Komputerowe Systemy

Sterowania Produkcją

Aspekt akwizycji danych (Data

Acquisition)

i eksploatacji danych (Data Mining) dla

potrzeb analiz w branży motoryzacyjnej

TEMAT
:

Wykonawcy:

Adrian Nowicki
Dawid Hoppe
Klaudia Wasiela
Magdalena Jurgielewicz
Remigiusz Kujawiński

Agenda

1. Akwizycja danych
2. Data Mining
3. Data Mining w Produkcji
4. Analiza danych w produkcji
5. Eksploracyjna analiza danych

Agenda

1. Akwizycja danych

2. Data Mining
3. Data Mining w Produkcji
4. Analiza danych w produkcji
5. Eksploracyjna analiza danych

Aspekty akwizycji danych

Pochodzenie

systemów

pomiarowych

Gromadzenie

przez wielu

użytkowników

Stabilność

procedur

pomiarowych

oraz

przetwarzania

danych

Rejestrowanie

niejednorodnyc

h danych

Artykuł: Akwizycja i wstępne opracowanie danych niejednorodnych na potrzeby systemów data mining na przykładzie przemysłu odlewniczego, dr inż. R.
Sika, prof. dr hab. inż. Z.Ignaszak

Odlewnia jako złożony system
produkcyjny

Jakość

wyrobu

końcowego

Jakość

wyrobu

końcowego

• Dostęp do

procesu

• Znajomość

jego

konsekwencji

• Zakres analiz

i prognoz

• Wybrany przez

odlewnię

system

sterowania

jakością

• Dostęp do

procesu

• Znajomość

jego

konsekwencji

• Zakres analiz

i prognoz

• Wybrany przez

odlewnię

system

sterowania

jakością

Artykuł: Akwizycja i wstępne opracowanie danych niejednorodnych na potrzeby systemów data mining na przykładzie przemysłu odlewniczego, dr inż. R.
Sika, prof. dr hab. inż. Z.Ignaszak

Automatyczne

Kokila

Zmiana

temperatury

kokili

Rejestracja

przez sensor

wybranej

wartości

Przetworzenie

danych na

sygnał

elektryczny

Transmisja do

rejestratora

Źródło: Opracowanie własne

Obszary gromadzenia danych -
przykłady

Akwizycja danych

Najbardziej uniwersalnym rozwiązaniem do akwizycji danych jest

komputer wyposażony w karty DAQ (DAQ – ang. Data Acquisition),

inaczej zwanymi kartami pomiarowymi lub zaawansowanymi

przetwornikami analogowo-cyfrowymi.

Typowe parametry opisujące karty DAQ to:

 liczba wejść/wyjść analogowych,

 maksymalna częstotliwość próbkowania/generowania,

 zakres pomiarowy

 rozdzielczość

Źródło: http://www.cim.pw.edu.pl/zoios_oceny/sensoryka/cw1-akwizycja.pdf

Akwizycja danych (AD)
to proces polegający na
zbieraniu danych opisujących
świat rzeczywisty, a następnie
na przekształceniu tych
danych w postać numeryczną
możliwą do obróbki przez
komputer.
Systemy akwizycji danych
(DAQ – Data Acquisition
Systems) przekształcają
sygnały analogowe do postaci
cyfrowej, jako zbiór wartości
numerycznych.

Działanie systemów AD opiera się
na dwóch podstawowych
procesach:

 dyskretyzacja sygnałów w

czasie (próbkowanie)

 dyskretyzacja wartości

sygnałów (kwantowanie).

Akwizycja danych w zadaniach procesu

produkcyjnego

Symulacja

• Pre-processing

• Zmiany w odlewie w fazie

projektowania

Kontrola

• Kontrola procesów i sterowanie

• Zakłócenia w czasie

rzeczywistym

Identyfika

cja

• Nieprawidłowości w procesie

• Potencjalne zakłócenia

Artykuł: Akwizycja i wstępne opracowanie danych niejednorodnych na potrzeby systemów data mining na przykładzie przemysłu odlewniczego, dr inż. R.
Sika, prof. dr hab. inż. Z.Ignaszak

Agenda

1. Akwizycja danych

2. Data Mining

3. Data Mining w Produkcji
4. Analiza danych w produkcji
5. Eksploracyjna analiza danych

Pojęcie eksploracji danych jest potocznie rozumiana jako

odkrywanie wiedzy w bazach danych. Integruje ono kilka dziedzin
takich jak:
 Statystyka,
 Systemy baz danych,
 Sztuczna inteligencja,
 Maszynowe uczenie się,
 Optymalizacja.

Cel eksploracji danych: wykorzystanie właściwego algorytmu dla
znajdowania zależności
i schematów w przygotowanym zbiorze danych, a następnie ich
reprezentacja w postaci formalnej, zrozumiałej dla użytkownika.

http://www.obserwatoriumit.pl/site/assets/files/1059/eksploracja_danych.pdf

Data Mining

Fazy odkrywania wiedzy

Popularne w tej dziedzinie eksploracji danych określenie "garbage
in, garbage out" oznacza że model zbudowany w oparciu o słabej
jakości dane będzie również mało efektywny.

Odkrywane w procesie eksploracji danych wzorce przedstawiane są
w postaci:

  wizualizacji na wykresach,
  metod statystycznych,
  sieci neuronowych,
  drzew decyzyjnych,
  metod uczenia maszynowego,
  logiki rozmytej,
  zbiorów przybliżonych.

Data Mining

 wizualizacje na wykresach - dzięki wizualizacji możemy łączyć

wielkie zbiory danych i pokazać wszystkie dane jednocześnie.

 Wizualizacje ułatwiają dostrzeżenie pewnych własności, których przy zwykłej

analizie człowiek nie jest w stanie dostrzec.

 Dzięki wizualizacji danych zdecydowanie łatwiej podjąć trafną decyzję.

http://www.forum.alfaholicy.org/tuning_mechaniczny/25421-wykresy_z_hamownii_naszych_alf-
12.html

Data Mining

 metody statystyczne – są podstawą do eksploracji danych

(występują metody opisowe oraz metody graficzne).

 Oparte są na silnych podstawach teoretycznych i mocnych założeniach co do

danych.

 Metody statystyczne są ukierunkowane na testowanie hipotez oraz szacowanie

nieznanych wartości parametrów.

Źródło: 1. Artykuł: Akwizycja i wstępne opracowanie danych niejednorodnych na potrzeby systemów data mining na przykładzie przemysłu odlewniczego,
dr inż. R. Sika, prof. dr hab. inż. Z.Ignaszak 2. www.ranking.pl

Data Mining

 sieci neuronowe – należą do kategorii układów uczących się. Powszechnie

stosowane instrumenty statystyczne i narzędzia do przetwarzania sygnałów.
Stanowią techniki analityczne tworzone na wzór procesu uczenia w systemie
poznawczym

funkcji

neurologicznych

mózgu

i zdolne do przewidywania nowych obserwacji (określonych zmiennych) na
podstawie innych obserwacji (dokonanych na tych samych lub innych
zmiennych) po przeprowadzeniu procesu tzw. uczenia w oparciu o istniejące
dane.

Zastosowanie:

 sterowanie procesami (np. monitorowanie urządzeń produkcyjnych

i regulowanie na bieżąco parametrów procesu),

 sterowanie pracą silnika (określanie zużycia paliwa na podstawie

wskazań czujników oraz przeprowadzanie regulacji - jest to forma
sterowania procesem),

Data Mining

Artykuł: Data acquisition in modeling using neural networks and decision trees, dr inż. R. Sika, prof. dr hab. inż. Z.Ignaszak

Data Mining

 Drzewa decyzyjne - graficzny sposób wspierania procesu decyzyjnego.

Zastosowanie: wszędzie tam gdzie mamy problemy decyzyjne z wieloma
rozgałęziającymi się wariantami oraz kiedy podejmujemy decyzję
w warunkach ryzyka.

Drzewo decyzyjne reprezentuje pewien proces podziału zbioru obiektów

na  jednorodne  klasy.  Punktem  wyjścia  jest  zbiór  zawierający  wszystkie
analizowane  obiekty;  w  trakcie  analizy  jest  dzielony  na  określoną  liczbę
podzbiorów.  W  kolejnych  krokach  każdy  z  podzbiorów  podlega  dalszemu
podziałowi. Na końcu analizy każdy obiekt stanowi oddzielną klasę.
Drzewa decyzyjne charakteryzują się strukturą hierarchiczną.

Artykuł: Data acquisition in modeling using neural networks and decision trees, dr inż. R. Sika, prof. dr hab. inż. Z.Ignaszak

Węzeł
decyzyjny/dzielony

Kryterium
podziału

Węzeł końcowy

Histogram
przypadków

Nr węzła

Nowy
węzeł

Algorytm CART (ang.
Classification And Regression
Tree)

 metody uczenia maszynowego (ang. Machine Learning) –

jedna z najważniejszych poddziedzin sztucznej inteligencji.

 Następuje użycie danych tworząc model pozwalający na przewidywanie

zachowania dla przyszłych danych, czasami wyrażając swoją wiedzę w
symbolicznej postaci.

 Następuje analiza procesów uczenia się oraz tworzenie systemów, które

doskonalą swoje działanie na podstawie doświadczeń z przeszłości. Adaptacja do
rzeczywistego i zmiennego środowiska → np. robotów.

 Często dane są w postaci przykładów.
 Czasami jest jedyną drogą budowy modeli, jeśli wiedza nie

jest znana lub nie można jej pozyskać.

Przykłady:

 Sterowanie pojazdem (ALVINN)
 Automatyzacja systemów produkcji i wydobycia

(przemysł, górnictwo)

Źródło: http://www.tuexperto.com/wp-
content/uploads/2009/10/toyota_phexpo05_band_500x3521.jpg

Data Mining

 logika rozmyta (ang. Fuzzy logic) – służy do obrazowania

informacji  nieprecyzyjnych,  nieokreślonych  bądź  niekonkretnych.
Znajduje  zastosowanie  wszędzie  tam,  gdzie  nie  posiadamy
wystarczającej  wiedzy  o  modelu  matematycznym  rządzącym
danym zjawiskiem oraz tam gdzie odtworzenie tego modelu staje
się nieopłacalne lub nawet niemożliwe.

 zastosowanie: w elektronicznych systemach sterowania

pojazdami,

maszynami

i automatami.

 w logice rozmytej występują stany 0 (fałsz), stan 1 (prawda) oraz

szereg wartości pomiędzy tymi stanami. Dzięki temu możliwe jest
opisywanie takich cech obiektów jak: bardzo, trochę, średnio,
mało, nie za wiele.

http://wazniak.mimuw.edu.pl/index.php?title=Grafika:UETP_M8_Slajd33.png

Data Mining

 zbiory przybliżone (ang. rough set) – są matematyczną

metodą zajmującą się modelowaniem niepewności.

Definiowane są za pomocą dolnego i górnego przybliżenia

zbioru. Wynikiem analizy danych za pomocą teorii zbiorów
przybliżonych jest zbiór reguł decyzyjnych, które stanowią zwartą
reprezentację wiedzy łatwą do interpretacji.

Przykład zastosowania zbiorów przybliżonych dla diagnostyki wad

odlewów w systemie RoughCast

Źródło: http://winntbg.bg.agh.edu.pl/rozprawy2/10290/full10290.pdf

Data Mining

Fragm. tabeli decyzyjnej dla
staliwa

 Zbiory przybliżone

Dialog z użytkownikiem rozpoczyna się od formularza zawierającego
poszczególne dopuszczalne wartości dla pierwszego atrybutu
warunkowego z tabeli decyzyjnej.

Użytkownik zatwierdza wybrane atrybuty, dzięki czemu system ma
możliwość obliczenia górnego i dolnego przybliżenia dla
utworzonego w ten sposób zapytania.

 Zbiory przybliżone

Obliczone przybliżenia górne i dolne w pojedynczym kroku wnioskowania
są prezentowane użytkownikowi.

Taki dialog prowadzony jest do momentu
wyczerpania

pytań

(atrybutów

warunkowych), lub do chwili w której
użytkownik zakończy dialog, gdyż wynik
przybliżeń jest już satysfakcjonujący.

Wynik końcowy

zawierający poszukiwaną

wadę

Agenda

1. Akwizycja danych
2. Data Mining

3. Data Mining w Produkcji

4. Analiza danych w produkcji
5. Eksploracyjna analiza danych

Data mining w Produkcji

ZADANIE: odkrywanie regularności i związków występujących w
danych,

które początkowo są nie znane.

CEL: Uzyskanie wyników użytecznych dla właściciela danych.

Data mining jest to proces:

 selekcji
 eksploracji
 modelowania dużych ilości danych

Źródło: Z.Ignaszak, R.Sika; Akwizycja I wstępne opracowanie danych niejednorodnych na potrzeby na
przykładzie przemysłu odlewniczego systemów data mining; vol.29 nr 1; 2009

Data mining w Produkcji

Baza danych- pojęcie to na świecie znane jest już od roku
1963, w którym to odbyło się sympozjum pod nazwą:
„Development and Management of a Computer-centered Data
Base”, dotyczące wykorzystania komputera do pomocy w
zarządzaniu personelem.
W roku 1970 brytyjski informatyk Edgar Frank Codd
zaproponował model relacyjny, czyli grupowanie danych w
relacje. Na tym modelu oparta jest relacyjna baza danych,
która wykorzystywana jest do zapisu i odczytu danych do
chwili obecnej.

Baza danych (database) – magazyn danych – informacji
powiązanych tematycznie, umożliwiający ich wyszukiwanie
według zadanych kryteriów

Źródło: Z.Ignaszak, R.Sika; Akwizycja I wstępne opracowanie danych niejednorodnych na potrzeby na
przykładzie przemysłu odlewniczego systemów data mining; vol.29 nr 1; 2009
Praca dyplomowa: A.Nowicki, Praktyczne aspekty akwizycji i przykłady kreowania baz danych obejmujące
parametry produkcji odlewów ze stopów Al-Si-X. Poznań 2014.

Data mining w Produkcji

Zintegrowane informatyczne systemy zarządzania klasy ERP
(Enterprise Resource Planning) są podstawą rozwiązań
informatycznych, które wspomagają zarządzanie
przedsiębiorstwem.

Dobre praktyki, czyli sprawdzone oraz najbardziej skuteczne
metody rozwiązania problemów, opracowane przez firmę są
głównym warunkiem do odniesienia sukcesu podczas
wdrożenia systemu ERP, które odnoszą się w tym przypadku do
ludzi, procesów biznesowych oraz technologii.

System ERP

Źródło: Praca dyplomowa: A.Nowicki, Praktyczne aspekty akwizycji i przykłady kreowania baz danych
obejmujące parametry produkcji odlewów ze stopów Al-Si-X. Poznań 2014.

Data mining w Produkcji

Źródło: Praca dyplomowa: A.Nowicki, Praktyczne aspekty akwizycji i przykłady kreowania baz danych
obejmujące parametry produkcji odlewów ze stopów Al-Si-X. Poznań 2014.

Programy ERP znajdują zastosowanie przy wspomaganiu
zarządzania przedsiębiorstwem lub grupą przedsiębiorstw,
które ze sobą współdziałają.

Aplikacje w tych systemach są odpowiedzialne za:
gromadzenie i przetwarzanie danych,
większość z nich cechuje się budową modułową, informacje są
wymieniane także między danymi modułami.

Każdy system ERP występujący na rynku może być
wyposażony w inne moduły.

Firma decydująca się na wprowadzenie systemu ERP sama
wybiera z jakich modułów ma się składać.

Nabycie systemu oraz jego wdrożenie jest zabiegiem
kosztownym w firmie, dlatego ważne jest dobre zaplanowanie
z czego dany system ma się składać.

Dlaczego ERP?

Data mining w Produkcji

Źródło: Praca dyplomowa: A.Nowicki, Praktyczne aspekty akwizycji i przykłady kreowania baz danych
obejmujące parametry produkcji odlewów ze stopów Al-Si-X. Poznań 2014.

Klasyfikacja systemu klasy ERP

SYSTE

M ERP

SYSTE

M ERP

Planowani

produkcji

Planowani

produkcji

Gospodar

materiało

Gospodar

materiało

Zarządza

nie

jakością

Zarządza

nie

jakością

Sprzedaż

dystrybucj

Sprzedaż

dystrybucj

Finanse

Controling

Finanse

Controling

Zarządza

nie

projektam

Zarządza

nie

projektam

Kadry

Zarządza

nie

zasobami

ludzkimi

Zarządza

nie

zasobami

ludzkimi

Magazy-

nowanie

Magazy-

nowanie

Kontakt z

klientami

Kontakt z

klientami

Data mining w Produkcji

Źródło: Praca dyplomowa: A.Nowicki, Praktyczne aspekty akwizycji i przykłady kreowania baz danych
obejmujące parametry produkcji odlewów ze stopów Al-Si-X. Poznań 2014.

Korzyści wynikające z wdrożenia systemu ERP

 uproszczenie procesów decyzyjnych,

 gromadzenie danych w bazie,

 prosta wymiana danych pomiędzy poszczególnymi

działami przedsiębiorstwa,

 szybki przekaz informacji,

 automatyczne wprowadzanie danych,

 monitorowanie i nadzór stanów zapasów,

 ograniczenie przestojów linii produkcyjnych,

 poprawa planowania produkcji,

 poprawa nadzorowania produkcji,

 integracja z systemami CAD/CAM,

Modułowość systemu umożliwia kilkuetapowe wdrażanie
oprogramowania do firmy. System z rozwojem firmy można
poszerzyć o kolejne moduły

Data mining w Produkcji

Przykład:

Źródło: System FSK (Fertigungs steuerung komponente)

Agenda

1. Akwizycja danych
2. Data Mining
3. Data Mining w Produkcji

4. Analiza danych w produkcji

5. Eksploracyjna analiza danych