دانلود رایگان ترجمه مقاله روشهای مدلسازی و مانیتورینگ برای داده های فضایی و تصویری(نشریه تیلور و فرانسیس 2017) (ترجمه رایگان – برنزی ⭐️)

روشهای مدلسازی و مانیتورینگ برای داده های فضایی و تصویری

Modeling and monitoring methods for spatial and image data

چکیده
مقدمه
مدلسازی و مانیتورینگ کیفیت محصول:ترکیب شکل های سطحی و داده های چندسنجشگری
مدلسازی و مانیتورینگ شکل محصول: چالشهای اصلی و راه حلهای ممکن
ترکیب داده های چندسنجشگری
رهنمودهای آتی در مدلسازی داده های محصول
مدلسازی و مانیتورینگ سیگنال پروسه و داده های تصویری: چالشهای اصلی و راه حل ممکن
سنجش in situ از طریق تحلیل داده های ویدئویی-تصویری در ساخت افزوده
نتیجه گیری ها

چکیده
تحلیل کامپیوتری داده ها به روش سنجش هوشمند باعث تغییر پارادایم در آمار صنعت شده است که در بخش تولید گسسته بکار می رود. فناوریهای نوظهوری (مانند تولید افزوده، تولید در سطح خرد) همراه با راه حل های بازرسی نوین (مانند سیستم های غیرتماسی، توموگرافی کامپیوتری اشعه ایکس) و سنجشگرها با سرعت بالا و چندرشته ای (مانند ویدئوها و تصاویر، سیگنالهای آکوستیک، حرارتی، برق و فشار) برای نسل جدید داده های کلان صنعت راه را هموار کرده اند که به روشهای مدلسازی و مانیتورینگ نوینی برای تولید با نقص سطح صفر می باشد. در این مقاله که از مسائل صنعتی واقعی شروع به بحث می کند، برخی چالشهای اصلی که بخشهای صنعت مربوطه با آن مواجه اند مورد بحث قرار می گیرد. در این مقاله بویژه راه حل های پایدار و مسائل مطرح آتی توضیح داده می شوند.

1- مقدمه
هوشمندی و قابلیت دسترسی به کلان داده ها بنا به اتفاق نظری گسترده به محرک های فناوری انقلاب صنعتی چهارم یعنی Industry 4.0 تبدیل شده اند. همانند کلیه انقلابهای صنعتی قبلی، محرک چهارمین انقلاب صنعتی همان نوآوری های فناوری بوده است. نیروهای محرک انقلاب صنعتی اول همان تولید مکانیکی با قدرت آب و بخار بودند، الکتریسیته و خطوط مونتاژ انقلاب صنعتی دوم را بوجود آوردند، و ورود کامپیوترها برای اهداف اتوماسیون باعث تسهیل پیدایش انقلاب صنعتی سوم گردید. پیشرفتهای بینظیر درباره حجم داده ها، قدرت محاسباتی با کامپیوتر و ارتباطات کامپیوتری، شکل های جدیدی از تعاملات انسان با ماشین از طریق واقعیت افزوده، و پیشرفتهای نوظهور در زمینه علوم روباتیک و چاپ سه بعدی باعث هموارسازی راهی به سوی نسل جدیدتولید دیجیتالی در انقلاب صنعتی چهارم شده است(Brettel, et al, 2014; Baur and Wee, 2015).
انقلاب صنعتی چهارم دربرگیرنده پیشرفتهای فناوری متفاوت گوناگونی می باشد (Rüßmann et al., 2015، شکل 2)، که به رویکردهای نوینی برای تحلیل داده ها نیازمند است (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015). درکل، افزایش حجم داده ها، تنوع و سرعت آنها (یعنی چارچوب کلان داده ها) دربرگیرنده چالشهای متعددی برای آماردانان صنعت و مهندسان کیفیت می باشد (Steinberg, 2016; Megahed and Jones-Farmer , 2015; Jones-Farmer, Ezell and Hazen, 2014). برای مثال، سیستم های سایبرفیزیکی اتصالی بالا (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015) مبین رشته های متعدد داده های واقعی و مجازی می باشند که باید به طور مناسبی با هم ترکیب شده و تحلیل بشوند. اینترنت سایبر-امنیتی و صنعتی برای کارها (Wells et al. 2014, Turner et al., 2015) نیازمند شیوه های جدید مانیتورینگ ابر داده ها و بهینه سازی آنهاست (Aceto et al., 2015). سنجش فراگیر پروسه ها و عملگرهای صنعت (برای طراحی صفحه کاربری های مشترک انسان-ماشین) به حجم عظیمی از داده های تصویری و سیگنال منجر می شود که باید به نحو مناسبی تحت بررسی قرار گیرد.
بحث درباره کلیه تاثیرات انقلاب صنعتی چهارم درباره مدلسازی داده های صنعت، مانیتورینگ و کنترل آنها خارج از بحث این مقاله است. در این مقاله، چالشها و فرصتهای مربوط به مدلسازی و مانیتورینگ داده های کیفیت در محصولات مکانیکی با ارزش افزوده بالا مورد توجه قرار می گیرد. ازا ینرو، بخشهای صنعت مانند هوافضا، خودروسازی، ابزارسازی، و تولید ابزارهای ماشین آلات به طور تخصصی درنظر گرفته می شوند. بعلاوه، به مرحله تولید در زمان عمر این محصولات بطور تخصصی توجه می شود.
در سرتاسر مقاله، مسائل صنعت واقعی به عنوان نمونه های انگیزشی به طور تخصصی مطرح می گردد. همچنین، توجه ویژه ای به برخی پروسه های جدید تولید (چاپ سه بعدی یا تولید افزوده –AM) و راه حل های جدید مترولوژی حجمی و ابعادی (یعنی سنجشگرهای مترولوژی غیرتماسی، ویدئوهای با سرعت بالا، توموگرافی کامپیوتری اشعه ایکس-CT) مبذول خواهد شد.
برای ساده سازی مطالب، این بحث را در دو بخش اصلی سازماندهی می کنیم. اولین بخش متمرکز بر خصوصیات کیفیت راجع به محصولات است درحالیکه دومین بخش راجع به داده های پروسه است. به طور خلاصه، ما درباره شیوه های مدلسازی و مانیتورینگ محصول و داده های کیفیت پروسه به طور جداگانه بحث خواهیم کرد. تفکیک مطالب به این شکل حالت ساختگی دارد چون معمولا از دست اندرکاران صنعت خواسته می شود که در آن واحد با رشته داده های محصول و نیز پروسه مواجه شوند و این دو منبع اطلاعاتی را بهم متصل کنند تا بتوانند اقدامات مناسبی را برای پیشبرد پروسه به سمت تولید با نقص سطح صفر تعیین نمایند.
این دو بخش با ساختار مشابهی سازماندهی شده است. اول از همه، زمینه صنعت و برخی مثالهای انگیزشی مطرح می شود. بعد از آن، راه حل های موجود برای مدلسازی و مانیتورینگ داده ها به طور مختصری توضیح داده می شود. سرانجام، رهنمودهایی برای تحقیقات آتی در قسمت نتیجه گیری ارائه خواهد شد.

Abstract

Intelligent sensing and computerized data analysis are inducing a paradigm shift in industrial statistics applied to discrete part manufacturing. Emerging technologies (e.g., additive manufacturing, micro-manufacturing) combined with new inspection solutions (e.g., non-contact systems, X-ray computer tomography) and fast multistream high-speed sensors (e.g., videos and images; acoustic, thermic, power and pressure signals) are paving the way for a new generation of industrial big-data requiring novel modeling and monitoring approaches for zero-defect manufacturing. Starting from real industrial problems, some of the main challenges to be faced in relevant industrial sectors are discussed. Viable solutions and future open issues are specifically outlined.

1- Introduction

There is a widespread consensus that smartness and big data availability are technological drivers of the fourth industrial revolution, i.e., Industry 4.0. As in all previous revolutions, the fourth is driven by technological innovations. Water- and steam-powered mechanical manufacturing were driving forces for Industry 1.0; electricity and assembly lines drove Industry 2.0; and the introduction of computers for automation purposes catalyzed Industry 3.0. Unrivaled advances in data volumes, computational power and connectivity; new forms of human-machine interactions via augmented reality; and emerging advance in robotics and 3D printing are paving the way to the new generation of digital production in Industry 4.0. (Brettel, et al, 2014; Baur and Wee, 2015).

Industry 4.0 involves many different technological advances (Rüßmann et al., 2015, Figure 2), which require novel approaches for data analysis (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015). Overall, the increase of data volume, variety and velocity (i.e., the ―big data‖ framework) poses several challenges for industrial statisticians and quality engineers (Steinberg, 2016; Megahed and Jones-Farmer , 2015; Jones-Farmer, Ezell and Hazen, 2014). For example, the highly interconnected cyber-physical systems (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015) imply multiple streams of real and virtual data that have to be appropriately fused and analyzed. Cyber-security and industrial internet of things (Wells et al. 2014, Turner et al., 2015) ask for new approaches for data cloud monitoring and optimization (Aceto et al., 2015). Pervasive sensing of industrial processes and operators (to design machine-human interfaces) causes a huge amount of image and signal data that have to be appropriately studied.

Discussing all the effects of Industry 4.0 on industrial data modeling, monitoring and control is out of this paper scope. In this paper, the attention will be limited to challenges and opportunities in modeling and monitoring quality data of high-value-added mechanical products. Therefore, industrial sectors as the aerospace, automotive, tooling and machine-tools production will be specifically targeted. Furthermore, attention will be specifically devoted to the manufacturing stage of these products’ lifetime.

Throughout the paper, real industrial problems will be specifically introduced as motivating examples. Special attention will be devoted to some emerging manufacturing processes (3D printing or additive manufacturing – AM) and new dimensional and volumetric metrology solutions (i.e., non-contact metrology sensors, high-speed videos, X-ray computer tomography – CT).

For the sake of simplicity, the discussion will be organized in two main sections. The first will focus on quality features concerning products, while the second section will concern process data. In short, we will discuss approaches for modeling and monitoring product and process quality data, separately. This distinction is clearly artificial, as industrial practitioners are usually asked to face both the product and process data streams at the same time and link these two sources of information to define appropriate actions to drive the process toward zero-defect manufacturing.

The two sections will be organized following a similar structure. The industrial background and some motivating examples will be firstly introduced. Then, existing solutions for data modeling and monitoring will be briefly described. Eventually, directions for future research will be presented in the conclusions..

روشهای مدلسازی و مانیتورینگ برای داده های فضایی و تصویری

Modeling and monitoring methods for spatial and image data