En la era de la Industria 4.0, por un lado, todo el mundo se sorprende por las líneas de producción extremadamente avanzadas y totalmente automáticas de los líderes del sector, y por otro lado, a menudo se lamentan de que sus propias empresas no pueden mantenerse al día debido a la escasez de fondos. Y su eficiencia operativa no es alta. De hecho, con los métodos adecuados, también puedes ayudar a que tu propio negocio se acelere y aumente la eficiencia.
¿Cuáles son los modelos de producción en la industria manufacturera? ¿Cuál es el punto de?
Para ayudar a todos a comprender cómo utilizar métodos de análisis avanzados para ayudar a las empresas a acelerar y aumentar la eficiencia, hablemos sobre cómo utilizar la plataforma de inteligencia artificial en el software JMP para mejorar el nivel de operaciones empresariales y lograr los resultados deseados a través de una experiencia real. Caso en el trabajo real.Efectos inesperados. Espero que os sirva de alguna referencia y ayuda.
¿Su empresa ha encontrado tal problema?
El siguiente diagrama de flujo de alto nivel representa el proceso de fabricación de algunas empresas de electrónica. en:
- A- 'producir el producto' representa el proceso de fabricación de un producto mediante una determinada tecnología;
- B-El 'proceso de prueba eléctrica' representa la prueba de diversos parámetros eléctricos de productos mediante equipos de prueba automáticos a gran escala;
- C-'Inspección y clasificación humana' representa el proceso de evaluación manual (incluidos los defectos de apariencia) y clasificación;
- D-'sistema SPC' representa el sistema de control de procesos estadísticos existente de la empresa;
- E-'Llamado a la acción' representa las medidas relevantes necesarias para responder a la alarma SPC;
- F-'pasar al siguiente' significa que si el resultado del SPC es normal, se puede pasar al siguiente paso.
El orden del flujo de información es que los resultados de B-'Proceso de prueba eléctrica' (en adelante, estación 
se transmiten a C-'inspección y agrupamiento humanos' (en adelante, estación C). La estación C realiza manualmente el inspección basada en los resultados de la estación B y su propio criterio. Para clasificar aún más diferentes tipos de productos deficientes, la estación C transmite además los datos de clasificación de diferentes tipos de productos deficientes a la estación D como entrada al sistema SPC y emite juicios para el siguiente paso de eliminación del producto.
Los problemas expuestos en el proceso son muy obvios: el juicio manual de la estación C no solo ocupa una gran cantidad de recursos humanos e introduce el factor de fatiga del personal, sino que el ciclo de procesamiento está naturalmente limitado por el tiempo de operación manual. Recordando la competitividad central de las empresas manufactureras que acabamos de mencionar, esto equivale a extender el ciclo de entrega, aumentar los riesgos de control de los productos y aumentar los costos operativos corporativos. Entonces, ¿existe alguna posibilidad de utilizar una computadora para ilustrar los pasos para lograrlo? ¿Si es así, cómo?
Comience a investigar y pruebe su hipótesis.
Dado que la estación B genera una gran cantidad de datos de pruebas eléctricas, nuestra hipótesis es si los datos generados por la estación B se pueden utilizar para predecir los resultados de clasificación manual de la estación C. De hecho, muchos de los parámetros eléctricos de la estación B, como la relación señal-ruido, se ven afectados por la precisión de los inductores, resistencias, condensadores, etc. durante el ensamblaje, por lo que, en teoría, los resultados de las pruebas de la estación B pueden predecir montaje hasta cierto punto defectos de apariencia. Para este fin, primero seleccionamos los datos de prueba de la estación B en los últimos seis meses. Cabe señalar aquí que solo se seleccionaron los datos del producto defectuoso eléctricamente de la estación B (la razón es que, en este caso, los datos del producto defectuoso son la valiosa información que necesita ser extraída. Siempre que una de las pruebas eléctricas en la estación B falle, es un producto defectuoso). Cada fila de la tabla representa la información de un solo producto. Utilice la función 'Unir tabla' en el software JMP para combinar los datos en la estación B (Tabla y los datos (Tabla C) que se han clasificado manualmente en el historial de la estación C se conectan entre sí a través de la ID del producto.
La identificación del producto en la Tabla B son datos en serie, la Prueba 1 a la prueba N son datos del proyecto, incluidos los resultados de aprobación/falla de cada prueba eléctrica en la estación B. El tipo de rechazo en la Tabla C son datos de tipo proyecto, que contienen los resultados de la clasificación manual en la estación C. (Debido a la gran cantidad de datos, algunas capturas de pantalla son las siguientes)
Haga clic en la función de unión debajo de Tabla para ingresar a la siguiente ventana, seleccione ID de producto como clave principal para conectar la Tabla B y la Tabla C.
De esta forma combinamos las dos mesas. Para facilitar la comprensión de todos, los elementos de prueba de Test19 y posteriores están ocultos. Preste atención a: En este momento, hay una columna de tipo Rechazado, que es el resultado de la clasificación manual de la estación C.
El siguiente paso es hacer predicciones, entonces, ¿qué método deberíamos elegir?
¿Por qué elegir redes neuronales?
Confiando en la potente plataforma de 'modelado predictivo' de JMP, podemos acceder a algoritmos que se utilizan comúnmente en la industria. (Aunque JMP en sí no incluye algoritmos como Tensor flow, etc., JMP puede llamar directamente a los resultados de salida de R o Python. Los amigos interesados pueden considerarlo para sus propios proyectos, pero esto no afecta la utilidad de JMP, porque Usted ahorra mucho tiempo escribiendo programas). Como k-vecino más cercano, Naive-Bayes, Bootstrap Forest (árbol de decisión) y redes neuronales.
En este caso, elegimos utilizar el algoritmo de red neuronal. La razón principal es que el algoritmo de red neuronal ha ganado muchos premios en el Concurso Mundial de Algoritmos en los últimos años. La gente está cada vez más interesada en aprender este algoritmo, por lo que la aplicación. caso puede ser más instructivo para el trabajo práctico de todos. En segundo lugar, debido a que la cantidad de datos en las empresas de electrónica es generalmente enorme (los componentes son cada vez más pequeños), los algoritmos de redes neuronales mejorarán su precisión a medida que aumente la cantidad de datos, maximizando las diversas combinaciones posibles de aproximaciones lineales o no lineales (como un tablero de ajedrez), pero otros algoritmos tienden a alcanzar un límite en precisión, aunque pueden ser útiles cuando se trata de pequeñas cantidades de datos. En tercer lugar, otros algoritmos tienen muchas restricciones de uso y suposiciones. Por ejemplo, Naive-Bayes supone que todas las variables de predicción son independientes entre sí. Una vez que esta suposición no se cumple en el caso real, el efecto se reducirá considerablemente.
Modelado predictivo, análisis de validación.
Luego de seleccionar la red neuronal, ingresaremos oficialmente al análisis. Primero, necesitamos establecer la proporción de datos de entrenamiento y datos de validación. Según la experiencia y las características del proyecto, aquí seleccionamos el 75% como datos de entrenamiento y el otro 25% como datos de validación (por supuesto, también puede usarlo según por su cuenta Elija otras proporciones según las características del proyecto, como 80% de datos de capacitación y 20% de datos de verificación. No existe una regla estricta y rápida sobre la proporción en sí). Después de seleccionar Analizar ->Modelado predictivo->Crear columna de validación en el menú del software JMP, la tabla agregará automáticamente una columna de validación de acuerdo con el 75% del conjunto de entrenamiento y el 25% del conjunto de validación, como se muestra a continuación:
Tenga en cuenta que hay una última columna adicional de Validación en este momento.
Haga clic en la fórmula incrustada en la columna Validación de la siguiente manera y podrá ver que JMP realmente usa la función Categoría aleatoria.
De acuerdo con la tabla después de que JMP asigna automáticamente la columna Validación, seleccionamos Analizar > Modelado predictivo > Neural. La ventana de inicio neuronal se muestra a continuación:
Luego llegamos a la consola Model Launch. Lo más problemático aquí es cómo configurar el número de capas ocultas (en este ejemplo, solo se configura la primera capa oculta para reducir la complejidad del modelo).
La fórmula empírica se establece de la siguiente manera, donde N representa el número de nodos de la capa de entrada, N2 representa el número de nodos de la primera capa oculta y M representa el número de capa de salida. Después del cálculo, el número de la primera capa oculta (N2) es 31. La eficiencia del aprendizaje y el coeficiente de penalización utilizan valores predeterminados de JMP. Puede consultar el siguiente diagrama de disposición jerárquica:
Aquí te comparto una fórmula empírica para tu referencia.
Número de ocultos = N2
Número de entradas=N
Número de salida = M
Número de puntos ocultos: N2 < Recuento de productos - 1
Número de entradas: N < Número de productos- 1
N2=sqrt(N+M+1)+a (a=1 a 10)
Al reemplazar los valores en este ejemplo, obtenemos N2 como 31.
N=734 M=6
N2=31
El resultado final del cálculo es el siguiente, el R cuadrado generalizado de validación es mayor que 0,8.
Ejecute Curva ROC: Modelado predictivo y especializado > Modelos de partición > Opciones de plataforma de partición > Curva ROC.Un valor de 1 en la curva ROC (Receiver Operating Characteristic) representa un ajuste perfecto del modelo, y un valor de 0,5 representa que el modelo es casi incapaz de distinguir diferencias entre grupos. A juzgar por esta figura, las áreas de todas las curvas (los diferentes colores representan diferentes tipos de productos defectuosos) son mayores que 0,8, lo que está en línea con las expectativas.
Interpretar resultados y ampliar aplicaciones.
Después de incorporar los resultados de la Validación al cálculo (como se muestra en la siguiente tabla), encontrará que el algoritmo de la red neuronal puede lograr más del 70% de acuerdo con la clasificación manual para tipos clave de productos de calidad inferior (A, B, C), y para C El grado de coincidencia entre categorías llega al 95%. El entorno de producción basado en este caso se puede utilizar para la entrada de control SPC clave diaria para ayudar en el monitoreo del producto. En otras palabras, cuando finaliza la prueba eléctrica en la estación B, si ocurre una anomalía, el gráfico de control emitirá una alarma a tiempo.
Actual
|
Conteo previsto
|
|
Tipo de rechazo
|
Rechazar un
|
Rechazar B
|
Rechazar C
|
Rechazar D
|
Rechazar E
|
Rechazar F
|
Cuenta total
|
Tasa de coincidencia
|
Rechazar un
|
786
|
228
|
53
|
25
|
dieciséis
|
6
|
1114
|
71%
|
Rechazar B
|
144
|
1178
|
62
|
3
|
9
|
4
|
1400
|
84%
|
Rechazar C
|
30
|
14
|
947
|
3
|
2
|
1
|
997
|
95%
|
Rechazar D
|
104
|
34
|
2
|
25
|
14
|
1
|
180
|
14%
|
Rechazar E
|
53
|
11
|
4
|
9
|
30
|
0
|
107
|
28%
|
Rechazar F
|
64
|
2
|
0
|
9
|
2
|
3
|
80
|
4%
|
Parece que la tasa de coincidencia de productos de calidad inferior del tipo Rechazado D/E/F es baja. ¿por qué? Después de la investigación, se descubrió que el Rechazo D era principalmente defectos relacionados con objetos extraños en el producto, el Rechazo E era principalmente defectos relacionados con las etiquetas del producto y el Rechazo F era principalmente defectos relacionados con el embalaje exterior del producto. En teoría, estos tres tipos de productos defectuosos no son causados por la tecnología de ensamblaje de la estación anterior y es difícil juzgarlos con precisión utilizando los parámetros eléctricos de la estación B. Por lo tanto, al final del proceso, la cobertura de la inspección automática de equipos de apariencia se amplió de una inspección aleatoria a una cobertura del 100% de todos los productos, de modo que se puede omitir el monitoreo SPC de las categorías Rechazadas D/E/F (porque el monitoreo SPC es muy importante) El propósito es determinar si los productos buenos tienen problemas mediante el monitoreo. Dado que el 100% de los productos se pueden inspeccionar automáticamente, no es necesario realizar un monitoreo SPC para estos tres tipos de defectos en la estación C).
El fenómeno interesante es que algunos de los resultados de clasificación de las redes neuronales Clase D, Clase E y Clase F se clasifican en otros tipos de productos de calidad inferior con mayor precisión (en este caso, Clase A). ¿Eso significa que deberíamos creerlo más? ¿Qué tal verificar los factores del error de juicio manual (fatiga, visión poco clara, etc.) en función de los resultados del juicio del modelo? Imagínese si un producto tiene tanto un defecto A como uno de los defectos D/E/F, la inteligencia artificial naturalmente emitirá un juicio basado en los resultados visuales que son más fáciles de encontrar, pero en realidad puede ser el defecto de Clase A más importante. . Creo que cada uno tendrá respuestas diferentes en sus propios lugares de trabajo, pero en cualquier caso, los ahorros de costos y los beneficios que aportan a las empresas la optimización de los procesos han superado con creces esas compras triviales de equipos de automatización o herramientas profesionales para mejorar las capacidades del proceso de producción.
Por lo tanto, según los resultados del análisis anterior, la cancelación de la estación C no solo acortó el tiempo de detección de defectos de calidad críticos, sino que también ahorró muchos costos de mano de obra (en la etapa posterior, el modelo se puede actualizar regularmente y conectar al SPC software del sistema, y el modelo actualizará los datos periódicamente. Para corregir el modelo, el ciclo de actualización se puede realizar todos los días). Un resultado que mate dos pájaros de un tiro es bienvenido tanto para los ingenieros como para la dirección.
Por supuesto, el resultado que ves ahora no se logra de la noche a la mañana, sino que es el resultado de nuestros repetidos intentos, práctica y optimización y mejora continua. Condensa la fuerza y el trabajo duro del equipo. Espero que lo hayamos superado en el oscuro Los desvíos pueden iluminar el camino de su práctica laboral y brindarle algo de navegación y dirección.
