Artificial intelligence utilization in production quality management: Piping fabrication
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Gedik Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
The development of quality control systems in production is one of the matters of concern to producers and quality control institutions alike. The pipe industry is considered one of the important industries because of its wide and sensitive applications in the infrastructure of projects, so limiting quality control to human capabilities only is considered a weakness in these systems. The benefit of the applications of artificial intelligence in quality control has been used by many producers, despite the difficulties that accompany the use of these techniques, as they require training and a special work environment. Deep neural networks were used in this work to monitor the quality of tubes and classify them according to the criteria that were determined. One of the things that have been focused on is to reduce the time and data needed to train the deep game network, by relying on the technology of transfer learning. Transfer learning is one of the ways to train deep neural networks that have been previously trained, which saves time and data for training and allows the user to use high-resolution models in the design and make some modifications to them, making them commensurate with the nature of the application he wants to design. Alexie is used in this work because it has high accuracy in the classification of images. Alexie contains 25 layers, only thee laters were modified to be suitable with our application. About 1000 images were only used in training and validation processes. The simulation results show that the transfer learning is an accepted technique and is also saves time with high accuracy results.
Üretimde kalite kontrol sistemlerinin geliştirilmesi, hem üreticileri hem de kalite kontrol kurumlarını ilgilendiren konulardan biridir. Boru endüstrisi, projelerin altyapısındaki geniş ve hassas uygulamaları nedeniyle önemli endüstrilerden biri olarak kabul edilir, bu nedenle kalite kontrolünün yalnızca insan yetenekleriyle sınırlandırılması bu sistemlerde bir zayıflık olarak kabul edilir. Yapay zeka uygulamalarının kalite kontroldeki faydası, bu tekniklerin kullanımına eşlik eden zorluklara rağmen, eğitim ve özel bir çalışma ortamı gerektirdiğinden birçok üretici tarafından kullanılmıştır. Tüplerin kalitesini izlemek ve belirlenen kriterlere göre sınıflandırmak için bu çalışmada derin sinir ağları kullanılmıştır. Üzerinde durulan şeylerden biri, transfer öğrenme teknolojisine güvenerek derin oyun ağını eğitmek için gereken zamanı ve verileri azaltmaktır. Transfer öğrenimi, daha önce eğitilmiş derin sinir ağlarını eğitmenin yollarından biridir, bu da eğitim için zaman ve veri tasarrufu sağlar ve kullanıcının tasarımda yüksek çözünürlüklü modelleri kullanmasına ve üzerinde bazı değişiklikler yapmasına izin verir, bu da onları tasarımla orantılı hale getirir. tasarlamak istediği uygulamanın niteliği. Görüntülerin sınıflandırılmasında yüksek doğruluk oranına sahip olduğu için bu çalışmada Alexnet kullanılmıştır. Alexnet 25 katman içerir, sadece sizin uygulamamızla uyumlu olacak şekilde modifiye edilmiştir. Yalnızca eğitim ve doğrulama süreçlerinde kullanılan yaklaşık 1000 görüntü. Simülasyon sonuçları, transfer öğrenmenin kabul edilen bir teknik olduğunu ve yüksek doğruluk sonuçları ile zamandan tasarruf sağladığını göstermektedir.
Üretimde kalite kontrol sistemlerinin geliştirilmesi, hem üreticileri hem de kalite kontrol kurumlarını ilgilendiren konulardan biridir. Boru endüstrisi, projelerin altyapısındaki geniş ve hassas uygulamaları nedeniyle önemli endüstrilerden biri olarak kabul edilir, bu nedenle kalite kontrolünün yalnızca insan yetenekleriyle sınırlandırılması bu sistemlerde bir zayıflık olarak kabul edilir. Yapay zeka uygulamalarının kalite kontroldeki faydası, bu tekniklerin kullanımına eşlik eden zorluklara rağmen, eğitim ve özel bir çalışma ortamı gerektirdiğinden birçok üretici tarafından kullanılmıştır. Tüplerin kalitesini izlemek ve belirlenen kriterlere göre sınıflandırmak için bu çalışmada derin sinir ağları kullanılmıştır. Üzerinde durulan şeylerden biri, transfer öğrenme teknolojisine güvenerek derin oyun ağını eğitmek için gereken zamanı ve verileri azaltmaktır. Transfer öğrenimi, daha önce eğitilmiş derin sinir ağlarını eğitmenin yollarından biridir, bu da eğitim için zaman ve veri tasarrufu sağlar ve kullanıcının tasarımda yüksek çözünürlüklü modelleri kullanmasına ve üzerinde bazı değişiklikler yapmasına izin verir, bu da onları tasarımla orantılı hale getirir. tasarlamak istediği uygulamanın niteliği. Görüntülerin sınıflandırılmasında yüksek doğruluk oranına sahip olduğu için bu çalışmada Alexnet kullanılmıştır. Alexnet 25 katman içerir, sadece sizin uygulamamızla uyumlu olacak şekilde modifiye edilmiştir. Yalnızca eğitim ve doğrulama süreçlerinde kullanılan yaklaşık 1000 görüntü. Simülasyon sonuçları, transfer öğrenmenin kabul edilen bir teknik olduğunu ve yüksek doğruluk sonuçları ile zamandan tasarruf sağladığını göstermektedir.
Açıklama
Lisansüstü Eğitim Enstitüsü, Mühendislik Yönetimi Ana Bilim Dalı
Anahtar Kelimeler
Quality, Pipes, Monitoring, Transfer Learning, Deep Neural Networks, Alexnet, Training, Validation, Kalite, Borular, İzleme, Transfer Öğrenme, Derin Sinir Ağları, Alexnet, Eğitim, Doğrulama