提升制造業發展質量和效益已經成為我國經濟發展的重中之重，利用機器學習技術不僅能夠改善產品質量與服務，還能夠有效促進制造企業降低設備故障率、減少停機設計、控制生產成本，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，并介紹了魔數智擎公司的機器學習技術在質量管理和設備維護方面的應用。

一直以來，制造業以六西格瑪質量管理的數據分析方法是以經典統計學作為基礎的，處理的數據量較為有限（小數據），采用假設檢驗以及實驗設計（DOE）為主的統計分析方式，取得了不錯的效果。但隨著工業4.0、智能制造時代的到來，真正意義上的大數據已經在先進制造型企業爆發式的產生，而經典的統計方法已經無法很好應對大數據帶來的新挑戰。

大數據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中的海量數據進行處理、分析，并最終產生業務價值成為了一個新的挑戰。

以機器學習為代表的各種類型的大數據技術不僅能夠將大數據轉化為價值高的數據資產，而且已經成為是變革企業生產過程、經營管理和商業模式的核心技術。同時，機器學習技術作為目前產業發展過程中的一種新型技術，能夠直接應用于企業生產制造到銷售的全流程，提升制造業的供應鏈以及質量管理水平。

機器學習技術在智能制造中的應用場景

生產過程自動化

智能制造應用在工業領域中，可實現自動化作業，在企業生產與產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。制造企業能夠實現實時的生產可視化監控和預測分析，及時快速收集與產品設備相關的信息，提前預警設備故障并進行預測性維護。基于對生產過程中原材料及中間產品的實時數據監測，企業可以運用機器學習技術動態調整生產計劃，及時調整企業的資源配置狀況，提高企業生產控制與管理決策的敏捷度。

質量診斷智能化

智能制造在我國制造業大范圍普及，很多企業將自動化監控引入到質量管理環節，在生成過程中進行監控與控制，實現全過程監督、識別，可以快速發現產品在各制造環節的異常狀況。同時借助機器學習技術進行自動診斷功能，快速鎖定引發質量問題的原因，迅速解決，避免產品的質量問題，為生產活動有序、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零庫存。而銷量預測又是一個極其具有挑戰性的工作，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、季節性因素、產品本身的特點、定價、銷售策略等等。相較于簡單的線性統計模型，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，幫助制造業更好的發現供應鏈中復雜的驅動因素，最終實現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

質量管理智能化

某公司搜集了生產制造過程中五百多個指標，如溫度、濕度、各種工藝參數以及原材料指標等，需要分析哪些關鍵因素可能和最終產品缺陷相關、關鍵指標的不同取值區間對產品缺陷的影響、多個關鍵指標對產品缺陷的共同影響。客戶使用魔數智擎公司的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量管理人員快速解讀模型發現的規律，最終生成質量管理人員認可的預測模型，該模型對于生產工藝改進給出了非常有價值的洞察，最終實現更低的缺陷率。

樣本數量為1567條，其中93.34%為合格品，6.66%為不合格品。目標變量為產品是否合格，預測變量共590個指標，其中類別型變量122個，數值型變量468個。采用平臺內置的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

采用平臺內置的超參優化技術，按照貝葉斯優化算法，自動迭代計算全局的最優參數，使用貝葉斯算法搜索最優參數組合，提高模型精度。優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 優化后性能指標

同時質量管理人員利用平臺內置的模型可解釋性技術來理解復雜機器學習模型背后發現的規律。以指標sig60為例，圖4橫坐標為sig60取值范圍，縱坐標為產品缺陷的可能性，從圖中發現sig60取值在【-30,0】區間，對產品缺陷概率較小；但在取值(0,14)區間，對產品缺陷概率快速上升。在【14,21】區間對產品缺陷概率逐步下降。從圖中發現，生產指標sig60盡量保證（-30, 0）范圍內，不要大于0值，大于0值后會導致產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品質量的區間。

圖4 傳感器sig60歸因圖

同時還發現一些指標的兩兩組合對產品缺陷的交互作用，如溫度、濕度對產品缺陷的交互作用。以sig60，sig20為例，發現在sig60（11.723332，18.152843），sig20（12.502025，12.611395）區間，產品缺陷率約為30%，較原始缺陷率上升4.52倍。在生產中設置sig60、sig20對應的指標要盡量避免該組合區間。

生產線故障預警

某公司的生產線故障率較低，但當生產線故障發生時，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據進行分析建模，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、減少生產線停機時間、優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據建立故障預警模型，預測設備發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境和設備工況等進行監控，并將傳感器數據上傳到公司服務器。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，動態調整維保計劃，及時調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，此外也分享了魔數智擎公司如何利用其ME產品的機器學習技術來進行質量缺陷分析的案例。ME是一款可解釋，可干預的交互式機器學習建模平臺，提供了數據預處理、數據自動清洗、模型開發、規則自動探索等強大的先進數據分析功能。解決傳統黑盒模型導致模型難以落地業務的問題，幫助生產制造部門快速地進行決策分析，進而改善產品質量與服務、降低設備故障率。

（作者：柴磊 深圳市魔數智擎人工智能有限公司總經理）
編輯：黃飛

?