挑戰
優化自動化組裝線生産流程。
解決方案
使用機器學習架構和Mathematica 從工廠中的房間監控系統提供的資料建立自适應模型。
好處
- 自動建立可解釋的計算模型
- 最大化整體裝置效率和産品品質
- 深入了解複雜的自動化流程，以不斷改進
Wolfram 的優勢
- 聲明式程式設計語言僅描述機器學習任務
- 将用于機器學習的工具與統計和數學模組化相結合
- 與自動化軟體平台無縫內建
“仍然低估了Mathematica作為一個綜合平台的功能。混合系統使我們能夠輕松地對複雜任務進行程式設計，解決結果并無縫連結到其他環境。”
越來越多的我們最重要的産品（例如汽車、電子産品以及家庭和辦公家具）通過自動化流程制造。沒有正确的決策支援或自動恢複，就不可能重置這些複雜的系統。确定此關鍵資訊需要機器學習。
使機器能夠改善流程
開發人員 uni 軟體 plus 編寫的Mathematica應用機器學習架構（MLF）是針對這些系統的創新解決方案。MLF使機器能夠基于對過去事件資料和其他統計資料的分析來改善自己的流程，并有助于建立可了解且計算速度快的模型。
對于那些依靠其資料挖掘和模組化功能的主要制造商來說，MLF是其生産系統的組成部分。AMS Engineering等公司是高度自動化的組裝線的系統提供商，Bosch，Braun和Moeller都是其專用客戶，這些公司使用MLF來提高整體裝置效率和制造流程。
優化組裝線
一條給定的組裝線可以輕松地包含30多個帶有數百個參數的處理子產品，随着每次頻繁的産品重新設計而改變。Mathematica 的綜合描述符和求解器與 MLF 的快速模型建立者和評估者結合在一起，考慮了諸如産品設計、裝置可用性、生産效率和品質比率等因素，以不斷提高機器的“智能性”。
從自動離線建立和測試正确的模型到在生産過程中成為工廠中的房間管理系統不可或缺的一部分，Mathematica 和 MLF 都用于整個自動化組裝過程。uni software plus總裁Herbert Exner說：“仍然低估了 Mathematica 作為一個綜合平台的功能。混合系統使我們能夠輕松地對複雜任務進行程式設計，解決結果并無縫連結到其他環境。這就是我們設計機器學習架構的方法。”