原因の特定

Scientific Reports volume 12、記事番号: 22332 (2022) この記事を引用

2569 アクセス

3 オルトメトリック

メトリクスの詳細

車体の製造では、車体の事前成形された板金部品が完全に自動化された生産ラインで組み立てられます。 ボディは複数のステーションを連続して通過し、注文の要件に従って処理されます。 注文がタイムリーに完了するかどうかは、スケジュールされたサイクル タイム内に完了する個々のステーションベースの操作によって決まります。 1 つのステーションでエラーが発生すると、その影響が波及し、下流のステーションに遅延が生じる可能性があります。 私たちの知る限り、この設定でソース エラーとノックオン エラーを自動的に区別し、それらの間の因果関係を確立する方法は存在しません。 生産データ収集システムによって収集された状態に関するリアルタイム情報を利用して、ディープラーニングを使用して原因エラーと波及エラーの間のリンクを確立する、新しい車両製造分析システムを提案します。 3 つのシーケンス間モデルのベンチマークを行い、このコンテキストでモデルを評価するための新しい複合時間重み付けアクション メトリックを導入します。 私たちは、フォルクスワーゲン商用車によって記録された現実世界の自動車生産データセットに基づいてフレームワークを評価します。 驚くべきことに、シーケンスの 71.68% にソース エラーまたはノックオン エラーが含まれていることがわかりました。 seq2seq モデルのトレーニングに関して、特に将来のアクションの継続時間に関する予測範囲が増加した場合、Transformer はこの領域で LSTM や GRU と比較して優れたパフォーマンスを示すことがわかりました。

時系列予測は、情報に基づいた意思決定を可能にするために、ビジネスや業界内の将来の出来事を予測するためにますます使用されています1、2。 この論文では、リアルタイム情報が生産データ収集 (PDA) システムによって収集される自動車両製造に革命をもたらす可能性を評価します。 相互に連携した製造システムにおけるエラーの影響は、生産の遅延や生産システムの障害など、悲惨な結果をもたらします。 工業生産では、ダウンタイムは高コストにつながります。 ダウンタイムに対処するため、研究開発はこれまで、機器の予知保全 3 と、生産プロセス全体にわたる代替製造ルートの使用 4 に焦点を当ててきました。 ただし、これらのアプローチは、プロセスチェーン全体に伝播し、プロセス内で増幅される個々のプロセスステップの遅延 (微小外乱) に明示的に焦点を当てていません。

完全に自動化された車体生産ラインを最適に利用できるかどうかは、ステーションベースの個々の作業ステップが予定されたサイクル タイム内に完了するかどうかによって決まります。 ただし、統計的に有意なさまざまな障害が検出されることがよくあります。 特に、ソースエラー (通常は PDA システムによってログに記録されます。「利用可能なコンポーネントがありません」など) は、現在のステーションに影響を与えるだけでなく、下流のワークステーション (以下、ステーションと呼びます) にも悪影響を与える可能性があります。連鎖的なエラーと遅延。 人間にはほとんど気づかれない最小限の遅延であっても、高額な追加コストが発生する可能性があります。

車体生産の時系列予測は（不連続性、スパイク、セグメント5のため）困難ですが、包括的な生産データの取得とこれらのデータの構造化された評価を通じて、製造プロセスの逸脱を特定できます。 ただし、現在、プロセスの遅延と異常は、広範なドメイン知識を使用して手動でプログラムおよび維持されるルールベースの分類子を通じて特定されます。 さらに、処理されたデータの解釈にはさらなる労力がかかります。 これにより、生産スタッフは的を絞った対策を迅速に展開することができなくなります。

私たちの知る限り、現在、次のことを自動的に行うアプローチは存在しません。(i.) ソースエラーと波及エラーの両方を分類する方法を学習します。 (ii.) エラー間のリンクを確立する。 (iii.) ソースエラーの波及効果を測定します。 この取り組みでは、機械学習 (ML) を使用してこれらの課題を解決するための措置を講じます。