挑战
优化自动化组装线生产流程。
解决方案
使用机器学习框架和Mathematica 从车间监控系统提供的数据创建自适应模型。
好处
- 自动创建可解释的计算模型
- 最大化整体设备效率和产品质量
- 深入了解复杂的自动化流程，以不断改进
Wolfram 的优势
- 声明式编程语言仅描述机器学习任务
- 将用于机器学习的工具与统计和数学建模相结合
- 与自动化软件平台无缝集成
“仍然低估了Mathematica作为一个综合平台的功能。混合系统使我们能够轻松地对复杂任务进行编程，解决结果并无缝链接到其他环境。”
越来越多的我们最重要的产品（例如汽车、电子产品以及家庭和办公家具）通过自动化流程制造。没有正确的决策支持或自动恢复，就不可能重置这些复杂的系统。确定此关键信息需要机器学习。
使机器能够改善流程
开发人员 uni 软件 plus 编写的Mathematica应用机器学习框架（MLF）是针对这些系统的创新解决方案。MLF使机器能够基于对过去事件数据和其他统计数据的分析来改善自己的流程，并有助于创建可理解且计算速度快的模型。
对于那些依靠其数据挖掘和建模功能的主要制造商来说，MLF是其生产系统的组成部分。AMS Engineering等公司是高度自动化的组装线的系统提供商，Bosch，Braun和Moeller都是其专用客户，这些公司使用MLF来提高整体设备效率和制造流程。
优化组装线
一条给定的组装线可以轻松地包含30多个带有数百个参数的处理模块，随着每次频繁的产品重新设计而改变。Mathematica 的综合描述符和求解器与 MLF 的快速模型创建者和评估者结合在一起，考虑了诸如产品设计、设备可用性、生产效率和质量比率等因素，以不断提高机器的“智能性”。
从自动离线创建和测试正确的模型到在生产过程中成为车间管理系统不可或缺的一部分，Mathematica 和 MLF 都用于整个自动化组装过程。uni software plus总裁Herbert Exner说：“仍然低估了 Mathematica 作为一个综合平台的功能。混合系统使我们能够轻松地对复杂任务进行编程，解决结果并无缝链接到其他环境。这就是我们设计机器学习框架的方法。”