Neurónová sieť

Neurónová sieť, presnejšie umelá neurónová sieť (ANN), je výpočtový model inšpirovaný stavbou a fungovaním biologického mozgu. Tvoria ju prepojené výpočtové jednotky, takzvané umelé neuróny alebo uzly, usporiadané do vrstiev. Dáta prechádzajú cez vrstvy a sieť v nich rozpoznáva zložité vzory, triedi informácie a vytvára veľmi presné predpovede. Na rozdiel od klasického softvéru založeného na pravidlách sa neurónová sieť úlohy učí sama: analyzuje historické trénovacie dáta a opakovane upravuje svoje vnútorné parametre tak, aby sa znížil počet chýb. Nepotrebuje na to explicitne naprogramované pravidlá.

V modernej priemyselnej výrobe, logistike a prostredí digitálnych dvojčiat slúžia neurónové siete ako hlavný analytický nástroj na spracovanie obrovského objemu rýchlych prevádzkových dát. Spracúvajú toky štruktúrovaných aj neštruktúrovaných dát zo senzorov internetu vecí (IoT), z programovateľných logických automatov (PLC), zo systémov plánovania podnikových zdrojov (ERP) a z kamier počítačového videnia. Surové fyzické vstupy menia na využiteľné digitálne informácie, a prepájajú tak dianie vo výrobnej hale s virtuálnymi systémami riadenia.

V digitálnom dvojčati sa neurónové siete často používajú na tvorbu náhradných modelov. Klasické fyzikálne simulácie zložitých termodynamických, hydraulických alebo mechanických systémov bývajú príliš výpočtovo náročné na to, aby bežali v reálnom čase. Neurónovú sieť však možno natrénovať na výstupoch takýchto simulácií, aby ich správanie napodobnila. Natrénovaná sieť vydá predpoveď v priebehu milisekúnd, takže digitálne dvojča môže v reálnom čase robiť analýzy „čo ak“, priebežne diagnostikovať a posielať riadiace príkazy v uzavretej slučke, ktorými za chodu optimalizuje fyzické zariadenia.

Hlavné súčasti

Vstupná vrstva: Vstupný bod neurónovej siete. Tvoria ju pasívne uzly, ktoré prijímajú surové dáta, napríklad hodnoty teploty, frekvencie vibrácií alebo dodacie lehoty v dodávateľskom reťazci, a bez zmeny ich odovzdávajú ďalším vrstvám.

Skryté vrstvy: Vrstvy medzi vstupom a výstupom vykonávajú s dátami matematické transformácie a získavajú z nich čoraz abstraktnejšie znaky a vzory. Hlbšie siete majú takýchto vrstiev desiatky, vďaka čomu zachytia aj veľmi zložité vzťahy.

Váhy a prahy (bias): Nastaviteľné matematické parametre jednotlivých spojení a uzlov, ktoré určujú silu signálu prechádzajúceho sieťou. Pri trénovaní sa opakovane dolaďujú, aby sa znížila chybovosť predpovedí.

Aktivačná funkcia: Matematický vzorec, ktorý sa používa na výstup každého uzla, vnáša do siete nelinearitu. Sieť sa vďaka tomu môže učiť zložité nelineárne vzťahy, aké sú bežné vo fyzických výrobných procesoch, a modelovať ich.

Stratová funkcia a spätné šírenie chyby: Stratová funkcia meria rozdiel medzi predpoveďami siete a skutočnými historickými dátami. Spätné šírenie chyby (backpropagation) je optimalizačný algoritmus, ktorý túto chybu posiela späť sieťou a podľa nej aktualizuje váhy a prahy.

Využitie vo výrobe a logistike

Vo výrobe sa neurónové siete široko využívajú na prediktívnu údržbu a automatizovanú kontrolu kvality. Pri prediktívnej údržbe hlboké neurónové siete analyzujú rýchle vibračné, akustické a tepelné dáta z rotačných strojov, napríklad z vretien CNC strojov, čerpadiel či robotických ramien, a odhalia drobné anomálie dlho pred skutočnou poruchou. Systémy automatizovanej optickej kontroly (AOI) pri kontrole kvality fungujú na konvolučných neurónových sieťach (CNN), čo je architektúra určená na priestorové dáta. Systémy skenujú výrobky na rýchlych montážnych linkách a okamžite nájdu povrchové chyby, rozmerové odchýlky alebo chyby montáže, ktoré voľným okom nevidno alebo ktoré sú príliš rýchle na to, aby ich kontrolóri stihli zachytiť.

V logistike a riadení dodávateľského reťazca vynikajú neurónové siete v predpovedaní časových radov a dynamickom plánovaní trás. Rekurentné neurónové siete (RNN) a siete s dlhou krátkodobou pamäťou (LSTM) sú vhodné najmä na analýzu sekvenčných dát, vďaka čomu možno presne odhadnúť výkyvy dopytu, potrebu zásob v sklade či meškanie dopravy. Keď sa modely zapoja do digitálneho dvojčaťa logistickej siete, v reálnom čase simulujú tisíce variantov trás a zohľadňujú aktuálnu premávku, počasie aj preťaženie prístavov. Prepravcovia tak môžu dynamicky meniť trasy vozidiel, lepšie využiť skladový priestor a znížiť spotrebu paliva v celosvetových distribučných sieťach.

Prínosy a úskalia

Hlavným prínosom neurónových sietí v priemysle je ich schopnosť modelovať veľmi zložité, nelineárne systémy s mnohými premennými, pri ktorých zlyhávajú klasické fyzikálne rovnice aj lineárne štatistické modely. Dokážu spracovať nesúrodé dátové toky, napríklad štruktúrované dáta zo senzorov spolu s neštruktúrovaným videom alebo záznamami o údržbe, a poskytnúť tak celkový prehľad o prevádzke. Vďaka tomu môže systém rozhodovať autonómne, ubúda neplánovaných odstávok, lepšie sa využívajú zdroje a simulácie digitálneho dvojčaťa bežia výrazne rýchlejšie, takže sa zo statických dashboardov stáva proaktívny a prediktívny nástroj.

Napriek týmto výhodám so sebou nasadenie neurónových sietí v priemysle prináša značné problémy, z ktorých najväčším je ich povaha „čiernej skrinky“. Neurónová sieť rozhoduje cez milióny prepojených matematických váh, a preto je pre inžinierov riadenia ťažké overiť, prečo vznikla konkrétna predpoveď alebo upozornenie na anomáliu. To môže v prostredí, kde ide o bezpečnosť, brzdiť dôveru. Siete okrem toho potrebujú veľké množstvo kvalitných, označených trénovacích dát, ktoré sa v priemysle zháňajú ťažko, pretože zriedkavé typy porúch sa zaznamenávajú len výnimočne. Citlivé sú aj na posun modelu (model drift): ich presnosť časom klesá, keďže sa zariadenia prirodzene opotrebúvajú alebo menia prevádzkové parametre, a preto treba model nepretržite sledovať a pretrénovávať.

Súvisiace pojmy

Aby ste lepšie pochopili úlohu neurónových sietí v modernej priemyselnej architektúre, odporúčame pozrieť si aj súvisiace pojmy: strojové učenie je širšia vedná disciplína, do ktorej tieto siete patria, hlboké učenie označuje konkrétne viacvrstvové architektúry neurónových sietí a náhradné modelovanie je postup, pri ktorom sa natrénované neurónové siete používajú na aproximáciu zložitých fyzikálnych simulácií v prostredí digitálneho dvojčaťa.

Časté otázky

Aký je rozdiel medzi bežnou neurónovou sieťou a hlbokým učením? Bežné neurónové siete, často nazývané plytké, majú zvyčajne len jednu alebo dve skryté vrstvy a dáta si treba pripraviť ručne, takzvaným feature engineeringom. Hlboké učenie označuje neurónové siete s mnohými skrytými vrstvami (často desiatkami či stovkami), ktoré dokážu znaky zo surových neštruktúrovaných dát nájsť a získať samy. Preto si s náročnými priemyselnými úlohami, ako je počítačové videnie alebo spracovanie prirodzeného jazyka, poradia oveľa lepšie.

Ako sa neurónové siete prepájajú s programovateľnými logickými automatmi (PLC) vo výrobe? Na starších automatoch PLC neurónové siete kvôli obmedzenému výpočtovému výkonu zväčša nebežia. Spúšťajú sa skôr na edge computingových gateway alebo v cloudových platformách nad riadiacou vrstvou. Neurónová sieť dostáva prevádzkové dáta z PLC cez priemyselné protokoly, napríklad OPC UA alebo MQTT, spracuje ich na predpovede alebo optimalizačné parametre a odporúčania pošle späť do PLC na vykonanie, prípadne ich zobrazí obsluhe na HMI.

Prečo sa v digitálnych dvojčatách uprednostňujú neurónové siete pred fyzikálnymi modelmi? Fyzikálne modely vychádzajú z riešenia zložitých diferenciálnych rovníc, ktorých výpočet môže trvať minúty či hodiny, a preto sa na digitálne dvojčatá v reálnom čase nehodia. Natrénovaná neurónová sieť vydá predpoveď v priebehu milisekúnd (tento krok sa nazýva inferencia). Na trénovanie potrebuje historické dáta a fyzikálne zákony sama od seba nechápe, no vďaka rýchlosti je ideálna na monitorovanie v reálnom čase, rýchle testovanie scenárov a riadenie v uzavretej slučke.