Определение причины

Научные отчеты, том 12, Номер статьи: 22332 (2022) Цитировать эту статью

2569 Доступов

3 Альтметрика

Подробности о метриках

При производстве кузовов автомобилей предварительно отформованные детали кузова из листового металла собираются на полностью автоматизированных производственных линиях. Кузов последовательно проходит через несколько станций и обрабатывается в соответствии с требованиями заказа. Своевременное выполнение заказов зависит от завершения отдельных операций на станции в запланированные сроки цикла. Если ошибка возникает на одной станции, это может иметь эффект домино, что приведет к задержкам на последующих станциях. Насколько нам известно, не существует методов автоматического различения исходных и косвенных ошибок в этой ситуации, а также установления причинно-следственной связи между ними. Используя информацию об условиях в реальном времени, собранную системой сбора производственных данных, мы предлагаем новую систему анализа производства транспортных средств, которая использует глубокое обучение для установления связи между исходными и косвенными ошибками. Мы сравниваем три модели от последовательности к последовательности и представляем новую составную метрику взвешенных по времени действий для оценки моделей в этом контексте. Мы оцениваем нашу структуру на основе реального набора данных о производстве автомобилей, записанного Volkswagen Commercial Vehicles. Неожиданно мы обнаружили, что 71,68% последовательностей содержат либо исходную, либо косвенную ошибку. Что касается обучения модели seq2seq, мы обнаружили, что Transformer демонстрирует лучшую производительность по сравнению с LSTM и GRU в этой области, особенно когда диапазон прогнозирования относительно продолжительности будущих действий увеличивается.

Прогнозирование временных рядов все чаще используется для прогнозирования будущих событий в бизнесе и промышленности, чтобы обеспечить принятие обоснованных решений1,2. В этой статье мы оцениваем его потенциал совершить революцию в автоматизированном производстве транспортных средств, где информация в реальном времени собирается системой сбора производственных данных (PDA). Последствия ошибок во взаимосвязанных производственных системах имеют ужасные последствия, такие как задержки производства и даже сбои производственных систем. В промышленном производстве простои связаны с высокими затратами. Чтобы противодействовать простоям, исследования и разработки до сих пор были сосредоточены на профилактическом обслуживании оборудования3 и использовании альтернативных производственных маршрутов в производственном процессе4. Однако эти подходы явно не фокусируются на задержках (микронарушениях) на отдельных этапах процесса, которые распространяются по всей технологической цепочке и усиливаются в процессе.

Оптимальное использование полностью автоматизированной линии по производству кузовов автомобилей зависит от выполнения отдельных этапов работы на станции в пределах запланированного времени цикла. Однако часто выявляются различные нарушения, имеющие статистическую значимость. В частности, ошибки источника (обычно регистрируемые системой КПК, например, «Нет доступных компонентов») могут не только повлиять на текущую станцию, но также оказать вредное воздействие на последующие рабочие станции (далее называемые станциями), что приведет к в досадных ошибках и задержках. Даже минимальные задержки, едва заметные для человека, могут привести к большим дополнительным затратам.

Хотя прогнозирование временных рядов для производства кузовов автомобилей является сложной задачей (из-за разрывов, всплесков и сегментов5), отклонения в производственном процессе можно выявить посредством комплексного сбора производственных данных и структурированной оценки этих данных. Однако в настоящее время задержки и аномалии процессов выявляются с помощью классификаторов на основе правил, которые программируются вручную и обслуживаются с использованием обширных знаний в предметной области. Кроме того, дополнительные усилия необходимы для интерпретации обработанных данных. Это не позволяет производственному персоналу быстро применять целенаправленные контрмеры.

Насколько нам известно, в настоящее время не существует подхода, который автоматически: (i) учится классифицировать как исходные, так и косвенные ошибки; (ii) установить связь между ошибками; и (iii) измеряет влияние ошибок источника. В этой работе мы предпринимаем шаги к решению этих проблем с помощью машинного обучения (ML).