Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych

Celem pracy jest zaproponowanie sposobu doboru architektury oraz parametrów procesu uczenia
sztucznych sieci neuronowych, które mogą być skutecznie zastosowane w doskonaleniu procesów
produkcyjnych. Praca koncentruje się na wykorzystaniu modeli neuronowych w następujących
trzech obszarach: optymalizacji parametrów obróbki skrawaniem, ocenie jakości wyrobów gotowych
oraz predykcji awarii maszyn. W ramach pracy poddano analizie wybrane architektury sieci
neuronowych, takie jak perceptrony wielowarstwowe, rekurencyjne sieci LSTM oraz konwolucyjne
sieci neuronowe. Opracowano szczegółową metodykę doboru odpowiednich architektur oraz
parametrów ich uczenia, która obejmowała kompleksowy proces przygotowania danych, selekcji
odpowiednich modeli oraz ich dostosowania do specyficznych wymagań poszczególnych zastosowań
przemysłowych. Kluczowym aspektem tej metodyki było uwzględnienie charakterystyki dostępnych
danych oraz specyfiki zadań, co pozwoliło na optymalny dobór architektury sieci neuronowej dla
każdego z analizowanych obszarów.

(ze Streszczenia)