Análisis de causa raíz con información reducida en una línea de fabricación en Bosch

Descripción | En la era de la Industria 4.0, los modelos matemáticos cobran mayor importancia para determinar las razones de la pérdida de producción. De hecho, las empresas de fabricación tienen sistemas de ejecución de fabricación (MES) que permiten a los ingenieros y gerentes extraer datos sin procesar cuantitativos y en tiempo real. Sin embargo, su fin último no es solo identificar y analizar problemas de producción, para implementar acciones correctivas, sino también predecir posibles ocurrencias dañinas, en una perspectiva preventiva.

Este problema pretende fusionar técnicas aplicadas a modelos de grafos probabilísticos con técnicas simples de aprendizaje automático para determinar causas/factores que están asociados a fallas en pruebas de productos, utilizando datos reales de un día de producción de una línea de manufactura en Bosch Termotecnología.

Una línea de manufactura (ML) será modelada de manera abstracta por el llamado Queue Direct Graph (QDG) que tiene nodos (las estaciones de trabajo), colas (espacios de espera) y tokens (las partes/productos), cuya representación gráfica se da a continuación. figura, en paralelo con la representación física del proceso.

Asumimos información reducida, es decir que solo está disponible un conjunto de datos con los siguientes campos:

Se prueba la conformidad de los tokens procesados ​​en un ML en Bosch en cada nodo, y los resultados de la prueba se registran en la variable errorID. El último nodo ejecuta un conjunto extenso y complejo de pasos de prueba que generan diferentes tipos de errores, por lo que errorID puede tener valores en {0,1,2,...}. Los nodos restantes solo pueden generar dos tipos de errores con valores en {0,1}. Para simplificar, errorID=0 significa comportamiento normal y los errores del último nodo se denominarán NOK.

Tareas 1 (75 % de esfuerzo): para un conjunto de datos de Bosch determinado, comprender y utilizar las cadenas de Markov ocultas para modelar las asociaciones (probabilidades) entre los errores de los nodos y los NOK. Al usar el algoritmo de Viterbi, la secuencia de ID de nodo esperados (que son potencialmente el origen de los problemas de error) debe obtenerse cuando se observa una secuencia de NOK en el nodo final.

Tareas 2 (25 % de esfuerzo): implementar un modelo de aprendizaje automático (p. ej., usar árboles de decisión) para predecir si un token fallará la prueba en el último nodo.

Conocimiento matemático | Programación básica en Python, teoría de probabilidad básica, teoria de grafos.