Endüstri 5.0'da Sürdürülebilir İmalat için Açıklanabilir Yapay Zeka Destekli Siber-Fiziksel İş Birliği

Özet

Bu çalışma, MIMII veri kümesi üzerinde endüstriyel akustik anomali tespiti için CNN-transformer ve SHAP kullanan, Açıklanabilir Yapay Zeka destekli bir Endüstri 5.0 siber-fiziksel iş birliği çerçevesi sunmaktadır. Uç bilişim entegrasyonu, yorumlanabilir ve insan merkezli kestirimci bakımı desteklemektedir.

Özet

Bu çalışmada, Endüstri 5.0 için açıklanabilir yapay zeka (XAI) tabanlı bir siber-fiziksel iş birliği sistemi kullanarak endüstriyel parçaların sürdürülebilir üretimine yönelik yenilikçi bir yaklaşım sunuyoruz. Mevcut siber-fiziksel insan sistemlerinin (CPHS'ler), yapay zekayı yalnızca sınırlı ölçüde entegre ettiği ve genellikle açıklanabilirlikten yoksun olduğu görülmüştür. Sonuç olarak, bu sistemlerin ölçeklenebilirliğinin ve esnekliğinin; Endüstri 5.0'ın temel ilkeleri olan dayanıklılık, uzun vadeli sürdürülebilirlik ve insan merkezli yaklaşım ile uyumlu hale getirilmesine ihtiyaç vardır. Bu eksiklikleri gidermek için, akıllı ve açıklanabilir karar verme süreçlerini mümkün kılmak amacıyla derin öğrenme ve açıklanabilir yapay zekayı Siber-Fiziksel Sistem (CPS) ekosistemine entegre eden bir mimari tanıtıyoruz. Spesifik olarak, akustik sinyallerden makine hata tespiti yapmak için Malfunctioning Industrial Machine Investigation and Inspection (MIMII) veri setini kullanıyoruz. Ses sinyalleri, spektrogram görüntüleri oluşturmak için spektral dönüşüme tabi tutulmakta; ardından bu görüntüler, uzaysal özellik çıkarımı için bir evrişimli sinir ağı (CNN) ve zamansal özellikler için bir transformer kodlayıcı tarafından işlenmektedir. Şeffaflığı artırmak ve insan-denetimli (human-in-the-loop) iş birliğini kolaylaştırmak için, Shapley additive explanations (SHAP) tabanlı yaklaşım, model tahminlerini etkileyen giriş özelliklerini vurgulayarak operatörlerin sistemin karar verme sürecini anlamasına yardımcı olur. Ek olarak, çerçeve, düşük gecikme ve düşük enerji tüketimi sağlarken zamanında yanıtlar sunmak için uç hesaplama tabanlı bir siber-fiziksel sisteme uygulanmış, böylece sürdürülebilir bir üretim ortamının sağlanmasına katkıda bulunulmuştur. Deneysel bulgular, önerilen CNN-Transformer mimarisinin %98,5 doğruluk oranına ulaştığını ve düşük gecikme süresini korurken mevcut CPHS sistemlerinden daha iyi performans gösterdiğini ortaya koymaktadır. Böyle bir siber-fiziksel iş birliği sisteminde açıklanabilir yapay zeka kullanımı, operatör güvenini önemli ölçüde artırmakta ve sorunsuz insan-makine iş birliğine olanak tanımaktadır.

Giriş

Teknoloji, mekanizasyon ve iletişimi vurgulayan Endüstri 4.0'dan; teknolojik ilerlemeyi adaptasyon yeteneği, sürdürülebilir kalkınma ve insan merkezli yaklaşımla birleştiren yeni Endüstri 5.0 modeline geçiş, endüstriyel sistemlerin dinamik evrimini etkilemiştir.^1,2Avrupa Komisyonu, Endüstri 5.0'ı yalnızca üretkenlik ve verimliliğe değil, aynı zamanda insan merkezlilik, sürdürülebilirlik ve dayanıklılık şeklindeki üç temel sütuna odaklanan bir paradigma olarak tanımlamaktadır. Güncel araştırmaların; yapay zeka sistemlerinin, insan-makine iş birliğinin ve sürdürülebilir üretimin Endüstri 5.0 ortamlarının temel i....

Protokol

Önerilen metodoloji, sürdürülebilir üretim süreçlerini desteklemek için açıklanabilir derin öğrenmeyi, uç bilişim ile etkinleştirilmiş bir siber-fiziksel iş birliği çerçevesiyle birleştiren sistem tabanlı bir Endüstri 5.0 Siber-fiziksel insan sistemi (CPHS) yaklaşımı kullanmaktadır. İlk olarak problem; mevcut CPHS çözümlerinin yapay zeka destekli zeka, açıklanabilirlik ve insan merkezli iş birliği eksikliği gibi belirli kısıtlamalarının tanımlanmasıyla ele alınmaktadır. Bu zorlukları gidermek için önerilen çözüm, akustik sinyal işleme kullanarak endüstriyel makine durum izlemesi için MIMII veri setinden yararlanmaktadır.

Önerilen çerçeve, ö....

Sonuçlar

Sunulan Açıklanabilir Yapay Zeka entegreli siber-fiziksel iş birliği sistemi, hem normal hem de anormal makine durumlarını içeren MIMII Veri Seti'nden yaklaşık 12.000 ses kaydı üzerinde deneysel olarak test edilmiştir. Eğitim veri seti yaklaşık 9.600 veri kaydından oluşurken, test veri seti yaklaşık 2.400 ses örneği içermiştir. Bulgulara dayanarak, önerilen CNN-transformer modeli test veri setinde %98,5'lik bir sınıflandırma doğruluğu sağlamıştır, 0,97–0,98. Bu durum Tablo 3'teki bulgularla, hata matrisi.......

Tartışma

Deneysel sonuçlar, önerilen CNN-transformer mimarisinin, mekansal ve zamansal özellik öğrenimini etkili bir şekilde entegre ederek tekil algoritmaların performansını aştığını göstermektedir. Ablasyon çalışmasına göre, CNN spektrogramlardan frekans tabanlı ayırt edici özellikler çıkarsa da, transformer kodlayıcı akustik sinyallerdeki uzun vadeli zamansal bağımlılıkları yakalayarak model performansını artırmaktadır. Ayrıca, konfüzyon matrisi çok az sayıda yanlış negatif olduğunu göstermekte, bu da önerilen modelin makine a.......

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Sosyal Destek Ölçeği	Yayımlanmış akademik ölçek; orijinali Park tarafından geliştirilmiş, Kim tarafından revize edilmiş/tamamlanmıştır	25 maddelik versiyon; 5'li Likert cevap formatı; ticari katalog numarası yok	Okul öncesi öğretmen adayları arasındaki algılanan sosyal desteği Duygusal Destek, Bilgilendirici Destek, Maddi Destek ve Değerlendirici Destek boyutlarında ölçer. Genel Cronbach’s alpha = 0,96.
Öğretmen Öz-Yeterlik Ölçeği	Yayımlanmış akademik ölçek; orijinal olarak Enochs ve Riggs tarafından geliştirilmiştir; Çinceye uyarlanmış çalışma versiyonu	25 maddelik versiyon; 5'li Likert yanıt formatı; ticari katalog numarası yok	Çin'deki hizmet öncesi okul öncesi eğitim bağlamında öğretmen yeterliliğini Genel Öğretmen Öz Yeterliliği ve Kişisel Öğretmen Öz Yeterliliği üzerinden değerlendirir. Genel Cronbach’s alpha = 0,96.
Öğretmen-Çocuk Etkileşim Ölçeği	Yayınlanmış akademik ölçek; Lee tarafından geliştirilmiş ve Çince kullanımı için çalışma uzman paneli tarafından gözden geçirilmiştir	30 maddelik versiyon; 5'li Likert yanıt formatı; ticari katalog numarası yok	Gözlemlenen sınıf içi etkileşim kalitesi yerine, öz bildirimle beyan edilen öğretmen-çocuk etkileşim yetkinliğini değerlendirir. Duygusal Etkileşim, Sözel Etkileşim ve Davranışsal Etkileşimi içerir; genel Cronbach’s alpha = 0,94.
Demografik Bilgi Formu	Araştırma ekibi, Sichuan Sanat ve Bilim Üniversitesi / Daegu Üniversitesi iş birliği	Özel çalışma anket bölümü; ticari katalog numarası yok	Cinsiyet, eğitim geçmişi, mesleki kategori, staj yeri, staj süresi, staj türü ve anaokulu türü dahil olmak üzere katılımcı özellikleri toplandı.
Katılımcı Bilgilendirme ve Aydınlatılmış Onam Metni	Araştırma ekibi; Daegu Üniversitesi Araştırma Etik Kurulu tarafından onaylanmıştır	Etik onay numarası: XXX; doğrulamak için yerel onay kaydı	Anket dağıtımı öncesinde; çalışma amacını ve anket içeriğini açıklamak ve okul öncesi öğretmen adaylarından bilgilendirilmiş onam almak için kullanılır.
Pilot Anket Soru Formu Paketi	Araştırma ekibi ve uzman paneli	1 Haziran'da kullanılan pilot versiyon–5, 2024; ticari katalog numarası yoktur	Mesleki Algı Ölçeği, Sosyal Destek Ölçeği, Öğretmen Öz-Yeterlik Ölçeği, Öğretmen-Çocuk Etkileşim Ölçeği ve demografik maddelerin açıklığı ve uygunluğu, 50 okul öncesi öğretmen adayında pilot test ile değerlendirilmiştir.
Uzman Panel İnceleme Prosedürü	Araştırma ekibi; iki erken çocukluk eğitimi profesöründen, bir okul öncesi kurum müdüründen, üç staj sorumlusundan ve araştırma ekibinden oluşan uzman paneli	Konsensüs tabanlı içerik incelemesi; ticari model numarası yoktur	Resmi anket öncesinde ölçek maddelerini belirsizlik, uygunluk, anlamsal netlik, gelişimsel uygunluk ve kültürel uygunluk açısından gözden geçirmek için kullanılır.
Yerinde Yazdırılmış Anket Formları	Araştırma ekibi; yerel kurumsal anket malzemeleri	Kağıt anket formları; ticari katalog numarası yoktur	Yerinde anket uygulaması için kullanılmıştır. Final örnekleminde, çevrimiçi anketlerle birleştirilmeden önce 336 geçerli yerinde anket elde edilmiştir.
WeChat	Tencent	WeChat mobil uygulaması; sürüm, Haziran ayı boyunca kullanılan cihaz/uygulama kaydından doğrulanmalıdır–Temmuz 2024	Anketlerin uygulanması için çevrim içi dağıtım kanalı olarak kullanılmıştır; çevrim içi/WeChat yoluyla 27 tamamlanmış çevrim içi anket toplanmıştır.
Telefonla ve Yüz Yüze Katılımcı Alım Prosedürü	Araştırma ekibi	Standardize edilmiş alım prosedürü; ticari katalog numarası yoktur	Kurumlara/katılımcılara ulaşmak, çalışma amacını ve anket içeriğini açıklamak ve anket uygulaması öncesinde bilgilendirilmiş onamı desteklemek için kullanılır.
SPSS Statistics	IBM	Sürüm 27.0	Betimsel istatistikler, Pearson korelasyon katsayıları ve Cronbach alfa için kullanılmıştır’Cronbach alfa güvenilirlik analizi, çarpıklık ve basıklık kullanılarak yapılan normallik kontrolleri ve Harman’yaygın yöntem yanlılığı için tek faktörlü test.
SPSS Amos	IBM	Sürüm 26.0	Doğrulayıcı faktör analizi, yapısal eşitlik modellemesi, çok gruplu ölçüm değişmezliği testi, dolaylı etkilerin bootstrap testi ve alternatif model karşılaştırmaları için kullanılır.
Microsoft Excel	Microsoft	Microsoft 365 Excel veya yerel olarak yüklü Excel sürümü; gönderimden önce kesin yerel derlemeyi doğrulayın	Kodlanmış anket verilerinin, veri sözlüğünün, ek tabloların ve JoVE Materyal Tablosunun düzenlenmesi için çalışma kitabı ortamı olarak önerilir/kullanılır. Kesin yerel sürüm yazarlar tarafından doğrulanmalıdır.
Yapısal Eşitlik Modellemesi Uyum İndeksi Kriterleri	Yayımlanmış metodolojik kılavuz; makalede atıfta bulunulan Schreiber et al. ve Kline referansları	Ticari katalog numarası yoktur; istatistiksel analiz planında uygulanan kriterler	Ki-kare istatistiği, serbestlik derecesine bölünmüş ki-kare, Tucker-Lewis İndeksi, Karşılaştırmalı Uyum İndeksi, Düzeltilmiş Uyum İyiliği İndeksi, Artımlı Uyum İndeksi, Yaklaşım Hata Kareler Ortalamasının Karekökü ve Standartlaştırılmış Artık Kareler Ortalamasının Karekökü dahil olmak üzere model uyum indekslerini tanımlar ve raporlar.
Bootstrap Aracılık Test Prosedürü	SPSS Amos / araştırma ekibi istatistiksel analiz planı	5.000 bootstrap örneği; %95 yanlılığı düzeltilmiş güven aralıkları	Öğretmen öz yeterliliği üzerinden dolaylı ilişkileri test etmek için kullanılmıştır. %95 yanlılığı düzeltilmiş güven aralığı sıfırı içermediğinde, dolaylı etkiler anlamlı kabul edilmiştir.
Ölçüm Değişmezliği Test Prosedürü	SPSS Amos / araştırma ekibi istatistiksel analiz planı	Çok grup doğrulayıcı faktör analizi; ΔCFI &< .010 ve ΔRMSEA (Kök Ortalama Kare Hata Yaklaşımı) &< .015 kriterleri	Havuzlanmış SEM tahminleri yorumlanmadan önce; cinsiyet, program türü, staj süresi ve kurum genelinde konfigürasyonel, metrik ve skaler değişmezliği değerlendirmek için kullanılmıştır.