EMB 94

EMBEDDED 94 • NOVEMBRE • 2024 32 IN TEMPO REALE | MACHINE LEARNING Il gemello digitale è un ambiente di test per la sperimen- tazione in cui l’apprendimento automatico può essere utilizzato per analizzare i modelli in una simulazione per ottimizzare l’ambiente. Questo metodo di simulazione aiuta a supportare anche la garanzia della qualità e gli sforzi di manutenzione predittiva. È anche possibile uti- lizzare l’apprendimento automatico insieme ai gemelli digitali per l’ottimizzazione del layout nella fase di pia- nificazione del layout di una fabbrica o per ottimizzare il layout esistente. La figura 2 mostra lo schema a bloc- chi di un’architettura basata sui gemelli digitali che si compone di tre elementi, mondo reale, mondo virtuale e connessione tra i due. La previsione del consumo energetico Se si desidera ottimizzare ogni parte della fabbrica, oc- corre prestare attenzione anche all’energia che richie- de. Il modo più comune per farlo è utilizzare misura- zioni sequenziali di dati che possono essere analizzati dagli analisti dei dati con algoritmi di apprendimento automatico alimentati da modelli autoregressivi e reti neurali profonde. I modelli auto regressivi sono ottimi strumenti per de- finire tendenze, ciclicità, irregolarità e stagionalità del consumo energetico. Per migliorare la precisione, gli analisti dei dati posso- no trasformare i dati grezzi in funzionalità che possono aiutare a specificare l’attività per gli algoritmi di previ- sione. Gli analisti dei dati utilizzano le reti neurali profonde per elaborare set di dati di grandi dimensioni per tro- vare rapidamente modelli dei dati di consumo. Questi possono essere addestrati per estrarre automaticamen- te le funzionalità dai dati di input senza l’ingegnerizza- zione delle funzionalità come i modelli autoregressivi. La progettazione generativa Abbiamo visto che l’apprendimento automatico viene utilizzato per ottimizzare i processi di produzione della fabbrica, ma per quanto riguarda il prodotto, la progettazione generativa è il luogo in cui l’apprendi- mento automatico viene utilizzato per ottimizzare la progettazione di un prodotto, sia esso un’automobile, un dispositivo elettronico, un giocattolo o altri oggetti. Con i dati disponibili e un determinato obiettivo, l’ap- prendimento automatico può scorrere tutte le possibili disposizioni per trovare il miglior progetto per un pro- dotto. Gli algoritmi di apprendimento automatico possono es- sere addestrati per ottimizzare un progetto in termini di peso, forma, durata, costo, resistenza e persino para- metri estetici. Il processo di progettazione generativa può essere ba- sato su questi algoritmi: • Apprendimento rafforzativo • Apprendimento profondo • Algoritmi genetici La fase di produzione è uno degli elementi del percorso di creazione di un prodotto. Anche i ruoli della catena di approvvigionamento da un centro di produzione ven- gono migliorati con tecnologie di apprendimento auto- matico, come l’ottimizzazione del percorso logistico e il controllo dell’inventario di magazzino. Questi elementi della fabbrica costituiscono una filiera cognitiva che continua a evolversi nell’industria manifatturiera. Quanto dovrebbe produrre una fabbrica è una domanda a cui può essere difficile rispondere. Tuttavia, con l’ac- cesso ai dati appropriati, gli algoritmi di apprendimento automatico possono aiutare le fabbriche a capire quanto dovrebbero produrre senza produrre in eccesso. Il futuro dell’apprendimento automatico nella produ- zione industriale dipende da decisioni innovative. Gli analisti dei dati utilizzano le reti neurali profonde per elaborare set di dati di grandi dimensioni