はじめに： 数年前の最近では、自動化を調査する主要メーカーの推進要因は省力化であるように思われました。投資収益率は、主に自動化によって置き換えられる人数によって計算されました。そして、そのROIが数年未満の場合、自動化プロジェクトはしばしば青信号になりました。しかし、最近では、労働力の不足が、メーカーが自動化を検討する動機付けの要因になりつつあることがわかり始めました。利用可能な労働者の不足は、一部のメーカーが生産を拡大したり、絶えず変化する顧客の需要に追いつくことを妨げていました。 COVID-19の発生は、制限が解除されたときに非常に多くの企業が迅速に回復することを妨げる、ひどく時代遅

大脳皮質は、画像を処理する脳の一部です。人間は他の哺乳類と比較して最大の大脳皮質を持っています。この優れたビジョンは、人間に他の動物よりも優位に立つ進化の特徴の1つです。進化生物学者はこの特性の背後にある謎を解き明かそうとし、技術研究者はそれを再現しようとします。 図1。 工場のマシンビジョンシステム。 人間は経験と実践を通して学びます。機械学習は、コンピューターに人間の脳の学習方法を模倣させようとする人工知能（AI）の分野です。画像認識と処理は、この分野の重要なサブセクションです。画像認識を使用すると、エンジニアは人間と直接対話することなくオブジェクトを分類できます。

マシンビジョンカメラ、キャリブレーションされていないセンサー、または予測できない影のあるグリッチは、産業用AIシステムで潜在的にコストがかかり危険なエラーにつながる可能性があります。ただし、研究者はエラー防止アルゴリズムと、エラーの可能性を減らすために実行できる簡単な対策を開発しています。 人工知能は、基本的なパーセプトロン人工ニューラルネットワークをはるかに超えて進化しましたが、エラーは依然として問題です。画像はPixabayの好意で使用されました 人工知能の産業用アプリケーション AI（人工知能）には、ロボットプラットフォーム、マテリアルハンドリング、パッケージング、機

ファジーロジックは、複雑な制御システムを実装するための最も信頼できる手段のようには聞こえない場合があります。ただし、ファジー論理システムが不正確なデータを処理し、専門家の経験を実装できるため、最新の制御アプリケーションで強力なツールになります。 ファジーロジックの概要 1965年にLoftiZadaによって開発されたAI（人工知能）の下位区分であるファジーロジックにより、コンピューターシステムは、人間がデータを解釈および操作する方法を模倣できます。ブール論理は2つの結果（TrueまたはFalse、0または1）に制限されていますが、ファジー論理は真実の程度を扱います。 例として、自律型

ロボットセル用のプログラマブルロジックコントローラー（PLC）の使用 ロボットセルは、通常、ロボットの作業範囲にないセルの一部を実行するためにコントローラーを必要とすることがよくあります。コントローラ（通常はプログラマブルロジックコントローラ（PLC））は、腋窩のドア、クランプ、安全性、またはエンジニアが完全に自律的なセルに必要とする可能性のあるその他のものを制御します。 ラダーロジックプログラミングは、配線図から機能するプログラムへの変換を簡単にするために、配線図に似ています。ラダーロジックプログラミングは順次実行されるため、セル内の一連のコマンドを介して特定のタスクを完了することがで

ファジー論理コントローラーは、文字通り、私たちの周りにあります。アンチロックブレーキシステムから衣類を掃除する洗濯機まで。しかし、それらは本当に機能しますか？そして、それらを使用する利点は何ですか？ 図1。 最近の機械加工は、プロセスの重要な側面を制御するためにファジーロジックに依存することがよくあります。画像はMichaelSchwarzenbergerの好意により使用されました ラダーロジックとファジーロジック ファジーロジック制御について学習するための良い出発点は、ラダーロジックがファジーロジックと互換性があるかどうかを判断することです。ラダーロジックは、シーケンシ

おそらく、コンピュータサイエンスの「聖杯」は、私たちのマシンが独自のプログラムを作成できる日に発見されるでしょう。遺伝的プログラミング（GP）は、その方向への一歩を表す比較的新しい機械学習パラダイムです。 GPは、制御工学の分野で大きな期待を抱いています。この記事では、遺伝的プログラミングとは何か、それをどのように表現できるかについて説明し、プログラムの例を見ていきます。 この記事はシリーズの最初の記事です。次のエントリにジャンプするには、以下から1つ選択してください： 進化的アルゴリズムの遺伝演算子 遺伝的アルゴリズムの例：ソートプログラムとシンボリック回帰の進化 遺伝的プログラミン

コンピュータ革命は、1960年代に集積回路（IC）が設立されたことから始まりました。 ICは、過去半世紀にわたって多くの産業に浸透しました。今日、さまざまな分野でさまざまなコンピューティングデバイスが使用されています。 当初、ソフトウェアはハードウェアベースのコンピューティングソリューションを使用するためのファシリテーターでした。その後、ソフトウェアは、コンピューティング能力を活用してより多くのことを効率的に行うためのツールに進化しました。今日、ハードウェアツールとソフトウェアツールを組み合わせたデジタルツールを使用することは、世界中のすべての業界にとって重要です。企業はこれらの新機能をデ

産業用ロボットには、メーカー、モデル、色、形状、サイズに不足はありません。しかし、機械設計に関しては、すべてのブランドで多くの類似点が見られます。 産業用多関節ロボットアームは、ハイテク製造施設を描いた画像と見なされることがよくあります。一般的な協働ロボット（コボット）のバレンタインでさえ、ペイロードの輸送、積み重ね、並べ替え、パレタイズ、組み立て、およびその他の反復可能なタスクのホストなど、同じ機械的構造に準拠しています。 RobotWorxの好意により使用されたビデオ すべてのブランドとモデルで、1つの共通の特徴が際立っています。それは6つの運動軸です。いくつかのモ

車を所有することは、交通機関へのアクセスを容易にするための基本的な部分でした。今日、電話アプリで車を呼び出すことができ、車が利用可能になります。メンテナンス、維持、損害、保険などについて心配する必要はありません。 これは、UberやLyftなどのサービスとしての輸送（TaaS）と呼ばれるサービスによって可能になります。サービスモデルは、工業用スペースを含むより多くの分野に拡大しています。製品は期間限定でレンタルでき、不要な場合は返品できます。このようなサービスは、一般に「（空白）サービスとして」または「X（すべて）サービスとして」（XaaS）と呼ばれます。 「サービスとしての」モデルの台

最初の産業革命は18世紀に蒸気機関の発明と進歩で始まりました。さらなる技術の進歩は、大量生産と自動化をもたらしました。これらのテクノロジーは、産業革命の最初の3つの進化を表しており、インダストリー4.0が現在の時代です。それとも、私たちは5番目にいますか？ インダストリー4.0 インダストリー4.0は、デジタルテクノロジーを活用して、製造プロセスの自動化環境を変革します。また、あらゆるものを相互に接続して、コミュニケーションと効率を向上させます。 Industry 3.0は、計算機能を活用してプロセスを部分的に自動化しました。インダストリー4.0は、データを活用して自動化のレベルを

遺伝的プログラミング（GP）シリーズのこの時点で、遺伝的プログラミングとは何か、それが情報をどのように表すか、進化的アルゴリズムで遺伝的演算子がどのように機能するかを学び、シンボリック回帰によるソートプログラムの進化に取り組みました。 ここでは、このテクノロジーが開発中に何を達成できるかを大まかに見ていきます。 遺伝的プログラミングの実際的な考慮事項 シリーズのこの最後の章を理解するために、このシリーズの最初の部分で説明したXORの例を思い出してみましょう。 GPによって発見されたXOR問題の完璧な解決策： （defunプログラム（） （AND（またはX1 X2） （NOT（お

レーザー距離センサーは、ロボット工学および自動化産業で多くの用途があります。それらは業界のさまざまな側面にまたがることができますが、この記事では、位置センサーとしてレーザー距離センサーを使用する古いテクノロジーのセルの改造に焦点を当てています。 これらのセンサーは、距離を正確に伝えることができるため、さまざまな種類の制御が可能になります。ただし、レーザー障害が安全に処理されるように、特定の安全機能をシステムにプログラムする必要があることに注意してください。 従来のTカート制御方法 Tカートの制御を理解するには、Tカートの操作が正確に何で構成されているかを理解することが重要です。 T

非表示ノードのレイヤーを追加することで、パーセプトロンのパフォーマンスを大幅に向上させることができますが、これらの非表示ノードはトレーニングを少し複雑にします。 これまでのニューラルネットワークに関するAACシリーズでは、ニューラルネットワークを使用したデータ分類、特にパーセプトロンの種類について学習しました。 以下のシリーズに追いつくか、多層パーセプトロン（MLP）ニューラルネットワークの基本を説明するこの新しいエントリに飛び込んでください。 ニューラルネットワークを使用して分類を実行する方法：パーセプトロンとは何ですか？ 単純なパーセプトロンニューラルネットワークの例を使用してデータ

この記事では、重み更新の計算を実行するときに使用する方程式を示し、バックプロパゲーションの概念についても説明します。 機械学習に関するAACのシリーズへようこそ。 ここまでのシリーズに追いつく： ニューラルネットワークを使用して分類を実行する方法：パーセプトロンとは何ですか？ 単純なパーセプトロンニューラルネットワークの例を使用してデータを分類する方法 基本的なパーセプトロンニューラルネットワークをトレーニングする方法 単純なニューラルネットワークトレーニングを理解する ニューラルネットワークのトレーニング理論の概要 ニューラルネットワークの学習率を理解する 多層パーセプトロンを使用した

この記事では、ニューラルネットワークのトレーニングと分類の実験に使用するパーセプトロン構成について説明し、関連トピックについても説明します。バイアスノードの数。 All AboutCircuitsニューラルネットワークシリーズの技術記事へようこそ。これまでのシリーズ（以下にリンク）では、ニューラルネットワークを取り巻く理論のかなりの部分を取り上げました。 ニューラルネットワークを使用して分類を実行する方法：パーセプトロンとは何ですか？ 単純なパーセプトロンニューラルネットワークの例を使用してデータを分類する方法 基本的なパーセプトロンニューラルネットワークをトレーニングする方法 単純なニュ

この記事では、ニューラルネットワークのトレーニングと高度な分類の実行を可能にするPythonプログラムを段階的に説明します。 これは、AACのニューラルネットワーク開発シリーズの12番目のエントリです。シリーズが他に提供するものを以下で確認してください： ニューラルネットワークを使用して分類を実行する方法：パーセプトロンとは何ですか？ 単純なパーセプトロンニューラルネットワークの例を使用してデータを分類する方法 基本的なパーセプトロンニューラルネットワークをトレーニングする方法 単純なニューラルネットワークトレーニングを理解する ニューラルネットワークのトレーニング理論の概要 ニューラルネ

この記事では、ニューラルネットワークを使用してデータを処理するときに検証が特に重要である理由について説明します。 ニューラルネットワーク開発に関するAACのシリーズは、ニューラルネットワークでの検証と、信号処理でNNがどのように機能するかを見ていきます。 ニューラルネットワークを使用して分類を実行する方法：パーセプトロンとは何ですか？ 単純なパーセプトロンニューラルネットワークの例を使用してデータを分類する方法 基本的なパーセプトロンニューラルネットワークをトレーニングする方法 単純なニューラルネットワークトレーニングを理解する ニューラルネットワークのトレーニング理論の概要 ニューラルネ

この記事では、Excelで生成されたサンプルを使用して多層パーセプトロンをトレーニングし、検証サンプルを使用してネットワークがどのように機能するかを確認します。 。 Pythonニューラルネットワークの開発を検討している場合は、適切な場所にいます。 Excelを使用してネットワークのトレーニングデータを開発する方法に関するこの記事の説明を詳しく説明する前に、以下のシリーズの残りの部分で背景情報を確認することを検討してください。 ニューラルネットワークを使用して分類を実行する方法：パーセプトロンとは何ですか？ 単純なパーセプトロンニューラルネットワークの例を使用してデータを分類する方法 基本

この記事では、多層パーセプトロンの非表示部分を構成するためのガイドラインを提供します。 ニューラルネットワークに関するこのシリーズのこれまでのところ、パーセプトロンNN、多層NN、およびPythonを使用してそのようなNNを開発する方法について説明してきました。採用できる隠れ層とノードの数について説明する前に、以下のシリーズに追いつくことを検討してください。 ニューラルネットワークを使用して分類を実行する方法：パーセプトロンとは何ですか？ 単純なパーセプトロンニューラルネットワークの例を使用してデータを分類する方法 基本的なパーセプトロンニューラルネットワークをトレーニングする方法 単純な