Een slechte run stilleggen voordat het product verloren gaat
Een model dat al tijdens de productierun voorspelt wat de yield wordt: nauwkeurig genoeg om op te handelen, en transparant genoeg om op te vertrouwen.
Of een run is misgegaan, zag je pas als hij klaar was. En bij producten van deze waarde kost elk afgekeurd stuk veel geld.
Een hybride model dat de sensoren leest die al in de machine zitten en halverwege de run voorspelt wat de yield wordt. Het laat zien waarop die voorspelling rust, zodat een engineer er meteen iets mee kan.
Yield met 98% nauwkeurigheid voorspeld, vroeg genoeg om in te grijpen. Met de vermoedelijke oorzaak erbij, zodat onderhoud weet waar het moet zoeken.
Deze klant maakt producten met een hoge waarde per stuk, op één gespecialiseerde machine, en wil niet bij naam genoemd worden. Daarom lees je hier wel de aanpak en de cijfers, maar niet wie het is. Sensoren in de machine leggen tijdens elke run al vast wat er gebeurt. Alleen waarschuwde die data niemand op tijd.
Wat het model doet
Voorspelt tijdens de run
Het model leest de sensoren die al in de machine zitten en ziet waar de run op uitkomt, lang voordat het product klaar is.
98% nauwkeurig
Nauwkeurig genoeg om op een waarschuwing te handelen. Wie wacht tot het zeker is, weet het pas als er niets meer aan te doen is.
Laat zien waarom
Bij elke voorspelling zie je welke factoren erachter zitten. Een engineer ziet dus niet alleen dát het model een slechte run verwacht, maar ook waarom.
Wijst de oorzaak aan
De signalen die een lage yield voorspellen, wijzen ook naar de oorzaak. Monteurs beginnen dus waar het probleem zit, in plaats van het eerst te moeten zoeken.
Aan data had de machine geen gebrek. Het probleem was de timing: niets in die data waarschuwde iemand voordat de run voorbij was. En dan waren het product en de uren die erin zaten al verloren.
Hoe we werkten
We begonnen met het eenvoudigste dat zou kunnen werken, en maakten het alleen ingewikkelder waar dat echt iets opleverde.
-
Eerst eenvoudige methoden
Statistische baselines op de bestaande sensordata. Zo wisten we hoeveel er te voorspellen viel zonder machine learning.
-
Machine learning waar het loonde
Waar de eenvoudige methoden tekortschoten, stapten we over op machine learning, met een neuraal netwerk. Wat dat opleverde, hebben we gemeten in plaats van aangenomen.
-
Uitlegbaarheid als eis
We beoordeelden elk model niet alleen op hoe vaak het gelijk had, maar ook op de vraag of een engineer kon zien waarom het zei wat het zei.
Wat er op de werkvloer veranderde
Twee dingen, en het tweede bleek net zo belangrijk als het eerste.
-
Ingrijpen tijdens de run
Een voorspelde lage yield komt nu binnen terwijl er nog iets aan te doen is: het proces bijsturen of de run stilleggen, in plaats van afmaken en afkeuren.
-
Sneller bij de oorzaak
Het model laat zien welke omstandigheden achter een slechte voorspelling zitten, dus monteurs weten waar ze moeten kijken. Sneller herstellen betekent minder stilstand en meer tijd waarin de machine produceert.
Waarom hybride, en niet alleen machine learning
Een model dat alleen op machine learning draait, in ons geval een neuraal netwerk, was op papier net iets nauwkeuriger geweest, maar in de controlekamer veel minder bruikbaar. Niemand legt een dure run stil op basis van een getal dat niet uitlegt waar het vandaan komt. Door het te combineren met traditionele, uitlegbare methoden houd je de nauwkeurigheid waar die telt, en blijft de redenering zichtbaar voor de mensen die moeten beslissen. Daardoor wordt een voorspelling iets waarop je handelt, niet iets waarover je discussieert.
Belangrijkste resultaten
-
Yield met 98% nauwkeurigheid voorspeld terwijl de run nog loopt
-
Slechte runs vroeg genoeg gezien om in te grijpen, in plaats van ze aan het eind af te keuren
-
De vermoedelijke oorzaak bij de voorspelling, zodat onderhoud meteen op de goede plek begint
-
Minder stilstand door zoeken naar de oorzaak, en meer tijd waarin de machine produceert