#工業4.0 #虛實整合系統CPS #智慧工廠 #物聯網IoT #自動光學檢測AOI #傅立葉轉換FourierTransform #深度學習DeepLearning #人工智慧AI #卷積神經網路CNN #遞歸神經網路RNN #多尺度熵MSE
【Domain know-how 是深度學習& AI 能否產生效益的關鍵】
深度學習 (Deep Learning) 最主要的兩個部分是訓練 (training) 和推論 (Inference)；對智慧工廠來說，若訓練時間過久或輸入到輸出的推理時間過長，是絕對無法接受的！GPU 藉平行運算、先對龐雜資料預做處理再丟回給 CPU，協助分擔 CPU 負載、加快運算速度及訓練時間，特別適用於由許多神經元與層級構成的深度學習、大型矩陣或資料量大、參數多的運算。產線機台設備不論是健康評估／診斷或效能預測，所使用的演算法皆與統計或機器學習密切相關。
以深度學習為核心，向外圍擴展的順位依序為類神經網路、機器學習與 AI；而訓練方式決定推論成果。以科技廠常用的自動光學檢測 (AOI) 為例，由於 AOI 需要極高解析度的影像學為基礎，且來料品質對檢測參數有很大影響，故 AOI 設備業者往往須派駐專業人員到客戶廠房協助微調機器；若加入大數據、深度學習和人工智慧，將有助於提高辨識效率，更精確區別出處於合格邊緣的 NG 報廢品、或尚可補救的瑕疵品。另兩個應用場域是：聲音與振動檢測。
透過收集、研究機器運轉的聲音訊號，來檢測風力發電機的軸承是否有異常狀況？不過，前提是克服環境噪音和回音等其它聲源干擾。至於振動檢測，最麻煩的就是決定要餵多長的資料？參數不同，可能導致推論天差地遠！因此，特徵擷取方式將是 AI 能否良好辨識的關鍵。目前診斷工廠馬達、轉軸多是利用傅立葉轉換 (Fourier Transform)，但有個重大缺陷：它假設所有訊號都可用正弦／餘弦波模擬，再積分求得，可惜內情並非如此單純。
一旦轉子不平衡、位置產生角度、呈現平行、彎曲或沒有鎖緊，會誘發「倍頻」現象。傳立葉頻譜雖可取得轉子系統異常訊號特微，但仍須經由人為判讀診斷，
對產線人員有一定難度，也無法達成智能機械目標；輔以經驗模態拆解、多尺度熵 (Multiscale Entropy, MSE) 分析是理想方案。深度學習演算法還能用於金屬切削加工，將良好與損壞刀具相較並改變當中參數，包括轉速、進給、振動、電流值，可監控刀具磨耗程度並預測使用壽命。
工業 4.0 的虛實整合目前並無確切系統規格，實現理論均以為機學習為基礎，其中，將感測器 (包括振動、電流、溫度……) 的原始訊號直接作為類神經或深度學習網路的輸入值，效果不彰；若要達到預先診斷，訊號的特徵擷取是重要因子。此外，醫療業與製造業許多應用的背後理論相似，檢驗醫療影像的技術也能用於 AOI，檢驗心電訊號的演算法，可用於檢驗機台振動訊號。
AI 現正於各領域蓬勃發展中，演算法進入門檻亦越來越低，真正的關鍵是如何為現有數據有效轉化為實際應用並產生效益，Domain know-how 才是真正挑戰所在。模型訓練 (Model Training) 需要強大的 CPU 運算能力奧援；但若能找到決定性的型態 (pattern)、做成推論引擎 (Inference Engine)，便能以最少運算資源、在最短時間內算出想要的結果。
延伸閱讀：
《Deep Learning 與 AI 進駐工業 4.0》
http://compotechasia.com/a/____/2017/0911/36625.html
(點擊內文標題即可閱讀全文)
#麗臺科技Leadtek #輝達nVidia #統一運算架構CUDA
★★【智慧應用開發論壇】(FB 不公開社團：https://www.facebook.com/groups/smart.application/) 誠邀各界擁有工程專業或實作經驗的好手參與討論，採「實名制」入社。申請加入前請至 https://goo.gl/forms/829J9rWjR3lVJ67S2 填寫基本資料，以利規劃議題方向；未留資料者恕不受理。★★
傅立葉轉換fouriertransform 在 《 傅立葉變數》 連續傅立葉變換（continuous Fourier... 的必吃
《 傅立葉變數》 連續傅立葉變換（continuous Fourier transform, CFT）- 在數學中，連續傅立葉變換是一個特殊的把一組函數映射為另一組函數的線性算 ... ... <看更多>