Public Прогнозное управление качеством · Прогнозное управление качеством ... превращается из проекта

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



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


Построение прогнозной модели

Поиск

закономерностейСырьё и материалы Химико-физические свойства


Ремонты





Календарь

Объясняющие параметры Объясняемые параметры

Свойства продукции

Дефекты

Уровень сервиса

Датчики

Отклонения в технологии

Энергопотребление SAP Predictive Analytics

Исторические данные


Получение прогноза качества

Прогнозная модельСырьё и материалы Химико-физические свойства


Ремонты





Календарь

Параметры на входе Прогноз качества

Прогноз свойств продукции

Вероятность дефектов

Ожидаемый уровень сервиса

Датчики

Отклонения в технологии

Энергопотребление

Новые данные


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



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



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


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


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)



Данные в процессе

разливки

Установка

Автоматическое

управление процессом

разливки





модель

Predictive

Analytics

1

2

2

SAP HANA


2 – Мониторинг и корректировка параметров в ходе процесса

1


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.




разливки

Готовые слябы

Установка



разливки

Наряд на проверку –

список для проверки ОТК





модель

Predictive

Analytics

1

1

2

23

3

SAP HANA



3 – Выборочный контроль готовой продукции по данным о ходе

изготовления




разливки

Готовые слябы

Данные ОТК

Установка



разливки

Наряд на проверку –

список для проверки ОТК





модель

Predictive

Analytics

1

1

2

23

3

SAP HANA



3 – Выборочный контроль готовой продукции по данным о ходе

изготовления


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





прогулы



Стратегия

KPI


Заказы

Процессы


Оптимизация

Процессов

Прогнозирование

Инцидентов, влияющих на качество






прогулы



Стратегия

KPI


Заказы

Процессы


Управление Заказами


Процессов





Распределение заказов от производства

Рынок

Управляющая

компания

Заказ

Завод 1

Завод 2

Завод 3 ?Выбор производства для

размещения заказа


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





прогулы



Стратегия

KPI


Заказы

Процессы


Определение

Стратегии

Улучшение

KPI

Планирование

Производства

Управление

Заказами


Процессов



Поряд

ок

внед

рени

я

При

ори

теза

ци

я п

роект

ов

с у

чёто

м с

трате

гии



От управления, выстроенного вокруг процессов…


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


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


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


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

[email protected]

Полное расписание семинаров 2016 >

https://training.sap.com/shop/course/paii10--------ru-ru/

https://training.sap.com/shop/course/wruiot--------ru-ru/

mailto:[email protected]

https://cdn.training.sap.com/cdn/pdf/PS16.pdf/RU/RU


Хотите знать больше?


© 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.

http://global12.sap.com/corporate-en/legal/copyright/index.epx

Documents

Public Прогнозное управление качеством · Прогнозное управление качеством ... превращается из проекта