Прогнозное управление качеством - переход к управлению производственными процессами на основе знания их влияния на качество. Михаил Аветисов ...
←
→
Транскрипция содержимого страницы
Если ваш браузер не отображает страницу правильно, пожалуйста, читайте содержимое страницы ниже
Public Прогнозное управление качеством переход к управлению производственными процессами на основе знания их влияния на качество. Михаил Аветисов, эксперт SAP 26 июля 2016
Производственное предприятие (например, металлургическое) Выплавка чугуна Выплавка и литьё стали Горячий прокат Травление и Покрытие Контроль и аттестация Холодных прокат готовой продукции © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 2
© 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 3
Построение Прогноза Качества Исходные параметры Производство Качество на выходе Сырьё и материалы Химико-физические свойства Оборудование Состояние Ремонты Тех. процесс Технологическая программа Свойства продукции Кадры Персоналии Дефекты Квалификация Уровень сервиса Окружающая среда Погода Календарь Энергопотребление Отклонения в технологии Датчики Наблюдаемые параметры © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 4
Построение прогнозной модели Объясняющие параметры Поиск Объясняемые параметры Сырьё и материалы Химико-физические свойства закономерностей Оборудование Состояние Ремонты Тех. процесс Технологическая программа Кадры Персоналии Квалификация Свойства продукции Окружающая среда Погода Дефекты Календарь Уровень сервиса Датчики Отклонения в технологии Энергопотребление SAP Predictive Analytics Исторические данные © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 5
Получение прогноза качества Параметры на входе Прогнозная модель Прогноз качества Сырьё и материалы Химико-физические свойства Оборудование Состояние Ремонты Тех. процесс Технологическая программа Кадры Персоналии Квалификация Прогноз свойств продукции Окружающая среда Погода Вероятность дефектов Календарь Ожидаемый уровень сервиса Датчики Отклонения в технологии Энергопотребление Новые данные © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 6
Теория Комплексной минимизации риска – основа Automated Analytics Основной проблемой при построении прогнозной модели является её переобучение, то есть ситуация, когда ошибка модели на тестовых данных намного превышает ошибку модели на обучающих данных При классическом подходе, аналитик изучает данные и подбирает наилучшую последовательность преобразований данных (удаление выбросов, нормализация, заполнение пропусков) и методы (регрессии, нейросети, деревья решений), которые, в итоге, приведут к построению точной, но стабильной модели. ? Недообученная модель Хорошая модель Переобученная модель © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 7
Теория Комплексной минимизации риска – основа Automated Analytics Основной проблемой при построении прогнозной модели является её переобучение, то есть ситуация, когда ошибка модели на тестовых данных намного превышает ошибку модели на обучающих данных Владимир Вапник и Алексей Червоненкис показали, что разница между ошибкой на обучающих и тестовых данных а) вычисляема, б) зависит только от двух показателей: сложности модели и количества наблюдений ℎ ≤ + Они предложили меру сложности моделей, называемую VC-Dimension (размерность Вапника- Червоненкиса) ? ℎпрямых = 3 © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 8
Теория Комплексной минимизации риска – основа Automated Analytics Теперь, когда мы знаем универсальную вычисляемую сложность наших моделей, вместо того, чтобы просто констатировать её, лучше управлять ей. SAP Predictive Analytics позволяет достичь качества прогноза, близкого к теоретическому пределу, автоматизировав или сделав ненужными все подготовительные шаги (обработку выбросов, пропусков, проверку распределений, сокращение размерности, устранение нелинейностей и т.д.). Разработка модели превращается из проекта в операцию. Важный дополнительный эффект: Так как сложность модели не связана с количеством переменных (атрибутов), то можно строить прогнозные модели с десятками и сотнями тысяч переменных © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 9
Проект в металлургической компании • Продукция УНРС: стальные слябы • Часть слябов контролируется ОТК • По каждому слябу известно около 300 параметров выпуска • На части слябов выявлены поверхностные дефекты • Для части слябов дефекты проявились на последующих этапах • Задача • По параметрам изготовления сляба:: • Оценить вероятность возникновения дефекта на слябе при указанных параметрах • Выбрать для проверки слябы с наибольшей вероятностью дефектов © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 10
Прогнозирование качества на УНРС Результат оптимизации ОТК • Продукция УНРС: стальные слябы • Часть слябов контролируется ОТК • По каждому слябу известно около 300 параметров выпуска • На части слябов выявлены поверхностные дефекты • Для части слябов дефекты проявились на последующих этапах • Задача 97% • По параметрам изготовления сляба:: • Оценить вероятность возникновения дефекта на слябе при указанных параметрах • Выбрать для проверки слябы с наибольшей вероятностью 25% дефектов Проверки Выявление Время работы аналитика: 1,5 часа © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 11
Процессы – не только оптимизация контроля 1 Симулятор – панель управления Установка SAP HANA оператора УНРС 1 Данные новой плавки Прогнозная модель Predictive Analytics Оптимизатор (автоматический подбор оптимальной программы) 1 – Подготовка (подбор) параметров нового процесса
Процессы – не только оптимизация контроля 1 Симулятор – панель управления Установка SAP HANA оператора УНРС 1 Данные новой плавки Прогнозная Данные в процессе 2 модель разливки Predictive Analytics Автоматическое 2 управление процессом разливки 1 – Подготовка (подбор) параметров нового процесса 2 – Мониторинг и корректировка параметров в ходе процесса
Проблемы динамических моделей Основное отличие динамической системы от статистической модели: Изменение одного параметра ведёт к изменению большого количества зависимых параметров Решение 1: Построение модели динамической системы, как системы уравнений, в упрощённом виде отражающей все взаимосвязи параметров системы (НИИ подход) Решение 2: Благодаря возможности SAP Predictive Analytics построить модель, включающую параметры системы, взятые с различными сдвигами управляющих и наблюдаемых параметров друг относительно друга, замена «чистых значений» управляющих параметров на управляющие воздействия, т.е. построение модели, прогнозирующей: При наблюдаемом состояние A в момент времени T0 и осуществлённом в момент времени T1 воздействии B, в момент времени T2 ожидается качество C. © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 14
Процессы – не только оптимизация контроля 1 Симулятор – панель управления Установка SAP HANA оператора УНРС 1 Данные новой плавки Прогнозная Данные в процессе 2 модель разливки Predictive 3 Analytics Готовые слябы Автоматическое 2 управление процессом разливки Наряд на проверку – 3 список для проверки ОТК 1 – Подготовка (подбор) параметров нового процесса 2 – Мониторинг и корректировка параметров в ходе процесса 3 – Выборочный контроль готовой продукции по данным о ходе изготовления
Процессы – не только оптимизация контроля 1 Симулятор – панель управления Установка SAP HANA оператора УНРС 1 Данные новой плавки Прогнозная Данные в процессе 2 модель разливки Predictive 3 Analytics Готовые слябы Автоматическое 2 управление процессом разливки Данные ОТК Наряд на проверку – 3 список для проверки ОТК 1 – Подготовка (подбор) параметров нового процесса 2 – Мониторинг и корректировка параметров в ходе процесса 3 – Выборочный контроль готовой продукции по данным о ходе изготовления
PQM – концепция Стратегия KPI Производство Заказы Процессы Инциденты, влияющие на качество Оборудование Продукция Люди - отказы, отклонение состояния, - дефекты, несоответствие спецификации, - качество работы, травмы, приводящее к потере качества мех. свойства прогулы © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 17
PQM – концепция Стратегия KPI Производство Заказы Оптимизация Процессов Процессы Прогнозирование Инцидентов, Инциденты, влияющих влияющие на накачество качество Оборудование Продукция Люди - отказы, отклонение состояния, - дефекты, несоответствие спецификации, - качество работы, травмы, приводящее к потере качества мех. свойства прогулы © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 18
PQM – концепция Стратегия KPI Производство Управление Заказами Заказы Оптимизация Процессов Процессы Прогнозирование Инцидентов, Инциденты, влияющих влияющие на накачество качество Оборудование Продукция Люди - отказы, отклонение состояния, - дефекты, несоответствие спецификации, - качество работы, травмы, приводящее к потере качества мех. свойства прогулы © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 19
Распределение заказов от производства Заказ Управляющая компания Завод 1 Завод 2 Рынок Завод 3 ? Выбор производства для размещения заказа © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 20
Распределение заказов от производства Заказ Управляющая компания Завод 1 Завод 2 Выбор производства для размещения заказа с Завод 3 учётом прогноза качества (в т.ч. OTIF), ведущий к Рынок оптимальной работе всех производств © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 21
PQM – концепция Определение Приоритезация проектов Стратегии Стратегия Улучшение с учётом стратегии внедрения KPI Порядок Планирование Производство Производства Управление Заказами Заказы Оптимизация Процессов Процессы Прогнозирование Инцидентов, Инциденты, влияющие влияющихна накачество качество Оборудование Продукция Люди - отказы, отклонение состояния, - дефекты, несоответствие спецификации, - качество работы, травмы, приводящее к потере качества мех. свойства прогулы © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 22
От управления, выстроенного вокруг процессов… © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 23
… к процессам, выстроенным вокруг качества Цифровая трансформация компании на базе прогнозируемого качества Оперативное планирование Подбор, обслуживания обучение и с учётом контроль влияния на Прогнозируемое качество качество с учётом влияния Оптимизация Распределение управления тех. всех факторов выполнения заказов для процессом. снижения с/стоимости и Виртуальная повышения лаборатория OTIF Подбор Управление параметров тех. закупками с процессов для учётом снижения прогноза затрат топлива качества и и повышения с/стоимости энергоэффектив ности © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 24
Givaudan – виртуальная лаборатория Детали проекта: 1. Соответствие производимой продукции требованиям Химическая отрасль локальных регуляторов 2. Объединение лабораторных данных с производственными данными, данными по тестированию, дынными по характеристикам компонентов из сторонних источников 9,7 тыс. сотрудников 3. «In-silico» эксперименты 4. Оптимизация будущих лабораторных экспериментов 5. Более 500 тыс. компонентов – классифицируемых как опасные 88 локаций 6. Около 300 ингредиентов только в 1 аромате 7. 10x – определение соответствия, 20x – скорость вычислений
Mercedes-AMG – уже использует все преимущества IoT Детали проекта: 1. Обеспечить контроль тестирования в реальном времени Автомобилестроение 2. Выявить области улучшения качества тестируемых агрегатов 1 тыс. сотрудников 3. Еженедельная экономия времени работы специалистов по тестированию моторов 4. Обработка до 30тыс. наборов данных в секунду + 1 день 5. На 94% быстрее проводимые тест драйвы
Архитектура SAP Predictive Analytics v3 Expert Analytics Automated Analytics Автоматизированное моделирование. Единственный Out-of-box инструмент моделирования, полностью автоматизирующий процесс построения моделей без потери качества Визуальный Построение моделей Прозрачная Фильтры, нормализация, анализ сглаживание, нейросети, регрессии, интеграция Времен Анализ Класси Кластер Ассоциа Рекомен данных деревья решений, ансамбли моделей и т.д… сR фикация Прогноз изация ные ции соц. дации ряды сетей Источники данных SAP HANA SPARK any DB Hadoop © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 27
Архитектура SAP Predictive Analytics v3 Expert Analytics Automated Analytics Автоматизированное моделирование. Единственный Out-of-box инструмент моделирования, полностью автоматизирующий процесс построения моделей без потери качества Визуальный Построение моделей Прозрачная Фильтры, нормализация, анализ сглаживание, нейросети, регрессии, интеграция Времен Анализ Класси Кластер Ассоциа Рекомен данных деревья решений, ансамбли моделей итд… сR фикация Прогноз изация ные ции соц. дации ряды сетей Библиотеки HANA HANA Библиотека SPARK PAL APL Automated Analytics Источники данных SAP HANA SPARK any DB Hadoop © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 28
Преимущества и особенности прогнозной аналитики SAP: программа Учебного центра SAP Программа обучения по прогнозной аналитике SAP SAP Predictive Analytics 2.2 > 26 сентября Смежное направление обучения Интернет вещей в действии на базе технологий SAP > Интерактивный семинар 10 октября Связаться с командой SAP Education CIS +7 (495) 725 43 26 education.russia@sap.com Полное расписание семинаров 2016 > Узнайте больше о SAP Predictive Analytics от экспертов SAP и научитесь использовать решение еще эффективнее на семинарах Учебного центра! © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 29
Хотите знать больше? © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 30
© 2016 SAP SE or an SAP affiliate company. All rights reserved. No part of this publication may be reproduced or transmitted in any form or for any purpose without the express permission of SAP SE or an SAP affiliate company. SAP and other SAP products and services mentioned herein as well as their respective logos are trademarks or registered trademarks of SAP SE (or an SAP affiliate company) in Germany and other countries. Please see http://global12.sap.com/corporate-en/legal/copyright/index.epx for additional trademark information and notices. Some software products marketed by SAP SE and its distributors contain proprietary software components of other software vendors. National product specifications may vary. These materials are provided by SAP SE or an SAP affiliate company for informational purposes only, without representation or warranty of any kind, and SAP SE or its affiliated companies shall not be liable for errors or omissions with respect to the materials. The only warranties for SAP SE or SAP affiliate company products and services are those that are set forth in the express warranty statements accompanying such products and services, if any. Nothing herein should be construed as constituting an additional warranty. In particular, SAP SE or its affiliated companies have no obligation to pursue any course of business outlined in this document or any related presentation, or to develop or release any functionality mentioned therein. This document, or any related presentation, and SAP SE’s or its affiliated companies’ strategy and possible future developments, products, and/or platform directions and functionality are all subject to change and may be changed by SAP SE or its affiliated companies at any time for any reason without notice. The information in this document is not a commitment, promise, or legal obligation to deliver any material, code, or functionality. All forward- looking statements are subject to various risks and uncertainties that could cause actual results to differ materially from expectations. Readers are cautioned not to place undue reliance on these forward-looking statements, which speak only as of their dates, and they should not be relied upon in making purchasing decisions. © 2016 SAP SE or an SAP affiliate company. All rights reserved. Public 31
Вы также можете почитать
