[論文レビュー] Scope for Machine Learning in Digital Manufacturing

Martin Baumers, Ender Özcan|arXiv (Cornell University)|Sep 19, 2016

Manufacturing Process and Optimization参考文献 4被引用数 4

ひとこと要約

本論文は、データサイエンスと最適化技術を統合することで、機械学習がデジタル製造、特に増加製造分野における複雑で多目的な最適化課題に対処できることを提唱している。製品ライフサイクル全体におけるデータ活用とプロセス統合の課題を特定し、機械学習がデジタル製造システムの発展に不可欠であると位置づけている。

ABSTRACT

This provocation paper provides an overview of the underlying optimisation problem in the emerging field of Digital Manufacturing. Initially, this paper discusses how the notion of Digital Manufacturing is transforming from a term describing a suite of software tools for the integration of production and design functions towards a more general concept incorporating computerised manufacturing and supply chain processes, as well as information collection and utilisation across the product life cycle. On this basis, we use the example of one such manufacturing process, Additive Manufacturing, to identify an integrated multi-objective optimisation problem underlying Digital Manufacturing. Forming an opportunity for a concurrent application of data science and optimisation, a set of challenges arising from this problem is outlined.

研究の動機と目的

• デジタル製造が設計、生産、サプライチェーンプロセスを統合する包括的システムとして進化する役割を検討すること。
• 特に増加製造において顕在する、根幹的な多目的最適化問題を特定すること。
• 機械学習がデータ駆動型および最適化課題を同時に解決する可能性を強調すること。
• データサイエンスと最適化の統合を、デジタル製造を前進させる重要な道筋として位置づけること。

提案手法

• 本論文は、デジタル製造の課題の多目的性を示すために、増加製造を事例として用いる。
• デジタル製造を設計、生産、サプライチェーン、製品ライフサイクル情報管理を網羅する統合的システムとして位置づける。
• 製造ワークフローにおけるデータ収集、プロセスモデリング、意思決定の相互作用を分析する。
• 機械学習技術を、性能、コスト、持続可能性といった複数の目的を同時に最適化するために応用できることを提唱する。
• 現実の製造複雑性に対処するには、並行してデータサイエンスと最適化手法を活用する必要があると強調する。
• 提案された研究方向性を文脈づけるために、ロイヤル・ソサエティのワークショップの知見を活用する。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、デジタル製造における多目的最適化問題をどのように効果的に応用できるか？
• RQ2 機械学習が解決できる、デジタル製造における主なデータおよびプロセス統合の課題は何か？
• RQ3 データサイエンスと最適化をどのように同時に活用することで、製造の成果を向上させられるか？
• RQ4 ソフトウェアツールから包括的システムに進化するデジタル製造は、機械学習にどのような新たな機会を創出するか？
• RQ5 ライフサイクル情報管理は、機械学習を活用した知的な製造を実現するために果たす役割は何か？

主な発見

• 機械学習は、デジタル製造に内在する複雑で多目的な最適化課題に対処する戦略的機会を提供する。
• データサイエンスと最適化の統合は、デジタル製造システムの潜在能力を十分に実現する上で不可欠である。
• 増加製造は、性能、コスト、持続可能性の指標を同時に最適化できる分野として、機械学習の応用の好例である。
• 本論文は、データ活用と横断的プロセス統合が、機械学習ソリューションを要する中心的課題であると特定している。
• デジタル製造は、ソフトウェアツールの域を越えて、製品ライフサイクル全体をカバーする包括的システムへと進化しており、データ駆動型意思決定を可能にしている。
• 著者らは、並行的な最適化とデータ分析を活用することで、デジタル製造を前進させる要因として機械学習の重要性を位置づけている。