【智慧製造】實作工業預測性維護 (predictive maintenance):導入篇

在系列文的第一篇中,我們為大家科普了預測性維護 (predictive maintenance) ;預測性維護會識別感應器和產量資料中的特定模式,這些模式會顯示設備狀況的變化(特定的穿戴式裝備)。借助預測性維護功能,公司可以確定資產的剩餘量,並準確預測機器、組件或零件何時可能發生故障需要更換。

在我們的系列文的第二篇,我們將解釋一些資料探索技術,對機器學習的類別進行比較,並以範例來探討執行「預測性維護」時的一些公式和指標。 Continue reading “【智慧製造】實作工業預測性維護 (predictive maintenance):導入篇”

【智慧製造】實作工業預測性維護 (predictive maintenance):策略篇

近年來,名為工業 4.0 的現象持續在製造業帶動轉變:工廠變得越來越「聰明」。因此,工廠在獲得技術工具的情況下,努力提高生產率、營運效率與安全性。許多工廠都將新舊機器結合在一起,而使工廠更聰明的第一步,就是啟用「預測性維護(PdM)」。

(more…)

工廠製程革新:AutoML Vision 如何優化製造業的視覺檢測,改善品管?

我們經常從企業客戶端聽到,他們需要導入像 AI 這樣的新技術來提高生產效率。事實證明,AI 的確能有效幫助製造業客戶實踐自動化的目視品管流程

這些客戶告訴我們,他們希望使用 AI 解決方案來幫助他們提高品質控管和檢查的效率,進而提高整體品質。但是,有許多因素使他們難以防止瑕疵產品的發佈。此外,在製造過程中發現瑕疵的時間越晚,修復或更換所需的成本就越高。視覺檢測可以幫助製造業客戶,以較低的成本及早發現瑕疵,並以更創新的方式幫助企業革新其流程。點擊「閱讀全文」以了解更多。

(more…)

[懶人包] 常見監督式機器學習演算法 – 機器學習兩大學習方法 (二)

前篇文章所述,監督式學習的演算法就是要學習得出一個方程式 y = f(x) 以表達資料集的分布狀況,讓我們之後匯入新的資料 (x) 就能做出相應的預測 (y)。這種方法通常也被稱作「預測模型」或「預測性分析」,而預測模型或預測分析的目標,就是盡可能地提高預測與實際結果的精準度(關於精準度的判斷,我們會在下期說明)。

本文針對機器學習新手簡述資料科學家經常使用的幾個演算法的基本概念,並比較其中幾項差異與優缺點。

迴歸的演算法

線性迴歸 Linear Regression、多項式迴歸 Polynomial Regression

迴歸在統計中相當常見。回顧先前文章與上述方程式 y=iwixi+b,迴歸的演算法,即藉由尋找每個 x 的權重 w 與 b 去寫出預測的方程式。若以直線去趨近資料,則稱為線性迴歸 (Linear Regression);若是以曲線趨近資料,則為多項式迴歸 (Polynomial Regression)。另外,也有以分類器為趨型的迴歸樹(以決策樹為雛形)、SVR(Support Vector Regression,以 SVM 為雛形),能夠處理非線性的資料。 Continue reading “[懶人包] 常見監督式機器學習演算法 – 機器學習兩大學習方法 (二)”

監督式學習:「分類」和「迴歸」的介紹與比較 – 機器學習兩大學習方法 (一)

之前的文章簡介了 AI、機器學習與深度學習。接下來我們會以生活化的情境說明傳統機器學習的方法。本篇首先介紹傳統機器學習中的「監督式學習」。

回顧之前文章提到的監督式與非監督式學習,兩者最大的差異在於資料是否預先被標註;如果有,則可說這個題目屬於監督式學習。演算法會由標註好的訓練資料學習並建構模型,以確定該給測試資料哪種標記。如 GCP 專門家開發的柴犬秋田辨識器,就是藉由已標記的資料去訓練模型。

監督式學習:迴歸 vs 分類

監督式學習最常處理的兩個問題:迴歸、分類。當你預測的目標為連續的數值,我們稱其為迴歸;若目標為離散的,稱其為分類。 Continue reading “監督式學習:「分類」和「迴歸」的介紹與比較 – 機器學習兩大學習方法 (一)”