کاربرد داده کاوی در مهندسی ساخت
با استفاده از داده کاوی، می‌توانیم به تعداد دقیق بلایایی که در هر منطقه خاصی روی داده است و آسیب‌های مشاهده شده پی ببریم. مواد خام به طور کامل بررسی می شوند تا بهترین پایداری و استقامت را برای ساختمان فراهم کنند. بهترین روش تصمیم گیری می شود و تکرار اشتباهات در ساخت کاهش می یابد.
بسیاری از سازمان‌ها استراتژی‌های تهاجمی خود را حول محور اتوماسیون و فناوری تولید جدید با استفاده از ابزارهای کاربردی مختلف قرار داده‌اند.
از جمله این ابزارها می توان به داده کاوی اشاره کرد. پیشرفت در فناوری‌های محاسباتی، مالکیت و اجرای سیستم‌های مدیریت دانش و انبارهای داده یا بازارهای داده را آسان‌تر و مقرون به صرفه‌تر از همیشه کرده است. این امر به ویژه برای همگام شدن با نیازهای در حال تغییر مشتری و کسب و کار مطلوب است.
مدیران موظفند تشخیص دهند که مجموعه دانش و دانش نیروی کار باید به صورت استراتژیک برای پیشرفت قرار گیرد. یک سازمان باید توانایی انجام عملیات روزانه و بهبود مستمر را داشته باشد. می توان از فناوری های مختلف برای پیگیری و نظارت بر عملکرد سازمان در چندین بعد استفاده کرد تا اطمینان حاصل شود که روندها و ارزش ها در مسیر درست هستند.
در غیر این صورت، سیگنال‌های حیاتی را می‌توان استنباط کرد و اقداماتی را برای بهبود زنجیره‌های ارزش فیزیکی یا منابع و تعامل آنها با زنجیره‌های ارزش اطلاعات و دانش مرتبط آغاز کرد.
داده کاوی را می توان در حوزه های تولید زیر استفاده کرد:
- داده کاوی در طراحی محصول
- داده کاوی در تخمین زمان تولید
- داده کاوی با کیفیت
- داده کاوی در مدیریت زنجیره تامین
- داده کاوی در محیط تولید Just In Time
روش شناسی
۱- جمع آوری داده ها
آماده سازی ورودی برای تحقیق داده کاوی معمولاً بخش عمده ای از تلاش و زمان سرمایه گذاری شده در کل فرآیند داده کاوی را مصرف می کند. هنگام شروع کار بر روی یک مشکل داده کاوی، ابتدا لازم است همه داده ها را در مجموعه ای از نمونه ها جمع آوری کنید. داده ها باید مونتاژ، ادغام و پاکسازی شوند.
۲- استنباط قوانین و بازنمایی دانش
بسیاری از تکنیک‌های مورد استفاده برای ارائه خروجی، توصیف‌هایی به راحتی قابل درک از الگوهای ساختاری در داده‌ها ارائه می‌کنند. راه‌های مختلفی برای نمایش الگوهایی وجود دارد که می‌توان با یادگیری ماشین کشف کرد، و هر کدام نوع تکنیکی را که می‌توان برای استنتاج آن ساختار خروجی از داده‌ها استفاده کرد، دیکته می‌کند.
انواع مختلف تکنیک ها عبارتند از:
- جداول تصمیم گیری
- درختان تصمیم
- قوانین طبقه بندی
- قوانین پیش بینی
- خوشه ها
الگوریتم های مورد استفاده در داده کاوی
۱- جداول تصمیم گیری
ساده‌ترین و ابتدایی‌ترین راه برای نمایش خروجی از یادگیری ماشین این است که آن را دقیقاً مشابه ورودی – جدول تصمیم‌گیری کنیم. ایجاد یک جدول تصمیم ممکن است شامل انتخاب برخی از ویژگی ها باشد. البته مشکل این است که تصمیم بگیریم که کدام ویژگی ها را کنار بگذاریم بدون اینکه بر تصمیم نهایی تأثیر بگذاریم. تعداد تکرار درگیر به داده های موجود بستگی دارد و هرچه تکرار بیشتر باشد، دقت نتایج به دست آمده بیشتر است.
۲- درختان تصمیم
رویکرد «تقسیم کن و حکومت کن» به مسئله یادگیری از مجموعه‌ای از نمونه‌های مستقل، طبیعتاً به سبکی از نمایش به نام درخت تصمیم منجر می‌شود. گره ها در درخت تصمیم شامل آزمایش یک ویژگی خاص هستند. گره های برگ یک طبقه بندی را ارائه می دهند که برای همه مواردی که به برگ می رسند اعمال می شود. اگر مشخصه ای که در یک گره آزمایش می شود اسمی باشد، تعداد فرزندان معمولاً تعداد مقادیر ممکن ویژگی است.
۳- طبقه بندی در تولید
طبقه بندی یک عملکرد مفید در بسیاری از زمینه های تولید است، به عنوان مثال، در صنعت نیمه هادی، عیوب برای یافتن الگوها و استخراج قوانین برای بهبود عملکرد طبقه بندی می شوند. تشخیص الگوی نمودار کنترل آنلاین نمونه دیگری از طبقه بندی برای کنترل فرآیند آماری است، زیرا الگوهای غیرطبیعی نمایش داده شده توسط نمودار کنترل می تواند با علل خاصی مرتبط باشد که تأثیر نامطلوبی بر فرآیند تولید دارد.
۴- پیش بینی در تولید
قابل پیش بینی بودن فرآیند تولید، کیفیت، نگهداری، نقص یا حتی سیستم از اهمیت حیاتی برخوردار است. به عنوان مثال در زمینه تعمیر و نگهداری، می توان پیش بینی کرد که تعمیر و نگهداری چه شرایطی مورد نیاز است یا اینکه تجهیزات چگونه خراب می شوند.
در تجزیه و تحلیل داده های گذشته پیش‌بینی یک تابع یادگیری است که یک آیتم داده را به یک متغیر پیش‌بینی با ارزش واقعی نگاشت می‌کند. پیش‌بینی را می‌توان به‌عنوان ساخت و استفاده از یک مدل برای ارزیابی کلاس یک نمونه بدون برچسب، یا برای ارزیابی مقدار یا محدوده مقدار یک ویژگی که یک نمونه مشخص احتمالاً دارد، در نظر گرفت. مدیریت ارتباط با مشتری حوزه ای است که در آن داده کاوی به طور گسترده برای پیش بینی رفتار مشتریان استفاده می شود.
۵- خوشه بندی در تولید
خوشه بندی یک تابع داده کاوی مهم است که بر روی داده های تولیدی مشخص انجام می شود. به عنوان مثال، در تدارکات و زنجیره تامین، انتخاب سفارش در مرکز توزیع معمول است.
قبل از انتخاب مجموعه بزرگی از سفارش‌ها، سفارش‌ها در دسته‌هایی دسته‌بندی می‌شوند تا حرکت محصول در منطقه ذخیره‌سازی تسریع شود. مثال دیگر تشکیل سلول در تولید سلولی است که در آن از خوشه بندی برای طراحی خانواده قطعات و سلول های ماشینی به طور همزمان استفاده می شود.
برای خرید لایسنس نرم افزار Power BI ، می‌توانید از خدمات ما استفاده نموده و درخواست خود را از طریق فرم زیر ثبت نمایید.