提升制造業(yè)發(fā)展質(zhì)量和效益已經(jīng)成為我國經(jīng)濟(jì)發(fā)展的重中之重，利用機(jī)器學(xué)習(xí)技術(shù)不僅能夠改善產(chǎn)品質(zhì)量與服務(wù)，還能夠有效促進(jìn)制造企業(yè)降低設(shè)備故障率、減少停機(jī)設(shè)計(jì)、控制生產(chǎn)成本，最終走向智能制造。本文介紹了機(jī)器學(xué)習(xí)技術(shù)在智能制造中的一些應(yīng)用場景，并介紹了魔數(shù)智擎公司的機(jī)器學(xué)習(xí)技術(shù)在質(zhì)量管理和設(shè)備維護(hù)方面的應(yīng)用。

一直以來，制造業(yè)以六西格瑪質(zhì)量管理的數(shù)據(jù)分析方法是以經(jīng)典統(tǒng)計(jì)學(xué)作為基礎(chǔ)的，處理的數(shù)據(jù)量較為有限（小數(shù)據(jù)），采用假設(shè)檢驗(yàn)以及實(shí)驗(yàn)設(shè)計(jì)（DOE）為主的統(tǒng)計(jì)分析方式，取得了不錯(cuò)的效果。但隨著工業(yè)4.0、智能制造時(shí)代的到來，真正意義上的大數(shù)據(jù)已經(jīng)在先進(jìn)制造型企業(yè)爆發(fā)式的產(chǎn)生，而經(jīng)典的統(tǒng)計(jì)方法已經(jīng)無法很好應(yīng)對大數(shù)據(jù)帶來的新挑戰(zhàn)。

大數(shù)據(jù)不等同于大量有價(jià)值的信息，更不代表著智能和洞察，如何利用新的技術(shù)手段對制造業(yè)中的海量數(shù)據(jù)進(jìn)行處理、分析，并最終產(chǎn)生業(yè)務(wù)價(jià)值成為了一個(gè)新的挑戰(zhàn)。

以機(jī)器學(xué)習(xí)為代表的各種類型的大數(shù)據(jù)技術(shù)不僅能夠?qū)⒋髷?shù)據(jù)轉(zhuǎn)化為價(jià)值高的數(shù)據(jù)資產(chǎn)，而且已經(jīng)成為是變革企業(yè)生產(chǎn)過程、經(jīng)營管理和商業(yè)模式的核心技術(shù)。同時(shí)，機(jī)器學(xué)習(xí)技術(shù)作為目前產(chǎn)業(yè)發(fā)展過程中的一種新型技術(shù)，能夠直接應(yīng)用于企業(yè)生產(chǎn)制造到銷售的全流程，提升制造業(yè)的供應(yīng)鏈以及質(zhì)量管理水平。

機(jī)器學(xué)習(xí)技術(shù)在智能制造中的應(yīng)用場景

生產(chǎn)過程自動(dòng)化

智能制造應(yīng)用在工業(yè)領(lǐng)域中，可實(shí)現(xiàn)自動(dòng)化作業(yè)，在企業(yè)生產(chǎn)與產(chǎn)線管理和設(shè)備控制方面有良好的效果。智能制造以機(jī)器學(xué)習(xí)技術(shù)作為支撐。制造企業(yè)能夠?qū)崿F(xiàn)實(shí)時(shí)的生產(chǎn)可視化監(jiān)控和預(yù)測分析，及時(shí)快速收集與產(chǎn)品設(shè)備相關(guān)的信息，提前預(yù)警設(shè)備故障并進(jìn)行預(yù)測性維護(hù)。基于對生產(chǎn)過程中原材料及中間產(chǎn)品的實(shí)時(shí)數(shù)據(jù)監(jiān)測，企業(yè)可以運(yùn)用機(jī)器學(xué)習(xí)技術(shù)動(dòng)態(tài)調(diào)整生產(chǎn)計(jì)劃，及時(shí)調(diào)整企業(yè)的資源配置狀況，提高企業(yè)生產(chǎn)控制與管理決策的敏捷度。

質(zhì)量診斷智能化

智能制造在我國制造業(yè)大范圍普及，很多企業(yè)將自動(dòng)化監(jiān)控引入到質(zhì)量管理環(huán)節(jié)，在生成過程中進(jìn)行監(jiān)控與控制，實(shí)現(xiàn)全過程監(jiān)督、識別，可以快速發(fā)現(xiàn)產(chǎn)品在各制造環(huán)節(jié)的異常狀況。同時(shí)借助機(jī)器學(xué)習(xí)技術(shù)進(jìn)行自動(dòng)診斷功能，快速鎖定引發(fā)質(zhì)量問題的原因，迅速解決，避免產(chǎn)品的質(zhì)量問題，為生產(chǎn)活動(dòng)有序、可靠運(yùn)行提供保障[3]。

供應(yīng)鏈管理智能化

供應(yīng)鏈中的庫存問題一直困擾制造業(yè)的核心痛點(diǎn)之一。從精益制造到智能制造的一個(gè)核心目標(biāo)就是要盡可能實(shí)現(xiàn)零庫存。而銷量預(yù)測又是一個(gè)極其具有挑戰(zhàn)性的工作，因?yàn)樽罱K影響銷量的因素可能有非常多，包括宏觀市場因素、季節(jié)性因素、產(chǎn)品本身的特點(diǎn)、定價(jià)、銷售策略等等。相較于簡單的線性統(tǒng)計(jì)模型，機(jī)器學(xué)習(xí)更加適合處理這種特別復(fù)雜的模式識別問題。機(jī)器學(xué)習(xí)能夠提供強(qiáng)大的預(yù)測分析能力，幫助制造業(yè)更好的發(fā)現(xiàn)供應(yīng)鏈中復(fù)雜的驅(qū)動(dòng)因素，最終實(shí)現(xiàn)具備預(yù)見性的供應(yīng)鏈智能管理，從而減少庫存。

機(jī)器學(xué)習(xí)技術(shù)在智能制造應(yīng)用實(shí)例

質(zhì)量管理智能化

某公司搜集了生產(chǎn)制造過程中五百多個(gè)指標(biāo)，如溫度、濕度、各種工藝參數(shù)以及原材料指標(biāo)等，需要分析哪些關(guān)鍵因素可能和最終產(chǎn)品缺陷相關(guān)、關(guān)鍵指標(biāo)的不同取值區(qū)間對產(chǎn)品缺陷的影響、多個(gè)關(guān)鍵指標(biāo)對產(chǎn)品缺陷的共同影響。客戶使用魔數(shù)智擎公司的ME機(jī)器學(xué)習(xí)建模平臺能夠快速高效的對于該復(fù)雜的分析問題進(jìn)行建模，ME內(nèi)置交互的自動(dòng)化建模方法，僅需5步點(diǎn)擊即可完成建模操作，無需任何代碼，就能夠輕松得到高精度模型。其獨(dú)有的模型可解釋性技術(shù)能夠幫助質(zhì)量管理人員快速解讀模型發(fā)現(xiàn)的規(guī)律，最終生成質(zhì)量管理人員認(rèn)可的預(yù)測模型，該模型對于生產(chǎn)工藝改進(jìn)給出了非常有價(jià)值的洞察，最終實(shí)現(xiàn)更低的缺陷率。

樣本數(shù)量為1567條，其中93.34%為合格品，6.66%為不合格品。目標(biāo)變量為產(chǎn)品是否合格，預(yù)測變量共590個(gè)指標(biāo)，其中類別型變量122個(gè)，數(shù)值型變量468個(gè)。采用平臺內(nèi)置的GBM算法建立二分類模型，利用用平臺的剃刀技術(shù)進(jìn)行快速特征降緯，可精簡模型的預(yù)測變量，提高模型穩(wěn)定性。最終從590個(gè)指標(biāo)輪迭代建模篩選出26個(gè)關(guān)鍵指標(biāo)，如圖1所示。模型的性能指標(biāo)AUC為0.789，KS為0.501，如圖2所示。

圖1 關(guān)鍵傳感器影響度排名

圖2 模型性能指標(biāo)

采用平臺內(nèi)置的超參優(yōu)化技術(shù)，按照貝葉斯優(yōu)化算法，自動(dòng)迭代計(jì)算全局的最優(yōu)參數(shù)，使用貝葉斯算法搜索最優(yōu)參數(shù)組合，提高模型精度。優(yōu)化后其模型性能指標(biāo)為AUC為0.824，KS為0.595，如圖3所示。

圖3 優(yōu)化后性能指標(biāo)

同時(shí)質(zhì)量管理人員利用平臺內(nèi)置的模型可解釋性技術(shù)來理解復(fù)雜機(jī)器學(xué)習(xí)模型背后發(fā)現(xiàn)的規(guī)律。以指標(biāo)sig60為例，圖4橫坐標(biāo)為sig60取值范圍，縱坐標(biāo)為產(chǎn)品缺陷的可能性，從圖中發(fā)現(xiàn)sig60取值在【-30,0】區(qū)間，對產(chǎn)品缺陷概率較小；但在取值(0,14)區(qū)間，對產(chǎn)品缺陷概率快速上升。在【14,21】區(qū)間對產(chǎn)品缺陷概率逐步下降。從圖中發(fā)現(xiàn)，生產(chǎn)指標(biāo)sig60盡量保證（-30, 0）范圍內(nèi)，不要大于0值，大于0值后會(huì)導(dǎo)致產(chǎn)品缺陷概率快速上升。使用單變量歸因圖，可以對所有傳感器進(jìn)行分析，得出各傳感器影響產(chǎn)品質(zhì)量的區(qū)間。

圖4 傳感器sig60歸因圖

同時(shí)還發(fā)現(xiàn)一些指標(biāo)的兩兩組合對產(chǎn)品缺陷的交互作用，如溫度、濕度對產(chǎn)品缺陷的交互作用。以sig60，sig20為例，發(fā)現(xiàn)在sig60（11.723332，18.152843），sig20（12.502025，12.611395）區(qū)間，產(chǎn)品缺陷率約為30%，較原始缺陷率上升4.52倍。在生產(chǎn)中設(shè)置sig60、sig20對應(yīng)的指標(biāo)要盡量避免該組合區(qū)間。

生產(chǎn)線故障預(yù)警

某公司的生產(chǎn)線故障率較低，但當(dāng)生產(chǎn)線故障發(fā)生時(shí)，因故障導(dǎo)致的非正常停機(jī)會(huì)造成巨大損失，因此需要對設(shè)備相關(guān)的數(shù)據(jù)進(jìn)行分析建模，提前預(yù)警設(shè)備故障并進(jìn)行預(yù)測性維護(hù)，通過準(zhǔn)確預(yù)測設(shè)備故障和及時(shí)維護(hù)，降低設(shè)備故障率、減少生產(chǎn)線停機(jī)時(shí)間、優(yōu)化設(shè)備性能和運(yùn)行時(shí)間。通過使用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)對設(shè)備相關(guān)的數(shù)據(jù)建立故障預(yù)警模型，預(yù)測設(shè)備發(fā)生故障的概率并確定維護(hù)時(shí)間。最終，模型運(yùn)行后2年中的停機(jī)時(shí)間縮短6％，并將機(jī)器壽命延長了4年，降低維護(hù)和運(yùn)營成本。?

遠(yuǎn)程設(shè)備預(yù)測性維保

某公司提供大型設(shè)備的租用服務(wù)，其維保服務(wù)的最佳時(shí)機(jī)在因故障停機(jī)之前，設(shè)備裝有大量傳感器對外部的環(huán)境和設(shè)備工況等進(jìn)行監(jiān)控，并將傳感器數(shù)據(jù)上傳到公司服務(wù)器。利用機(jī)器學(xué)習(xí)技術(shù)可建立預(yù)測設(shè)備維保模型，通過剃刀技術(shù)確定導(dǎo)致性能不佳或停機(jī)的關(guān)鍵環(huán)境因素。同時(shí)基于模型解釋性技術(shù)，工程師可以非常快速地分析理解環(huán)境和工況因素帶來的影響，更好地預(yù)測機(jī)器何時(shí)維保。通過模型，動(dòng)態(tài)調(diào)整維保計(jì)劃，及時(shí)調(diào)整維保資源配置狀況，更好地將集中操作將遠(yuǎn)程租用設(shè)備連接起來，最大限度地減少緊急派車和服務(wù)中斷，并提升客戶體驗(yàn)。

結(jié)束語

本文描述機(jī)器學(xué)習(xí)技術(shù)在智能制造中的一些應(yīng)用場景以及可能帶來的價(jià)值，此外也分享了魔數(shù)智擎公司如何利用其ME產(chǎn)品的機(jī)器學(xué)習(xí)技術(shù)來進(jìn)行質(zhì)量缺陷分析的案例。ME是一款可解釋，可干預(yù)的交互式機(jī)器學(xué)習(xí)建模平臺，提供了數(shù)據(jù)預(yù)處理、數(shù)據(jù)自動(dòng)清洗、模型開發(fā)、規(guī)則自動(dòng)探索等強(qiáng)大的先進(jìn)數(shù)據(jù)分析功能。解決傳統(tǒng)黑盒模型導(dǎo)致模型難以落地業(yè)務(wù)的問題，幫助生產(chǎn)制造部門快速地進(jìn)行決策分析，進(jìn)而改善產(chǎn)品質(zhì)量與服務(wù)、降低設(shè)備故障率。

（作者：柴磊 深圳市魔數(shù)智擎人工智能有限公司總經(jīng)理）
編輯：黃飛

?