品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance Approach by Machine Learning))
3 likes•1,845 views
製造業における品質管理・設備保全での機械学習の適用方法についてのスライドです。
![診断的分析
[Interactive Reports &
Machine Learning]
処方的分析
[Recommendations &
Automation]
予測的分析
[Machine Learning]
記述的分析
[Reports]
What should
I do?
What will
happen?
Why did it
happen?
What
happened? Insight
分析の要件整理のファーストステップ](https://image.slidesharecdn.com/manuanalyticsforqcpm-191024053110/85/2019-9-Quality-Control-and-Predictive-Maintenance-Approach-by-Machine-Learning-2-320.jpg)
品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance Approach by Machine Learning))
- 1. 品質管理・設備保全のための 機械学習入門 女部田啓太 日本マイクロソフト株式会社 Cloud Solution Architect – Machine Learning, Deep Learning
- 2. 診断的分析 [Interactive Reports & Machine Learning] 処方的分析 [Recommendations & Automation] 予測的分析 [Machine Learning] 記述的分析 [Reports] What should I do? What will happen? Why did it happen? What happened? Insight 分析の要件整理のファーストステップ
- 3. 設計・開発 etc サプライチェーン 計画 製造 営業 アフターサービス 需要予測キャリブレーション ソフトセンサー 品質予測 サポートBot 予兆保全価格最適化 安全対策在庫最適化 工数予測 マーケティング オートメーション トレーサビリティ ワランティ分析 ロボット自律化 構造解析 レコメンデーション異常検知 マシン ティーチング リソース割り当て 訪問回数 最適化
- 11. 1変数 多変数
- 12. 主成分分析 主成分1 主成分2 • データのばらつき(=分散)を最大になるよう に線を引いていく • 大量変数をグルーピングして、新しい変数 として扱う
- 14. ID 品質 工程1-温度 工程2-粘度 工程2-外気温 1111 OK 23.2 89 30 1112 NG 24.3 86 29 1113 OK 23.3 75 31 1114 OK 25.6 79 31 1115 OK 23.0 88 29 1116 NG 23.0 80 31 1117 OK 22.6 90 28 工程3-振動数 1200 1197 1220 1201 1173 1185 1233 ※分析要件やデータの特性によって作成方法は異なります。
- 15. 変数重要度 スキル 温度 湿度 振動数 0 1 粘度 85% model 𝑦 = 𝒂𝑥1 + 𝐛𝑥2 + 𝐜𝑥3 + 𝐝𝑥4 + e 係数の大きさ 予測値 実測値 線形回帰の例
- 17. モデルの精度とモデルの解釈性はトレードオフになりがち Black Box モデル • なぜその予測値になった？ • モデルの改善方法は？ • モデル構造が複雑 • 理解するのが非常に困難 • このモデルは妥当？信頼できる？
- 18. 解釈可能な モデルを使う Black Box な モデルを解釈する • 従来の統計的手法 • 線形回帰 • 決定木 • LIME • SHAP • Permutation Feature Importance https://github.com/konabuta/DataExplore-Workshop サンプルコード集
- 19. カテゴリー アプローチ方法 Microsoft 提供サービス 解釈可能な モデル • 従来の統計解析手法 • 線形回帰 • 決定木 • 一般化線形モデル • Power BI – Key Influencers • Azure ML service – Visual Interface (or Azure ML Studio) • Python, R で実装 (Azure ML service) • その他 Microsoft InterpretML 汎用的な 解釈フレームワーク • Permutation Feature Importance • Partial Dependency Plot • LIME • SHAP • Azure ML Studio – PFIモジュール • Azure ML Interpretability SDK • Python, R で実装 (Azure ML service)
- 22. 工程A 工程B モデル 工程A 工程B 従来アプローチ 自動化アプローチ 熟練工 制御システム 前工程の加工作業が 長引いたから、この工程 のパラメータは10にしよう 前工程のIoTデータから 次工程のパラメータをAI が算出 マシン・人への 指示 熟練工に頼らない製造工程の自動化
- 23. リワークコストの増加、納品の遅れが課題に 品質不良の 恐れあり ばらつき: 11% (許容範囲: ≦ 11%) 振動数: 異常に多い ビット摩耗: 高 工場 2 での結果: ランクB 統合データ 品質予測モデル 0 0 1 0 1 0 0 1 1 0 0 1 1 0 0
- 29. 振動数 回転数 稼働日数
- 31. リアルタイム バッチ 固定 スケーラブル オフライン オンライン
- 33. 故障までの日数 : 10 日間 メンテナンス スタッフを派遣 保守 進行中 設備データ 故障予測モデル 故障までの日数 10日 油田のパイプライン
- 39. • 学習 : 100ユニット • テスト : 100ユニット • サイクル値：cycle • 機械設定値 : setting1 ~ setting3 • センサーデータ : s1 ~ s21
- 41. RULope1 s1 s2 s21ope3… … 169 168 0 1 2 167 … 特徴量データ 予測対象 cycle 0 1 2 … 169 168 167 時間 予測対象列の追加 あと169日使える... もう使えなくなっちゃう...
- 42. RULope1 s1 s2 s21ope3… … 169 168 0 1 2 167 cycle 0 1 2 … 167 168 169 Window Size = 50 50サイクル分の時系列を考慮する学習データを作成 50 25 49 … 120
- 43. Long Short Term Memory (LSTM) 予測値 50サイクル分の 時系列データ 出力 正解値 学習
- 44. テストデータに対する損失 0.049 テストデータに対する精度 98%
- 45. MICROSOFT CONFIDENTIAL 本資料は情報提供のみを目的としており、本資料に記載されている情報は、本資料作成時点でのマイクロソフトの見解を示し たものです。状況等の変化により、内容は変更される場合があります。本資料に表記されている内容（提示されている条件等 を含みます）は、貴社との有効な契約を通じて決定されます。それまでは、正式に確定するものではありません。従って、本資 料の記載内容とは異なる場合があります。また、本資料に記載されている価格はいずれも、別段の表記がない限り、参考価 格となります。貴社の最終的な購入価格は、貴社のリセラー様により決定されます。マイクロソフトは、本資料の情報に対して 明示的、黙示的または法的な、いかなる保証も行いません。 © 2019 Microsoft Corporation. All rights reserved.