez konpondu ezin diren kontrol-arazoak konpon daitezke. Kontrol adimenduna osatzen duten oinarrizko lau teknikak Kontrol Aditua, Kontrol Lausoa, Sare Neuronalak eta Algoritmo Genetikoak dira. LORTEKen teknika horiek prozesu industrial konplexuetan ezartzen lan egiten dugu, kalitatea hobetzeko berariazko helburuarekin.

Ekipamendu espezifikoa

Gure ikertzaileek iragarpen-ereduak fabrikatzeko eta egikaritzeko gaitasuna duten lanerako estazio ahaltsuekin jarduten dute. Horrez gain, Xeon prozesadoreak eta NVIDIA txartelak dituzten hainbat zerbitzari ditugu horretarako.

Argitalpenak
eta deskargak

Argitalpenak
2019
MR Parsha Pahlevannejad, Arnold Herget, Ramón Moreno, Andre Hennecke.
Implementation and Testing of a Modular System Architecture for Generic Hybrid Production Cells in an Industrial Environment.
45st Annual Conference of the IEEE Industrial Electronics Society.
Ireki esteka
2019
Ander Muniategui, Aitor García de la Yedra, Jon Ander del Barrio, Xabier, R. Moreno.
Mass production quality control of welds based on image processing and deep learning in safety components industry.
Proc. SPIE 11172, Fourteenth International Conference on Quality Control by Artificial Vision, 111720L
Ireki esteka
2019
A Muniategui, JA del Barrio, XA Vinuesa, M Masenlle, AG de la Yedra, R. Moreno.
One Dimensional Fourier Transform on Deep Learning for Industrial Welding Quality Control.
International Work-Conference on Artificial Neural Networks, 174-185.
Ireki esteka
2019
R. Moreno, Juan Carlos Pereira, et al.
Time Series Display for Knowledge Discovery on Selective Laser Melting Machines.
20th International Conference on Intelligent Data Engineering and Automated Learning.
Ireki esteka
2019
R. Moreno, E. Gorostegui-Colinas, PL de Uralde, A Muniategui.
Towards Automatic Crack Detection by Deep Learning and Active Thermography.
International Work-Conference on Artificial Neural Networks, 151-162.
Ireki esteka

Erronkak

Datozen urteetan aurre egin beharreko erronkak:

4.0 Industriaren erronkak agerikoak dira datuaren eztandaren aurrean. Agente berriak agertu dira agertoki industrialean, hala nola: zibersegurtasuna, IoT, Blockchain, Erabakiak Hartzeko Laguntza Sistemak. Algoritmoek herrialde batzuetan erabakiak har ditzakete eta beste herrialde batzuetan kokatutako sistema industrialen exekuzioetan eragina izan. Gainera, algoritmo batzuen inputak langile adituengandik datoz. Alderdi horiek garrantzi handia hartzen ari dira, eta AAren alderdi etikoak eta legezkoak epaitzera garamatzate.
Algoritmoen legezko muga eta muga etikoak lantzeaz gain, Lorteken egungo industria beharretara egokitzen diren makina ikaskuntzako paradigmak ere lantzen ditugu: hutsetik ikasteko gai diren sistemak (Reinforcement Learning, Self-Learning). Irudi digitalen prozesamenduan, ikusizko ikaskuntza-sistemak sortzeko lan egiten dugu, iraganaren memoria dutenak (Learning without Forgetting). Bi teknikak batera, ezagutza industriala jasotzen duten eta gaur egungo ekoizpen-sistemek eskatzen dituzten testuinguru-aldaketetara egokitzen diren eredu konputazionalak sortzeko helburu nagusira zuzentzen dira: bezero-eskakizunetara zuzendutako produktua, gero eta serie laburragoekin.
Irtenbide digitalen aplikazioa bizkortu egin da industrian azken urteotan. Ildo horretan, Kontrol Automatikoan, Adimen Artifizialean, sentsoreetan, seinaleen prozesamenduan, eragingailuetan, etab. lortzen diren aurrerapenek sistemen kontrolerako tresna berriak eskaintzen dituzte. Hala ere, horien aplikazioak erronka izaten jarraitzen du zenbait industria ingurune konplexutan (hala nola, arkuzko soldadura prozesuetan, laser bidezko prozesuetan, etab.), izan ere, denbora errealean erantzuna emango duen teknologia sendoagoa eskatzen da gaur egun.