製造業でAIを使用するための3種類の機能エンジニアリング
21204
post-template-default、single、single-post、postid-21204、single-format-standard、bridge-core-1.0.4、translatepress-ja、ajax_fade、page_not_loaded ,, qode-content-sidebar-responsive、qode-theme -ver-18.0.6、qode-theme-onetech、wpb-js-composer js-comp-ver-5.7、vc_responsive
 

製造ベースのMicroAI™ユースケースの機能エンジニアリング

製造ベースのMicroAI™ユースケースの機能エンジニアリング

1410月20

エンジニアリング-microai

製造ベースのMicroAI™ユースケースの機能エンジニアリング

製造ベースのAIソリューション用に生の入力チャネルが選択されたら、次のステップは機能エンジニアリングです。機能エンジニアリングは、ドメイン知識を適用して生データをAIエンジンにとってより有用なチャネルに変換するプロセスです。言い換えると、機能が正常に設計されたチャネルでは、AIが異常な動作を正確に特定できるように、事前定義されたしきい値に重点を置くことができます。

次のセクションでは、さまざまなタイプの機能エンジニアリングと、それらを製造環境に適用する方法について説明します。取り上げるトピックには、データ分解、データリフレーミング、およびデータ正規化が含まれます。

データ分解

データ分解は、信号を分解してその特定の側面を測定する方法です。これは、製造のユースケース内で複数の方法で適用できます。たとえば、障害データは非常に一般的に存在し、製造環境に記録されます。障害は通常、カテゴリ別に登録されます。カテゴリデータをへの入力として使用するのではなく MicroAI(TM)、チャネルは、チャネルによって追跡される障害の数に分類できます。したがって、値をとることができる単一のチャネルを持つ代わりに fault_type_1、fault_type_2、fault_type_3; 3つのバイナリチャネルを作成できます。 is_fault_type_1is_fault_type_2is_fault_type_3。これらの新しいチャネルのそれぞれは、その特定の障害が存在するかどうかに応じて、0または1の値を持ちます。

エンジニアリング-microai-1

データのコンテキスト化

データコンテキスト化とは、関連情報をデータチャネルに追加して、データをより意味のあるものにすることです。追加の関連チャネルを作成することにより、パターンとパターンの中断がAIエンジンにとってより明白になる可能性があります。たとえば、シフトが終了するまでまったく同じタスクを繰り返し実行する組立ラインでロボットアームの動きを監視している場合、タイミングコンテキスト化チャネルがAIを支援することがあります。

ロボットアームの動きを監視するために使用されている生の加速度計とジャイロスコープの値に加えて、追加のタイミングチャネルをAIエンジンに供給することができます。このタイミングチャネルは、ロボットのサイクル中に1秒ごとに増分し、ロボットがシーケンスを終了すると0にリセットされます。これにより、AIは、ロボットアームの特定の動きと、ロボットアームに沿ったそのシーケンスの距離との関係を構築できます。

データの正規化

The final type of feature engineering to be discussed is data normalization. This is the process of normalizing the data to a range of 0 to 1. These shared ranges allow the AI to better understand the relationships between grouped channels. Because MicroAI™ can perform its training on the edge with a live stream of data, normalization for some data channels can be tricky. For example, any data channel that could potentially increase or decrease indefinitely is a bad candidate for normalization. Conversely, any continuous data channel with known bounds can receive normalization.

結局、これらの機能エンジニアリング手法の目標は、AIエンジンにとってパターンをより明確にすることです。ただし、機能エンジニアリングに関しては、入力データ変換の結果を事前に知ることはできません。その有用性を判断する唯一の方法は、実験と検証の繰り返しプロセスを介することです。