Upload
others
View
38
Download
0
Embed Size (px)
Citation preview
Прогнозное управление качествомпереход к управлению производственными процессами на основе знания их влияния на качество.
Михаил Аветисов, эксперт SAP
26 июля 2016
Public
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 2Public
Производственное предприятие (например, металлургическое)
Горячий прокат Травление и
Холодных прокат
ПокрытиеВыплавка и литьё стали Контроль и аттестация
готовой продукции
Выплавка чугуна
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 4Public
Построение Прогноза Качества
ПроизводствоСырьё и материалы Химико-физические свойства
Оборудование Состояние
Ремонты
Тех. процесс Технологическая программа
Кадры Персоналии
Квалификация
Окружающая среда Погода
Календарь
Исходные параметры Качество на выходе
Свойства продукции
Дефекты
Уровень сервиса
Датч
ики
Откл
он
ен
ия
в
техн
ол
оги
и
Эн
ер
гоп
отр
еб
лен
ие
Наблюдаемые параметры
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 5Public
Построение прогнозной модели
Поиск
закономерностейСырьё и материалы Химико-физические свойства
Оборудование Состояние
Ремонты
Тех. процесс Технологическая программа
Кадры Персоналии
Квалификация
Окружающая среда Погода
Календарь
Объясняющие параметры Объясняемые параметры
Свойства продукции
Дефекты
Уровень сервиса
Датчики
Отклонения в технологии
Энергопотребление SAP Predictive Analytics
Исторические данные
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 6Public
Получение прогноза качества
Прогнозная модельСырьё и материалы Химико-физические свойства
Оборудование Состояние
Ремонты
Тех. процесс Технологическая программа
Кадры Персоналии
Квалификация
Окружающая среда Погода
Календарь
Параметры на входе Прогноз качества
Прогноз свойств продукции
Вероятность дефектов
Ожидаемый уровень сервиса
Датчики
Отклонения в технологии
Энергопотребление
Новые данные
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 7Public
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. 8Public
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
𝐸𝑟𝑟𝑜𝑟𝑛𝑒𝑤 ≤ 𝐸𝑟𝑟𝑜𝑟𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 + 𝑓ℎ
𝐿
Они предложили меру сложности моделей, называемую VC-Dimension (размерность Вапника-
Червоненкиса)
? ℎпрямых = 3
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 9Public
Теория Комплексной минимизации риска – основа Automated Analytics
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.
Теперь, когда мы знаем универсальную вычисляемую сложность наших моделей, вместо того, чтобы просто констатировать её, лучше
управлять ей.
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. 10Public
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. 11Public
Прогнозирование качества на УНРС
• 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
25%
97%
Проверки Выявление
Результат оптимизации ОТК
Время работы аналитика: 1,5 часа
Процессы – не только оптимизация контроля
Данные новой плавки
Установка
Симулятор – панель
управления
оператора УНРС
Прогнозная
модель
Predictive
Analytics
1
1
SAP HANA
1 – Подготовка (подбор) параметров нового процесса
Оптимизатор (автоматический подбор
оптимальной программы)
Процессы – не только оптимизация контроля
Данные новой плавки
Данные в процессе
разливки
Установка
Автоматическое
управление процессом
разливки
Симулятор – панель
управления
оператора УНРС
Прогнозная
модель
Predictive
Analytics
1
2
2
SAP HANA
1 – Подготовка (подбор) параметров нового процесса
2 – Мониторинг и корректировка параметров в ходе процесса
1
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 14Public
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.
Процессы – не только оптимизация контроля
Данные новой плавки
Данные в процессе
разливки
Готовые слябы
Установка
Автоматическое
управление процессом
разливки
Наряд на проверку –
список для проверки ОТК
Симулятор – панель
управления
оператора УНРС
Прогнозная
модель
Predictive
Analytics
1
1
2
23
3
SAP HANA
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
Данные новой плавки
Данные в процессе
разливки
Готовые слябы
Данные ОТК
Установка
Автоматическое
управление процессом
разливки
Наряд на проверку –
список для проверки ОТК
Симулятор – панель
управления
оператора УНРС
Прогнозная
модель
Predictive
Analytics
1
1
2
23
3
SAP HANA
1 – Подготовка (подбор) параметров нового процесса
2 – Мониторинг и корректировка параметров в ходе процесса
3 – Выборочный контроль готовой продукции по данным о ходе
изготовления
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 17Public
Оборудование- отказы, отклонение состояния,
приводящее к потере качества
Люди- качество работы, травмы,
прогулы
Продукция- дефекты, несоответствие спецификации,
мех. свойства
Стратегия
KPI
Производство
Заказы
Процессы
Инциденты, влияющие на качество
PQM – концепция
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 18Public
Оборудование- отказы, отклонение состояния,
приводящее к потере качества
Люди- качество работы, травмы,
прогулы
Продукция- дефекты, несоответствие спецификации,
мех. свойства
Стратегия
KPI
Производство
Заказы
Процессы
Инциденты, влияющие на качество
Оптимизация
Процессов
Прогнозирование
Инцидентов, влияющих на качество
PQM – концепция
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 19Public
Оборудование- отказы, отклонение состояния,
приводящее к потере качества
Люди- качество работы, травмы,
прогулы
Продукция- дефекты, несоответствие спецификации,
мех. свойства
Стратегия
KPI
Производство
Заказы
Процессы
Инциденты, влияющие на качество
Управление Заказами
Оптимизация
Процессов
Прогнозирование
Инцидентов, влияющих на качество
PQM – концепция
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 20Public
Распределение заказов от производства
Рынок
Управляющая
компания
Заказ
Завод 1
Завод 2
Завод 3 ?Выбор производства для
размещения заказа
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 21Public
Распределение заказов от производства
Рынок
Управляющая
компания
Заказ
Завод 1
Завод 2
Завод 3
Выбор производства для
размещения заказа с
учётом прогноза качества
(в т.ч. OTIF), ведущий к
оптимальной работе всех
производств
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 22Public
Оборудование- отказы, отклонение состояния,
приводящее к потере качества
Люди- качество работы, травмы,
прогулы
Продукция- дефекты, несоответствие спецификации,
мех. свойства
Стратегия
KPI
Производство
Заказы
Процессы
Инциденты, влияющие на качество
Определение
Стратегии
Улучшение
KPI
Планирование
Производства
Управление
Заказами
Оптимизация
Процессов
Прогнозирование
Инцидентов, влияющих на качество
Поряд
ок
внед
рени
я
При
ори
теза
ци
я п
роект
ов
с у
чёто
м с
трате
гии
PQM – концепция
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 23Public
От управления, выстроенного вокруг процессов…
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 24Public
Прогнозируемое качество
с учётом влияния
всех факторов
… к процессам, выстроенным вокруг качества
Цифровая трансформация компании на базе прогнозируемого качества
Оперативное планирование обслуживания
с учётом влияния на качество
Оптимизация управления
тех. процессом. Виртуальная лаборатория
Управление закупками с
учётом прогноза качества и
с/стоимости
Подбор, обучение и контроль
Распределение выполнения заказов для снижения
с/стоимости и повышения
OTIF
Подбор параметров тех. процессов для
снижения затрат топлива и повышения
энергоэффективности
9,7 тыс.сотрудников
Детали проекта:
Химическая отрасль
Givaudan – виртуальная лаборатория
1. Соответствие производимой продукции требованиям
локальных регуляторов
2. Объединение лабораторных данных с производственными
данными, данными по тестированию, дынными по
характеристикам компонентов из сторонних источников
3. «In-silico» эксперименты
4. Оптимизация будущих лабораторных экспериментов
5. Более 500 тыс. компонентов – классифицируемых как
опасные
6. Около 300 ингредиентов только в 1 аромате
7. 10x – определение соответствия, 20x – скорость
вычислений
88локаций
1 тыс.сотрудников
Детали проекта:
Автомобилестроение
Mercedes-AMG – уже использует все преимущества IoT
1. Обеспечить контроль тестирования в реальном времени
2. Выявить области улучшения качества тестируемых
агрегатов
3. Еженедельная экономия времени работы специалистов
по тестированию моторов
4. Обработка до 30тыс. наборов данных в секунду
5. На 94% быстрее проводимые тест драйвы
+ 1 день
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 27Public
SPARKSAP HANA
Архитектура SAP Predictive Analytics v3
Источники данных
any DB Hadoop
Expert Analytics
Визуальный
анализ
данных
Прозрачная
интеграция
с R
Построение моделейФильтры, нормализация,
сглаживание, нейросети, регрессии,
деревья решений, ансамбли моделей
и т.д…
Automated AnalyticsАвтоматизированное моделирование. Единственный Out-of-box инструмент
моделирования, полностью автоматизирующий процесс построения моделей без потери качества
Класси
фикацияПрогноз
Кластер
изация
Времен
ные
ряды
Ассоциа
ции
Анализ
соц.
сетей
Рекомен
дации
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 28Public
SPARKSAP HANA
Архитектура SAP Predictive Analytics v3
Источники данных
any DB Hadoop
Expert Analytics
Визуальный
анализ
данных
Прозрачная
интеграция
с R
Построение моделейФильтры, нормализация,
сглаживание, нейросети, регрессии,
деревья решений, ансамбли моделей
итд…
Automated AnalyticsАвтоматизированное моделирование. Единственный Out-of-box инструмент
моделирования, полностью автоматизирующий процесс построения моделей без потери качества
Класси
фикацияПрогноз
Кластер
изация
Времен
ные
ряды
Ассоциа
ции
Анализ
соц.
сетей
Рекомен
дации
Библиотеки
HANA
PAL
Библиотека SPARK
Automated Analytics
HANA
APL
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 29Public
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
Узнайте больше о SAP Predictive Analytics от экспертов SAP и научитесь использовать решение еще
эффективнее на семинарах Учебного центра!
Связаться с командой SAP Education CIS
+7 (495) 725 43 26
Полное расписание семинаров 2016 >
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 31Public
© 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.