À l'ère de l'Industrie 4.0, d'une part, tout le monde est souvent choqué par les lignes de production entièrement automatiques extrêmement avancées des leaders de l'industrie, d'autre part, on déplore souvent que leurs propres entreprises ne puissent pas suivre le rythme en raison de fonds limités. , et leur efficacité opérationnelle n’est pas élevée. En fait, avec les bonnes méthodes, vous pouvez également aider votre propre entreprise à accélérer et à accroître son efficacité.
Quels sont les modèles de production dans l’industrie manufacturière ? À quoi ça sert?
Afin d'aider tout le monde à comprendre comment utiliser des méthodes d'analyse avancées pour aider les entreprises à accélérer et à accroître leur efficacité, parlons de la façon d'utiliser la plate-forme d'IA dans le logiciel JMP pour améliorer le niveau des opérations de l'entreprise et obtenir les résultats souhaités grâce à un véritable cas dans le travail réel.Effets inattendus. J'espère que cela vous sera utile et vous aidera.
Votre entreprise a-t-elle rencontré un tel problème ?
L'organigramme de haut niveau ci-dessous représente le processus de fabrication de certaines entreprises électroniques. dans:
- A- « produire le produit » représente le processus de fabrication d'un produit grâce à une certaine technologie ;
- B-'Le processus de test électrique' représente le test de divers paramètres électriques des produits via un équipement de test automatique à grande échelle ;
- C-« Inspection humaine et classement » représente le processus de jugement manuel (y compris les défauts d'apparence) et de classification ;
- D-Le « système SPC » représente le système de contrôle statistique des processus existant de l'entreprise ;
- E-« Appel à l'action » représente les mesures pertinentes requises pour répondre à l'alarme SPC ;
- F-'passer à l'étape suivante' signifie que si le résultat SPC est normal, il peut passer à l'étape suivante.
L'ordre du flux d'informations est le suivant : les résultats du B-'Processus de test électrique' (ci-après dénommé station 
sont transmis à C-'inspection humaine et tri' (ci-après dénommé station C). La station C effectue manuellement le inspection basée sur les résultats de la station B et son propre jugement. Pour classer davantage différents types de produits de qualité inférieure, la station C transmet en outre les données de classification de différents types de produits de qualité inférieure à la station D en tant qu'entrée dans le système SPC et effectue des jugements pour l'étape suivante de élimination du produit.
Les problèmes exposés au cours du processus sont très évidents.Le jugement manuel de la station C occupe non seulement une grande quantité de ressources humaines et introduit un facteur de fatigue du personnel, mais le cycle de traitement est également naturellement limité par le temps d'opération manuelle. Compte tenu de la compétitivité fondamentale des entreprises manufacturières que nous venons de mentionner, cela revient à allonger le cycle de livraison, à augmenter les risques liés au contrôle des produits et à augmenter les coûts d’exploitation des entreprises. Alors, existe-t-il une possibilité d’utiliser un ordinateur pour illustrer les étapes à suivre pour y parvenir ? Si c'est le cas, comment?
Commencez la recherche et testez votre hypothèse
Étant donné que la station B génère de nombreuses données de tests électriques, notre hypothèse est de savoir si les données générées par la station B peuvent être utilisées pour prédire les résultats de classification manuelle de la station C. En fait, de nombreux paramètres électriques de la station B, tels que le rapport signal/bruit, sont affectés par la précision des inductances, des résistances, des condensateurs, etc. lors de l'assemblage. Par conséquent, en théorie, les résultats des tests de la station B peuvent prédire assemblage dans une certaine mesure. À cette fin, nous avons d'abord sélectionné les données de test des six derniers mois de la station B. Il convient de noter ici que seules les données de produits électriques défectueux de la station B ont été sélectionnées (la raison est que dans ce cas, les données de produits défectueux sont les informations précieuses qui doivent être extraites. Tant que l'un des tests électriques à la station B échoue, il s'agit d'un produit défectueux). Chaque ligne du tableau représente les informations d'un seul produit. Utilisez la fonction « Rejoindre le tableau » dans le logiciel JMP permettant de combiner les données de la station B (Tableau et les données (Tableau C) qui ont été classées manuellement dans l'historique de la station C sont connectées entre elles via l'ID du produit.
L'ID du produit dans le tableau B correspond aux données de série, les tests 1 à test N sont des données de projet, y compris les résultats de réussite/échec de chaque test électrique à la station B. Le type de rejet dans le tableau C correspond aux données de type projet, qui contiennent les résultats de la classification manuelle à la station C. (En raison de l'énorme quantité de données, quelques captures d'écran sont les suivantes)
Cliquez sur la fonction de jointure sous le tableau pour accéder à la fenêtre suivante, sélectionnez ID de produit comme clé primaire pour connecter le tableau B et le tableau C.
De cette façon, nous combinons les deux tableaux ensemble. Afin de faciliter la compréhension de tous, les éléments de test du Test 19 et des versions ultérieures sont masqués. Veuillez faire attention à : À ce stade, il y a une colonne Type de rejet, qui est le résultat de la classification manuelle de la station C.
La prochaine étape consiste à faire des prédictions, alors quelle méthode devons-nous choisir ?
Pourquoi choisir les réseaux de neurones ?
En nous appuyant sur la puissante plateforme de « modélisation prédictive » de JMP, nous pouvons accéder à des algorithmes couramment utilisés dans l'industrie. (Bien que JMP lui-même n'inclut pas d'algorithmes tels que Tensor Flow, etc., JMP peut appeler directement les résultats de sortie de R ou Python. Les amis intéressés peuvent l'envisager pour leurs propres projets, mais cela n'affecte pas l'utilité de JMP, car vous le ferez. gagner beaucoup de temps à écrire des programmes). Tels que k-Nearest voisin, Naive-Bayes, Bootstrap Forest (Decision Tree) et les réseaux de neurones.
Dans ce cas, nous avons choisi d'utiliser l'algorithme de réseau neuronal. La raison principale est que l'algorithme de réseau neuronal a remporté de nombreux prix au concours mondial d'algorithmes ces dernières années. Les gens sont de plus en plus intéressés par l'apprentissage de cet algorithme, donc l'application This ce cas peut être plus instructif pour le travail pratique de chacun. Deuxièmement, comme la quantité de données dans les entreprises d'électronique est généralement énorme (les composants sont de plus en plus petits), les algorithmes de réseaux neuronaux amélioreront leur précision à mesure que la quantité de données augmente, maximisant ainsi les diverses combinaisons possibles d'approximations linéaires ou non linéaires. échiquier étant disposé), mais d'autres algorithmes ont tendance à atteindre un plafond en termes de précision, bien qu'ils puissent être utiles lorsqu'il s'agit de petites quantités de données. Troisièmement, d'autres algorithmes ont de nombreuses restrictions et hypothèses d'utilisation. Par exemple, Naive-Bayes suppose que toutes les variables de prédiction sont indépendantes les unes des autres. Une fois que cette hypothèse ne se vérifie pas dans les cas réels, l'effet sera considérablement réduit.
Modélisation prédictive, analyse de validation
Après avoir sélectionné le réseau de neurones, nous entrerons officiellement dans l'analyse. Tout d'abord, nous devons définir le ratio entre les données de formation et les données de validation. En fonction de l'expérience et des caractéristiques du projet, nous sélectionnons ici 75 % comme données de formation et les 25 % restants comme données de validation (bien sûr, vous pouvez également les utiliser selon (choisissez d'autres ratios en fonction des caractéristiques du projet, comme 80 % de données de formation et 20 % de données de vérification. Il n'y a pas de règle absolue sur le ratio lui-même). Après avoir sélectionné Analyser ->Modélisation prédictive->Créer une colonne de validation dans le menu du logiciel JMP, le tableau ajoutera automatiquement une colonne de validation selon 75 % de l'ensemble de formation et 25 % de l'ensemble de validation, comme indiqué ci-dessous :
Notez qu'il existe actuellement une dernière colonne supplémentaire de validation.
Cliquez sur la formule intégrée dans la colonne Validation comme suit et vous pourrez voir que JMP utilise réellement la fonction Catégorie aléatoire.
Selon le tableau après que JMP attribue automatiquement la colonne Validation, nous sélectionnons Analyse > Modélisation prédictive > Neural. La fenêtre de démarrage neuronal est présentée ci-dessous :
Ensuite, nous arrivons à la console Model Launch. Le plus gênant ici est de savoir comment définir le nombre de couches cachées (dans cet exemple, seule la 1ère couche cachée est définie pour réduire la complexité du modèle).
La formule empirique est définie comme suit, où N représente le nombre de nœuds de couche d'entrée, N2 représente le nombre de nœuds de la première couche cachée et M représente le nombre de couches de sortie. Après calcul, le nombre de 1ère couche cachée (N2) est de 31. L'efficacité d'apprentissage et le coefficient de pénalité utilisent les valeurs par défaut de JMP. Vous pouvez vous référer au diagramme de disposition hiérarchique suivant :
Ici, je partage avec vous une formule empirique pour votre référence.
Nombre de cachés = N2
Nombre d'entrées = N
Nombre de sorties = M
Nombre de points cachés : N2 < Nombre de produits - 1
Nombre d'entrées : N < Nombre de produits - 1
N2=sqrt(N+M+1)+a (a=1 à 10)
En branchant les valeurs dans cet exemple, nous obtenons N2 comme 31.
N=734 M=6
N2=31
Le résultat final du calcul est le suivant, le R Carré Généralisé de Validation est supérieur à 0,8.
Exécutez la courbe ROC : Modélisation prédictive et spécialisée > Modèles de partition > Options de plate-forme de partition > Courbe ROC.Une valeur de 1 dans la courbe ROC (Receiver Operating Characteristic) représente un ajustement parfait du modèle, et une valeur de 0,5 signifie que le modèle est presque incapable de distinguer les différences entre les groupes. À en juger par ce chiffre, les aires de toutes les courbes (différentes couleurs représentent différents types de produits défectueux) sont supérieures à 0,8, ce qui est conforme aux attentes.
Interpréter les résultats et développer les applications
Après avoir intégré les résultats de la validation dans le calcul (comme indiqué dans le tableau ci-dessous), vous constaterez que l'algorithme du réseau neuronal peut atteindre un accord de plus de 70 % avec la classification manuelle pour les principaux types de produits de qualité inférieure (A, B, C), et pour C, le degré de correspondance entre les catégories atteint 95 %. L'environnement de production basé sur ce cas peut être utilisé pour l'entrée quotidienne du contrôle SPC clé afin d'aider à la surveillance du produit. En d'autres termes, lorsque le test électrique à la station B se termine, si une anomalie se produit, la carte de contrôle déclenchera une alarme à temps.
Réel
|
Nombre prévu
|
|
Type de rejet
|
Rejeter un
|
Rejeter B
|
Rejeter C
|
Rejeter D
|
Rejeter E
|
Rejeter F
|
Le compte total
|
Taux de correspondance
|
Rejeter un
|
786
|
228
|
53
|
25
|
16
|
6
|
1114
|
71%
|
Rejeter B
|
144
|
1178
|
62
|
3
|
9
|
4
|
1400
|
84%
|
Rejeter C
|
30
|
14
|
947
|
3
|
2
|
1
|
997
|
95%
|
Rejeter D
|
104
|
34
|
2
|
25
|
14
|
1
|
180
|
14%
|
Rejeter E
|
53
|
11
|
4
|
9
|
30
|
0
|
107
|
28%
|
Rejeter F
|
64
|
2
|
0
|
9
|
2
|
3
|
80
|
4%
|
Il semble que le taux de coïncidence des produits de qualité inférieure de type Reject D/E/F soit faible. pourquoi ? Après enquête, il a été constaté que le rejet D concernait principalement des défauts liés à des corps étrangers sur le produit, le rejet E concernait principalement des défauts liés aux étiquettes du produit et le rejet F concernait principalement des défauts liés à l'emballage extérieur du produit. Théoriquement, ces trois types de produits défectueux ne sont pas causés par la technologie d'assemblage de la station précédente, et il est difficile de les juger avec précision à l'aide des paramètres électriques de la station B. Par conséquent, à la fin du processus, la couverture de l'inspection automatique des équipements d'apparence a été étendue d'une inspection aléatoire à une couverture de 100 % de tous les produits, de sorte que la surveillance SPC des catégories de rejet D/E/F puisse être omise (car la surveillance SPC est très important) L'objectif est de déterminer si les bons produits ont des problèmes grâce à la surveillance. Puisque 100 % des produits peuvent être automatiquement inspectés, il n'est pas nécessaire d'effectuer une surveillance SPC pour ces trois types de défauts à la station C).
Le phénomène intéressant est que certains des résultats de classification des réseaux neuronaux de classe D, classe E et classe F sont classés dans d'autres types de produits de qualité inférieure avec une plus grande précision (dans ce cas, classe A). Cela signifie-t-il que nous devrions y croire davantage ? Que diriez-vous de vérifier les facteurs d'erreur de jugement manuel (fatigue, vision floue, etc.) sur la base des résultats du jugement du modèle ? Imaginez qu'un produit présente à la fois un défaut A et un défaut D/E/F, l'intelligence artificielle portera naturellement un jugement basé sur les résultats visuels les plus faciles à trouver, mais en fait, il pourrait s'agir du défaut de classe A le plus important. . Je pense que chacun aura des réponses différentes dans son propre lieu de travail, mais dans tous les cas, les économies de coûts et les avantages apportés aux entreprises par la rationalisation des processus ont largement dépassé les achats triviaux d'équipements d'automatisation ou d'outils professionnels destinés à améliorer les capacités des processus de production.
Par conséquent, sur la base des résultats de l'analyse ci-dessus, l'annulation de la station C a non seulement réduit le temps de détection des défauts de qualité critiques, mais a également permis d'économiser beaucoup de coûts de main-d'œuvre (à un stade ultérieur, le modèle peut être actualisé régulièrement et connecté au SPC). logiciel système, et le modèle mettra à jour les données régulièrement. Pour corriger le modèle, le cycle de mise à jour peut être effectué tous les jours). Un tel résultat qui fait d'une pierre deux coups est le bienvenu tant pour les ingénieurs que pour la direction.
Bien sûr, le résultat que vous voyez maintenant n'est pas obtenu du jour au lendemain, mais est le résultat de nos tentatives répétées, de notre pratique et de notre optimisation et amélioration continues. Il condense la force et le travail acharné de l'équipe. J'espère que nous l'avons atteint dans le Les détours peuvent éclairer le cheminement de votre pratique de travail et vous fournir une navigation et une orientation.
