Eksploracja danych i uczenie maszynowe w aspektach pozyskiwania wiedzy o produkcji i przetwarzaniu metali na potrzeby Przemysłu 4.0

• Autorzy: Regulski Krzysztof

Identyfikatory

DOI

10.15199/24.2020.4.3

Warianty tytułu

EN

Data mining and machine learning in aspects of acquiring knowledge about the production and processing of metals for the needs of Industry 4.0

• Języki publikacji: PL

Abstrakty

PL

Metodyka automatycznego odkrywania wiedzy o procesach wytwarzania i przetwarzania metali obejmuje problemy związane z (1) akwizycją danych i integracją ich w aspekcie dalszej eksploracji, (2) doborem i adaptacją metod uczenia maszynowego ― indukcji reguł, predykcji zmiennych ilościo wych i jakościowych, (3) formalizacją wiedzy w odpowiednich reprezentacjach: regułowej, zbiorów rozmytych, zbiorów przybliżonych czy wreszcie logiki deskrypcyjnej oraz (4) integracją wiedzy w repozytoriach opisanych modelami semantycznymi, czyli ontologiami. Autor przedstawił możliwość osiągnięcia równowagi pomiędzy wygodą użytkowania a precyzją w przypadku pozyskiwania wiedzy z małych zbiorów. Badania wykazały, że drzewa decyzyjne są wygodnym narzędziem odkrywania wiedzy i dobrze radzą sobie z problemami silnie nieliniowymi, a wprowadzenie dyskretyzacji poprawia ich działanie. Zastosowanie metod analizy skupień umożliwiło też wyciąganie bardziej ogólnych wniosków, przez co udowodniono tezę, że granulacja informacji pozwala znaleźć wzorce nawet w małych zbiorach danych. Opracowano w ramach badań procedurę postępowania w analizie małych zbiorów danych eksperymentalnych dla modeli multistage, multivariate & multivariable, co może w znacznym stopniu uprościć takie badania w przyszłości.

EN

The methodology of automatic knowledge discovery about metal production and processing processes includes problems related to (1) data acquisition and integration in the aspect of further exploration, (2) selection and adaptation of machine learning methods - rule induction, quantitative and qualitative variable prediction, (3) formalization knowledge in appropriate representations: rule, fuzzy sets, rough sets and finally descriptive logic, and (4) integration of knowledge in repositories described by semantic models or ontologies. The author presented the possibility of achieving a balance between ease of use and precision when acquiring knowledge from small collections. Research has shown that decision trees are a convenient tool for discovering knowledge and that they deal well with strongly non-linear problems, and the introduction of discretization improves their operation. The use of cluster analysis methods also made it possible to draw more general conclusions, which proved the thesis that granulation of information allows finding patterns even in small data sets. As part of the research, a procedure was developed for analyzing small experimental data sets for multistage, multivariate & multivariable models, which can greatly simplify such research in the future.

Słowa kluczowe

PL

uczenie maszynowe; eksploracja danych; industry 4.0; inżynieria materiałowa; predykcja; drzewo decyzyjne

EN

machine learning; data mining; Industry 4.0; material engineering; prediction; decision tree

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Hutnik, Wiadomości Hutnicze
• Rocznik: 2020
• Tom: Vol. 87, nr 4
• Strony: 75--81
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Regulski Krzysztof

• AGH Akademia Górniczo-Hutnicza, \Vydział Inżynierii Metali i Infocmatyki Przemysłowej, Katedra Informatyki Stosowanej i Modelowania, al. A. Mickiewicza 30, 30-059 Kraków

Bibliografia

• [1] Agolla J.E. 2018. "Human Capital in the Smart Manufacturing and Industry 4.0 Revolution",
• [in:] Digital Transformation in Smart Manufacturing, eds. Petrillo A., Cioffi R., De Felice F., IntechOpen,
• [2] Gorecky D., Schmitt M., Loskyll M., Zühlke D. 2014. "Human-machine-interaction in the industry 4.0 era", 12th IEEE International Conference on Industrial Informatics (INDIN), Porto Alegre, Brazil: 289-294.
• [3] Górny Z., Kluska-Nawarecka S., Wilk-Kołodziejczyk D., Regulski K. 2015. "Methodology for the construction of a rule-based knowledge base enabling the selection of appropriate bronze heat treatment parameters using rough sets", Archives of Metallurgy and Materials 60(1): 309-315.
• [4] Kinzel H. 2016. "Industry 4.0 - Where does this leave the Human Factor? ", 27th Annual Conference of Human Dignity and Humiliation Studies ‘Cities at Risk - From Humiliation to Dignity’ in Dubrovnik, Croatia, September 19-23.
• [5] Kluska-Nawarecka S., Regulski K., Krzyżak M., Leśniak G., Gurda M. 2013. "System of semantic integration of non-structuralized documents in natural language in the domain of metallurgy", Archives of Metallurgy and Materials 58(3): 927-930.
• [6] Macioł P., Regulski K. 2016. "Development of semantic description for multiscale models of thermo-mechanical treatment of metal alloys", The Journal of The Minerals JOM 68: 2082-2088.
• [7] Rauch E., Linder C., Dallasega P. 2020. "Anthropocentric perspective of production before and within Industry 4.0", Computers & Industrial Engineering Volume 139, 105644.
• [8] Regulski K., Rojek G., Skóra M., Kusiak J. 2012. "Data exploration approach in control of metal forming manufacturing chain : example of fasteners production", Steel Research International 1319-1322.
• [9] Regulski K., Szeliga D., Kusiak J. 2014. "Data exploration approach versus sensitivity analysis for optimization of metal forming processes", Key Engineering Materials 611-612: 1390-1395.
• [10] Regulski K., Jakubski J., Opaliński A., Brzeziński M., Głowacki M. 2016. The prediction of moulding sand moisture content based on the knowledge acquired by data mining techniques", Archives of Metallurgy and Materials 61(3): 1363-1368.
• [11] Regulski K. 2017. "Formalization of technological knowledge in the field of metallurgy using document classification tools supported with semantic techniques, Archives of Metallurgy and Materials 62(2): 715-720.
• [12] Regulski K., Wilk-Kołodziejczyk D., Kacprzyk B., Gumienny G., Rojek G., Mrzygłód B. 2017. "Approximation of ausferrite content in the compacted graphite iron with the use of combined techniques of data mining", Archives of Foundry Engineering 17(3): 117-122.
• [13] Regulski K., Wilk-Kołodziejczyk D., Kluska-Nawarecka S., Szymczak T., Gumienny G., Jaśkowiec K. 2019. "Multistage discretization and clustering in multivariable classification of the impact of alloying elements on properties of hypoeutectic silumin", Archives of Civil and Mechanical Engineering 19 (1): 114-126.
• [14] Szeliga D., Kusiak J., Rauch Ł. 2012. "Sensitivity analysis as Support for Design of Hot Rolling Technology of Dual Phase Steel Strips", Metal Forming 2012: proceedings of the 14th international conference on Metal Forming: September 16-19, 2012, Krakow, Poland, eds. Jan Kusiak, Janusz Majta, Danuta Szeliga. — Weinheim: Wiley- VCH Verlag GmbH & Co. KGaA, (Steel Research International ; spec. ed.): 1275-1278.
• [15] Wilk-Kołodziejczyk D., Regulski K., Gumienny G., Kacprzyk B., Kluska-Nawarecka S., Jaśkowiec K. 2018. "Data mining tools in identifying the components of the microstructure of compacted graphite iron based on the content of alloying elements", International Journal of Advanced Manufacturing Technology 95(9-12): 3127-3139.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).