[论文解读] 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 9

一句话总结

本文提出了一种机器学习框架，利用历史生产数据预测汽车线缆制造中的整体设备效率（OEE）。该研究评估了支持向量机（SVM）、随机森林、XGBoost和深度学习模型，发现深度学习与随机森林在预测精度方面表现最佳，可实现损失发生前的主动效率优化。

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.

研究动机与目标

• 为解决OEE计算延迟问题，实现实时设备效率预测。
• 评估多种机器学习算法在真实工业环境中的OEE预测准确性。
• 识别在汽车线缆制造工厂中实现生产效率低效早期检测的最有效模型。
• 通过提供及时、准确的OEE预估，支持数据驱动决策，以在实际绩效评估前完成分析。

提出的方法

• 本研究采用来自汽车线缆生产行业的数据集，用于训练和验证机器学习模型。
• 评估了五种算法：支持向量机（SVM）、使用遗传算法优化的SVM、随机森林、XGBoost和深度学习。
• 通过标准回归指标评估模型性能，并应用超参数调优以提升准确性。
• 深度学习模型采用前馈神经网络架构，包含多个全连接层和ReLU激活函数。
• 特征工程包括与设备性能相关的时序参数和运行参数。
• 遗传算法用于优化SVM模型的超参数，以增强其预测能力。

实验结果

研究问题

• RQ1 在真实制造环境中，哪种机器学习模型能对整体设备效率（OEE）提供最准确的预测？
• RQ2 预测建模能否减少OEE评估的延迟，并实现实时维护或工艺调整？
• RQ3 不同算法——尤其是深度学习与集成方法——在工业生产数据中预测OEE的表现如何比较？
• RQ4 通过遗传算法进行超参数优化在多大程度上提升了SVM在OEE预测中的性能？

主要发现

• 深度学习在所有测试模型中实现了最高的预测精度，优于其他算法对OEE的估计。
• 随机森林表现出色，准确度排名第二，并对特征变化具有较强的鲁棒性。
• 经遗传算法优化的SVM相比标准SVM结果有所提升，但准确度仍低于深度学习与随机森林。
• XGBoost表现良好，但在该特定工业数据集上仍不及深度学习与随机森林。
• 本研究证实，使用机器学习的预测建模可在实际测量前预估OEE值，从而实现及时的运管干预。