作者：柴磊 深圳市魔数智擎人工智能有限公司总经理

提升制造业发展质量和效益已经成为我国经济发展的重中之重，利用机器学习技术不仅能够改善产品质量与服务，还能够有效促进制造企业降低设备故障率、减少停机设计、控制生产成本，最终走向智能制造。本文介绍了机器学习技术在智能制造中的一些应用场景，并介绍了魔数智擎公司的机器学习技术在质量管理和设备维护方面的应用。

一直以来，制造业以六西格玛质量管理的数据分析方法是以经典统计学作为基础的，处理的数据量较为有限（小数据），采用假设检验以及实验设计（DOE）为主的统计分析方式，取得了不错的效果。但随着工业4.0、智能制造时代的到来，真正意义上的大数据已经在先进制造型企业爆发式的产生，而经典的统计方法已经无法很好应对大数据带来的新挑战。大数据不等同于大量有价值的信息，更不代表着智能和洞察，如何利用新的技术手段对制造业中的海量数据进行处理、分析，并最终产生业务价值成为了一个新的挑战。以机器学习为代表的各种类型的大数据技术不仅能够将大数据转化为价值高的数据资产，而且已经成为是变革企业生产过程、经营管理和商业模式的核心技术。同时，机器学习技术作为目前产业发展过程中的一种新型技术，能够直接应用于企业生产制造到销售的全流程，提升制造业的供应链以及质量管理水平[1]。

机器学习技术在智能制造中的应用场景

生产过程自动化

智能制造应用在工业领域中，可实现自动化作业，在企业生产与产线管理和设备控制方面有良好的效果。智能制造以机器学习技术作为支撑。制造企业能够实现实时的生产可视化监控和预测分析，及时快速收集与产品设备相关的信息，提前预警设备故障并进行预测性维护。基于对生产过程中原材料及中间产品的实时数据监测，企业可以运用机器学习技术动态调整生产计划，及时调整企业的资源配置状况，提高企业生产控制与管理决策的敏捷度。

质量诊断智能化

智能制造在我国制造业大范围普及，很多企业将自动化监控引入到质量管理环节，在生成过程中进行监控与控制，实现全过程监督、识别，可以快速发现产品在各制造环节的异常状况。同时借助机器学习技术进行自动诊断功能，快速锁定引发质量问题的原因，迅速解决，避免产品的质量问题，为生产活动有序、可靠运行提供保障[3]。

供应链管理智能化

供应链中的库存问题一直困扰制造业的核心痛点之一。从精益制造到智能制造的一个核心目标就是要尽可能实现零库存。而销量预测又是一个极其具有挑战性的工作，因为最终影响销量的因素可能有非常多，包括宏观市场因素、季节性因素、产品本身的特点、定价、销售策略等等。相较于简单的线性统计模型，机器学习更加适合处理这种特别复杂的模式识别问题。机器学习能够提供强大的预测分析能力，帮助制造业更好的发现供应链中复杂的驱动因素，最终实现具备预见性的供应链智能管理，从而减少库存。

机器学习技术在智能制造应用实例

质量管理智能化

某公司搜集了生产制造过程中五百多个指标，如温度、湿度、各种工艺参数以及原材料指标等，需要分析哪些关键因素可能和最终产品缺陷相关、关键指标的不同取值区间对产品缺陷的影响、多个关键指标对产品缺陷的共同影响。客户使用魔数智擎公司的ME机器学习建模平台能够快速高效的对于该复杂的分析问题进行建模，ME内置交互的自动化建模方法，仅需5步点击即可完成建模操作，无需任何代码，就能够轻松得到高精度模型。其独有的模型可解释性技术能够帮助质量管理人员快速解读模型发现的规律，最终生成质量管理人员认可的预测模型，该模型对于生产工艺改进给出了非常有价值的洞察，最终实现更低的缺陷率。

样本数量为1567条，其中93.34%为合格品，6.66%为不合格品。目标变量为产品是否合格，预测变量共590个指标，其中类别型变量122个，数值型变量468个。采用平台内置的GBM算法建立二分类模型，利用用平台的剃刀技术进行快速特征降纬，可精简模型的预测变量，提高模型稳定性。最终从590个指标轮迭代建模筛选出26个关键指标，如图1所示。模型的性能指标AUC为0.789，KS为0.501，如图2所示。

图1 关键传感器影响度排名

图2 模型性能指标

采用平台内置的超参优化技术，按照贝叶斯优化算法，自动迭代计算全局的最优参数，使用贝叶斯算法搜索最优参数组合，提高模型精度。优化后其模型性能指标为AUC为0.824，KS为0.595，如图3所示。

图3 优化后性能指标

同时质量管理人员利用平台内置的模型可解释性技术来理解复杂机器学习模型背后发现的规律。以指标sig60为例，图4横坐标为sig60取值范围，纵坐标为产品缺陷的可能性，从图中发现sig60取值在【-30,0】区间，对产品缺陷概率较小；但在取值(0,14)区间，对产品缺陷概率快速上升。在【14,21】区间对产品缺陷概率逐步下降。从图中发现，生产指标sig60尽量保证（-30, 0）范围内，不要大于0值，大于0值后会导致产品缺陷概率快速上升。使用单变量归因图，可以对所有传感器进行分析，得出各传感器影响产品质量的区间。

图7 传感器sig60归因图

同时还发现一些指标的两两组合对产品缺陷的交互作用，如温度、湿度对产品缺陷的交互作用。以sig60，sig20为例，发现在sig60（11.723332，18.152843），sig20（12.502025，12.611395）区间，产品缺陷率约为30%，较原始缺陷率上升4.52倍。在生产中设置sig60、sig20对应的指标要尽量避免该组合区间。

生产线故障预警

某公司的生产线故障率较低，但当生产线故障发生时，因故障导致的非正常停机会造成巨大损失，因此需要对设备相关的数据进行分析建模，提前预警设备故障并进行预测性维护，通过准确预测设备故障和及时维护，降低设备故障率、减少生产线停机时间、优化设备性能和运行时间。通过使用先进的机器学习技术对设备相关的数据建立故障预警模型，预测设备发生故障的概率并确定维护时间。最终，模型运行后2年中的停机时间缩短6％，并将机器寿命延长了4年，降低维护和运营成本。 

远程设备预测性维保

某公司提供大型设备的租用服务，其维保服务的最佳时机在因故障停机之前，设备装有大量传感器对外部的环境和设备工况等进行监控，并将传感器数据上传到公司服务器。利用机器学习技术可建立预测设备维保模型，通过剃刀技术确定导致性能不佳或停机的关键环境因素。同时基于模型解释性技术，工程师可以非常快速地分析理解环境和工况因素带来的影响，更好地预测机器何时维保。通过模型，动态调整维保计划，及时调整维保资源配置状况，更好地将集中操作将远程租用设备连接起来，最大限度地减少紧急派车和服务中断，并提升客户体验。

结束语

本文描述机器学习技术在智能制造中的一些应用场景以及可能带来的价值，此外也分享了魔数智擎公司如何利用其ME产品的机器学习技术来进行质量缺陷分析的案例。ME是一款可解释，可干预的交互式机器学习建模平台，提供了数据预处理、数据自动清洗、模型开发、规则自动探索等强大的先进数据分析功能。解决传统黑盒模型导致模型难以落地业务的问题，帮助生产制造部门快速地进行决策分析，进而改善产品质量与服务、降低设备故障率。

参考文献

[1] 吕亚楠. 智能制造与数字化制造在工业制造的应用[J]. 经济技术协作信息，2020（31）：25.

[2] 魏筱瑜，芦金华，常晓辉. 智能制造与数字化制造在工业制造的应用[J]. 科技资讯，2020，18（5）：30+32.

[3] 杨 强，扈 玲，崔永凤.产品质量管理中的大数据技术应用分析[J]. 质量管理，2022（9）：165-167.