提升制造業(yè)發(fā)展質(zhì)量和效益已經(jīng)成為我國經(jīng)濟發(fā)展的重中之重，利用機器學習技術不僅能夠改善產(chǎn)品質(zhì)量與服務，還能夠有效促進制造企業(yè)降低設備故障率、減少停機設計、控制生產(chǎn)成本，最終走向智能制造。本文介紹了機器學習技術在智能制造中的一些應用場景，并介紹了魔數(shù)智擎公司的機器學習技術在質(zhì)量管理和設備維護方面的應用。

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)計學作為基礎的，處理的數(shù)據(jù)量較為有限（小數(shù)據(jù)），采用假設檢驗以及實驗設計（DOE）為主的統(tǒng)計分析方式，取得了不錯的效果。但隨著工業(yè)4.0、智能制造時代的到來，真正意義上的大數(shù)據(jù)已經(jīng)在先進制造型企業(yè)爆發(fā)式的產(chǎn)生，而經(jīng)典的統(tǒng)計方法已經(jīng)無法很好應對大數(shù)據(jù)帶來的新挑戰(zhàn)。

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

以機器學習為代表的各種類型的大數(shù)據(jù)技術不僅能夠?qū)⒋髷?shù)據(jù)轉(zhuǎn)化為價值高的數(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。同時，機器學習技術作為目前產(chǎn)業(yè)發(fā)展過程中的一種新型技術，能夠直接應用于企業(yè)生產(chǎn)制造到銷售的全流程，提升制造業(yè)的供應鏈以及質(zhì)量管理水平。

機器學習技術在智能制造中的應用場景

生產(chǎn)過程自動化

智能制造應用在工業(yè)領域中，可實現(xiàn)自動化作業(yè)，在企業(yè)生產(chǎn)與產(chǎn)線管理和設備控制方面有良好的效果。智能制造以機器學習技術作為支撐。制造企業(yè)能夠?qū)崿F(xiàn)實時的生產(chǎn)可視化監(jiān)控和預測分析，及時快速收集與產(chǎn)品設備相關的信息，提前預警設備故障并進行預測性維護。基于對生產(chǎn)過程中原材料及中間產(chǎn)品的實時數(shù)據(jù)監(jiān)測，企業(yè)可以運用機器學習技術動態(tài)調(diào)整生產(chǎn)計劃，及時調(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)將自動化監(jiān)控引入到質(zhì)量管理環(huán)節(jié)，在生成過程中進行監(jiān)控與控制，實現(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。同時借助機器學習技術進行自動診斷功能，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)活動有序、可靠運行提供保障[3]。

供應鏈管理智能化

供應鏈中的庫存問題一直困擾制造業(yè)的核心痛點之一。從精益制造到智能制造的一個核心目標就是要盡可能實現(xiàn)零庫存。而銷量預測又是一個極其具有挑戰(zhàn)性的工作，因為最終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、定價、銷售策略等等。相較于簡單的線性統(tǒng)計模型，機器學習更加適合處理這種特別復雜的模式識別問題。機器學習能夠提供強大的預測分析能力，幫助制造業(yè)更好的發(fā)現(xiàn)供應鏈中復雜的驅(qū)動因素，最終實現(xiàn)具備預見性的供應鏈智能管理，從而減少庫存。

機器學習技術在智能制造應用實例

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指標，如溫度、濕度、各種工藝參數(shù)以及原材料指標等，需要分析哪些關鍵因素可能和最終產(chǎn)品缺陷相關、關鍵指標的不同取值區(qū)間對產(chǎn)品缺陷的影響、多個關鍵指標對產(chǎn)品缺陷的共同影響。客戶使用魔數(shù)智擎公司的ME機器學習建模平臺能夠快速高效的對于該復雜的分析問題進行建模，ME內(nèi)置交互的自動化建模方法，僅需5步點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。其獨有的模型可解釋性技術能夠幫助質(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)量管理人員認可的預測模型，該模型對于生產(chǎn)工藝改進給出了非常有價值的洞察，最終實現(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。目標變量為產(chǎn)品是否合格，預測變量共590個指標，其中類別型變量122個，數(shù)值型變量468個。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進行快速特征降緯，可精簡模型的預測變量，提高模型穩(wěn)定性。最終從590個指標輪迭代建模篩選出26個關鍵指標，如圖1所示。模型的性能指標AUC為0.789，KS為0.501，如圖2所示。

圖1 關鍵傳感器影響度排名

圖2 模型性能指標

采用平臺內(nèi)置的超參優(yōu)化技術，按照貝葉斯優(yōu)化算法，自動迭代計算全局的最優(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為AUC為0.824，KS為0.595，如圖3所示。

圖3 優(yōu)化后性能指標

同時質(zhì)量管理人員利用平臺內(nèi)置的模型可解釋性技術來理解復雜機器學習模型背后發(fā)現(xiàn)的規(guī)律。以指標sig60為例，圖4橫坐標為sig60取值范圍，縱坐標為產(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sig60盡量保證（-30, 0）范圍內(nèi)，不要大于0值，大于0值后會導致產(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

同時還發(fā)現(xiàn)一些指標的兩兩組合對產(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)中設置sig60、sig20對應的指標要盡量避免該組合區(qū)間。

生產(chǎn)線故障預警

某公司的生產(chǎn)線故障率較低，但當生產(chǎn)線故障發(fā)生時，因故障導致的非正常停機會造成巨大損失，因此需要對設備相關的數(shù)據(jù)進行分析建模，提前預警設備故障并進行預測性維護，通過準確預測設備故障和及時維護，降低設備故障率、減少生產(chǎn)線停機時間、優(yōu)化設備性能和運行時間。通過使用先進的機器學習技術對設備相關的數(shù)據(jù)建立故障預警模型，預測設備發(fā)生故障的概率并確定維護時間。最終，模型運行后2年中的停機時間縮短6％，并將機器壽命延長了4年，降低維護和運營成本。?

遠程設備預測性維保

某公司提供大型設備的租用服務，其維保服務的最佳時機在因故障停機之前，設備裝有大量傳感器對外部的環(huán)境和設備工況等進行監(jiān)控，并將傳感器數(shù)據(jù)上傳到公司服務器。利用機器學習技術可建立預測設備維保模型，通過剃刀技術確定導致性能不佳或停機的關鍵環(huán)境因素。同時基于模型解釋性技術，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，更好地預測機器何時維保。通過模型，動態(tài)調(diào)整維保計劃，及時調(diào)整維保資源配置狀況，更好地將集中操作將遠程租用設備連接起來，最大限度地減少緊急派車和服務中斷，并提升客戶體驗。

結(jié)束語

本文描述機器學習技術在智能制造中的一些應用場景以及可能帶來的價值，此外也分享了魔數(shù)智擎公司如何利用其ME產(chǎn)品的機器學習技術來進行質(zhì)量缺陷分析的案例。ME是一款可解釋，可干預的交互式機器學習建模平臺，提供了數(shù)據(jù)預處理、數(shù)據(jù)自動清洗、模型開發(fā)、規(guī)則自動探索等強大的先進數(shù)據(jù)分析功能。解決傳統(tǒng)黑盒模型導致模型難以落地業(yè)務的問題，幫助生產(chǎn)制造部門快速地進行決策分析，進而改善產(chǎn)品質(zhì)量與服務、降低設備故障率。

（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

?