[論文レビュー] Artificial Intelligence and Machine Learning to Predict and Improve Efficiency in Manufacturing Industry

Ibtissam El Hassani, Choumicha El Mazgualdi+1 more|arXiv (Cornell University)|Jan 8, 2019

Imbalanced Data Classification Techniques被引用数 9

ひとこと要約

本論文は、歴史的生産データを用いて自動車ケーブル製造における総合設備効率（OEE）を予測するための機械学習フレームワークを提案する。サポートベクターマシン、ランダムフォレスト、XGBoost、ディープラーニングモデルを評価した結果、ディープラーニングとランダムフォレストが予測精度が最も高く、損失が発生する前に能動的な効率改善が可能になる。

ABSTRACT

The overall equipment effectiveness (OEE) is a performance measurement metric widely used. Its calculation provides to the managers the possibility to identify the main losses that reduce the machine effectiveness and then take the necessary decisions in order to improve the situation. However, this calculation is done a-posterior which is often too late. In the present research, we implemented different Machine Learning algorithms namely; Support vector machine, Optimized Support vector Machine (using Genetic Algorithm), Random Forest, XGBoost and Deep Learning to predict the estimate OEE value. The data used to train our models was provided by an automotive cable production industry. The results show that the Deep Learning and Random Forest are more accurate and present better performance for the prediction of the overall equipment effectiveness in our case study.

研究の動機と目的

• OEEの計算遅延を解消し、設備効率をリアルタイムで予測することを目的とする。
• 実際の産業現場におけるOEE予測精度を評価するため、複数の機械学習アルゴリズムを検証することを目的とする。
• 自動車ケーブル製造工場における生産非効率の早期検出に最も効果的なモデルを同定することを目的とする。
• 実際の性能評価の前に、タイムリーで正確なOEE推定を提供することで、データドリブンな意思決定を支援することを目的とする。

提案手法

• 本研究では、自動車ケーブル生産業界のデータセットを用いて機械学習モデルの学習と検証を実施する。
• 5つのアルゴリズムを評価：サポートベクターマシン（SVM）、遺伝的アルゴリズムを用いた最適化されたSVM、ランダムフォレスト、XGBoost、ディープラーニング。
• モデルの性能は標準的な回帰指標を用いて評価され、精度向上のためハイパーパラメータチューニングが適用された。
• ディープラーニングモデルは、複数の全結合層とReLU活性化関数を備えたフィードフォワードニューラルネットワークアーキテクチャを採用している。
• 特徴工学には、設備性能に関連する時系列的および運用パラメータが含まれる。
• 遺伝的アルゴリズムは、SVMモデルのハイパーパラメータを最適化し、その予測能力を向上させることを目的としている。

実験結果

リサーチクエスチョン

• RQ1 実際の製造環境において、どの機械学習モデルが総合設備効率（OEE）の予測において最も高い正確性を示すか？
• RQ2 予測モデリングにより、OEE評価の遅延を短縮し、事前の保守またはプロセス調整を可能にすることができるか？
• RQ3 特にディープラーニングとアンサンブル手法を含む、異なるアルゴリズムが産業生産データにおけるOEE予測においてどのように比較されるか？
• RQ4 遺伝的アルゴリズムによるハイパーパラメータ最適化が、SVMの性能向上にどの程度寄与するか？

主な発見

• ディープラーニングが、テストしたすべてのモデルの中で予測精度が最も高く、OEEの推定において他のアルゴリズムを上回った。
• ランダムフォレストは優れた性能を示し、精度で2番目に高く、特徴の変動に対しても頑健であった。
• 遺伝的アルゴリズムを用いた最適化されたSVMは、標準SVMよりも結果が向上したが、ディープラーニングとランダムフォレストに及ばなかった。
• XGBoostも良好な性能を示したが、この特定の産業データセットではディープラーニングとランダムフォレストに劣った。
• 本研究では、機械学習を用いた予測モデリングが、実際の測定よりも前にOEE値を予測可能であることを確認し、早期の運用対応を可能にする。