[論文レビュー] Quality4.0 -- Transparent product quality supervision in the age of Industry 4.0

Jens Brandenburger, Christoph Schirm+9 more|arXiv (Cornell University)|Nov 12, 2020

Data Quality and Management参考文献 9被引用数 10

ひとこと要約

本論文では、機械学習を用いた外れ値検出および妥当性値（PV）計算により、スチールサプライチェーン全体における製品品質データの水平統合を実現する、適応的でサービス指向のプラットフォーム「Quality4.0」を提案する。このプラットフォームは、品質データ生成、品質割当、品質交換の3つのコアサービスを通じて、信頼性の高い品質情報交換を実現し、双方向の信頼関係と顧客固有のデータ共有を可能にする。

ABSTRACT

Progressive digitalization is changing the game of many industrial sectors. Focus-ing on product quality the main profitability driver of this so-called Industry 4.0 will be the horizontal integration of information over the complete supply chain. Therefore, the European RFCS project 'Quality4.0' aims in developing an adap-tive platform, which releases decisions on product quality and provides tailored information of high reliability that can be individually exchanged with customers. In this context Machine Learning will be used to detect outliers in the quality data. This paper discusses the intermediate project results and the concepts developed so far for this horizontal integration of quality information.

研究の動機と目的

• グローバルな過剰生産とデジタル化の格差による、ヨーロッパのスチールサプライチェーンにおける信頼性と透明性の欠如を解消すること。
• 一般的なITプラットフォームの限界を克服するため、分野特有のプロセス知識とデータ信頼性メカニズムを統合すること。
• サプライチェーン全体にわたり品質情報の水平統合を実現し、顧客信頼と顧客との密接な関係を強化すること。
• スケーラブルでベンダーアーギールのプラットフォームを構築し、データ妥当性、注文固有のデータ割当、セキュアでカスタマイズ可能な品質データ交換を保証すること。
• サプライヤーと顧客の間で双方向フィードバックループを構築し、製品品質の向上とプロセス最適化を図ること。

提案手法

• 品質データ生成サービス（QGS）、品質割当サービス（QAS）、品質交換サービス（QXS）の3つのコアコンponentを有するサービス指向アーキテクチャ（SOA）を実装する。
• 入力データを[0,1]の信頼性スコアにマッピングする関数 PV ≔ f(I) を用いて妥当性値（PV）を計算し、正確性、完全性、タイムリーネス、一貫性を統合する。
• 特に自動表面検査システム（ASIS）からの品質データにおける外れ値を検出するために機械学習技術を適用し、データ信頼性を向上させる。
• FADIビッグデータプラットフォームを基盤インfraとして採用し、Apache NiFi、ELKスタック、PostgreSQL、Grafana、Modoboa などのオープンソースツールを統合する。
• 工場およびテストベッド環境をカバーする継続的インテグレーション／テスト／デプロイ（CI/CD）DevOpsパイプラインを実装する。
• 既存の標準（例：QDX、STEP）がプロジェクトのニーズに不適切と判断されたため、品質データ交換用のカスタムIT標準を策定する。

実験結果

リサーチクエスチョン

• RQ1 サプライチェーン全体にわたり、製品品質データを信頼性高く透明性を持って共有する方法は何か？ これにより顧客信頼がどのように向上するか？
• RQ2 産業用IoT環境において、品質データの妥当性と信頼性を保証するための技術的および組織的メカニズムは何か？
• RQ3 鋼鉄生産からの複雑で多様な品質データストリームに対して、機械学習を効果的に適用して外れ値を検出する方法は何か？
• RQ4 スケーラブルでマルチテナント対応かつベンダーアーギールなプラットフォームを実現するためのアーキテクチャ的および統合パターンは何か？
• RQ5 注文固有に品質データを動的に割当・カスタマイズしつつ、データの整合性とトレーサビリティを維持する方法は何か？

主な発見

• Quality4.0プラットフォームは、QGS、QAS、QXSの3つのコアサービスをモジュラーでSOAベースのアーキテクチャに統合し、エンドツーエンドの品質データ管理を実現した。
• 妥当性値（PV）は、[0,1]スケールでデータ信頼性を定量化する多次元関数 f(I) を用いて計算され、1は完全に信頼できるデータを示す。
• QGSでは機械学習ベースの外れ値検出が実装され、特にASISからの異常値を特定し、データ品質保証を向上させた。
• FADIプラットフォームにより、Apache NiFi、ELK、PostgreSQL、Grafana などのオープンソースツールを活用した、完全にカスタマイズ可能でスケーラブルかつ拡張性のあるQuality4.0スタックのデプロイが可能になった。
• 適切なオープン標準が存在しなかったため、カスタムIT標準を策定し、サプライヤーと顧客間で安全で双方向のデータフローを実現した。
• CI/CDパイプラインにより、自動的で継続的な統合とデプロイが可能となり、多様な産業環境において迅速な反復と信頼性の高い展開を支援した。