インダストリー4.0の時代、業界リーダーの超先進的な全自動生産ラインに誰もが衝撃を受ける一方で、資金が限られているため自社が時代に追いつけないと嘆くことも少なくありません。があり、稼働効率は高くありません。実際、適切な方法を使えば、自分のビジネスをスピードアップし、効率を高めることもできます。
製造業における生産モデルとは何ですか?ポイントは何ですか？
企業のスピードアップと効率向上に役立つ高度な分析手法の使用方法を誰もが理解できるように、JMP ソフトウェアの AI プラットフォームを使用して企業の業務レベルを向上させ、実際の分析を通じて望ましい結果を達成する方法について話しましょう。実際の作業でのケース、予期せぬ効果。何かの参考、お役に立てれば幸いです。
あなたのビジネスでそのような問題が発生したことがありますか?
以下の高レベルのフローチャートは、一部の電子企業の製造プロセスを表しています。で：
- A-「製品を生産する」は、特定の技術を通じて製品を製造するプロセスを表します。
- B-「電気試験プロセス」は、大規模な自動試験装置による製品のさまざまな電気パラメータの試験を表します。
- C-「人間による検査と分類」は、手動による判断 (外観上の欠陥を含む) と分類のプロセスを表します。
- D-「SPC システム」は、企業の既存の統計的プロセス管理システムを表します。
- E-「行動の呼びかけ」は、SPC アラームに対応するために必要な関連措置を表します。
- F-「次へ移動」は、SPC の結果が正常であれば、次のステップに解放できることを意味します。
情報の流れの順序は、B-「電気試験プロセス」(以下、ステーション 
の結果が C-「人間による検査とビンニング」(以下、ステーション C)に送信されることです。ステーション C は、手動でC ステーションは、B ステーションの結果と独自の判断に基づいて検査を行い、規格外品の種類をさらに分類するために、C ステーションはさらに規格外製品の種類の分類データを SPC システムの入力としてステーション D に送信し、次のステップの判定を行います。製品の廃棄。
このプロセスで明らかになった問題点は非常に明白であり、ステーション C の手作業による判断は、多くの人的リソースを費やし、人員の疲労の要因となるだけでなく、処理サイクルは手作業の時間によって当然制限されます。先ほど述べた製造企業の中核的な競争力を思い出してみると、これは納期サイクルを延長し、製品管理リスクを増大させ、企業運営コストを増大させることに等しい。では、これを達成するための手順をコンピュータを使用して説明する可能性はあるでしょうか?もしそうなら、どのようにして？
研究を開始して仮説をテストする
ステーション B は大量の電気試験データを生成するため、私たちの仮説は、ステーション B によって生成されたデータを使用してステーション C の手動分類結果を予測できるかどうかです。実際、信号対雑音比などのステーション B の電気パラメータの多くは、組み立て中のインダクタ、抵抗器、コンデンサなどの精度に影響されるため、理論的には、ステーション B のテスト結果から予測することができます。組み立てに多少の外観不良がございます。このため、まず、B ステーションの過去 6 か月間のテストデータを選択しましたが、ここで注意すべき点は、B ステーションの電気的不良品データのみが選択されたことです（この場合、不良品データは抽出する必要がある貴重な情報。ステーション B での電気テストの 1 つが不合格である限り、それは欠陥製品です)。テーブルの各行は、単一の製品の情報を表します。「テーブルの結合」機能を使用します。ステーション B のデータ (テーブル とステーション C の履歴で手動で分類されたデータ (テーブル C) を結合するための JMP ソフトウェアは、プロダクト ID を介して結合されます。
表 B の製品 ID はシリアル データ、Test1 ～ Test N はステーション B での各電気試験の合否結果を含むプロジェクト データです。表 C の拒否タイプはプロジェクト タイプのデータであり、ステーション C での手動分類の結果が含まれています。 (データ量が膨大なため、一部スクリーンショットを掲載しています)
テーブルの下の結合関数をクリックして次のウィンドウに入り、主キーとして製品 ID を選択してテーブル B とテーブル C を接続します。
このようにして、2 つのテーブルを結合します。 Test19 以降の試験項目は分かりやすくするため非表示にしていますが、このとき、C 局の手動分類結果である Reject type の欄がありますのでご注意ください。
次のステップは予測を行うことですが、どの方法を選択すればよいでしょうか?
ニューラル ネットワークを選択する理由
JMP の強力な「予測モデリング」プラットフォームに依存して、業界で一般的に使用されているアルゴリズムにアクセスできます。 (JMP 自体には Tensor フローなどのアルゴリズムは含まれていませんが、JMP は R または Python の出力結果を直接呼び出すことができます。興味のある友人は自分のプロジェクト用に検討できますが、これは JMP のユーティリティには影響しません。プログラムを書く時間を大幅に節約できます)。 k-最近傍、ナイーブベイズ、ブートストラップ フォレスト (デシジョン ツリー)、ニューラル ネットワークなど。
このケースでは、ニューラル ネットワーク アルゴリズムを使用することを選択しました。主な理由は、ニューラル ネットワーク アルゴリズムが近年世界アルゴリズム コンテストで多くの賞を受賞しているためです。このアルゴリズムの学習に対する人々の関心がますます高まっているため、このアプリケーションはこの事例は、すべての人の実際の仕事にとってより有益かもしれません。第 2 に、エレクトロニクス企業のデータ量は一般的に膨大であるため (コンポーネントはますます小型化しています)、ニューラル ネットワーク アルゴリズムはデータ量が増加するにつれて精度を向上させ、線形または非線形近似のさまざまな可能な組み合わせを最大化します。他のアルゴリズムは、少量のデータを扱う場合には役立つかもしれませんが、精度が頭打ちになる傾向があります。第三に、他のアルゴリズムには多くの使用制限や前提条件があります。たとえば、Naive-Bayes では、すべての予測変数が互いに独立していると仮定しています。この前提が実際のケースで当てはまらなくなると、効果は大幅に減少します。
予測モデリング、検証分析
ニューラルネットワークを選択したら、正式に分析に入ります。まず、学習データと検証データの比率を設定する必要がありますが、ここでは経験とプロジェクトの特性に基づいて、75% を学習データ、残りの 25% を検証データとして選択します (もちろん、状況に応じて使用することもできます) 80% のトレーニング データと 20% の検証データなど、プロジェクトの特性に応じて他の比率を選択します。比率自体に厳密なルールはありません)。 JMP ソフトウェア メニューで [分析] -> [予測モデリング] -> [検証列の作成] を選択すると、以下に示すように、75% のトレーニング セットと 25% の検証セットに従ってテーブルに検証の列が自動的に追加されます。
現時点では、検証の最後の列が追加されていることに注意してください。
次のように、「検証」列に埋め込まれた数式をクリックすると、JMP が実際にランダム カテゴリ関数を使用していることがわかります。
JMP が検証列を自動的に割り当てた後の表によると、「分析」>「予測モデリング」>「ニューラル」を選択します。 Neural の起動ウィンドウを以下に示します。
次に、Model Launch コンソールに進みますが、ここで最も面倒なのは、隠れ層の数を設定する方法です (この例では、モデルの複雑さを軽減するために、最初の隠れ層のみが設定されています)。
入力層ノード数を N、第 1 中間層ノード数を N2、出力層ノード数を M とすると、実験式は次のように設定されます。計算すると、第 1 中間層 (N2) の数は 31 になります。学習効率とペナルティ係数はJMPのデフォルト値を使用します。次の階層配置図を参照してください。
ここで、参考までに経験式を紹介します。
隠し数=N2
入力数=N
出力数=M
隠し点の数: N2 < 製品数 - 1
入力数: N < 製品数 - 1
N2=sqrt(N+M+1)+a (a=1～10)
この例の値を代入すると、N2 は 31 になります。
N=734 M=6
N2=31
最終的な計算結果は次のようになります。検証の一般化 R 2 乗は 0.8 より大きくなります。
ROC 曲線を実行します: [予測および特殊モデリング] > [パーティション モデル] > [パーティション プラットフォーム オプション] > [ROC 曲線]。ROC (受信者動作特性) 曲線の値 1 はモデルが完全に適合していることを表し、値 0.5 はモデルがグループ間の違いをほとんど区別できないことを表します。この図から判断すると、すべての曲線の面積 (さまざまな色はさまざまなタイプの不良品を表します) は 0.8 より大きく、これは予想どおりです。
結果を解釈してアプリケーションを拡張する
検証結果を計算に組み込んだ後 (以下の表を参照)、ニューラル ネットワーク アルゴリズムは、標準以下の製品の主要なタイプ (A、B、C) について手動分類と 70% 以上の一致を達成できることがわかります。 C の場合 カテゴリ間の一致度は 95% と高くなります。この事例に基づいた生産環境は、製品監視を支援するための毎日の重要な SPC 制御入力として使用でき、言い換えれば、ステーション B の電気試験が終了したときに異常が発生した場合、管理図が時間内に警告します。
実際の
|
予測される数
|
|
拒否タイプ
|
Aを拒否する
|
Bを拒否
|
拒否C
|
拒否D
|
Eを拒否します
|
Fを拒否する
|
総数
|
一致率
|
Aを拒否する
|
786
|
228
|
53
|
25
|
16
|
6
|
1114
|
71%
|
Bを拒否
|
144
|
1178
|
62
|
3
|
9
|
4
|
1400
|
84%
|
拒否C
|
30
|
14
|
947
|
3
|
2
|
1
|
997
|
95%
|
拒否D
|
104
|
34
|
2
|
25
|
14
|
1
|
180
|
14%
|
Eを拒否します
|
53
|
11
|
4
|
9
|
30
|
0
|
107
|
28%
|
Fを拒否する
|
64
|
2
|
0
|
9
|
2
|
3
|
80
|
4%
|
リジェクトD/E/Fタイプの規格外品の一致率は低いようです。なぜ？調査の結果、不合格 D は主に製品上の異物に関する欠陥、不合格 E は主に製品ラベルに関する欠陥、不合格 F は主に製品の外箱に関する欠陥であることが判明しました。理論的には、これら 3 種類の不良品は前ステーションの組立技術に起因するものではなく、ステーション B の電気的パラメータを使用してこれらを正確に判断することは困難です。そのため、プロセスの最後に、自動外観設備検査の対象範囲を抜き取り検査から全製品の 100% 対象範囲に拡大し、不合格 D/E/F カテゴリーの SPC 監視を省略できるようにしました（SPC 監視が非常に厳しいため）。重要）良品の異常をモニタリングにより判定することが目的ですが、全数自動検査が可能なため、ステーションC）でこれら3種類の欠陥をSPCモニタリングする必要はありません。
興味深い現象は、クラス D、クラス E、およびクラス F ニューラル ネットワークの分類結果の一部が、より高い精度で他の標準以下の製品タイプ (この場合はクラス A) に分類されていることです。モデルの判定結果をもとに、手動による誤判定の要因（疲労、視界のぼやけなど）をチェックしてみてはいかがでしょうか。製品に A 欠陥と D/E/F 欠陥のいずれかが両方ある場合、人工知能は当然、最も見つけやすい視覚的な結果に基づいて判断しますが、実際には、それがより重要なクラス A 欠陥である可能性があります。 。自分の職場では人それぞれ異なる答えがあると思いますが、いずれにせよ、プロセスの合理化によって企業にもたらされるコスト削減と利益は、生産プロセスの能力を向上させるための自動化機器や専門ツールの些細な購入をはるかに上回っています。
したがって、上記の分析結果に基づいて、ステーション C の中止により、重大な品質欠陥の検出時間が短縮されただけでなく、人件費も大幅に節約されました (後の段階では、モデルを定期的に更新して SPC に接続できます)システム ソフトウェアを使用すると、モデルはデータを定期的に更新します。モデルを修正するには、更新サイクルを毎日実行できます)。このような一石二鳥の結果は、技術者にとっても経営者にとっても歓迎すべきことだ。
もちろん、今ご覧いただいている結果は一夜にして達成されたものではなく、繰り返しの試行、練習、継続的な最適化と改善の結果であり、チームの力と努力が凝縮されています。迂回路は、仕事のやり方を照らし、ナビゲーションと方向性を提供します。
