1 s2 0 s1474034620300707 main en vi

Translated from English to Vietnamese - www.onlinedoctranslator.com Tin học Kỹ thuật nâng cao 45 (2020) 101101 Danh sách nội dung có sẵn ScienceDirect Tin học Kỹ thuật nâng cao Trang chủ tạp chí: www.elsevier.com/locate/aei Kiểm tra chất lượng dựa mơ hình dự đốn cách sử dụng Học máy Điện toán đám mây Edge Jacqueline SchmittMột,⁎, Jochen BönigNS, Thorbjörn BorggräfeMột, Gunter BeitingerNS, Jochen DeuseMột,NS Một Viện Hệ thống Sản xuất, Đại học TU Dortmund, Leonhard-Euler-Str 5, 44227 Dortmund, Đức Siemens AG, Werner-von-Siemens-Str 50, 92224 Amberg, Đức NS Sản xuất tiên tiến, Trường Kỹ thuật Cơ khí Cơ điện tử, Đại học Công nghệ Sydney, Sydney, Úc NS ARTICLEINFO TRỪU TƯỢNG Từ khóa: Việc cung cấp sản phẩm chất lượng cao, không bị lỗi yếu tố thành công quan trọng cho khả cạnh tranh lâu Điện toán đám mây Edge dài công ty sản xuất Bất chấp thách thức ngày tăng đa dạng phức tạp ngày tăng sản Học máy Kiểm tra chất lượng Dự đoán chất lượng Chế tạo phẩm cần thiết sản xuất kinh tế, việc kiểm tra chất lượng toàn diện đáng tin cậy thường khơng thể thiếu Do đó, khối lượng kiểm tra cao biến quy trình kiểm tra thành nút thắt sản xuất Trong đóng góp này, chúng tơi nghiên cứu giải pháp tích hợp kiểm tra chất lượng dựa mơ hình dự đốn sản xuất cơng nghiệp cách sử dụng kỹ thuật Máy học cơng nghệ Điện tốn đám mây Edge Trái ngược với đóng góp đại, chúng tơi đề xuất cách tiếp cận toàn diện bao gồm thu thập xử lý liệu theo định hướng mục tiêu, mơ hình hóa triển khai mơ triển khai công nghệ sở hạ tầng nhà máy CNTT có Một trường hợp sử dụng cơng nghiệp thực tế sản xuất SMT trình bày để nhấn mạnh quy trình lợi ích phương pháp đề xuất Kết cho thấy cách sử dụng phương pháp đề xuất, khối lượng kiểm tra giảm đáng kể tạo lợi kinh tế Giới thiệu Do áp lực cạnh tranh ngày tăng, việc cung cấp sản phẩm chất lượng cao tiếp tục phát triển yếu tố cạnh tranh quan trọng để đảm bảo thành công lâu dài công ty Để đảm bảo việc phân phối chuyển giao sản phẩm không bị lỗi, điều cần thiết phải đảm bảo chất lượng liên tục cao cho tất sản phẩm Ngồi ra, mơ hình cá nhân hóa ngày phát triển, số lượng biến thể phức tạp việc lập kế hoạch vận hành kiểm tra tăng lên nhiều Do đó, việc thiết kế quy trình kiểm tra quy trình quan trọng có ý nghĩa kinh tế, địi hỏi phải áp dụng công nghệ tinh vi Trong thời đại Công nghiệp 4.0, thiết bị kích hoạt để mang lại lợi ích, bao gồm cá nhân hóa, dự đốn, tiết kiệm lượng, giảm thiểu lỗi cải thiện chất lượng [1] Công nghiệp 4.0 biểu thị xu hướng tự động hóa trao đổi liệu cơng nghệ quy trình sản xuất, bao gồm Hệ thống Vật lý - Mạng (CPS), Internet of Things (IoT), điện toán đám mây Trí tuệ nhân tạo (AI)[2] CPS tạo thành hệ hệ thống với khả tính tốn vật lý tích hợp cho phép tương tác với người thông qua phương thức mới[3] IoT định nhân tố cho hệ sản xuất tiên tiến tiếp theo[4], mô tả công nghệ sở hạ tầng toàn cầu cho phép kết nối đối tượng vật lý ảo thông qua cơng nghệ thơng tin truyền thơng (ICT) Điện tốn đám mây thống trị hoạt động tính tốn ngày cho phép truy cập theo u cầu thuận tiện vào nhóm lớn tài nguyên máy tính mở rộng định cấu hình[5] AI có nhiều ứng dụng sản xuất, chẳng hạn phân tích dự đốn, kiểm tra chất lượng, tự động hóa thơng minh cảm biến, v.v., dựa công nghệ AI khác nhau[6] Một cơng nghệ AI có liên quan Học máy (ML), mang lại tiềm to lớn cho việc phát triển tích hợp chiến lược để tối ưu hóa sản phẩm quy trình sản xuất[7] Áp dụng phương pháp thống kê cho sở liệu có cấu trúc phi cấu trúc cho phép trích xuất mẫu luật chưa biết trước để tạo kiến thức mới[8,9] Điều cho phép hình thành mơ hình dự đốn cho dự đốn dựa liệu có hỗ trợ máy tính kiện tương lai[10] Trong lĩnh vực mâu thuẫn yêu cầu không ngừng phát triển khả cơng nghệ mới, đóng góp báo phát triển giải pháp tích hợp để kiểm tra chất lượng dựa mơ hình dự đốn sản xuất cơng nghiệp Yếu tố cốt lõi mơ hình dự đốn dựa thuật toán ML giám sát cho phép dự đoán chất lượng sản phẩm cuối sở thơng số quy trình ghi lại Ngoài ra, giải pháp bao gồm xử lý trước liệu ⁎ Đồng tác giả Địa email: jacqueline.schmitt@ips.tu-dchest.de (J Schmitt) https://doi.org/10.1016/j.aei.2020.101101 Nhận ngày 12 tháng năm 2019; Nhận mẫu sửa đổi ngày tháng năm 2020; Được chấp nhận ngày 15 tháng năm 2020 Có sẵn trực tuyến ngày 20 tháng năm 2020 1474-0346 / © 2020 Các tác giả Được xuất Elsevier Ltd Đây viết truy cập mở theo giấy phép CC BY-NC-ND (http://creativecommons.org/licenses/BY-NC-ND/4.0/) Tin học Kỹ thuật nâng cao 45 (2020) 101101 J Schmitt, cộng mô-đun mô-đun đánh giá triển khai mơ hình, cho phép giải thích kết dự đốn cho phép hỗ trợ định tích hợp quy trình dựa chất lượng Giải pháp tích hợp vào kiến trúc IoT nhà máy sản xuất kết nối với sở liệu giải pháp khác thông qua dịch vụ web Kết nghiên cứu điển hình lắp ráp công nghệ gắn kết bề mặt (SMT) sản xuất điện tử trình bày để làm bật tiềm phương pháp luận đề xuất tỷ lệ Do đó, ứng dụng cấp cao tiếp tục có phần phụ trợ dựa đám mây Bài báo tổ chức sau Phần giới thiệu sở lý thuyết giải pháp đề xuất Khung giải pháp đề xuất trongPhần phần hiển thị nghiên cứu điển hình mơi trường công nghiệp thực tế Phần kết luận báo : Điện tốn đám mây mơ hình điện tốn kích hoạt nhờ phát triển nhanh chóng cơng nghệ xử lý lưu trữ thành cơng Internet [25] Trong điện tốn đám mây, tài nguyên cung cấp dạng tiện ích chung lưu trữ bên bên ngoài, cho thuê phát hành theo yêu cầu người dùng thông qua Internet[25] Những lợi điện tốn đám mây là[26,27] ▪ tiếp cận động hiệu với lượng lớn sức mạnh tính tốn, ▪ gần truy cập vào tài nguyên phần cứng mà không cần Cơ sở lý thuyết đầu tư vốn trả trước, ▪ giảm rào cản đổi mới, ▪ dễ dàng mở rộng quy mô động dịch vụ doanh nghiệp ▪ cho phép lớp ứng dụng dịch vụ ▪ ứng dụng tương tác di động nhận biết vị trí, mơi trường ngữ Công việc dựa hai lĩnh vực nghiên cứu chính, Machine Learning Edge Cloud Computing, xây dựng dựa công việc có lĩnh vực kiểm tra chất lượng dựa mơ hình sản xuất Do đó, nhìn tổng quan toàn diện lĩnh vực đưa phần cảnh với phản hồi theo thời gian thực, ▪ xử lý hàng loạt song song, ▪ phân tích kinh doanh sử dụng nhiều tài nguyên ▪ phần mở rộng ứng dụng máy tính chuyên sâu máy tính 2.1 Máy học Trong năm gần đây, ML mang lại lợi lĩnh vực ứng dụng khác nhau, nơi thành cơng ghi nhận phát minh mơ hình ML phức tạp [11,12], sẵn có tập liệu lớn [13,14]và phát triển tảng phần mềm [15,16] cho phép dễ dàng sử dụng tài ngun tính tốn rộng lớn để đào tạo mơ hình ML tập liệu lớn [17] ML trường Trí tuệ nhân tạo cho phép hệ thống công nghệ thông tin (CNTT) nhận mẫu quy luật sở liệu thuật tốn có phát triển giải pháp cách tự chủ [18] Do đó, thuật ngữ chung để việc tạo tri thức nhân tạo từ kinh nghiệm Kiến thức thu từ liệu sau khái quát hóa sử dụng để giải vấn đề phân tích liệu chưa biết trước Vai trị trung tâm ML thuật toán, chịu trách nhiệm nhận dạng mẫu tạo giải pháp Chúng phân loại theo mơ hình học tập khác thành[19,20]: Bên cạnh số lợi ích quan trọng, điện tốn đám mây tồn số nhược điểm Bởi dịch vụ đám mây, đặc biệt dịch vụ đám mây lưu trữ, thường xa, chúng gặp phải vấn đề liên quan đến độ trễ băng thơng[28] Ngồi ra, dịch vụ đám mây lưu trữ nhiều khách hàng sử dụng, gây nhiều vấn đề khác cho khách hàng dùng chung phần cứng Hơn nữa, việc truy cập liệu vào bên thứ ba nhà cung cấp dịch vụ đám mây gây vấn đề bảo mật, tuân thủ quy định [28] Việc chuyển tất tác vụ điện toán lên đám mây có hiệu để xử lý liệu sức mạnh tính tốn khổng lồ Tuy nhiên, tốc độ xử lý liệu tăng lên nhanh chóng, băng thơng mạng chưa đủ nâng cao Do lượng liệu tạo ngày tăng, mạng trở thành điểm nghẽn điện tốn đám mây[29] Khả thực thi phép tính biên mạng gần nguồn liệu kích hoạt cơng nghệ điện tốn biên[29] Thiết bị cạnh tài nguyên mạng máy tính nào, nằm nguồn liệu kho liệu dựa đám mây Các thiết bị không tiêu thụ sản xuất liệu mà xử lý tác vụ điện toán xử lý, lưu trữ, nhớ đệm, cân tải trao đổi liệu với đám mây[29] • học tập có giám sát, • học tập khơng giám sát, • học tập bán giám sát, • học tập củng cố, • học tập tích cực Nhu cầu để chuẩn bị triển khai ứng dụng ML thiết bị cạnh tính tốn sức mạnh Các tính tốn môi trường CNTT thực đơn vị xử lý trung tâm (CPU) PC Để xử lý khơng nhiệm vụ mà cịn phức tạp tương lai, hệ thống phải có khả đáp ứng tốt sức mạnh tính tốn Sự hiểu biết rõ ràng khả tính tốn cần thiết cho tác vụ phân tích cụ thể tạo điều kiện thuận lợi cho việc triển khai phần cứng cụ thể cho tác vụ[30] Sau lần giới thiệu việc thực thi phép nhân ma trận đơn vị xử lý đồ họa (GPU) vào năm 2001, việc phát hành NVIDIA CUDA ngôn ngữ cao để thực thi hoạt động GPU vào năm 2006 làm cho GPU có sẵn để sử dụng rộng rãi sử dụng phi đồ họacác trường hợp, chẳng hạn Phương pháp phần tử hữu hạn (FEM) ML Những tác vụ hưởng lợi nhiều từ kiến trúc song song GPU [31] Đối với ứng dụng quy mơ lớn, Mảng cổng lập trình trường (FPGA) mạch tích hợp dành riêng cho ứng dụng (ASIC) để phân tích ML (ví dụ: Google TPU) cung cấp hiệu suất vượt trội so với CPU[32], giảm đáng kể mức tiêu thụ lượng tăng hiệu suất tổng thể mơ hình [30] Để khai thác ưu điểm khắc phục nhược điểm hai công nghệ, chúng kết hợp Edge Cloud Computing cho phép thu thập phân tích liệu thời gian thực đồng thời tránh truyền liệu mức độ trễ phản hồi [33] Sức mạnh tính tốn đám mây có lợi cho việc kiểm tra chất lượng dựa mơ hình dự đốn để đào tạo mơ hình tinh vi tập liệu lịch sử lớn mơ hình lưu trữ Tuy nhiên, việc xử lý liệu quy trình trực tuyến ứng dụng mơ hình, Học tập có giám sát đề cập đến mơ hình đào tạo dựa liệu đào tạo gắn nhãn Điều đòi hỏi việc đào tạo mơ hình cách tính đến kết mong đợi, ví dụ nhóm phân loại Mặt khác, học tập khơng giám sát, nhóm mơ hình hình thành tự động sở mẫu công nhận độc lập[21] Học bán giám sát nằm học tập có giám sát khơng giám sát Nó ngày trở nên quan trọng thời gian gần đây, tập liệu dán nhãn đầy đủ thường khơng có sẵn tạo với chi phí cao Phương pháp học tập củng cố sử dụng phần thưởng hình phạt để cải thiện hiệu suất mơ hình Học tập tích cực nhằm mục đích tìm kiếm hữu ích thay đơn phát thống kê Do đó, thay sử dụng đánh giá thống kê, người dùng giám sát yêu cầu cung cấp phản hồi câu hỏi mà từ thuật tốn học theo cách có mục tiêu [22] Mặc dù cách tiếp cận khác chúng, tất nhiệm vụ học tập yêu cầu thuật toán để giải vấn đề dự đoán trước 2.2 Điện tốn đám mây cạnh Tính tốn ngày bị chi phối hai xu hướng điện toán đám mây điện toán di động Mặc dù thiết bị di động cải thiện khả lưu trữ xử lý[23] phù hợp với định luật Moore [24], khối lượng liệu lớn mơ hình ML tinh vi phát triển Tin học Kỹ thuật nâng cao 45 (2020) 101101 J Schmitt, cộng thường xuyên phải diễn (gần) thời gian thực để đưa định tra có lợi Trường hợp hạn chế việc thực thi mơ hình dựa đám mây độ trễ mạng, đồng thời va chạm với tầm nhìn dài hạn đề xuất số nguồn liệu kết nối làm căng thẳng thêm độ rộng băng tần độ tin cậy mạng Để tránh vấn đề độ trễ băng thơng, q trình xử lý liệu ứng dụng mơ hình thực rìa mang lại thời gian phản hồi ngắn hơn, xử lý hiệu áp lực mạng áp dụng cho loạt ứng dụng liên quan đến chất lượng ngành công nghiệp khác Trong ngành công nghiệp điện tử, Yang et al.[47] áp dụng mơ hình dự đốn dựa ANNbased để giải vấn đề chất lượng in stencil-dán hàn Liukkonen cộng sự.[57] ANN áp dụng để xác định yếu tố quan trọng ảnh hưởng đến số lượng khuyết tật phát trình hàn Shi cộng sự.[52] sử dụng ANN để cải thiện chất lượng quy trình cơng nghiệp khác Hơn nữa, ANN áp dụng để dự đốn tính liên quan đến chất lượng dựa thơng số quy trình cho ứng dụng khác ngành công nghiệp chế biến kim loại, ví dụ dự đốn nhiệt độ thép nóng chảy lị nung.[61] ước tính hình thành 2.3 Kiểm tra chất lượng dựa mơ hình este q trình lên men bia [64] Chất lượng sản phẩm yếu tố cần thiết cho thành công lâu dài công ty sản xuất [34] việc thực kinh tế việc kiểm tra chất lượng toàn diện, đáng tin cậy quan tâm Đo lường chế tạo, thường sử dụng kiểm soát chất lượng, đạt đến giới hạn yêu cầu ngày tăng tốc độ, độ xác, an tồn tính linh hoạt[35] Do đó, cơng nghệ sản xuất tiên tiến phương pháp tiếp cận theo hướng liệu ưa chuộng để khắc phục hạn chế định đáp ứng yêu cầu gần SVM đại diện cho phần mở rộng phức tạp phân loại tuyến tính, cho phép thực ranh giới lớp phi tuyến thông qua mơ hình tuyến tính cách biến đổi khơng gian cá thể [68] Do có lợi khả tổng quát hóa cao, phân loại nhanh khả xử lý tập liệu có chiều cao, chúng tìm thấy nhiều ứng dụng công nghiệp liên quan đến chất lượng Kim cộng sự.[46] Kang et al [49] ứng dụng SVMs sản xuất chất bán dẫn để phát wafer bị lỗi phát triển hệ thống đo lường ảo tương ứng Gola cộng sự.[58] sử dụng SVM ngành công nghiệp kim loại để phân biệt cấu trúc vi mô khác thép hai pha Lieber [42] áp dụng SVMs để thiết lập chế kiểm soát chất lượng dự đoán sản xuất thép Trong tình trạng nghiên cứu gần có số đánh giá tài liệu ứng dụng chung ML sản xuất, ví dụ [36–38], đánh giá cụ thể tập trung vào ứng dụng liên quan đến chất lượng tìm thấy, ví dụ: [39] Theo Kưksal et al.[39] Rostami et al [40], nhiệm vụ chất lượng khác để ứng dụng ML sản xuất phân biệt: ▪ ▪ ▪ ▪ DT mơ hình phân cấp sử dụng để hồi quy nhiệm vụ phân loại Một quy tắc phân cấp tạo để chia không gian đối tượng địa lý thành phần song song với trục cách kiểm tra giá trị đối tượng địa lý[69] DT có khả diễn giải cao cung cấp độ xác cao, điều làm cho chúng trở thành lựa chọn tốt cho ứng dụng u cầu thơng tin chi tiết quy trình[70] chẳng hạn phát khiếm khuyết [46] xác định động lực chất lượng [51] Ngồi việc áp dụng phương pháp có, có số đóng góp cho phát triển sâu thuật toán giải vấn đề chất lượng gần công nghiệp Wang Liu[71] phát triển phương pháp tiếp cận mơ hình cảm biến mềm dựa mạng học sâu áp dụng mơ hình đề xuất để ước tính biến dạng rơto gia nhiệt sơ khơng khí lò nhà máy nhiệt điện Wang cộng sự.[72] đề xuất hệ thống kiểm tra bề mặt thông minh, sử dụng vùng nhanh với mạng nơ-ron phức hợp (R-CNN) mơi trường điện tốn đám mây để xác định khuyết tật tiềm ẩn phần hình ảnh Để giải vấn đề chất lượng ngành công nghiệp ô tô, Xu et al.[73] phát triển hệ thống giải vấn đề chất lượng thông minh dựa tri thức (IQPSS) Trong ngành điện tử, Wentin et al.[74] đề xuất khn khổ tích hợp khuyết tật mối hàn bối cảnh Kiểm tra Quang học Tự động (AOI) Bảng mạch in (PCB) Mặc dù mơ hình thường cho kết đầy hứa hẹn, việc tích hợp cụ thể vào quy trình sản xuất, đặc biệt tập trung vào việc thiết kế quy trình kiểm tra chất lượng dựa ML, chưa giải đầy đủ Trong số trường hợp ứng dụng, mơ hình sử dụng để phân tích lỗi hồi cứu, ví dụ:[57], việc tích hợp nói chung khơng lên kế hoạch Một số tác giả, ví dụ[46,47], đề cập đến tích hợp thành phần cơng việc nghiên cứu tương lai triển vọng đóng góp họ Tuy nhiên, tìm thấy mơ tả chiến lược tích hợp triển khai rõ ràng, ví dụ:[49,75–77] Tuy nhiên, nhìn tổng thể, tức kết mơ hình đạt điều kiện sử dụng thực tế, việc phân tích ảnh hưởng cụ thể đến việc đảm bảo chất lượng xác định mức tiết kiệm kinh tế, không diễn Ngoài ra, hạn chế tài nguyên mặt thực thi thời gian thực, hạn chế phần cứng tiêu thụ lượng chưa xem xét tất mức độ hạn chế với tập trung cụ thể vào ứng dụng, ví dụ:[42,49,75,78] Mơ tả chất lượng sản phẩm / quy trình, Phân loại chất lượng, Dự đoán chất lượng Tối ưu hóa thơng số Mơ tả chất lượng sản phẩm quy trình thường bước dự án liên quan đến chất lượng tương ứng, đặc biệt hệ thống phức tạp, động cao với tương tác đa giai thừa phi tuyến tính Trong bước tiếp theo, mơ hình dự đốn ánh xạ thông tin liệu đầu vào liên quan đến chất lượng sẵn có, ví dụ liệu chính, trạng thái hoạt động thơng số quy trình, với chất lượng sản phẩm kết quả.[41] Mơ hình sau sử dụng để dự đốn giá trị tính chất lượng từ tập hợp giá trị thông số đầu vào định cho phép nhiều biện pháp áp dụng để đạt sản xuất kinh tế[39,42,43]: ▪ ▪ ▪ ▪ ▪ Giảm lượng phế liệu thông qua biện pháp can thiệp kiểm sốt sớm, Tối ưu hóa cài đặt thơng số quy trình chất lượng sản phẩm, Ổn định quy trình, Động lực hóa kế hoạch kiểm tra, Thiết kế quy trình kiểm tra dựa mơ hình Hầu hết đóng góp lý thuyết tập trung vào việc phát triển phương pháp thuật tốn mà khơng tham chiếu đến trường hợp ứng dụng cụ thể Chỉ có số tác giả đề xuất phương pháp để giải vấn đề công nghiệp cụ thể, ví dụ Wan et al.[44] đề xuất phương pháp phân loại mới, gọi Lý thuyết cộng hưởng thích nghi mờ học tập cạnh tranh mềm (SFART), để chẩn đốn lỗi ổ trục Tuy nhiên, tình trạng nghiên cứu gần ngày bao gồm trường hợp ứng dụng công nghiệp sử dụng phương pháp thuật tốn có để giải trực tiếp vấn đề câu hỏi thực tế sản xuất theo quan điểm kỹ thuật Các ứng dụng không giới hạn lĩnh vực công nghiệp cụ thể mà tìm thấy ngành cơng nghiệp khác nhau[45], ví dụ: điện tử [46–55], kim khí [56–61]và ngành cơng nghiệp chế biến [62–65] Tương tự vậy, phương pháp ML chọn không bị giới hạn loại thuật toán định bao gồm mạng nơ-ron nhân tạo khác (ANN), Máy vectơ hỗ trợ (SVM) Cây định (DT) ANN "là hệ thống tính toán song song khổng lồ bao gồm số lượng cực lớn xử lý đơn giản với nhiều kết nối với nhau" [66] Họ nhận thấy chấp nhận rộng rãi cho việc mơ hình hóa vấn đề phức tạp giới thực nhiều lĩnh vực khác nhau[67] Họ 2.4 Sự đóng góp Trong bối cảnh kiểm tra chất lượng dựa mơ hình, hầu hết cơng trình nghiên cứu có tập trung vào đào tạo mơ hình dự đoán dựa ML liệu lịch sử Tuy nhiên, việc lựa chọn liệu nhắm mục tiêu với Tin học Kỹ thuật nâng cao 45 (2020) 101101 J Schmitt, cộng tôn trọng mối quan hệ nhân tiềm ẩn liên quan đến chất lượng việc tích hợp mơ hình phát triển vào việc lập kế hoạch đảm bảo chất lượng không diễn Mặt khác, khái niệm triển khai kỹ thuật kiến trúc CNTT thể khả chung sở hạ tầng CNTT nhà máy sản xuất ngày giải pháp Trong báo này, cách tiếp cận tổng thể đề xuất để kiểm tra chất lượng dựa mơ hình bán thành phẩm thành phẩm sản xuất công nghiệp Phương pháp tiếp cận bao gồm tất bước để thực kiểm tra chất lượng dựa mô hình, từ việc lựa chọn liệu có hệ thống để bao gồm vịng kiểm sốt chất lượng có biểu diễn mơ hình, thơng qua đào tạo mơ hình dự báo, đến việc triển khai tích hợp kỹ thuật Do đó, trái ngược với cách tiếp cận có, trường hợp kinh doanh kiến thức chuyên gia có đặc biệt nhấn mạnh kết hợp bị loại bỏ phép mơ hình học mẫu phụ thuộc thường xuyên xuất Tiếp theo, chất lượng liệu đánh giá thực biện pháp tương ứng trình xử lý trước liệu cần thiết, ví dụ xử lý giá trị bị thiếu, dư thừa mâu thuẫn loại bỏ ngoại lệ nguyên nhân đặc biệt, thực Kết tập liệu đào tạo chuẩn bị làm để tạo mô hình tiếp theo, bao gồm mã định danh nhất, tất đặc điểm liên quan nhãn chất lượng, liên tục rời rạc tùy thuộc vào phương pháp đo áp dụng 3.2 Đào tạo người mẫu chấm điểm Quá trình cho điểm đào tạo mơ hình thiết kế để tìm mơ hình hoạt động tốt cho liệu định Q trình chia thành đào tạo, kiểm tra so sánh lựa chọn mơ hình Việc đào tạo mơ hình diễn cấu trúc lồng ghép xác nhận chéo bên bên tối ưu hóa siêu tham số Khi bắt đầu q trình xây dựng mơ hình, thuật tốn học tập có giám sát khác phải đào tạo tham số hóa để tối ưu hóa tham số thơ phép so sánh hoạt động chúng nhằm chọn mơ hình hoạt động tốt Vì việc lựa chọn ưu tiên thuật tốn thích hợp khơng thể đạt cách tổng quát[79], phương pháp học thuật toán khác phải kiểm tra đánh giá cho ứng dụng riêng lẻ [70] Việc lựa chọn trước phải thực sở tiêu chí chọn, ví dụ độ phức tạp, khả diễn giải tốc độ, chuyên môn nhà khoa học liệu tương ứng hiểu biết sâu sắc kết từ dự án trước Đối với trường hợp sử dụng xem xét kiểm tra chất lượng dựa mơ hình, thời gian dự đốn độ xác tiềm ẩn, liên quan đến độ phức tạp mơ hình, quan tâm nhiều Tuy nhiên, hiệu suất thuật toán bị ảnh hưởng yếu tố khối lượng liệu, đa dạng tốc độ[70] Đối với nhiệm vụ dự đoán, nằm trọng tâm đóng góp này, đó, nên sử dụng đặc tính tốn học thuật toán, Khung kiểm tra chất lượng dựa mơ hình dự đốn Để tạo điều kiện thuận lợi cho việc thu thập, xử lý phân tích liệu trình ghi lại, đào tạo triển khai mơ hình dự báo, việc triển khai tích hợp kỹ thuật chúng, khung đề xuất bao gồm bốn yếu tố chính: (1) thu thập xử lý liệu, (2) đào tạo mơ hình cho điểm, (3) triển khai mơ hình, (4) thực kỹ thuật Ngồi ra, việc tích hợp kiểm tra chất lượng dựa mơ hình dự đốn u cầu bước thứ năm q trình tích hợp kỹ thuật vào sở hạ tầng CNTT có, nhiên, q trình q cá nhân hóa để mô tả phương pháp luận hợp lệ áp dụng khơng phải phần bước đóng góp Bố cục khung đề xuất thể trongHình ví dụ: cây-, xác suất- phương pháp dựa khoảng cách tổng hợp, tính đến chọn lựa chọn phân tán thuật toán để khám phá hiệu suất chúng cho tập liệu cho [69] Các thuật toán ML giám sát phổ biến bao gồm k-Nearest Neighbors (kNN), phân loại Naïve Bayes (NB), Cây định (DT), Logistic Regression (LR), Máy vectơ hỗ trợ (SVM), Rừng ngẫu nhiên (RF) Mạng thần kinh nhân tạo ( ANN)[70] 3.1 Thu thập xử lý liệu Bước xác định lựa chọn liệu chất lượng quy trình có liên quan, gọi lựa chọn liệu ngang Dựa kiến thức chuyên môn kết thí nghiệm sản xuất thực hiện, điểm liệu tương quan với yếu tố ảnh hưởng liên quan đến chất lượng tính sản phẩm lựa chọn Bước thứ hai lựa chọn liệu theo chiều dọc, mẫu đại diện tập liệu lịch sử phải chọn trích xuất từ hệ thống lưu trữ liệu Do đó, tập liệu khơng đại diện, ví dụ, ghi lại theo cấu hình quy trình lỗi thời trình thử nghiệm sản xuất, phải Để đánh giá so sánh hoạt động mơ hình, áp dụng số liệu hiệu suất thống kê khác Đối với phân loại nhị phân, số liệu tính tốn dựa mục nhập ma trận nhầm lẫn, hiển thị trongBảng Việc so sánh lớp dự đoán với lớp cho phép phân biệt ví dụ phân loại xác tích cực tiêu cực (đúng khẳng định, phủ định) ví dụ phân loại khơng xác (sai Hình Bố cục khung kiểm tra chất lượng dựa mô hình dự đốn đề xuất Tin học Kỹ thuật nâng cao 45 (2020) 101101 J Schmitt, cộng Bảng Ma trận nhầm lẫn để phân loại nhị phân theo [42,80,81] Tổng hàng Dữ liệu tham khảo Phân loại Tổng cột Pred Lớp 1(Khả quan) Pred Lớp 2(Phủ định) ∑ True Class (Khả quan) True Class (Phủ định) ∑ Một (Đúng tích cực) NS (Dương tính Sai) NS (Phủ định Sai) a+c NS (Đúng phủ định) a+b c+d b+d tích cực, âm tính giả) Sự khác biệt lại cho phép tính tốn thước đo chất lượng thống kê khác Hiệu suất tiêu chuẩn 3.4 Triển khai kỹ thuật thước đo cho mơ hình phân loại độ xác acc = Việc thiết kế triển khai kỹ thuật không thúc đẩy yêu cầu thực tế định hạn chế nguồn lực khơng thể xác định cách hợp lệ Tuy nhiên, khn khổ tổng qt dùng làm định hướng cho cấu hình riêng lẻ Số lượng liệu có sẵn tăng lên nhanh chóng Việc truy cập liệu độc lập với thời gian vị trí kích hoạt thiết bị cảm biến nối mạng Tuy nhiên, phát triển dẫn đến hai thách thức lớn: Một mặt liệu có chiều cao khối lượng liệu lớn so với liệu phân tán cao, mặt khác truy cập thiết bị có khả xử lý hạn chế Nói chung, yêu cầu phần cứng phụ thuộc vào nhu cầu tốc độ độ song song, độ xác độ tin cậy phần cứng Hơn nữa, V Dữ liệu lớn, tốc độ, đa dạng khối lượng[83], tác động đến việc lựa chọn lưu trữ Theo đó, điều quan trọng phải điều tra yêu cầu định hạn chế nguồn lực trước bắt đầu triển khai tích hợp Những thách thức triển khai mơ hình ML môi trường sản xuất là: a+d A +B +C +D ), mà tỷ lệ phần trăm ví dụ phân loại xác [82] Tuy nhiên, biện pháp không phù hợp ứng dụng có đại diện khơng cân lớp[82] điều phổ biến ứng dụng công nghiệp liên quan đến chất lượng, việc gán tất ví dụ cho lớp đại diện mức dẫn đến độ xác cao khơng có giá trị gia tăng cho khác biệt lớp Do đó, mơ hình thích hợp đánh giá dựa thước đo true-positive-rate TPR = Một ) AC + ) tỷ lệ dương tính giả FPR = NSb + d Biểu diễn đồ họa cân TPR FPR, tính đến cân lỗi sai giả thuật ngữ kỹ thuật chất lượng, xác định đường cong đặc tính vận hành máy thu (ROC) Trong cấu hình quy trình kiểm tra, tỷ lệ âm tính giả xác định theo mức độ nghiêm trọng việc kiểm tra mức độ nghiêm trọng tăng lên có nghĩa tỷ lệ âm tính giả thấp với tỷ lệ phận tốt đánh dấu sai khiếm khuyết (dương tính giả) đánh đổi Trong đường cong ROC, mơ hình có đường cong nằm gần góc bên trái biểu đồ coi có cân tốt thước đo chất lượng xem xét Là yêu cầu bổ sung từ quan điểm kỹ thuật, thời gian cho điểm mơ hình khơng vượt q thời gian đáp ứng yêu cầu cần có thời gian cho biện pháp kiểm sốt thích hợp Tuy nhiên, thời gian tính điểm khơng phụ thuộc vào thuật tốn sử dụng mà phụ thuộc vào phần cứng phần mềm mà triển khai Tuy nhiên, hầu hết trường hợp, thời gian phản hồi cho phép đủ lớn để giới hạn thời gian tính điểm khơng phân định q trình lựa chọn mơ hình ▪ Khả xử lý hạn chế, ▪ Kích thước cao khối lượng liệu lớn, ▪ Hạn chế lượng nhớ, ▪ Ràng buộc thời gian thực cho thời gian thực Đặc điểm kỹ thuật ảnh hưởng ràng buộc khơng thể ước tính cách chung chung Thay vào đó, xem xét yêu cầu định tương tác phát sinh, dự án nên cố gắng đạt tương tác tối ưu thành phần riêng lẻ việc triển khai Các ràng buộc thời gian thực đưa thời gian xử lý dây chuyền sản xuất, yêu cầu ứng dụng mơ hình tiền xử lý liệu phải thực nhanh tương ứng phần cứng sử dụng Kích thước tập liệu xác định đáng kể số lượng tham số quy trình tính đến Việc đánh giá khối lượng liệu phải thực riêng cho việc đào tạo ứng dụng mơ hình Trong khối lượng liệu để đào tạo tối ưu hóa phụ thuộc vào số lượng liệu lịch sử có sẵn, khối lượng ứng dụng mơ hình xác định số lượng phân loại thực thi đồng thời Khả xử lý hạn chế lượng nhớ đưa phần cứng tương ứng 3.3 Triển khai mơ hình Việc triển khai mơ hình diễn thơng qua tích hợp tổ chức vào trình lập kế hoạch tra Qua đó, chiến lược kiểm tra xác định vai trị mơ hình ML bối cảnh lập kế hoạch thiết kế kiểm tra Trong việc kiểm tra, hồn tồn dựa mơ hình dự đốn, địi hỏi độ tin cậy cao vào mơ hình độ xác mơ hình cực cao để đạt vượt mức ngun tắc kiểm tra thơng thường, phương pháp kết hợp dường đầy hứa hẹn cho tình trạng phát triển Qua đó, độ tin cậy việc kiểm tra đưa kết hợp dự đoán chất lượng kiểm tra thơng thường Việc đưa dự đốn chất lượng đảm bảo chất lượng tạo điều kiện tạo giá trị gia tăng bổ sung cách giảm khối lượng kiểm tra thực tế mà không làm giảm độ tin cậy kiểm tra Để tận dụng tiềm này, dự đốn tích hợp ngược dịng quy trình kiểm tra thơng thường để tự động điều chỉnh khối lượng kiểm tra theo kết dự đốn Hai chiến lược khác suy tùy thuộc vào độ tin cậy mô hình Chỉ phận kiểm tra thực tế mà kết dự đốn OK (khơng bị lỗi), ngược lại, có kết NOK (bị lỗi) Cùng với chiến lược chọn, thuật toán phải điều chỉnh để khơng có kết dương tính giả khơng có âm tính giả tương ứng Việc tiết kiệm khối lượng kiểm tra kết việc chia sẻ lớp dự đoán thay Do cân lớp tập liệu bối cảnh chất lượng thường cao, việc chọn phận dự đoán NOK để trải qua trình kiểm tra thực tế mang lại khả tiết kiệm tiềm vượt trội nhiều Nghiên cứu điển hình Nghiên cứu điển hình thực ngành cơng nghiệp điện tử dựa ví dụ sản xuất SMT nhà máy điện tử Siemens Amberg, Đức Đặc trưng ngành công nghiệp điện tử sản xuất gần hồn tồn tự động với số lượng lớn, kích thước phận linh kiện ngày giảm yêu cầu chất lượng cao Kể từ thành lập vào năm 1989, điều khiển logic khả trình (PLC) kiểu Simatic sản xuất nhà máy sản xuất điện tử Siemens Amberg Các PLC dùng để tự động hóa máy móc nhà máy nhằm tiết kiệm thời gian tiền bạc đồng thời nâng cao chất lượng sản phẩm Do khối lượng sản xuất cao nhà máy với công suất thiết bị giây[84], tốc độ mạnh mẽ quy trình sản xuất áp dụng đảm bảo chất lượng liên tục đáng tin cậy quan trọng Việc áp dụng chất lượng dựa mơ hình dự đốn phát triển Tin học Kỹ thuật nâng cao 45 (2020) 101101 J Schmitt, cộng Phương pháp kiểm tra bảng mạch in (PCB) thúc đẩy việc sử dụng công suất cao hệ thống kiểm tra tia X có định đầu tư chờ phê duyệt việc mua thêm hệ thống tia X nhu cầu sản phẩm ngày tăng Khi bắt đầu chuỗi quy trình sản xuất PCB xem xét, thành phần ban đầu, PCB chưa lắp ráp, vận chuyển qua băng chuyền đến máy in, nơi dán chất hàn khơng chì áp dụng phương pháp in stencil Trực tiếp sau in, trạm kiểm tra hàn dán (SPI), trạm kiểm tra trực quan, kiểm tra chất lượng vị trí dán hàn Sau đó, PCB đưa vào lắp ráp, nơi thành phần riêng lẻ điện trở, tụ điện vi mạch gắn số đầu lắp ráp Sau đó, băng tải dẫn vào lị, nơi keo hàn bơi đóng rắn số vùng nhiệt Tùy thuộc vào biến thể sản phẩm, kiểm tra quang học tự động (AOI) tia X kiểm tra vị trí xác thành phần hàn kết nối chân hàn sau hoàn thành trình hàn biện pháp, SVM GBT hoạt động tốt Tuy nhiên, so sánh thời gian ghi điểm hai kiểu máy, thời gian ghi điểm GBT nhanh lần so với SVM Với khả mở rộng quy mô tương lai phân loại song song nhiều mối nối hàn lúc, GBT lựa chọn SVM Theo chiến lược kiểm tra hỗn hợp ngụ ý dựa vào mơ hình dự đốn kiểm tra phận có dự đốn NOK để giảm khối lượng kiểm tra X-Ray, tối ưu hóa thơng số mơ hình GBT nhằm giảm âm tính giả Vì tỷ lệ dương tính giả tương quan chặt chẽ với số lượng tiết kiệm khối lượng kiểm tra, mức độ thận trọng khác mô hình điều tra Mơ hình bảo thủ cao phạt nhiều âm tính giả, dẫn đến khơng có âm tính giả nào, tỷ lệ dương tính giả cao, hạn chế việc tiết kiệm nỗ lực kiểm tra Mặt khác, mơ hình bảo tồn thấp cho phép tỷ lệ nhỏ âm tính giả lợi ích việc tiết kiệm tia X cao Bảng hiển thị kết phân loại mơ hình GBT có tính bảo thủ cao, đào tạo thử nghiệm với xác nhận chéo lần siêu tham số tối ưu hóa 4.2 Chiến lược kết triển khai Đối với nghiên cứu điển hình, trọng tâm thu hẹp vào biến thể sản phẩm, dây chuyền sản xuất tương ứng nguồn liệu SPI X-ray Sản phẩm chọn PCB kết nối I / O phân tán chạy qua đường SMT bảng bao gồm 48 bảng tách sau Việc lựa chọn SPI làm nguồn liệu ban đầu thông số đầu vào chứng minh tác động lớn vị trí dán hàn lên chất lượng tổng thể PCB, điều xác nhận chuyên gia quy trình tìm thấy tài liệu miền cụ thể[85–88] Tập liệu xem xét bao gồm tính SPI dạng số (xem ban 2) nhãn tia X nhị phân mức độ tập hợp chân hàn Các tập liệu lịch sử từ SPI X-ray đối sánh từ sở liệu sản xuất khác thông qua số nhận dạng Sau đạt kết đầy hứa hẹn giai đoạn mơ hình hóa cho thấy mối tương quan tốt giá trị thông số SPI kết X-quang, việc lựa chọn xếp chiến lược triển khai kiểm tra khả thi mặt kỹ thuật kinh tế trọng tâm giai đoạn nghiên cứu điển hình Dự đốn chất lượng diễn mức độ tổng hợp mối hàn, đại diện cho thực thể nhỏ PCB Tuy nhiên, định việc kiểm tra tia X động lộ trình thay PCB thực mức độ tổng hợp cao Biến thể bảng PCB cụ thể bao gồm 48 bảng, lắp ráp với đầu nối bên - X1 X2 Đầu nối X2 có 52 khớp hàn đầu nối X1 có 79 khớp hàn bảng, dẫn đến 2.496 khớp hàn phía 3.792 khớp hàn bảng Xác suất để tất mối hàn bảng điều khiển dự đốn đồng khơng có khuyết tật thấp Do đó, mức tổng hợp trung gian cho định định tuyến kiểm tra phải đánh giá Trong ngữ cảnh này, Các liệu lịch sử khoảng thời gian năm tháng sản xuất sử dụng cho nghiên cứu điển hình Tổng cộng, 1.461.037.321 điểm liệu phân tích cú pháp, ~ 0,0008% khơng ổn, gây cân cao cấp bất thường Mã vạch có q nhiều chân cắm khơng ổn bị xóa q trình thăm dị làm liệu để loại bỏ tập liệu không đại diện, ví dụ: từ thử nghiệm sản xuất điều kiện sản xuất khơng mang tính đại diện Do tính ổn định độ tin cậy công nghệ đo sử dụng mức độ trưởng thành chất lượng liệu cao, không cần thêm bước xử lý trước Đối với biến thể bảng xem xét, 48 bảng kiểm tra vòng FOV (xem Hình 2) Mơ hình GBT đào tạo lại cấp FOV xác thực trình xác nhận chéo lần.Bảng hiển thị kết phân loại sau tối ưu hóa siêu tham số Việc kiểm tra tia X chia thành thời gian xử lý 20% thời gian kiểm tra 80%, việc kiểm tra FOV chiếm tỷ lệ thời gian kiểm tra Để tạo lợi ích kinh tế từ dự đoán chất lượng, kết dự đoán tổng hợp mức FOV, FOV xác định khơng có khuyết tật tất chân khơng có khuyết tật bị lỗi nhiều chân dự đoán bị lỗi Việc kiểm tra tia X bỏ qua tất FOV khơng có khuyết tật, giảm 10% thời gian quy trình kiểm tra cho FOV bị bỏ qua Trong trường hợp tất FOV bảng điều khiển khơng có khuyết tật, việc xử lý 20% lưu lại, bảng điều khiển khơng cần phải chụp Xquang.Hình hiển thị tùy chọn định tuyến thay PCB tùy thuộc vào kết dự đoán tổng hợp 4.1 Kết mơ hình hóa Khi bắt đầu q trình xây dựng mơ hình, thuật tốn học tập có giám sát DT, NB, LR, SVM GBT đào tạo tham số hóa để tối ưu hóa tham số thơ mẫu liệu cân nhỏ với 4.000 điểm liệu xác thực với giá trị chéo gấp lần Thẩm định Các kết đạt được so sánh độ xác, độ lệch chuẩn, thu hồi, độ xác, thời gian huấn luyện thời gian ghi điểm (xembàn số 3) Vì thời gian tuyệt đối chưa có liên quan nên phần mơ tả phần cứng sử dụng bị bỏ qua thời điểm So sánh kết dựa hiệu suất thống kê ban Được coi tính đơn vị SPI Tính SPI Chiều cao Hình dạng 2D Hình dạng 3D Mặt Âm lượng Chênh lệch X Chênh lệch Y Để cho phép ứng dụng mơ hình dự đoán sản xuất thời gian thực, bước thực trình thực tích hợp kỹ thuật Qua đó, điều quan trọng phải biết điều kiện ranh giới có hạn chế nguồn lực tính đến chúng Ngoài ra, việc lựa chọn kiến trúc phù hợp phần mềm phần cứng phù hợp yếu tố then chốt khả mở rộng kinh tế giải pháp Tuy nhiên, kiến trúc triển khai dự kiến không hoạt động độc lập, mà đặc biệt kết hợp với cấu trúc giao diện có Đơn vị % % % % % μm μm Tin học Kỹ thuật nâng cao 45 (2020) 101101 J Schmitt, cộng bàn số Kết ban đầu mơ hình dự đốn Người mẫu Sự xác Nạve Bayes 83,5% 88,2% 71,9% 92,9% 92,6% Cây định Hồi quy logistic Máy vector hỗ trợ Cây tăng cường Gradient Độ lệch chuẩn ± 2,7% ± 1,5% ± 1,3% ± 1,3% ± 1,0% Hồi tưởng Độ xác 94,7% 91,9% 77,0% 96,4% 89,9% 75,5% 84,0% 66,8% 89,3% 93,1% Dữ liệu tham khảo Phân loại Pred Khiếm khuyết Pred Khơng có khiếm khuyết Thu hồi lớp Đúng khơng có khiếm khuyết 36 ± 14 246 ± 110 98,8% ± 0,4% 91,608 ± 30.271 7,570,753 ± 81.414 86,4% ± 4,5% Bảng Kết phân loại mơ hình GBT bảo thủ với vali chéo lầndation tối ưu hóa thơng số siêu mức FOV Pred Đúng khiếm khuyết Đúng khiếm khuyết giảm 27 mili giây 300 mili giây 360 mili giây giây 40 mili giây 41 ± 20 13.092 ± 1207 ~ 29% 4±4 5463 ± 1370 29,4% ± 7,1% 7,6% ± 5,2% Việc triển khai tích hợp giới hạn biến thể sản phẩm, dây chuyền sản xuất tương ứng nguồn liệu SPI X-Ray Bước mở rộng đa chiều bao gồm kết nối nguồn liệu bổ sung, ví dụ liệu nhà cung cấp liệu quy trình khác liệu vị trí Kết mong đợi hiệu suất mơ hình cải thiện điều kiện cân tốt việc tiết kiệm thời gian kiểm tra chùng xuống khả bao phủ tốt nhiều mẫu khuyết tật X-Ray Tác động đến kiến trúc CNTT tăng lên Khơng có khiếm khuyết Thu hồi lớp mili giây 49 mili giây 4.3 Triển vọng việc mở rộng mở rộng quy mô tương lai Khiếm khuyết Pred mili giây 39 mili giây Trung bình âm lượng Phân loại mili giây Đối với trường hợp sử dụng cụ thể, đào tạo, điều chỉnh cập nhật mơ hình xử lý Spark-cluster thuộc sở hữu công ty, xử lý việc xử lý liệu lớn với thư viện Python Nó mở rộng theo chiều ngang lên đến 24 máy trạm với CPU 16 lõi 32–64 GB RAM máy Vì việc triển khai tác vụ dành riêng cho ML xử lý edgedevice, u cầu tính tốn cho trường hợp khiêm tốn Kể từ Năm 2020, máy tính cơng nghiệp đại trang bị đủ CPU cho tác vụ, tùy chọn I / O tính mạnh mẽ giải pháp ưu tiên Thiết bị biên nhận, phân tích cú pháp xử lý trước tệp CAMXxml thử nghiệm qua TCP-IP từ SPI Kết cho thử nghiệm với bảy tính tính tốn vịng chưa đầy phút giải pháp chọn trang bị Intel Celeron N2930, để lại khoảng trống cho mơ hình nâng cấp tương lai Kết chuyển đến sở liệu Thực thi Đo lường Chất lượng (QME) đám mây liệu thông qua dịch vụ web phát triển với Amazon Web Services (aws) -SDK Cloud-Storage cung cấp aws dạng máy chủ S3 cho hồ liệu bao gồm liệu lịch sử gắn nhãn, trích xuất từ hệ thống lưu trữ liệu khác (như SimaticIT) sở liệu QME Thiết bị Edge giải pháp đám mây kết nối qua ISP, yêu cầu độ trễ thấp (2–150 ms) băng thông 10 MB 14 giây cho dự án (khoảng Mbit / s vĩnh viễn dây chuyền sản xuất) Hình Trường Xem (FOV) biến thể bảng chọn Dữ liệu tham khảo Thời gian ghi điểm (1000 hàng) Trong kiến trúc đám mây biên, ba tổ hợp phần cứng cài đặt Thiết bị cạnh đặt dây chuyền sản xuất, dung lượng lưu trữ liệu dựa đám mây cung cấp nội cụm công ty sở hữu sử dụng để phát triển, cập nhật lưu trữ mơ hình Tất ba thành phần kết nối lớp mạng Bảng Kết phân loại mô hình GBT có tính bảo thủ cao với xác nhận chéo lần tối ưu hóa thơng số siêu cấp độ mối nối hàn Đúng khiếm khuyết Thời gian đào tạo (1000 hàng) Hình Các tùy chọn định tuyến thay PCB dựa kết dự đoán tổng hợp Tin học Kỹ thuật nâng cao 45 (2020) 101101 J Schmitt, cộng cấu trúc mạng yêu cầu độ phức tạp, kế thừa kết nối thực hóa phần mềm tài nguyên Tuyên bố lợi ích cạnh tranh Một khía cạnh khác việc mở rộng sang loại biến thể sản phẩm khác Vì biến thể sản phẩm khác đặc điểm cụ thể mẫu khuyết tật, nên mẫu phải đào tạo tối ưu hóa Đến lượt nó, điều địi hỏi phải nghiên cứu thêm cách quản lý nhiều mơ hình phát triển chiến lược quản lý lựa chọn mơ hình với mức độ tự động hóa định Ngồi ra, việc kết nối hệ thống giữ liệu hồ liệu dựa đám mây tự động hóa để tạo liệu đào tạo gắn nhãn để đào tạo tối ưu hóa mơ hình Một giao diện khác cạnh đám mây yêu cầu để trao đổi kết phân loại nhằm quan sát hiệu suất mơ hình trực tuyến cách kết hợp kết X-Ray ghi lại Các tác giả tun bố họ khơng có lợi ích tài cạnh tranh mối quan hệ cá nhân ảnh hưởng đến cơng việc báo cáo báo Thảo luận kết luận Nhìn nhận Một phần cơng việc báo hỗ trợ Deutsche Forschungsgemeinschaft (DFG) Trung tâm Nghiên cứu Hợp tác SFB 876 “Cung cấp Thơng tin Phân tích Giới hạn Nguồn lực”, dự án B3 “Khai thác Dữ liệu Dữ liệu Cảm biến Quy trình Tự động” Người giới thiệu [1] S Singaravel, J Suykens, P Geyer, Kiến trúc phương pháp mạng nơ-ron học sâu: Sử dụng mơ hình dựa thành phần dự đốn lượng thiết kế xây dựng, Adv Anh Báo 38 (2018) 81–90,https://doi.org/10.1016/j.aei.2018.06.004 Khả kiểm tra chất lượng sản phẩm cách toàn diện đáng tin cậy yếu tố thành công then chốt cho công ty sản xuất cạnh tranh toàn [2] Fei Tao, Qinglin Qi, Lihui Wang, AYC Nee, Digital Twins Cyber-Physical Systems hướng tới Sản xuất thông minh Công nghiệp 4.0: Tương quan so sánh, Kỹ thuật (4) (2019) 653–661 https://linkinghub.elsevier.com/ truy xuất / pii / S209580991830612Xhttps: //doi.org/10.1016/j.eng.2019.01.014 cầu ngày Cách tiếp cận kiểm tra dựa ML cung cấp chiến lược kiểm tra có lợi mặt kinh tế Khái niệm chứng minh thực hóa cho nghiên cứu điển hình ngành công nghiệp điện tử với phạm vi xác định [3] R Baheti, H Gill, Hệ thống vật lý mạng, Cơng nghệ kiểm sốt tác động 12 (2011) 161– 166 [4] AJC Trappey, CV Trappey, U Hareesh Govindarajan, AC Chuang, JJ Sun, Đánh giá tiêu chuẩn thiết yếu cảnh quan sáng chế cho Internet of Things: Một yếu tố quan trọng cho Công nghiệp 4.0, Adv Anh Báo 33 (2017) 208–229,https://doi.org/10 1016 / j.aei.2016.11.007 trình lắp ráp PCB nhà máy điện tử Siemens Amberg, Đức Các mơ hình dự đốn đào tạo dựa tập liệu lịch sử đám mây triển khai thiết bị biên cục Trong q trình sản xuất, thơng số ghi lại gửi đến thiết bị biên, xử lý liệu ứng dụng mơ hình thời gian gần thực Các kết dự đốn đánh giá tổng hợp đến mức xử lý cho phép đưa định kiểm tra động Tùy thuộc vào kết cấp độ tổng hợp, thời gian kiểm tra / thời gian xử lý bổ sung tiết kiệm, tạo trường hợp kinh doanh hấp dẫn [5] S Harnal, RK Chauhan, Hỗ trợ đa phương tiện từ điện toán đám mây: Đánh giá, trong: Hội nghị quốc tế vi điện tử, máy tính truyền thơng - MicroCom 2016: 23-25 tháng năm 2016, Durgapur, Ấn Độ, IEEE, [Piscataway, NJ ], 2016, trang 1–6 [6] B.-H Li, B.-C Hou, W.-T Yu, X.-B Lu, C.-W Yang, Các ứng dụng trí tuệ nhân tạo sản xuất thông minh: đánh giá, Mặt trận Inf Technol Êlectron Anh 18 (2017) 86–96,https://doi.org/10.1631/FITEE.1601885 Tuy nhiên, cần có nhiều nghiên cứu để mở rộng quy mô áp dụng kiểm tra [7] Y Ishino, Y Jin, Phương pháp tiếp cận dựa giá trị thơng tin để nắm bắt quy trình thiết kế, Adv Anh Inf 20 (2006) 89–107,https://doi.org/10.1016/j.aei.2005.04.002 dựa mơ hình dự báo đối phó với thách thức câu hỏi nghiên cứu Các lĩnh vực nghiên cứu triển khai tương lai xác định [số 8] T Hastie, R Tibshirani, J Friedman, Các yếu tố thống kê học: khai thác liệu, suy luận dự đoán, Chuỗi Springer Thống kê, Springer, New York, 2009 trình làm việc là: ▪ Bổ sung thơng số quy trình khác: Điều làm tăng số lượng nguồn liệu dẫn đến việc mở rộng tăng độ phức tạp giải pháp Tuy nhiên, làm tăng hiệu suất mơ hình cho phép tăng phạm vi kiểm tra, ví dụ bao gồm việc phân biệt mẫu khuyết tật khác ▪ Triển khai cho nhiều biến thể sản phẩm: Để cho phép kiểm tra tồn diện dựa mơ hình dự đoán, phải kiểm tra mức độ bao phủ biến thể khác theo mơ hình đơn lẻ cần thiết mơ hình dự đốn bổ sung ▪ Tự động hóa giao diện liệu: Tốc độ lợi ích kinh tế việc xây dựng tối ưu hóa mơ hình tăng lên cách tự động hóa việc truyền liệu hệ thống lưu trữ liệu ứng dụng dựa đám mây Ngoài ra, giao diện khác tạo để theo dõi hiệu suất mơ hình triển khai cạnh cách kết hợp kết chúng với phép đo X-Ray ghi lại ▪ Điều tra ảnh hưởng đến mức độ toàn thân: Kiến thức sớm chất lượng sản phẩm mong đợi thông qua việc kiểm tra nội tuyến dựa mơ hình dự đoán cho phép đưa định kiểm sốt kịp thời lạ Các tắc nghẽn giải thay đổi, đòi hỏi phải xem xét chi tiết toàn hệ thống, bao gồm quy trình sản xuất, hậu cần kiểm tra thành phần mạng kiến trúc đám mây biên Để kết luận báo này, tóm tắt rằng, kích hoạt tính sẵn có ngày tăng liệu sản xuất tiến cơng nghệ máy tính giải pháp phần mềm phần cứng tương ứng, kiểm tra chất lượng dựa mơ hình dự đốn cách tiếp cận có triển vọng cao để kiểm tra thiết kế quy trình kinh tế [9] UM Fayyad, G Piatetsky-Shapiro, P Smyth, R Uthurusamy, Những tiến khám phá tri thức khai thác liệu, 1996 [10] UH Govindarajan, AJC Trappey, CV Trappey, Công nghệ nhập vai cho hệ thống điều khiển điện tử lấy người làm trung tâm quy trình sản xuất phức tạp: Tổng quan toàn diện hồ sơ sáng chế tồn cầu sử dụng trí tuệ tập thể, phức tạp 2018 (2018) 1–17, https://doi.org/10.1155/2018/4283634 [11] A Krizhevsky, I Sutskever, GE Hinton, Phân loại Imagenet với mạng nơ-ron phức hợp sâu, Adv Thơng báo thần kinh Tiến trình Syst (2012) 1097–1105 [12] V Mnih, N Heess, A Graves, et al., Các mơ hình lặp lại ý trực quan, Adv Thơng báo thần kinh Tiến trình Syst (2014) 2204–2212 [13] C Chelba, T Mikolov, M Schuster, Q Ge, T Brants, P Koehn, T Robinson, Tiêu chuẩn tỷ từ để đo lường tiến mô hình ngơn ngữ thống kê, arXiv preprint arXiv: 1312.3005, 2013 [14] O Russakovsky, J Deng, H Su, J Krause, S Satheesh, S Ma, Z Huang, A Karpathy, A Khosla, M Bernstein, Thử thách nhận dạng hình ảnh quy mơ lớn Imagenet, Int J Tính tốn Tầm nhìn 115 (2015) 211–252 [15] T Chilimbi, Y Suzue, J Apacible, K Kalyanaraman, Dự án adam: Xây dựng hệ thống đào tạo học sâu hiệu mở rộng, trong: Hội nghị chuyên đề 5USENIX6 lần thứ 11 Thiết kế Triển khai Hệ điều hành (5OSDI6 14), 2014, trang 571–582 [16] J Dean, G Corrado, R Monga, K Chen, M Devin, M Mao, A Senior, P Tucker, K Yang, QV Le, et al., Mạng lưới sâu phân tán quy mơ lớn, Adv Thơng báo thần kinh Tiến trình Syst (2012) 1223–1231 [17] M Abadi, P Barham, J Chen, Z Chen, A Davis, J Dean, M Devin, S Ghemawat, G Irving, M Isard, et al., Tensorflow: Một hệ thống dành cho máy học quy mô lớn, trong: Hội nghị chuyên đề 5USENIX6 lần thứ 12 Thiết kế Triển khai Hệ điều hành (5OSDI6 16), 2016, trang 265–283 [18] J Drexl, R Hilty, F Beneke, L Desaunettes, M Finck, J Globocnik, B Gonzalez Otero, J Hoffmann, L Hollander, D Kim, H Richter, S Scheuerer, PR Slowinski, J Thonemann, Các khía cạnh kỹ thuật trí tuệ nhân tạo: Hiểu biết từ quan điểm sở hữu trí tuệ, SSRN J (2019), https://doi.org/10.2139/ssrn 3465577 [19] L Deng, X Li, Mô hình học máy để nhận dạng giọng nói: Tổng quan, IEEE Trans Audio Speech Lang Tiến trình 21 (2013) 1060–1089 [20] C Jiang, H Zhang, Y Ren, Z Han, K.-C Chen, L Hanzo, Mơ hình học máy cho mạng không dây hệ tiếp theo, IEEE Wirel Commun 24 (2017) 98–105 [21] M Mohammed, EBM Bashier, MB Khan, Máy học: Thuật toán ứng dụng, CRC Press, Boca Raton, 2017 số Tin học Kỹ thuật nâng cao 45 (2020) 101101 J Schmitt, cộng [22] B Berendt, B Bringmann, E Fromont, G Garriga, P Miettinen, N Tatti, V Tresp, Học máy Khám phá kiến thức Cơ sở liệu, trong: Hội nghị Châu Âu Học máy Nguyên tắc Thực hành Khám phá tri thức Cơ sở liệu, 2016 [53] KR Skinner, DC Montgomery, GC Runger, JW Fowler, DR McCarville, TR Rhoads, JD Stanley, Phương pháp thống kê đa biến để mơ hình hóa phân tích liệu thử nghiệm đầu dò wafer, IEEE Trans Bán nguyệt san Manuf 15 (2002) 523–530 [54] S Thiede, A Turetskyy, A Kwade, S Kara, C Herrmann, Khai thác liệu chuỗi sản xuất pin theo hướng dự đoán chất lượng đa tiêu chí, CIRP Ann 68 (2019) 463–466,https://doi.org/10.1016/j.cirp.2019.04.066 [23] H Chang, A Hari, S Mukherjee, TV Lakshman, Đưa đám mây đến gần, Hội nghị IEEE 2014 Hội thảo Truyền thông Máy tính (INFOCOM WKSHPS), 2014, trang 346–351 [55] C.-F Chien, K.-H Chang, W.-C Wang, Một nghiên cứu thực nghiệm khai thác liệu thiết kế thí nghiệm để chẩn đoán tổn thất suất sản xuất chất bán dẫn, J Intell Manuf 25 (2014) 961–972,https://doi.org/10.1007/s10845-013-0791-5 [24] RR Schaller, Định luật Moore: khứ, tương lai, IEEE Spectr 34 (1997) 52–59, https://doi.org/10.1109/6.591665 [25] MG Avram, Ưu điểm thách thức việc áp dụng điện toán đám mây từ góc độ doanh nghiệp, Thủ tục Technol 12 (2014) 529–534,https://doi.org/10 1016 / j.protcy.2013.12.525 [56] N de Abajo, AB Diez, V Lobato, SR Cuesta, Mơ hình chẩn đốn chất lượng ANN cho sản xuất bao bì: Nghiên cứu điển hình khai thác liệu cơng nghiệp, Kỷ yếu hội nghị quốc tế ACM SIGKDD lần thứ mười Khám phá tri thức khai thác liệu, 2004, trang 799 –804 [57] M Liukkonen, T Hiltunen, E Havia, H Leinonen, Y Hiltunen, Mơ hình hóa chất lượng hàn cách sử dụng mạng nơron nhân tạo, IEEE Trans Êlectron Bao bì Manuf 32 (2009) 89–96 [26] W Dubey A, Cung cấp phần mềm dịch vụ, The McKinsey Quarterly (tháng năm 2007) 1–12, 2007 [27] S Marston, Z Li, S Bandyopadhyay, J Zhang, A Ghalsasi, Điện toán đám mây — Quan điểm kinh doanh, Decis Hỗ trợ Syst 51 (2011) 176–189 [28] RL Grossman, Trường hợp cho điện toán đám mây, Giáo sư CNTT 11 (2009) 23–27 [58] J Gola, D Britz, T Staudt, M Winter, AS Schneider, M Ludovici, F Mücklich, Phân loại cấu trúc vi mô nâng cao phương pháp khai phá liệu, Máy tính Mater Khoa học 148 (2018) 324–335,https://doi.org/10.1016/j.commatsci.2018.03.004 [29] W Shi, S Dustdar, Lời hứa điện toán biên, Máy tính 49 (2016) 78–81 [30] K Kambatla, G Kollias, V Kumar, A Grama, Xu hướng phân tích liệu lớn, J Parallel Distrib Tính tốn 74 (2014) 2561–2573,https://doi.org/10.1016/j.jpdc 2014.01.003 [59] X Wang, CX Feng, Phát triển mơ hình thực nghiệm để dự đoán độ nhám bề mặt quay hoàn thiện, Int J Adv Manuf Technol 20 (2002) 348–356, https://doi.org/10.1007/s001700200162 [60] H.-Y Tseng, Tối ưu hóa thơng số hàn cho thiết kế kinh tế sử dụng phép tính gần nơ ron thuật tốn di truyền, Int J Adv Manuf Technol 27 (2006) 897–901,https://doi.org/10.1007/s00170-004-2276-3 [61] X Wang, M You, Z Mao, P Yuan, Tree-Structure Ensemble General Regression Neural Networks áp dụng để dự đoán nhiệt độ thép nóng chảy Ladle Furnace, Adv Anh Inf 30 (2016) 368–375,https://doi.org/10.1016/j.aei.2016.05.001 [62] W.-C Chen, AHI Lee, W.-J Deng, K.-Y Liu, Việc thực mạng nơ-ron cho trình PECVD bán dẫn, Expert Syst Appl 32 (2007) 1148–1153 [63] W.-C Chen, P.-H Tai, M.-W Wang, W.-J Deng, C.-T Chen, Một cách tiếp cận dựa mạng nơ-ron để dự đốn chất lượng động quy trình ép nhựa, Expert Syst Appl 35 (2008) 843–849 [64] C Riverol, J Cooney, Ước tính hình thành este q trình lên men bia mạng nơron, J Food Eng 82 (2007) 585–588 [31] M Saecker, V Markl, Phân tích liệu lớn kiến trúc phần cứng đại: Khảo sát công nghệ, Eur Xe buýt Giới thiệu Trường hè (2012) 125–149 [32] J Cong, Z Fang, M Huang, L Wang, Di Wu, Lập thời gian biểu CPU-FPGA cho ứng dụng liệu lớn, IEEE Des Thử nghiệm 35 (2018) 16–22,https://doi.org/10.1109/MDAT 2017.2741459 [33] D Georgakopoulos, PP Jayaraman, M Fazia, M Villari, R Ranjan, Internet of Things Edge Cloud Computing Roadmap for Manufacturing, IEEE Cloud Comput (2016) 66–73,https://doi.org/10.1109/MCC.2016.91 [34] D Weimer, B Scholz-Reiter, M Shpitalni, Thiết kế kiến trúc mạng nơron tích hợp sâu để khai thác tính tự động kiểm tra công nghiệp, CIRP Ann 65 (2016) 417–420,https://doi.org/10.1016/j.cirp.2016.04.072 [35] VD Majstorovic, N Durakbasa, Y Takaya, S Stojadinovic, Đo lường sản xuất tiên tiến bối cảnh mơ hình Cơng nghiệp 4.0, trong: Kỷ yếu Hội nghị quốc tế lần thứ 12 Đo lường Kiểm soát Chất lượng-Vấn đề Vật lý Mạng: IMEKO TC 14 2019 , [Belgrade, Serbia, từ ngày đến ngày tháng năm 2019], 2019, trang 1–11 [65] D Shah, J Wang, QP He, Một cảm biến mềm dựa tính để phân tích liệu quang phổ, J Process Control 78 (2019) 98–107, https://doi.org/10.1016/j.jprocont 2019.03.016 [66] AK Jain, J Mao, KM Mohiuddin, Mạng nơ-ron nhân tạo: hướng dẫn, Máy tính 29 (1996) 31–44, https://doi.org/10.1109/2.485891 [36] D Braha, Khai thác liệu cho thiết kế sản xuất: Các phương pháp ứng dụng, Kluwer Academic, Dordrecht, Boston, 2001 [37] JA Harding, M Shahbaz, Srinivas, A Kusiak, Khai phá liệu sản xuất: Đánh giá, J Manuf Khoa học Anh 128 (2006) 969,https://doi.org/10.1115/1.2194554 [38] A Kusiak, Khai thác liệu: ứng dụng sản xuất dịch vụ, Int J Prodn Res 44 (2006) 4175–4191,https://doi.org/10.1080/00207540600632216 [39] G Köksal, İ Batmaz, MC Testik, Đánh giá ứng dụng khai thác liệu để cải tiến chất lượng ngành sản xuất, Expert Syst Appl 38 (2011) 13448–13467 [40] H Rostami, J.-Y Dantan, L Homri, Đánh giá ứng dụng khai thác liệu để đánh giá chất lượng ngành sản xuất: hỗ trợ máy vectơ, Int J Metrol Chất lượng Anh (2015) 401,https://doi.org/10.1051/ijmqe/2015023 [67] IA Basheer, M Hajmeer, Mạng nơ-ron nhân tạo: ngun tắc bản, tính tốn, thiết kế ứng dụng, J Microbiol Phương pháp 43 (2000) 3–31,https://doi.org/10 1016 / S0167-7012 (00) 00201-3 [68] IH Witten, E Frank, MA Hall, CJ Pal, Khai thác liệu: Các công cụ kỹ thuật học máy thực tế, Morgan Kaufmann, 2016 [69] CC Aggarwal, Khai thác liệu: sách giáo khoa, Springer, 2015 [70] In Lee, Yong Jae Shin, Học máy cho doanh nghiệp: Ứng dụng, lựa chọn thuật toán thách thức, Xe buýt Đường ngang 63 (2) (2020) 157–170https: // linkshub elsevier.com/retrieve/pii/S0007681319301521https://doi.org/10.1016/j.bushor 2019.10.005 [41] M Kano, Y Nakagawa, Giám sát q trình, kiểm sốt q trình cải tiến chất lượng dựa liệu: Những phát triển ứng dụng gần ngành thép, Máy tính Chèm Anh 32 (2008) 12–24 [71] X Wang, H Liu, Cảm biến mềm dựa mạng thần kinh sâu mã hóa tự động xếp chồng để dự đốn biến dạng rơto gia nhiệt trước khơng khí, Adv Anh Inf 36 (2018) 112–119, https://doi.org/10.1016/j.aei.2018.03.003 [42] D Lieber, Khai thác liệu kiểm sốt chất lượng ví dụ sản xuất thép (bằng tiếng [72] Y Wang, M Liu, P Zheng, H Yang, J Zou, Một hệ thống kiểm tra bề mặt thông minh sử dụng R-CNN nhanh mơi trường điện tốn đám mây, Adv Anh Inf 43 (2020) Đức), ấn đầu tiên, Shaker, Herzogenrath, 2018 [43] C Grưger, F Niedermann, B Mitschang, Tối ưu hóa quy trình sản xuất theo hướng khai thác liệu, Kỷ yếu hội nghị giới kỹ thuật, 2012, trang 1475–1481 101037, https://doi.org/10.1016/j.aei.2020.101037 [73] Z Xu, Y Dang, P Munro, Hệ thống giải vấn đề chất lượng thông minh dựa tri thức ngành công nghiệp ô tô, Adv Anh Inf 38 (2018) 441–457,https: // doi org / 10.1016 / j.aei.2018.08.013 [44] X.-J Wan, L Liu, Z Xu, Z Xu, Q Li, F Xu, Chẩn đoán lỗi ổ lăn dựa phương pháp học tập cạnh tranh mềm tối ưu hóa kỹ thuật đánh giá độ tương tự kỹ thuật đánh giá tương tự Fuzzy ART, Adv Anh Inf 38 (2018) 91–100,https://doi.org/10.1016/j.aei.2018.06 006 [74] D Wenting, M Abdul, E Marius, S Alexei, Phát khuyết tật hàn kiểm tra quang học tự động, Adv Anh Inf 43 (2020) 101004,https://doi.org/10.1016/j.aei 2019.101004 [75] H.-C Huang, Y.-C Lin, M.-H Hùng, C.-C Tú, F.-T Cheng, Phát triển hệ thống đo lường ảo tự động dựa đám mây cho ngành bán dẫn, Rob Tính tốn Integr Manuf 34 (2015) 30–43,https://doi.org/10.1016/j.rcim.2015.01 005 [45] F Arif, N Suryana, B Hussin, Một cách tiếp cận khai thác liệu để phát triển mơ hình dự đốn chất lượng sản xuất nhiều giai đoạn, Int J Tính tốn Appl 69 (2013) 35–40, https://doi.org/10.5120/12106-8375 [46] D Kim, P Kang, S Cho, H.-J Lee, S Doh, Phát tính dựa máy học để phát wafer bị lỗi sản xuất chất bán dẫn, Expert Syst Appl 39 (2012) 4075–4083 [47] T Yang, T.-N Tsai, J Yeh, Một mơ hình dự đốn dựa mạng nơ-ron cho chất lượng in stencil cao độ lắp ráp bề mặt, Eng Appl Nghệ sĩ Giới thiệu 18 (2005) 335–341, https://doi.org/10.1016/j.engappai.2004.09.004 [48] S Kang, P Kang, Một hệ thống đo lường ảo thông minh với cập nhật thích ứng cho sản xuất chất bán dẫn, J Process Control 52 (2017) 66–74, https://doi.org/ 10.1016 / j.jprocont.2017.02.002 [49] P Kang, H.-J Lee, S Cho, D Kim, J Park, C.-K Park, S Doh, Một hệ thống đo lường ảo để sản xuất chất bán dẫn, Expert Syst Appl 36 (2009) 12554–12561,https:// doi.org/10.1016/j.eswa.2009.05.053 [50] Y.-J Chang, Y Kang, C.-L Hsu, C.-T Chang, TY Chan, Kỹ thuật đo lường ảo cho sản xuất chất bán dẫn, trong: Hội nghị chung quốc tế IEEE mạng nơ-ron, Vancouver, BC, Canada, IEEE, Piscataway, New Jersey, 2006, trang 5289–5293 [76] F.-T Cheng, JY-C Chang, H.-C Huang, C.-A Kao, Y.-L Chen, J.-L Peng, Mơ hình lợi ích phép đo ảo tích hợp AVM vào MES, IEEE Trans Bán nguyệt san Manuf 24 (2011) 261–272 [77] JC Yung-Cheng, F.-T Cheng, Phát triển ứng dụng đo lường ảo ngành công nghiệp bán dẫn, trong: Kỷ yếu hội nghị thường niên lần thứ 32 xã hội điện tử công nghiệp IEEE (IECON 2005) Los Alamitos, CA, Hoa Kỳ, 2005 [78] HW Dưrmann Osuna, Phương pháp tiếp cận hệ thống kiểm sốt chất lượng tích hợp quy trình cho quy trình không ổn định (bằng tiếng Đức), 2009 [79] L Kotthoff, Lựa chọn thuật tốn cho vấn đề tìm kiếm kết hợp: Một khảo sát, trong: C Bessiere, L de Raedt, L Kotthoff, S Nijssen, B O'Sullivan, D Pedreschi (Eds.), Khai phá liệu lập trình ràng buộc: Cơ sở Phương pháp tiếp cận xuyên kỷ luật, Nhà xuất quốc tế Springer, Cham , 2016, trang 149–190 [80] Kohl, Các thước đo hiệu suất phân loại nhị phân, Int J Số liệu thống kê Med Res., 2012 https://doi.org/10.6000/1929-6029.2012.01.01.08 [81] WMP van der Aalst, Khai thác quy trình, Springer Berlin Heidelberg, Berlin, Heidelberg, 2011 [82] M Kubat, RC Holte, S Matwin, Máy học 30 (1998) 195–215, https: // doi org / 10.1023 / A: 1007452223027 [83] S Sagiroglu, D Sinanc, Big data: A review, in: 2013 International Conference on Collaboration Technologies and Systems (CTS), San Diego, CA, USA, IEEE, 20.05 [51] J Schnell, C Nentwich, F Endres, A Kollenda, F Distel, T Knoche, G Reinhart, Khai thác liệu sản xuất tế bào pin lithium-ion, J Power Sources 413 (2019) 360 –366, https://doi.org/10.1016/j.jpowsour.2018.12.062 [52] X Shi, P Schillings, D Boyd, Áp dụng mạng nơron nhân tạo thiết kế thí nghiệm ảo để cải tiến chất lượng hai quy trình cơng nghiệp, Int J Sản phẩm Res 42 (2004) 101–118 Tin học Kỹ thuật nâng cao 45 (2020) 101101 J Schmitt, cộng [87] D He, NN Ekere, MA Currie, Hành vi bột nhão hàn in stencil với chổi cao su rung, IEEE Trans Comp., Packag., Sản xuất Technol C 21 (1998) 317–324, https://doi.org/10.1109/TCPMC.1998.7102530 [88] J Pan, GL Tonkay, RH Storer, RM Sallade, DJ Leandri, Các biến quan trọng trình in bút chì dán hàn cho Micro-BGA Fine-Pitch QFP, IEEE Trans Êlectron Bao bì Manuf 27 (2004) 125–132,https://doi.org/10.1109/TEPM 2004.837965 2013–24.05.2013, trang 42–47 [84] Siemens, Nhà máy kỹ thuật số 99,99885 Chất lượng phần trăm (bằng tiếng Đức), 2014 https: // www.siemens.com/innovation/de/home/pictures-of-the-future/industrieundautomatisierung/digitale-fabrik-die-fabrik-von-morgen.html [85] A Lofti, M Howarth, Ứng dụng công nghiệp hệ thống mờ: điều khiển mờ thích ứng in stencil dán hàn, Inf Khoa học 107 (1998) 273–285 [86] D Amir, Hệ thống chuyên gia lắp ráp SMT, Kỷ yếu Chương trình Kỹ thuật Triển lãm Quốc tế Surface Mount, 1994, trang 691–699 10 ... Inf 38 (2 01 8 ) 91? ? ? 10 0,https://doi.org / 10 . 10 16/j.aei.2 01 8 .06 00 6 [74] D Wenting, M Abdul, E Marius, S Alexei, Phát khuyết tật hàn kiểm tra quang học tự động, Adv Anh Inf 43 ( 202 0) 10 100 4,https://doi.org / 10 . 10 16/j.aei... minh Công nghiệp 4 .0: Tương quan so sánh, Kỹ thuật (4) (2 01 9 ) 653–6 61 https://linkinghub.elsevier.com/ truy xuất / pii / S 20 95 809 918 30 612 Xhttps: //doi.org / 10 . 10 16/j.eng.2 01 9 . 01 . 01 4 cầu ngày Cách... 78 (2 01 9 ) 98? ? 10 7, https://doi.org / 10 . 10 16/j.jprocont 2 01 9 .03 . 01 6 [66] AK Jain, J Mao, KM Mohiuddin, Mạng nơ-ron nhân tạo: hướng dẫn, Máy tính 29 (19 96) 31? ??44, https://doi.org / 10 .11 09 /2.4858 91 [36]