인더스트리 4.0 시대, 업계 리더들의 극도로 발전된 전자동 생산라인에 모두가 충격을 받는 경우가 많으며, 다른 한편으로는 제한된 자금으로 인해 자신의 회사가 시대를 따라가지 못한다고 한탄하기도 합니다. , 운영 효율성은 높지 않습니다. 실제로 올바른 방법을 사용하면 비즈니스 속도를 높이고 효율성을 높일 수도 있습니다.
제조업의 생산 모델은 무엇입니까? 점은 무엇인가?
고급 분석 방법을 사용하여 기업의 속도를 높이고 효율성을 높이는 방법을 모두가 이해할 수 있도록 JMP 소프트웨어의 AI 플랫폼을 사용하여 기업 운영 수준을 향상하고 실제 분석을 통해 원하는 결과를 달성하는 방법에 대해 이야기하겠습니다. 실제 작업의 경우 예상치 못한 효과가 발생합니다. 참고하시고 도움이 되셨으면 좋겠습니다.
귀하의 비즈니스에서 이러한 문제가 발생한 적이 있습니까?
아래의 상위 수준 흐름도는 일부 전자 회사의 제조 프로세스를 나타냅니다. 안에:
- A- '제품 생산'은 특정 기술을 통해 제품을 제조하는 과정을 나타냅니다.
- B-'전기 테스트 프로세스'는 대규모 자동 테스트 장비를 통해 제품의 다양한 전기 매개 변수를 테스트하는 것을 나타냅니다.
- C-'인적 검사 및 비닝'은 수동 판단(외관 결함 포함) 및 분류 과정을 나타냅니다.
- D-'SPC 시스템'은 기업의 기존 통계 프로세스 제어 시스템을 나타냅니다.
- E-'조치 요청'은 SPC 경보에 대응하는 데 필요한 관련 조치를 나타냅니다.
- F-'다음으로 이동'은 SPC 결과가 정상이면 다음 단계로 넘어갈 수 있다는 뜻이다.
정보 흐름의 순서는 B-'전기 테스트 프로세스'(이하 스테이션 
의 결과가 C-'인적 검사 및 비닝'(이하 스테이션 C)으로 전송되는 것이며, 스테이션 C는 수동으로 수행한다. 스테이션 B의 결과와 자체 판단에 기초한 검사 다른 불량 제품 유형을 추가로 분류하기 위해 스테이션 C는 SPC 시스템에 대한 입력으로 스테이션 D에 다양한 불량 제품 유형의 분류 데이터를 추가로 전송하고 다음 단계에 대한 판단을 내립니다. 제품 폐기.
이 과정에서 노출된 문제는 매우 명백하며 스테이션 C의 수동 판단은 많은 인력을 차지할 뿐만 아니라 인력 피로 요인을 도입할 뿐만 아니라 수동 작업 시간으로 인해 처리 주기가 자연스럽게 제한됩니다. 방금 언급한 제조업체의 핵심 경쟁력을 떠올려 보면 이는 납품 주기를 연장하고 제품 관리 위험을 높이며 기업 운영 비용을 늘리는 것과 같습니다. 그렇다면 이를 달성하기 위한 단계를 설명하기 위해 컴퓨터를 사용할 가능성이 있습니까? 그렇다면 어떻게?
연구를 시작하고 가설을 테스트해보세요
스테이션 B는 많은 전기 테스트 데이터를 생성하므로, 우리의 가설은 스테이션 B에서 생성된 데이터가 스테이션 C의 수동 분류 결과를 예측하는 데 사용될 수 있는지 여부입니다. 실제로 신호 대 잡음비와 같은 스테이션 B의 전기적 매개 변수 중 많은 부분은 조립 중 인덕터, 저항기, 커패시터 등의 정확도에 영향을 받으므로 이론적으로 스테이션 B의 테스트 결과는 예측할 수 있습니다. 어느 정도의 조립, 외관 불량. 이를 위해 먼저 지난 6개월간 B 스테이션의 테스트 데이터를 선택했는데, 여기서는 B 스테이션의 전기적 불량 제품 데이터만 선택했다는 점에 유의해야 한다. 추출해야 할 귀중한 정보입니다. B 스테이션의 전기 테스트 중 하나가 실패하는 한 이는 불량 제품입니다. 표의 각 행은 단일 제품의 정보를 나타냅니다. 'Join table' 기능을 사용하십시오. Station B의 데이터(Table 와 Station C의 히스토리에서 수동으로 분류한 데이터(Table C)를 결합하는 JMP 소프트웨어는 Product ID를 통해 서로 연결됩니다.
표 B의 제품 ID는 직렬 데이터이고, Test1 ~ 테스트 N은 스테이션 B의 각 전기 테스트의 합격/불합격 결과를 포함한 프로젝트 데이터입니다. 표 C의 Reject Type은 스테이션 C의 수동 분류 결과를 포함하는 프로젝트 데이터입니다. (데이터의 양이 많아서 일부 스크린샷은 다음과 같습니다)
테이블 아래의 조인 기능을 클릭하면 다음 창이 나타납니다. 제품 ID를 기본 키로 선택하여 테이블 B와 테이블 C를 연결합니다.
이러한 방식으로 두 테이블을 결합합니다. 여러분의 이해를 돕기 위해 Test19 이후의 테스트 항목은 숨겨졌으니 주의하시기 바랍니다: 이때 스테이션 C의 수동 분류 결과인 Reject 유형 열이 있습니다.
다음 단계는 예측을 하는 것입니다. 그렇다면 어떤 방법을 선택해야 할까요?
신경망을 선택하는 이유는 무엇입니까?
JMP의 강력한 '예측 모델링' 플랫폼을 활용하면 업계에서 일반적으로 사용되는 알고리즘에 접근할 수 있습니다. (JMP 자체에는 Tensor flow 등과 같은 알고리즘이 포함되어 있지 않지만 JMP는 R이나 Python의 출력 결과를 직접 호출할 수 있습니다. 관심 있는 친구는 자신의 프로젝트에 이를 고려할 수 있지만 이는 JMP의 유용성에 영향을 미치지 않습니다. 프로그램 작성에 많은 시간을 절약할 수 있습니다.) k-Nearest Neighbor, Naive-Bayes, Bootstrap Forest(의사결정 트리) 및 신경망 등이 있습니다.
이번 경우에는 신경망 알고리즘을 사용하기로 결정했습니다. 가장 큰 이유는 신경망 알고리즘이 최근 몇 년간 세계 알고리즘 대회에서 많은 상을 받았기 때문입니다. 사람들은 이 알고리즘을 배우는 데 점점 더 많은 관심을 갖고 있으므로 응용 프로그램은 이 것입니다. 사례는 모든 사람의 실제 작업에 더 유익할 수 있습니다. 둘째, 전자회사의 데이터 양은 일반적으로 엄청나기 때문에(구성 요소가 점점 작아지고 있음) 신경망 알고리즘은 데이터 양이 증가함에 따라 정확도가 향상되어 선형 또는 비선형 근사치의 다양한 조합이 최대화됩니다.(예: 체스판이 배치됨), 다른 알고리즘은 소량의 데이터를 처리할 때 유용할 수 있지만 정확성이 한계에 도달하는 경향이 있습니다. 셋째, 다른 알고리즘들은 사용상의 제한과 가정이 많은데, 예를 들어 Naive-Bayes는 모든 예측 변수가 서로 독립적이라고 가정하는데, 실제 사례에서 이 가정이 성립하지 않으면 효과가 크게 감소합니다.
예측 모델링, 검증 분석
신경망을 선택한 후 본격적으로 분석에 들어갑니다. 먼저 훈련 데이터와 검증 데이터의 비율을 설정해야 하는데, 경험과 프로젝트의 특성을 바탕으로 여기에서는 75%를 훈련 데이터로 선택하고 나머지 25%를 검증 데이터로 선택합니다(물론 상황에 따라 사용할 수도 있습니다). 훈련 데이터 80%, 검증 데이터 20% 등 프로젝트의 특성에 따라 다른 비율을 선택하세요. 비율 자체에는 엄격하고 빠른 규칙이 없습니다. JMP 소프트웨어 메뉴에서 분석 -> 예측 모델링 -> 검증 열 만들기를 선택하면 아래와 같이 테이블에 75% 훈련 세트와 25% 검증 세트에 따라 검증 열이 자동으로 추가됩니다.
현재 유효성 검사의 마지막 열이 추가로 있습니다.
다음과 같이 Validation 열에 포함된 수식을 클릭하면 JMP가 실제로 Random Category 함수를 사용하는 것을 확인할 수 있습니다.
JMP가 자동으로 검증 열을 할당한 후의 표에 따르면 분석 > 예측 모델링 > 신경망을 선택합니다. 신경망 시작 창이 아래와 같습니다:
그런 다음 Model Launch 콘솔로 이동합니다.여기에서 가장 까다로운 것은 히든 레이어 수를 설정하는 방법입니다(이 예에서는 모델의 복잡성을 줄이기 위해 첫 번째 히든 레이어만 설정합니다).
실험식은 다음과 같이 설정됩니다. 여기서 N은 입력 레이어 노드 수, N2는 첫 번째 숨겨진 레이어 노드 수, M은 출력 레이어 수를 나타냅니다. 계산 결과 첫 번째 은닉층(N2)의 개수는 31개이다. 학습 효율성과 페널티 계수는 JMP 기본값을 사용합니다. 다음 계층적 배열 다이어그램을 참조할 수 있습니다.
여기에서는 참고할 수 있는 경험적 공식을 공유합니다.
숨겨진 개수=N2
입력 수=N
출력 수=M
숨겨진 포인트 수: N2 < 제품 수 - 1
입력 수: N < 제품 수 - 1
N2=sqrt(N+M+1)+a (a=1 ~ 10)
이 예에 값을 대입하면 N2는 31이 됩니다.
N=734 M=6
N2=31
최종 계산 결과는 다음과 같습니다. Generalized R Square of Validation은 0.8보다 큽니다.
ROC 곡선 실행: 예측 및 특수 모델링 > 파티션 모델 > 파티션 플랫폼 옵션 > ROC 곡선.ROC(Receiver Operating Characteristic) 곡선의 값이 1이면 모델이 완벽하게 적합함을 나타내고, 값이 0.5이면 모델이 그룹 간 차이를 거의 구분할 수 없음을 나타냅니다. 이 그림을 보면 모든 곡선의 면적(색상에 따라 불량품의 종류가 다름)이 0.8보다 커서 기대치에 부합합니다.
결과 해석 및 적용 범위 확장
검증 결과를 계산에 적용하면(아래 표 참조) 신경망 알고리즘이 주요 유형의 불량 제품(A, B, C)에 대해 수동 분류와 70% 이상의 일치도를 달성할 수 있음을 알 수 있습니다. C의 경우 범주 간 일치도는 95%에 이릅니다. 본 사례를 바탕으로 한 생산환경은 일일 주요 SPC 제어 입력으로 활용하여 제품 모니터링을 보조할 수 있으며, 즉 스테이션 B의 전기 테스트가 종료된 후 이상이 발생하면 제어 차트가 적시에 알람을 발생시킨다.
실제
|
예측된 개수
|
|
거부 유형
|
A를 거부하다
|
B를 거부하다
|
C를 거부하다
|
거부 D
|
거부 E
|
F를 거부하다
|
총 합계
|
일치율
|
A를 거부하다
|
786
|
228
|
53
|
25
|
16
|
6
|
1114
|
71%
|
B를 거부하다
|
144
|
1178
|
62
|
삼
|
9
|
4
|
1400
|
84%
|
C를 거부하다
|
30
|
14
|
947
|
삼
|
2
|
1
|
997
|
95%
|
거부 D
|
104
|
34
|
2
|
25
|
14
|
1
|
180
|
14%
|
거부 E
|
53
|
11
|
4
|
9
|
30
|
0
|
107
|
28%
|
F를 거부하다
|
64
|
2
|
0
|
9
|
2
|
삼
|
80
|
4%
|
Reject D/E/F형 불량품의 일치율이 낮은 것으로 보입니다. 왜? 조사 결과, Reject D는 주로 제품의 이물질과 관련된 결함, Reject E는 주로 제품 라벨과 관련된 결함, Reject F는 주로 제품 외부 포장과 관련된 결함인 것으로 확인되었습니다. 이론적으로 이 3가지 유형의 불량품은 이전 스테이션의 조립 기술로 인한 것이 아니며, B 스테이션의 전기적 파라미터를 이용하여 정확하게 판단하기는 어렵습니다. 따라서 공정 마지막에는 자동 외관 장비 검사 범위를 무작위 검사에서 전 제품 100% 검사로 확대하여 Reject D/E/F 카테고리의 SPC 모니터링을 생략할 수 있게 되었습니다. 중요) 모니터링을 통해 양품에 문제가 있는지 판단하는 것이 목적이며, 100% 제품을 자동으로 검사할 수 있기 때문에 C) 스테이션에서는 이 3가지 불량에 대해 SPC 모니터링을 실시할 필요가 없다.
흥미로운 현상은 Class D, Class E, Class F 신경망의 분류 결과 중 일부가 정확도가 더 높은 다른 불량 제품 유형(이 경우 Class A)으로 분류된다는 점입니다. 그렇다면 이를 더 믿어야 한다는 뜻일까요? 모델 판단 결과를 바탕으로 수동 오판 요인(피로, 불명확한 시력 등)을 확인해 보면 어떨까요? 제품에 A결함과 D/E/F결함 중 하나가 모두 있다고 상상해 보세요. 인공지능은 자연스럽게 시각적인 결과를 바탕으로 가장 찾기 쉬운 것으로 판단하지만 실제로는 더 중요한 Class A 결함일 수 있습니다. . 각자의 작업장에서는 사람마다 다른 대답이 있을 것이라고 생각하지만, 어쨌든 프로세스 합리화를 통해 기업에 가져오는 비용 절감과 이점은 생산 프로세스 능력을 향상시키기 위해 자동화 장비나 전문 도구를 구입하는 사소한 비용을 훨씬 능가합니다.
따라서 위의 분석 결과를 바탕으로 스테이션 C의 취소로 인해 심각한 품질 결함의 감지 시간이 단축되었을 뿐만 아니라 많은 인건비를 절약할 수 있었습니다(나중 단계에서는 정기적으로 모델을 새로 고치고 SPC에 연결할 수 있음). 시스템 소프트웨어와 모델은 정기적으로 데이터를 업데이트합니다. 모델을 수정하려면 업데이트 주기를 매일 수행할 수 있습니다.) 일석이조의 결과는 엔지니어와 경영진 모두에게 반가운 결과다.
물론 지금 보시는 결과는 하루아침에 이루어진 것이 아니라 반복적인 시도와 연습, 지속적인 최적화와 개선의 결과이며 팀의 힘과 노력이 응축되어 있습니다. 어둡습니다. 우회로는 업무 수행 경로를 밝혀주고 탐색 및 방향을 제공할 수 있습니다.
