Sztuczna Inteligencja a Industry 4.0 (z perspektywy Katedry Informatyki Stosowanej i Modelowania) Jan Kusiak Katedra Informatyki Stosowanej i Modelowania Wydział Inżynierii Metali i Informatyki Przemysłowej Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie Posiedzenie Rady Naukowo-Przemysłowej IATI, 23. X 2018, Wrocław
Robot kolejkowy EWA-1 -Pan tu nie stał, pan nie jest w ciąży. Krzysztof Manc (Wynalazca) - Moja konstrukcja jest optymalna, tylko ludzie nie dorośli do tego. Wolą sami stać w kolejkach.
Industry 4.0 1. 2. 3. 4. Mechanizacja, silniki parowe Produkcja masowa, linie montażowe Komputeryzacja i automatyzacja Cyber Physical Systems Koniec XIX wieku Początek XX wieku Wczesne lata 70-te 2011-obecnie
Industry 4.0
Industry 4.0 Cyberfizyczne systemy produkcyjne - Procesy wirtualne, smart sensors i data mining Big Data - odkrywanie wiedzy, tworzenie baz wiedzy, predykcja i klasyfikacja, CBR, Uczenie maszynowe - sztuczne sieci neuronowe, Deep Learning, systemy ekspertowe,
Co to jest sztuczna inteligencja? czy istnieje? - Dobrze, zgódźmy się, że sztucznej inteligencji nie ma, ale nawet jeśli ona nie istnieje to i tak może się przydać, jest to bowiem część informatyki charakteryzująca się m. in. tym, że potrafi dostarczać odpowiedzi na niepostawione jawnie pytania Ryszard Tadeusiewicz
Co to jest sztuczna inteligencja? Soft Computing Optymalizacja badania operacyjne Logika rozmyta Sieci neuronowe Algorytmy ewolucyjne i genetyczne Wizualizacja Data mining Systemy ekspertowe Computational I ntelligencenumeryczne Dane + Wiedza Artificial Wiedza I ntelligencesymboliczne Uczenie maszynowe Dane Rozpoznawanie Wzorców Metody statystyczne Rachunek prawdop.
Badania nad zastosowaniem AI w Industry 4.0 z perspektywy Katedry Informatyki Stosowanej i Modelowania
Industry 4.0
Industry 4.0 / KISiM
Badania Naukowe dla Industry 4.0 Katedra Informatyki Stosowanej i Modelowania 1) Modelowanie (i metamodelowanie) procesów w inżynierii materiałowej (wirtualne procesy): sztuczna inteligencja, sztuczne sieci neuronowe, eksploracja danych, deep learning, technologie agentowe, automaty komórkowe, MES, 2) Optymalizacja procesów: algorytmy konwencjonalne i oparte o naturę; genetyczne, mrówkowe, PSO, 3) Wnioskowanie i formalizacja wiedzy: wnioskowanie epizodyczne (CBR), indukcja reguł, machine learning, logika rozmyta, ontologia, data mining,
Badania Naukowe dla Industry 4.0 Katedra Informatyki Stosowanej i Modelowania
Modelowanie i optymalizacja automaty komórkowe (CA), algorytmy genetyczne (GA); modelowanie z wykorzystaniem SSRVE Statistically Similar Representative Volume Element.
Wnioskowanie
Deep Learning w rozpoznawaniu mikrostruktur metali Sieci konwolucyjne
Deep Learning w rozpoznawaniu mikrostruktur metali Sieci konwolucyjne True/ Predicted 0 1 2 3 4 5 6 7 Total 0 284 0 0 0 0 0 0 0 284 1 12 7200 10 2 1 1 0 0 7226 2 37 0 4230 0 0 2 0 0 4269 3 645 0 0 3670 0 0 0 0 4315 4 3 0 0 0 527 0 0 0 530 5 0 0 0 0 0 543 0 0 543 6 0 0 0 0 0 0 265 0 265 7 1 0 0 1 0 0 0 2849 2851 Total 982 7200 4240 3673 528 546 265 2849 20283
Deep Learning w rozpoznawaniu mikrostruktur metali Sieci konwolucyjne True/ Predicted 0 1 2 3 4 5 6 7 Total 0 284 0 0 0 0 0 0 0 284 1 12 7200 10 2 1 1 0 0 7226 2 37 0 4230 0 0 2 0 0 4269 3 645 0 0 3670 0 0 0 0 4315 4 3 0 0 0 527 0 0 0 530 5 0 0 0 0 0 543 0 0 543 6 0 0 0 0 0 0 265 0 265 7 1 0 0 1 0 0 0 2849 2851 Total 982 7200 4240 3673 528 546 265 2849 20283
Przykładowe projekty Zastosowanie systemów opartych o wiedzę do kontrolowania niepewności w optymalizacji procesów przetwórstwa metali. 2014/15/B/ST8/00187 The system for integration of heterogeneous data sources in the domain of Obstructive Sleep Apnea, zadania z zakresu analizy i eksloracji danych. AGH, Uniwersytet Jagielloński - Collegium Medicum. System informacyjno-decyzyjny wspomagający produkcję żeliwa ADI. NCBiR: LIDER/028/593/L-4/12/NCBR/2013, pt. Opracowanie rozwiązań w zakresie konceptualizacji i udostępnienie komponentów wiedzy o technologiach odlewniczych, w kontekście innowacji i doskonalenia procesów produkcyjnych. 820/N-Czechy/2010/0:
Przykładowe projekty Opracowanie metodyki "zwinnego" modelowania wieloskalowego. NCN 2011/01/D/ST8/04984. Hybrydowy system wspomagania decyzji w zakresie doboru parametrów technologicznych wytwarzania elementów maszyn z żeliwa sferoidalnego w celu poprawy ich własności użytkowych. 7924/B/ T02/2011/40. Application of statistical representation of the microstructure to modeling of phase transformations in DP steels by solution of the diffusion equation. 2015/17/N/ST8/01024.
Przykładowe projekty Evaluation of high performance computing capabilities during modelling of microstructure evolution based on cellular automata method. 2016/21/N/ST8/00194. Multi scale model of the laser dieless drawing process of tubes from hardly deformable magnesium alloys. 2015_2018, NCBiR, V4. VirtRoll, Virtual rolling mill. RFCS with ArcelorMittal Poland, 2012-2016 Modelowanie rozwoju mikrostruktury żeliwa sferoidalnego podczas obróbki cieplnej. 2013/11/N/ST8/00326.
Przykładowe projekty Zastosowanie metod sztucznej inteligencji do modelowania i sterowania procesami otrzymywania miedzi. Projekt badawczy MNiSzW nr 3 T08B 034 30 Określenie możliwości zastosowania technik sztucznej inteligencji do sterowania złożonymi agregatami metalurgicznymi na jednym z wybranych etapów procesu przetopu zawiesinowego. KGHM "Polska Miedź" S.A. Zastosowanie sztucznych sieci neuronowych do statycznego sterowania procesem konwertorowym, Nr 7 T08B 062 20 Zastosowanie sieci neuronowych w komputerowej symulacji zjawisk termicznych, mechanicznych i mikrostrukturalnych w plastycznej przeróbce metali. Projekt MNiI, 7T08B01212
Przykładowe realizacje aproksymacja właściwości materiałów na podstawie:» składu chemicznego» parametrów obróbki optymalizacja procesów poprzez identyfikację wpływu parametrów» odkrywanie zależności występujących między parametrami procesu» badanie siły wpływu składowych procesu» budowa bazy wiedzy w postaci zbioru reguł
Przykładowe realizacje modelowanie i metamodelowanie przebiegu zmienności parametrów dyskretnych i ciągłych; przykłady:» predykcja wilgotności mas formierskich» identyfikacja i diagnostyka wad odlewniczych» prognozowanie zużycia narzędzi tworzenie baz wiedzy» bazy danych dla systemów wspomagania decyzji» bazy danych jako zasoby dla odkrywania wiedzy i eksploracji danych» metamodele danych na potrzeby integracji semantycznej
Przykładowe realizacje opracowanie systemów informatycznych wspomagających procesy decyzyjne» w zakresie parametrów procesu wytwarzania materiałów» predykcyjne systemy informatyczne: oparte na sieciach neuronowych; oparte na modelach bazujących na danych historycznych» systemy telemedyczne: systemy agregacji i integracji heterogenicznych źródeł danych; automatyczne mechanizmy diagnostyki pacjentów» WEB owe systemy informacyjne; systemy automatycznego i inteligentnego pozyskiwania danych pochodzących z sieci Internet (WEB crawling, WEB scraping)
Współpraca naukowo-badawcza
Industry 4.0 w KISiM
Seminarium NeuroMet czyli: Zastosowanie sztucznej inteligencji w symulacji i sterowaniu procesami metalurgicznymi seria spotkań, których celem jest stworzenie platformy do wymiany doświadczeń w zakresie zastosowania sztucznej inteligencji do symulacji i sterowania procesami metalurgicznymi. w kwietniu 2019r odbędzie się 23. seminarium - ZAPRASZAM ORGANIZATOR: Katedra Informatyki Stosowanej i Modelowania AGH
Sztuczna Inteligencja a Industry 4.0 (z perspektywy Katedry Informatyki Stosowanej i Modelowania) Jan Kusiak kusiak@agh.edu.pl Podziękowanie dla dr inż. Krzysztofa Regulskiego za pomoc w przygotowaniu prezentacji