Im Zeitalter von Industrie 4.0 ist man einerseits oft schockiert über die extrem fortschrittlichen vollautomatischen Produktionslinien der Branchenführer, andererseits beklagt man sich oft darüber, dass die eigenen Unternehmen aufgrund begrenzter Mittel nicht mit der Zeit gehen können , und ihre Betriebseffizienz ist nicht hoch. Tatsächlich können Sie mit den richtigen Methoden auch Ihrem eigenen Unternehmen zu mehr Geschwindigkeit und Effizienz verhelfen.
Welche Produktionsmodelle gibt es in der Fertigungsindustrie? Was ist der Punkt?
Um allen zu helfen, zu verstehen, wie fortschrittliche Analysemethoden verwendet werden können, um Unternehmen dabei zu helfen, schneller zu werden und die Effizienz zu steigern, sprechen wir darüber, wie die KI-Plattform in der JMP-Software verwendet werden kann, um das Niveau des Unternehmensbetriebs zu verbessern und die gewünschten Ergebnisse durch eine echte Implementierung zu erzielen Fall in der tatsächlichen Arbeit. Unerwartete Auswirkungen. Ich hoffe, dass es für Sie eine Referenz und Hilfe sein wird.
Ist Ihr Unternehmen auf ein solches Problem gestoßen?
Das folgende Flussdiagramm auf hoher Ebene stellt den Herstellungsprozess einiger Elektronikunternehmen dar. In:
- A – „Produkt herstellen“ stellt den Prozess der Herstellung eines Produkts mithilfe einer bestimmten Technologie dar;
- B – „Elektrischer Testprozess“ stellt das Testen verschiedener elektrischer Parameter von Produkten durch groß angelegte automatische Testgeräte dar;
- C-„Menschliche Inspektion und Klassifizierung“ stellt den Prozess der manuellen Beurteilung (einschließlich Erscheinungsfehler) und Klassifizierung dar;
- D-'SPC-System' stellt das bestehende statistische Prozesskontrollsystem des Unternehmens dar;
- E-'Call for Action' stellt die relevanten Maßnahmen dar, die erforderlich sind, um auf den SPC-Alarm zu reagieren;
- F-„Zum nächsten gehen“ bedeutet, dass das SPC-Ergebnis normal ist und zum nächsten Schritt freigegeben werden kann.
Die Reihenfolge des Informationsflusses besteht darin, dass die Ergebnisse von B – „Elektrischer Testprozess“ (im Folgenden als Station B bezeichnet) an C – „Menschliche Inspektion und Klassifizierung“ (im Folgenden als Station C bezeichnet) übertragen werden. Station C führt dies manuell durch Inspektion basierend auf den Ergebnissen von Station B und ihrer eigenen Beurteilung. Um verschiedene minderwertige Produkttypen weiter zu klassifizieren, übermittelt Station C die Klassifizierungsdaten verschiedener minderwertiger Produkttypen weiter an Station D als Eingabe in das SPC-System und trifft Beurteilungen für den nächsten Schritt Produktentsorgung.
Die dabei aufgedeckten Probleme liegen auf der Hand: Die manuelle Beurteilung von Station C beansprucht nicht nur viel Personal und führt zu Personalermüdung, sondern auch der Verarbeitungszyklus wird natürlich durch die manuelle Betriebszeit begrenzt. Unter Berücksichtigung der soeben erwähnten zentralen Wettbewerbsfähigkeit produzierender Unternehmen bedeutet dies eine Verlängerung des Lieferzyklus, erhöhte Risiken bei der Produktkontrolle und höhere Betriebskosten des Unternehmens. Gibt es also eine Möglichkeit, die Schritte, um dies zu erreichen, mithilfe eines Computers zu veranschaulichen? Wenn das so ist, wie?
Beginnen Sie mit der Recherche und testen Sie Ihre Hypothese
Da Station B viele elektrische Testdaten generiert, lautet unsere Hypothese, ob die von Station B generierten Daten zur Vorhersage der manuellen Klassifizierungsergebnisse von Station C verwendet werden können. Tatsächlich werden viele der elektrischen Parameter von Station B, wie z. B. das Signal-Rausch-Verhältnis, durch die Genauigkeit der Induktivitäten, Widerstände, Kondensatoren usw. während der Montage beeinflusst. Daher können die Testergebnisse von Station B theoretisch vorhergesagt werden Montage bis zu einem gewissen Grad. Aussehen Mängel. Zu diesem Zweck haben wir zunächst die Testdaten der Station B in den letzten sechs Monaten ausgewählt. Dabei ist zu beachten, dass nur die Daten der elektrisch defekten Produkte von Station B ausgewählt wurden (der Grund dafür ist, dass in diesem Fall die fehlerhaften Produktdaten vorhanden sind). Die wertvollen Informationen, die extrahiert werden müssen. Solange einer der elektrischen Tests an Station B fehlschlägt, handelt es sich um ein defektes Produkt. Jede Zeile in der Tabelle stellt die Informationen eines einzelnen Produkts dar. Verwenden Sie die Funktion „Tabelle verbinden“. Die JMP-Software kombiniert die Daten an Station B (Tabelle 
und die Daten (Tabelle C), die manuell im Verlauf von Station C klassifiziert wurden, werden über die Produkt-ID miteinander verbunden.
Bei der Produkt-ID in Tabelle B handelt es sich um serielle Daten, bei Test1 bis Test N handelt es sich um Projektdaten, einschließlich der Pass/Fail-Ergebnisse jedes elektrischen Tests an Station B. Beim Ausschusstyp in Tabelle C handelt es sich um Projekttypdaten, die die Ergebnisse der manuellen Klassifizierung an Station C enthalten. (Aufgrund der großen Datenmenge sehen einige Screenshots wie folgt aus)
Klicken Sie auf die Verknüpfungsfunktion unter der Tabelle, um das folgende Fenster zu öffnen. Wählen Sie die Produkt-ID als Primärschlüssel aus, um Tabelle B und Tabelle C zu verbinden.
Auf diese Weise kombinieren wir die beiden Tabellen miteinander. Um das Verständnis für alle zu erleichtern, werden die Testelemente von Test19 und höher ausgeblendet. Bitte beachten Sie: Zu diesem Zeitpunkt gibt es eine Spalte für den Ablehnungstyp, bei der es sich um das manuelle Klassifizierungsergebnis von Station C handelt.
Der nächste Schritt besteht darin, Vorhersagen zu treffen. Welche Methode sollten wir also wählen?
Warum neuronale Netze wählen?
Mithilfe der leistungsstarken „Predictive Modeling“-Plattform von JMP können wir auf Algorithmen zugreifen, die in der Branche häufig verwendet werden. (Obwohl JMP selbst keine Algorithmen wie Tensor Flow usw. enthält, kann JMP die Ausgabeergebnisse von R oder Python direkt aufrufen. Interessierte Freunde können es für ihre eigenen Projekte in Betracht ziehen, dies hat jedoch keinen Einfluss auf den Nutzen von JMP, da Sie es tun werden sparen Sie viel Zeit beim Schreiben von Programmen). Wie zum Beispiel k-Nearest Neighbor, Naive-Bayes, Bootstrap Forest (Entscheidungsbaum) und neuronale Netze.
In diesem Fall haben wir uns für die Verwendung des neuronalen Netzwerkalgorithmus entschieden. Der Hauptgrund dafür ist, dass der neuronale Netzwerkalgorithmus in den letzten Jahren beim Weltalgorithmuswettbewerb viele Auszeichnungen gewonnen hat. Die Menschen sind immer mehr daran interessiert, diesen Algorithmus zu lernen, daher ist die Anwendung dies Der Fall kann für die praktische Arbeit jedes Einzelnen lehrreicher sein. Zweitens: Da Elektronikunternehmen im Allgemeinen über große Datenmengen verfügen (Komponenten werden immer kleiner), verbessern neuronale Netzwerkalgorithmen ihre Genauigkeit mit zunehmender Datenmenge, wodurch die verschiedenen möglichen Kombinationen linearer oder nichtlinearer Näherungen maximiert werden. (Wie ein Schachbrett). werden ausgelegt), aber andere Algorithmen stoßen tendenziell an ihre Genauigkeitsgrenze, obwohl sie beim Umgang mit kleinen Datenmengen nützlich sein können. Drittens unterliegen andere Algorithmen vielen Nutzungsbeschränkungen und Annahmen. Beispielsweise geht Naive-Bayes davon aus, dass alle Vorhersagevariablen unabhängig voneinander sind. Sobald diese Annahme in tatsächlichen Fällen nicht zutrifft, wird der Effekt stark verringert.
Prädiktive Modellierung, Validierungsanalyse
Nachdem wir das neuronale Netzwerk ausgewählt haben, beginnen wir offiziell mit der Analyse. Zuerst müssen wir das Verhältnis von Trainingsdaten und Validierungsdaten festlegen. Basierend auf der Erfahrung und den Eigenschaften des Projekts wählen wir hier 75 % als Trainingsdaten und die anderen 25 % als Validierungsdaten aus (natürlich können Sie diese auch entsprechend verwenden). Wählen Sie abhängig von den Merkmalen des Projekts andere Verhältnisse, z. B. 80 % Trainingsdaten und 20 % Verifizierungsdaten. Für das Verhältnis selbst gibt es keine feste Regel. Nachdem Sie im Menü der JMP-Software Analysieren -> Prädiktive Modellierung -> Validierungsspalte erstellen ausgewählt haben, fügt die Tabelle automatisch eine Validierungsspalte gemäß 75 % Trainingssatz und 25 % Validierungssatz hinzu, wie unten gezeigt:
Beachten Sie, dass es zu diesem Zeitpunkt eine zusätzliche letzte Spalte für die Validierung gibt.
Klicken Sie wie folgt auf die eingebettete Formel in der Spalte „Validierung“ und Sie können sehen, dass JMP tatsächlich die Funktion „Zufällige Kategorie“ verwendet.
Gemäß der Tabelle wählen wir nach der automatischen Zuweisung der Validierungsspalte durch JMP Analysieren > Prädiktive Modellierung > Neural aus. Das Neural-Startfenster wird unten angezeigt:
Dann kommen wir zur Model Launch-Konsole. Das Schwierigste hier ist, wie man die Anzahl der ausgeblendeten Ebenen festlegt (in diesem Beispiel wird nur die erste ausgeblendete Ebene festgelegt, um die Modellkomplexität zu reduzieren).
Die empirische Formel lautet wie folgt: N stellt die Anzahl der Knoten der Eingabeschicht dar, N2 stellt die Anzahl der Knoten der ersten verborgenen Schicht dar und M stellt die Anzahl der Knoten der Ausgabeschicht dar. Nach der Berechnung beträgt die Anzahl der 1. verborgenen Schicht (N2) 31. Die Lerneffizienz und der Strafkoeffizient verwenden JMP-Standardwerte. Sie können sich auf das folgende hierarchische Anordnungsdiagramm beziehen:
Hier teile ich Ihnen eine empirische Formel als Referenz mit.
Anzahl der Versteckten=N2
Anzahl der Eingänge=N
Anzahl der Ausgänge = M
Anzahl versteckter Punkte: N2 < Produktanzahl - 1
Anzahl der Eingänge: N < Produktanzahl – 1
N2=sqrt(N+M+1)+a (a=1 bis 10)
Wenn wir die Werte in diesem Beispiel einsetzen, erhalten wir N2 als 31.
N=734 M=6
N2=31
Das endgültige Berechnungsergebnis lautet wie folgt: Das verallgemeinerte R-Quadrat der Validierung ist größer als 0,8.
Führen Sie ROC Curve aus: Prädiktive und spezialisierte Modellierung > Partitionsmodelle > Partitionsplattformoptionen > ROC Curve.Ein Wert von 1 in der ROC-Kurve (Receiver Operating Characteristic) stellt eine perfekte Anpassung des Modells dar, und ein Wert von 0,5 bedeutet, dass das Modell kaum in der Lage ist, Unterschiede zwischen Gruppen zu unterscheiden. Dieser Zahl zufolge sind die Flächen aller Kurven (unterschiedliche Farben repräsentieren unterschiedliche Arten fehlerhafter Produkte) größer als 0,8, was den Erwartungen entspricht.
Ergebnisse interpretieren und Anwendungen erweitern
Nachdem Sie die Validierungsergebnisse in die Berechnung einbezogen haben (wie in der Tabelle unten gezeigt), werden Sie feststellen, dass der Algorithmus des neuronalen Netzwerks eine Übereinstimmung von mehr als 70 % mit der manuellen Klassifizierung für wichtige Arten minderwertiger Produkte (Klasse A, Klasse B, Klasse C) erreichen kann ) und für C Der Übereinstimmungsgrad zwischen den Kategorien beträgt bis zu 95 %. Die auf diesem Fall basierende Produktionsumgebung kann für tägliche wichtige SPC-Steuereingaben verwendet werden, um die Produktüberwachung zu unterstützen. Mit anderen Worten: Wenn der elektrische Test an Station B endet und eine Anomalie auftritt, löst das Kontrolldiagramm rechtzeitig einen Alarm aus.
Tatsächlich
|
Voraussichtliche Anzahl
|
|
Ablehnungstyp
|
A ablehnen
|
B ablehnen
|
C ablehnen
|
D ablehnen
|
E ablehnen
|
F ablehnen
|
Komplette Anzahl
|
Übereinstimmungsrate
|
A ablehnen
|
786
|
228
|
53
|
25
|
16
|
6
|
1114
|
71 %
|
B ablehnen
|
144
|
1178
|
62
|
3
|
9
|
4
|
1400
|
84 %
|
C ablehnen
|
30
|
14
|
947
|
3
|
2
|
1
|
997
|
95 %
|
D ablehnen
|
104
|
34
|
2
|
25
|
14
|
1
|
180
|
14 %
|
E ablehnen
|
53
|
11
|
4
|
9
|
30
|
0
|
107
|
28 %
|
F ablehnen
|
64
|
2
|
0
|
9
|
2
|
3
|
80
|
4 %
|
Es scheint, dass die Koinzidenzrate bei der Ablehnung minderwertiger Produkte vom Typ D/E/F gering ist. Warum? Nach der Untersuchung wurde festgestellt, dass es sich bei Ausschuss D hauptsächlich um Mängel im Zusammenhang mit Fremdkörpern auf dem Produkt handelte, bei Ausschuss E hauptsächlich um Mängel im Zusammenhang mit Produktetiketten und bei Ausschuss F hauptsächlich um Mängel im Zusammenhang mit der Außenverpackung des Produkts. Theoretisch werden diese drei Arten fehlerhafter Produkte nicht durch die Montagetechnologie der vorherigen Station verursacht und es ist schwierig, sie anhand der elektrischen Parameter von Station B genau zu beurteilen. Daher wurde am Ende des Prozesses die Abdeckung der automatischen Prüfung des Aussehens der Ausrüstung von der Stichprobenprüfung auf eine 100-prozentige Abdeckung aller Produkte ausgeweitet, sodass die SPC-Überwachung der Ausschuss-D/E/F-Kategorien entfallen kann (da die SPC-Überwachung sehr wichtig ist). Wichtig) Der Zweck besteht darin, durch Überwachung festzustellen, ob bei guten Produkten Probleme auftreten. Da 100 % der Produkte automatisch geprüft werden können, besteht an Station C) keine Notwendigkeit, eine SPC-Überwachung für diese drei Arten von Mängeln durchzuführen.
Das interessante Phänomen besteht darin, dass einige der Klassifizierungsergebnisse neuronaler Netze der Klassen D, E und F in andere minderwertige Produkttypen mit höherer Genauigkeit eingeteilt werden (in diesem Fall Klasse A). Bedeutet das, dass wir mehr daran glauben sollten? Wie wäre es, die Faktoren manueller Fehleinschätzungen (Müdigkeit, unklares Sehen usw.) anhand der Ergebnisse der Modellbeurteilung zu überprüfen? Stellen Sie sich vor, wenn ein Produkt sowohl einen A-Fehler als auch einen D/E/F-Fehler aufweist, wird die künstliche Intelligenz natürlich ein Urteil auf der Grundlage der visuellen Ergebnisse fällen, die am einfachsten zu finden sind, aber tatsächlich könnte es sich um den wichtigeren Fehler der Klasse A handeln. . Ich glaube, dass jeder an seinem eigenen Arbeitsplatz unterschiedliche Antworten haben wird, aber auf jeden Fall übersteigen die Kosteneinsparungen und Vorteile, die Unternehmen durch die Rationalisierung von Prozessen erzielen, die trivialen Anschaffungen von Automatisierungsgeräten oder professionellen Werkzeugen zur Verbesserung der Produktionsprozesse bei weitem.
Basierend auf den obigen Analyseergebnissen verkürzte die Stornierung von Station C daher nicht nur die Erkennungszeit kritischer Qualitätsmängel, sondern sparte auch eine Menge Arbeitskosten (in der späteren Phase kann das Modell regelmäßig aktualisiert und mit dem SPC verbunden werden). Systemsoftware, und das Modell aktualisiert die Daten regelmäßig. Um das Modell zu korrigieren, kann der Aktualisierungszyklus jeden Tag durchgeführt werden. Ein solches Ergebnis, das zwei Fliegen mit einer Klappe schlägt, ist sowohl für Ingenieure als auch für das Management willkommen.
Natürlich wird das Ergebnis, das Sie jetzt sehen, nicht über Nacht erreicht, sondern ist das Ergebnis unserer wiederholten Versuche, Übung und kontinuierlichen Optimierung und Verbesserung. Es bündelt die Stärke und die harte Arbeit des Teams. Ich hoffe, wir haben es geschafft dunkel. Umwege können den Weg Ihrer Arbeitspraxis erhellen und Ihnen Orientierung und Orientierung geben.
