소개: 불과 몇 년 전까지만 해도 노동력 절감이 주요 제조업체들이 자동화를 조사하게 된 원동력인 것 같았습니다. 투자 수익률은 자동화가 대체할 사람의 수로 크게 계산되었습니다. 그리고 그 ROI가 몇 년 미만이면 자동화 프로젝트가 승인되는 경우가 많습니다. 그러나 보다 최근에 우리는 노동력 부족이 제조업체가 자동화를 고려하는 동기 요인으로 빠르게 증가하고 있음을 확인하기 시작했습니다. 가용 인력의 부족으로 인해 일부 제조업체는 생산을 확장하거나 끊임없이 변화하는 고객 요구를 따라가지 못했습니다. COVID-19 발병은 제한이 해

대뇌 피질은 이미지를 처리하는 뇌의 일부입니다. 인간은 다른 포유류에 비해 가장 큰 대뇌 피질을 가지고 있습니다. 이 뛰어난 시력은 인간이 다른 동물보다 우위에 서게 한 진화적 특성 중 하나입니다. 진화 생물학자들은 이 특성 뒤에 숨겨진 미스터리를 풀기 위해 노력하고 기술 연구자들은 이를 복제하려고 노력합니다. 그림 1. 공장의 머신 비전 시스템. 인간은 경험과 실천을 통해 배웁니다. 머신 러닝은 인간의 두뇌가 학습하는 방식을 컴퓨터가 모방하도록 하는 인공 지능(AI) 분야입니다. 이미지 인식 및 처리는 이 분야의 중

머신 비전 카메라, 보정되지 않은 센서 또는 예측할 수 없는 그림자의 결함은 산업용 AI 시스템에서 잠재적으로 비용이 많이 들고 위험한 오류로 이어질 수 있습니다. 그러나 연구자들은 오류 가능성을 줄이기 위해 취할 수 있는 간단한 조치뿐만 아니라 오류 방지 알고리즘을 개발하고 있습니다. 인공 지능은 기본 퍼셉트론 인공 신경망 이상으로 발전했지만 오류는 여전히 문제로 남아 있습니다. 픽사베이 제공 이미지 사용 인공 지능을 위한 산업용 애플리케이션 로봇 공학 플랫폼, 자재 취급, 포장, 머신 텐딩, 조립, 검사 및 BAS

퍼지 논리는 복잡한 제어 시스템을 구현하는 가장 신뢰할 수 있는 수단처럼 들리지 않을 수 있습니다. 그러나 퍼지 논리 시스템이 부정확한 데이터로 작업하고 전문가의 경험을 구현하는 능력은 현대 제어 응용 프로그램에서 강력한 도구가 됩니다. 퍼지 논리 개요 1965년 Lofti Zada가 개발한 AI(인공 지능)의 하위 분류인 퍼지 논리를 통해 컴퓨터 시스템은 인간이 데이터를 해석하고 데이터와 상호 작용하는 방식을 모방할 수 있습니다. 부울 논리는 두 가지 결과(참 또는 거짓, 0 또는 1)로 제한되지만 퍼지 논리는 진실의 정도를

로봇 셀에 PLC(Programmable Logic Controller) 사용 로봇 셀은 일반적으로 로봇의 작업 범위에 속하지 않는 셀의 일부를 실행하기 위해 컨트롤러가 필요한 경우가 많습니다. 컨트롤러(일반적으로 PLC(Programmable Logic Controller))는 겨드랑이 도어, 클램프, 안전 또는 엔지니어가 완전 자율 셀에 필요할 수 있는 기타 모든 것을 제어합니다. 래더 논리 프로그래밍은 배선도에서 작동하는 프로그램으로의 변환을 간단하게 유지하기 위해 배선도와 유사합니다. 래더 논리 프로그래밍은 순차적으로

퍼지 로직 컨트롤러는 말 그대로 우리 주변에 있습니다. 잠김 방지 제동 시스템부터 우리의 옷을 세탁하는 세탁기까지. 그러나 그들은 정말로 작동합니까? 그리고 이를 사용하면 어떤 이점이 있습니까? 그림 1. 최신 기계 가공은 종종 프로세스의 중요한 측면을 제어하기 위해 퍼지 논리에 의존합니다. 이미지 사용:Michael Schwarzenberger 제공 래더 논리 및 퍼지 논리 퍼지 논리 제어에 대한 학습의 좋은 출발점은 래더 논리가 퍼지 논리와 호환되는지 확인하는 것입니다. 래더 로직은 순차 로직이 필요할 때 PLC(

아마도 컴퓨터 과학의 성배는 우리 기계가 자체 프로그램을 작성할 수 있는 날에 발견되었을 것입니다. 유전 프로그래밍(GP)은 그 방향으로 나아가는 단계를 나타내는 비교적 새로운 기계 학습 패러다임입니다. GP는 제어 엔지니어링 영역에서 많은 가능성을 가지고 있습니다. 이 기사에서는 유전 프로그래밍이 무엇인지, 어떻게 표현할 수 있는지 논의하고 프로그램의 예를 살펴보겠습니다. 이 기사는 시리즈의 첫 번째 기사입니다. 다음 항목으로 건너뛰려면 아래에서 하나를 선택하십시오. 진화 알고리즘의 유전 연산자 유전 알고리즘의 예:정렬 프

컴퓨터 혁명은 1960년대 집적 회로(IC)의 설립과 함께 시작되었습니다. IC는 지난 반세기 동안 많은 산업 분야에 진출했습니다. 오늘날 다양한 분야에서 다양한 컴퓨팅 장치가 사용되고 있습니다. 처음에는 소프트웨어가 하드웨어 기반 컴퓨팅 솔루션을 사용하는 조력자였습니다. 나중에 소프트웨어는 컴퓨팅 성능을 활용하여 더 많은 일을 효율적으로 수행하는 도구로 발전했습니다. 오늘날 하드웨어와 소프트웨어 도구를 결합한 디지털 도구를 사용하는 것은 전 세계 모든 산업에서 매우 중요합니다. 기업은 디지털 혁신을 통해 이러한 새로운 기능을

산업용 로봇은 제조사, 모델, 색상, 모양 및 크기가 부족하지 않습니다. 그러나 기계 설계의 경우 모든 브랜드에서 많은 유사점을 볼 수 있습니다. 산업용 다관절 로봇 팔은 종종 첨단 제조 시설을 묘사하는 이미지로 간주됩니다. 일반적인 협동 로봇(코봇) 발렌타인도 동일한 기계적 구조를 고수합니다. 탑재하중 운반, 적재, 분류, 팔레타이징, 조립 및 기타 여러 반복 가능한 작업입니다. RobotWorx 제공 동영상 사용 모든 브랜드와 모델에서 한 가지 공통된 특징이 두드러집니다. 바로 6축 동작입니다. 더 많은 모델이

자동차를 소유하는 것은 쉬운 교통 접근의 기본적인 부분이었습니다. 오늘날에는 전화 앱으로 자동차를 불러올 수 있고 자동차를 사용할 수 있습니다. 유지, 유지, 손상, 보험 등에 대해 걱정할 필요가 없습니다. 이는 TaaS(Transportation-as-a-Service)라고 하는 Uber 및 Lyft와 같은 서비스를 통해 가능합니다. 서비스 모델은 산업 공간을 포함한 더 많은 영역으로 확장되고 있습니다. 제한된 기간 동안 제품을 대여할 수 있으며 필요하지 않은 경우 반품할 수 있습니다. 이러한 제품은 일반적으로 (공백) 서비스

1차 산업혁명은 18세기 증기기관의 발명과 발전으로 시작되었습니다. 추가적인 기술 발전은 대량 생산과 자동화를 가져왔습니다. 이러한 기술은 산업 혁명의 처음 세 가지 진화를 대표했으며, 현재 우리가 살고 있는 시대는 인더스트리 4.0입니다. 아니면, 우리는 다섯 번째에 있습니까? 인더스트리 4.0 인더스트리 4.0은 디지털 기술을 활용하여 제조 프로세스의 자동화 환경을 변화시킵니다. 또한 모든 것을 서로 연결하여 의사 소통과 효율성을 향상시킵니다. Industry 3.0은 계산 기능을 활용하여 프로세스를 부분적으로 자동화했

유전 프로그래밍(GP) 시리즈의 이 시점에서 우리는 유전 프로그래밍이 무엇이며 정보를 표현하는 방법, 유전 연산자가 진화 알고리즘에서 어떻게 작동하는지, 기호 회귀를 통해 분류 프로그램을 진화시키는 과정을 배웠습니다. 여기에서는 이 기술이 발전하면서 무엇을 달성할 수 있는지 개략적으로 살펴보겠습니다. 유전자 프로그래밍의 실제 고려사항 이 시리즈의 마지막 장을 이해하기 위해 이 시리즈의 첫 번째 부분에서 논의한 XOR 예제를 기억해 보겠습니다. GP가 발견한 XOR 문제에 대한 완벽한 솔루션: (디펀 프로그램() (그리고

레이저 거리 센서는 로봇 및 자동화 산업에서 다양한 용도로 사용됩니다. 산업의 다양한 측면에 걸쳐 있을 수 있지만 이 기사에서는 레이저 거리 센서를 위치 센서로 사용하는 구식 기술에 대한 셀 개조에 중점을 둡니다. 이 센서는 거리를 말할 때 매우 정확할 수 있으므로 다양한 유형의 제어가 가능합니다. 그러나 레이저 오류를 안전하게 처리하려면 특정 안전 기능을 시스템에 프로그래밍해야 합니다. 전통적인 T-카트 제어 방법 T-cart 제어를 이해하려면 T-cart 작업이 정확히 무엇을 구성하는지 이해하는 것이 중요합니다. T-

히든 노드 레이어를 추가하여 퍼셉트론의 성능을 크게 향상시킬 수 있지만 이러한 숨겨진 노드는 또한 훈련을 좀 더 복잡하게 만듭니다. 지금까지 신경망에 대한 AAC 시리즈에서 신경망, 특히 다양한 퍼셉트론을 사용한 데이터 분류에 대해 배웠습니다. 아래 시리즈를 확인하거나 MLP(다층 퍼셉트론) 신경망의 기본 사항을 설명하는 이 새로운 항목을 살펴보세요. 신경망을 사용하여 분류를 수행하는 방법:퍼셉트론이란? 간단한 퍼셉트론 신경망을 사용하여 데이터를 분류하는 방법 기본 퍼셉트론 신경망 훈련 방법 단순 신경망 훈련 이해 신경망 훈련

이 기사에서는 가중치 업데이트 계산을 수행할 때 사용하는 방정식을 제시하고 역전파의 개념도 논의할 것입니다. 머신 러닝에 관한 AAC 시리즈에 오신 것을 환영합니다. 여기에서 시리즈를 확인하십시오: 신경망을 사용하여 분류를 수행하는 방법:퍼셉트론이란? 간단한 퍼셉트론 신경망을 사용하여 데이터를 분류하는 방법 기본 퍼셉트론 신경망 훈련 방법 단순 신경망 훈련 이해 신경망 훈련 이론 소개 신경망의 학습률 이해 다층 퍼셉트론을 사용한 고급 기계 학습 시그모이드 활성화 함수:다층 퍼셉트론 신경망에서의 활성화 다층 퍼셉트론 신경망 훈련

이 기사에서는 신경망 훈련 및 분류 실험에 사용할 퍼셉트론 구성에 대해 설명하고 관련 주제도 살펴보겠습니다. 바이어스 노드의. 회로에 관한 모든 것 신경망 기술 기사 시리즈에 오신 것을 환영합니다. 지금까지의 시리즈(아래에 링크됨)에서 우리는 신경망을 둘러싼 이론을 꽤 많이 다루었습니다. 신경망을 사용하여 분류를 수행하는 방법:퍼셉트론이란? 간단한 퍼셉트론 신경망을 사용하여 데이터를 분류하는 방법 기본 퍼셉트론 신경망 훈련 방법 단순 신경망 훈련 이해 신경망 훈련 이론 소개 신경망의 학습률 이해 다층 퍼셉트론을 사용한 고급 기계

이 문서에서는 신경망을 훈련하고 고급 분류를 수행할 수 있는 Python 프로그램을 단계별로 안내합니다. 이것은 AAC의 신경망 개발 시리즈의 12번째 항목입니다. 아래에서 시리즈가 제공하는 다른 기능을 확인하세요. 신경망을 사용하여 분류를 수행하는 방법:퍼셉트론이란? 간단한 퍼셉트론 신경망을 사용하여 데이터를 분류하는 방법 기본 퍼셉트론 신경망 훈련 방법 단순 신경망 훈련 이해 신경망 훈련 이론 소개 신경망의 학습률 이해 다층 퍼셉트론을 사용한 고급 기계 학습 시그모이드 활성화 함수:다층 퍼셉트론 신경망에서의 활성화 다층 퍼셉

이 문서에서는 신경망을 사용하여 데이터를 처리할 때 유효성 검사가 특히 중요한 이유를 설명합니다. 신경망 개발에 대한 AAC의 시리즈는 신경망의 검증과 신호 처리에서 신경망의 기능을 살펴보는 것으로 계속됩니다. 신경망을 사용하여 분류를 수행하는 방법:퍼셉트론이란? 간단한 퍼셉트론 신경망을 사용하여 데이터를 분류하는 방법 기본 퍼셉트론 신경망 훈련 방법 단순 신경망 훈련 이해 신경망 훈련 이론 소개 신경망의 학습률 이해 다층 퍼셉트론을 사용한 고급 기계 학습 시그모이드 활성화 함수:다층 퍼셉트론 신경망에서의 활성화 다층 퍼셉트론

이 기사에서는 Excel에서 생성한 샘플을 사용하여 다층 퍼셉트론을 훈련시킨 다음 네트워크가 유효성 검사 샘플을 사용하여 수행하는 방식을 볼 것입니다. . Python 신경망을 개발하려는 경우 올바른 위치에 있습니다. Excel을 사용하여 네트워크에 대한 교육 데이터를 개발하는 방법에 대한 이 기사의 논의를 자세히 살펴보기 전에 배경 정보에 대해 아래 시리즈의 나머지 부분을 확인하는 것이 좋습니다. 신경망을 사용하여 분류를 수행하는 방법:퍼셉트론이란? 간단한 퍼셉트론 신경망을 사용하여 데이터를 분류하는 방법 기본 퍼셉트론 신경망

이 문서는 다중 레이어 퍼셉트론의 숨겨진 부분을 구성하기 위한 지침을 제공합니다. 지금까지 신경망에 대한 이 시리즈에서 우리는 Perceptron NN, 다층 NN 및 Python을 사용하여 이러한 NN을 개발하는 방법에 대해 논의했습니다. 선택할 수 있는 숨겨진 레이어와 노드의 수에 대해 논의하기 전에 아래 시리즈를 따라잡는 것을 고려하십시오. 신경망을 사용하여 분류를 수행하는 방법:퍼셉트론이란? 간단한 퍼셉트론 신경망을 사용하여 데이터를 분류하는 방법 기본 퍼셉트론 신경망 훈련 방법 단순 신경망 훈련 이해 신경망 훈련 이론