Nell’era dell’Industria 4.0, da un lato, tutti sono spesso scioccati dalle linee di produzione estremamente avanzate e completamente automatiche dei leader del settore, dall’altro si lamentano spesso che le proprie aziende non riescano a stare al passo con i tempi a causa dei mezzi limitati e la loro efficienza operativa non è elevata. Infatti, con i metodi giusti, puoi anche aiutare la tua azienda ad accelerare e ad aumentare l’efficienza.
Quali sono i modelli produttivi dell’industria manifatturiera? Qual e il punto?
Per aiutare tutti a capire come utilizzare metodi di analisi avanzati per aiutare le aziende ad accelerare e aumentare l'efficienza, parliamo di come utilizzare la piattaforma AI nel software JMP per migliorare il livello delle operazioni aziendali e ottenere i risultati desiderati attraverso un reale caso nel lavoro reale Effetti imprevisti. Spero che possa esserti di qualche riferimento e aiuto.
La tua azienda ha riscontrato un problema del genere?
Il diagramma di flusso di alto livello riportato di seguito rappresenta il processo di produzione di alcune aziende elettroniche. In:
- A- 'produrre il prodotto' rappresenta il processo di fabbricazione di un prodotto attraverso una determinata tecnologia;
- B-'Processo di test elettrico' rappresenta il test di vari parametri elettrici dei prodotti attraverso apparecchiature di test automatiche su larga scala;
- C-'Ispezione umana e cestinamento' rappresenta il processo di giudizio manuale (compresi i difetti estetici) e di classificazione;
- D-'SPC system' rappresenta il sistema di controllo statistico dei processi esistente dell'impresa;
- E-'Call for action' rappresenta le misure rilevanti richieste per rispondere all'allarme SPC;
- F-'passa al successivo' significa che se il risultato dell'SPC è normale, è possibile passare alla fase successiva.
L'ordine del flusso di informazioni è che i risultati del B-'Processo di test elettrico' (di seguito denominato stazione 
vengono trasmessi a C-'ispezione umana e binning' (di seguito denominato stazione C). La stazione C esegue manualmente il ispezione basata sui risultati della stazione B e sul proprio giudizio. Per classificare ulteriormente diversi tipi di prodotti non conformi agli standard, la stazione C trasmette inoltre i dati di classificazione dei diversi tipi di prodotti non conformi agli standard alla stazione D come input per il sistema SPC ed esprime giudizi per la fase successiva di smaltimento del prodotto.
I problemi esposti nel processo sono molto evidenti: il giudizio manuale della stazione C non solo occupa una grande quantità di risorse umane e introduce il fattore di affaticamento del personale, ma anche il ciclo di lavorazione è naturalmente limitato dal tempo di operazione manuale. Ricordando la competitività fondamentale delle aziende manifatturiere di cui abbiamo appena parlato, ciò equivale ad estendere il ciclo di consegna, ad aumentare i rischi di controllo del prodotto e ad aumentare i costi operativi aziendali. Quindi, esiste la possibilità di utilizzare un computer per illustrare i passaggi per raggiungere questo obiettivo? Se é cosi, come?
Inizia la ricerca e verifica la tua ipotesi
Poiché la stazione B genera molti dati di test elettrici, la nostra ipotesi è se i dati generati dalla stazione B possano essere utilizzati per prevedere i risultati della classificazione manuale della stazione C. Infatti, molti dei parametri elettrici della stazione B, come il rapporto segnale-rumore, sono influenzati dalla precisione di induttori, resistori, condensatori, ecc. durante l'assemblaggio. Pertanto, in teoria, i risultati dei test della stazione B possono prevedere assemblaggio in una certa misura difetti estetici. A questo scopo abbiamo innanzitutto selezionato negli ultimi sei mesi i dati di prova della stazione B. Da notare che sono stati selezionati solo i dati del prodotto difettoso elettricamente della stazione B (il motivo è che in questo caso i dati del prodotto difettoso sono le preziose informazioni che devono essere estratte. Finché uno dei test elettrici presso la stazione B fallisce, è un prodotto difettoso). Ogni riga della tabella rappresenta le informazioni di un singolo prodotto. Utilizzare la funzione 'Unisci tabella' in il software JMP per combinare i dati della stazione B (Tabella e i dati storicamente classificati manualmente (Tabella C) del sito C sono collegati insieme tramite l'ID prodotto.
L'ID prodotto nella Tabella B è dati seriali, da Test1 a test N sono dati di progetto, inclusi i risultati superato/fallito di ciascun test elettrico presso la stazione B. Il tipo di rifiuto nella tabella C è costituito dai dati del tipo di progetto, che contengono i risultati della classificazione manuale presso la stazione C. (A causa dell'enorme quantità di dati, alcuni screenshot sono i seguenti)
Fare clic sulla funzione di unione sotto Tabella per accedere alla finestra seguente, selezionare ID prodotto come chiave primaria per connettere la Tabella B e la Tabella C.
In questo modo uniamo insieme le due tabelle. Per facilitare la comprensione a tutti, gli elementi del test del Test 19 e successivi sono nascosti. Si prega di prestare attenzione a: In questo momento, c'è una colonna di tipo Rifiuto, che è il risultato della classificazione manuale della stazione C.
Il prossimo passo è fare previsioni, quindi quale metodo dovremmo scegliere?
Perché scegliere le reti neurali?
Facendo affidamento sulla potente piattaforma di "modellazione predittiva" di JMP, possiamo accedere agli algoritmi comunemente utilizzati nel settore. (Sebbene JMP stesso non includa algoritmi come Tensor Flow, ecc., JMP può richiamare direttamente i risultati di output di R o Python. Gli amici interessati possono considerarlo per i propri progetti, ma ciò non influisce sull'utilità di JMP, perché lo farai risparmiare molto tempo scrivendo programmi). Come k-Nearest neighbor, Naive-Bayes, Bootstrap Forest (Decision Tree) e reti neurali.
In questo caso, abbiamo scelto di utilizzare l'algoritmo della rete neurale. Il motivo principale è che l'algoritmo della rete neurale ha vinto numerosi premi alla World Algorithm Competition negli ultimi anni. Le persone sono sempre più interessate ad apprendere questo algoritmo, quindi l'applicazione Questa caso potrebbe essere più istruttivo per il lavoro pratico di tutti. In secondo luogo, poiché la quantità di dati nelle aziende di elettronica è generalmente enorme (i componenti stanno diventando sempre più piccoli), gli algoritmi di rete neurale miglioreranno la loro precisione all’aumentare della quantità di dati, massimizzando le varie possibili combinazioni di approssimazioni lineari o non lineari. disposizione della scacchiera), ma altri algoritmi tendono a raggiungere un limite massimo di precisione, sebbene possano essere utili quando si ha a che fare con piccole quantità di dati. In terzo luogo, altri algoritmi hanno molte restrizioni e ipotesi di utilizzo. Ad esempio, Naive-Bayes presuppone che tutte le variabili di previsione siano indipendenti l’una dall’altra. Una volta che questa ipotesi non è valida nei casi reali, l’effetto sarà notevolmente ridotto.
Modellazione predittiva, analisi di validazione
Dopo aver selezionato la rete neurale, entreremo ufficialmente nell'analisi. Per prima cosa dobbiamo impostare il rapporto tra dati di training e dati di validazione: in base all'esperienza e alle caratteristiche del progetto, qui selezioniamo il 75% come dati di training e il restante 25% come dati di validazione (ovviamente potete anche usarlo secondo al tuo Scegli altri rapporti a seconda delle caratteristiche del progetto, come 80% dati di formazione e 20% dati di verifica (non esiste una regola ferrea sul rapporto stesso). Dopo aver selezionato Analizza -> Modellazione predittiva->Crea colonna di convalida nel menu del software JMP, la tabella aggiungerà automaticamente una colonna di convalida in base al set di addestramento al 75% e al set di convalida al 25%, come mostrato di seguito:
Tieni presente che al momento è presente un'ultima colonna aggiuntiva di Validazione.
Fai clic sulla formula incorporata nella colonna Convalida come segue e puoi vedere che JMP utilizza effettivamente la funzione Categoria casuale.
In base alla tabella, dopo che JMP ha assegnato automaticamente la colonna Convalida, selezioniamo Analizza > Modellazione predittiva > Neurale. La finestra di avvio neurale è mostrata di seguito:
Poi arriviamo alla console Model Launch. La cosa più problematica qui è come impostare il numero di livelli nascosti (in questo esempio, solo il primo livello nascosto è impostato per ridurre la complessità del modello).
La formula empirica è impostata come segue, dove N rappresenta il numero di nodi del livello di input, N2 rappresenta il numero dei nodi del primo livello nascosto e M rappresenta il numero di livelli di output. Dopo il calcolo, il numero del primo strato nascosto (N2) è 31. L'efficienza dell'apprendimento e il coefficiente di penalità utilizzano i valori predefiniti di JMP. È possibile fare riferimento al seguente diagramma di disposizione gerarchica:
Qui condivido con te una formula empirica come riferimento.
Numero di nascosti=N2
Numero di ingressi=N
Numero di uscite=M
Numero di punti nascosti: N2 < Conteggio prodotti - 1
Numero di input: N < Conteggio prodotti- 1
N2=quadrato(N+M+1)+a (a=da 1 a 10)
Inserendo i valori in questo esempio, otteniamo N2 come 31.
N=734 M=6
N2=31
Il risultato finale del calcolo è il seguente: il quadrato R generalizzato di validazione è maggiore di 0,8.
Esegui curva ROC: modellazione predittiva e specializzata > Modelli di partizioni > Opzioni piattaforma di partizione > Curva ROC.Un valore pari a 1 nella curva ROC (caratteristica operativa del ricevitore) rappresenta un adattamento perfetto del modello, mentre un valore pari a 0,5 indica che il modello è quasi incapace di distinguere le differenze tra i gruppi. A giudicare da questa cifra, le aree di tutte le curve (colori diversi rappresentano diversi tipi di prodotti difettosi) sono maggiori di 0,8, il che è in linea con le aspettative.
Interpretare i risultati ed espandere le applicazioni
Dopo aver inserito i risultati di convalida nel calcolo (come mostrato nella tabella seguente), scoprirai che l'algoritmo della rete neurale può raggiungere più del 70% di accordo con la classificazione manuale per i tipi chiave di prodotti scadenti (A, B, C) e per C Il grado di corrispondenza tra le categorie arriva fino al 95%. L'ambiente di produzione basato su questo caso può essere utilizzato per input chiave giornalieri di controllo SPC per assistere il monitoraggio del prodotto. In altre parole, al termine del test elettrico presso la stazione B, se si verifica un'anomalia, il grafico di controllo emetterà un allarme in tempo.
Effettivo
|
Conteggio previsto
|
|
Rifiuta tipo
|
Rifiuta A
|
Rifiuta B
|
Rifiuta C
|
Rifiuta D
|
Rifiuta E
|
Rifiuta F
|
Conteggio totale
|
Tasso di corrispondenza
|
Rifiuta A
|
786
|
228
|
53
|
25
|
16
|
6
|
1114
|
71%
|
Rifiuta B
|
144
|
1178
|
62
|
3
|
9
|
4
|
1400
|
84%
|
Rifiuta C
|
30
|
14
|
947
|
3
|
2
|
1
|
997
|
95%
|
Rifiuta D
|
104
|
34
|
2
|
25
|
14
|
1
|
180
|
14%
|
Rifiuta E
|
53
|
11
|
4
|
9
|
30
|
0
|
107
|
28%
|
Rifiuta F
|
64
|
2
|
0
|
9
|
2
|
3
|
80
|
4%
|
Sembra che il tasso di coincidenza dei prodotti scadenti di tipo Reject D/E/F sia basso. Perché? Dopo l'indagine, si è scoperto che il Rifiuto D era principalmente difetti legati a oggetti estranei sul prodotto, il Rifiuto E era principalmente difetti legati alle etichette del prodotto e il Rifiuto F era principalmente difetti legati all'imballaggio esterno del prodotto. Teoricamente, questi tre tipi di prodotti difettosi non sono causati dalla tecnologia di assemblaggio della stazione precedente ed è difficile valutarli con precisione utilizzando i parametri elettrici della stazione B. Pertanto, alla fine del processo, la copertura dell'ispezione automatica delle apparecchiature per l'aspetto è stata ampliata dall'ispezione casuale alla copertura del 100% di tutti i prodotti, in modo che il monitoraggio SPC delle categorie Rifiuti D/E/F possa essere omesso (poiché il monitoraggio SPC è molto importante) Lo scopo è determinare se i buoni prodotti presentano problemi attraverso il monitoraggio. Poiché il 100% dei prodotti può essere ispezionato automaticamente, non è necessario condurre un monitoraggio SPC per questi tre tipi di difetti nella stazione C).
Il fenomeno interessante è che alcuni dei risultati della classificazione delle reti neurali di Classe D, Classe E e Classe F vengono classificati in altri tipi di prodotti inferiori alla norma con maggiore precisione (in questo caso, Classe A). Ciò significa che dovremmo crederci di più? Che ne dici di controllare i fattori di errore di valutazione manuale (affaticamento, visione poco chiara, ecc.) in base ai risultati del giudizio del modello? Immagina se un prodotto presenta sia un difetto A che uno dei difetti D/E/F, l'intelligenza artificiale esprimerà naturalmente un giudizio basato sui risultati visivi più facili da trovare, ma in realtà potrebbe trattarsi del difetto di Classe A più importante. . Credo che ognuno avrà risposte diverse nel proprio posto di lavoro, ma in ogni caso, i risparmi sui costi e i benefici apportati alle imprese dalla razionalizzazione dei processi hanno superato di gran lunga i banali acquisti di apparecchiature di automazione o strumenti professionali per migliorare le capacità del processo produttivo.
Pertanto, sulla base dei risultati dell'analisi di cui sopra, la cancellazione della stazione C non solo ha ridotto il tempo di rilevamento dei difetti critici di qualità, ma ha anche consentito di risparmiare molti costi di manodopera (nella fase successiva, il modello può essere aggiornato regolarmente e collegato all'SPC software di sistema e il modello aggiornerà i dati regolarmente. Per correggere il modello, il ciclo di aggiornamento può essere eseguito ogni giorno). Un risultato del genere, che prende due piccioni con una fava, è gradito sia agli ingegneri che al management.
Naturalmente, il risultato che vedete ora non è stato raggiunto dall'oggi al domani, ma è il risultato dei nostri ripetuti tentativi, della pratica e dell'ottimizzazione e del miglioramento continui. Condensa la forza e il duro lavoro del team. Spero che ci siamo riusciti nel tempo Le deviazioni possono illuminare il percorso della tua pratica lavorativa e fornirti indicazioni e indicazioni.
