Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych

Format:

Book

Author/Creator:

Kulisz, Monika

Language:

Polish

Physical Description:

1 online resource

Place of Publication:

Lublin Lublin University of Technology Publishing House 2025

Language Note:

Polish

Summary:

The objective of this study is to propose a methodology for selecting the architecture and training parameters of artificial neural networks that can be effectively applied to the enhancement of manufacturing processes. The research focuses on the utilization of neural network models in three key areas: optimization of machining parameters, quality assessment of finished products, and prediction of machine failures. The study examines selected neural network architectures, including multilayer perceptrons, recurrent LSTM networks, and convolutional neural networks. A detailed methodology was developed to determine suitable architectures and training parameters, encompassing a comprehensive process of data preparation, model selection, and adaptation to the specific requirements of individual industrial applications. A key part of this method was taking into account the types of data that were available and the specifics of the tasks. This let the best neural network architectures be chosen for each of the domains that were being studied.

Celem pracy jest zaproponowanie sposobu doboru architektury oraz parametrów procesu uczenia sztucznych sieci neuronowych, które mogą być skutecznie zastosowane w doskonaleniu procesów produkcyjnych. Praca koncentruje się na wykorzystaniu modeli neuronowych w następujących trzech obszarach: optymalizacji parametrów obróbki skrawaniem, ocenie jakości wyrobów gotowych oraz predykcji awarii maszyn. W ramach pracy poddano analizie wybrane architektury sieci neuronowych, takie jak perceptrony wielowarstwowe, rekurencyjne sieci LSTM oraz konwolucyjne sieci neuronowe. Opracowano szczegółową metodykę doboru odpowiednich architektur oraz parametrów ich uczenia, która obejmowała kompleksowy proces przygotowania danych, selekcji odpowiednich modeli oraz ich dostosowania do specyficznych wymagań poszczególnych zastosowań przemysłowych. Kluczowym aspektem tej metodyki było uwzględnienie charakterystyki dostępnych danych oraz specyfiki zadań, co pozwoliło na optymalny dobór architektury sieci neuronowej dla każdego z analizowanych obszarów.