Strojové učení ve výrobě: které parametry ovlivňují kvalitu

Strojové učení ve výrobě vám pomůže zjistit, které vlastnosti vstupního materiálu a které nastavení stroje nejvíc ovlivňují kvalitu hotového výrobku. Model se naučí vztah mezi daty z příjmu, z linky a z výstupní kontroly a seřadí parametry podle vlivu. Výsledek pak ověříte plánovaným experimentem a převedete do specifikace pro dodavatele nebo do pracovního postupu.

Na jakou otázku strojové učení v kvalitě odpovídá

Typická situace: zmetkovitost kolísá, každý technolog má svou teorii a 8D report končí u „vlivu materiálu“. Strojové učení (machine learning, metody, které hledají vzorce v datech bez ručně psaných pravidel) tu odpoví na užší otázku. Které z desítek sledovaných veličin se mění spolu s kvalitou a v jakém rozsahu?

Odpověď má tři praktické podoby:

• seznam parametrů seřazený podle vlivu na výsledek,
• hranice, za kterou kvalita prudce klesá (například viskozita nebo tloušťka mimo určité pásmo),
• interakce, kdy vadu způsobí kombinace dvou podmínek a žádná z nich sama.

Mechanismus vady musíte vysvětlit vy a technologové. Model vám zúží okruh parametrů, kterými se má rozbor zabývat.

Jaká data výrobní firma potřebuje

Data obvykle máte, jen leží v několika systémech. Analýza stojí na tom, abyste je spojili na úrovni šarže, role, zakázky nebo směny.

Nejvíc práce zabere párování. Počítejte s tím, že spojení tabulek a čištění dat vezme víc času než samotný model.

Postup od dat ke specifikaci

1. Definujte cíl. Jedna měřitelná veličina: podíl technického zmetku, výsledek zkoušky pevnosti, počet vad na metr. Kvalitu „obecně“ model nepředpoví.
2. Spojte data na jednu úroveň. Každý řádek tabulky odpovídá jedné šarži nebo zakázce, sloupce jsou vstupní vlastnosti, nastavení linky a výsledek.
3. Začněte jednoduchým modelem. Lineární regrese ukáže hrubé vztahy a dá se snadno vysvětlit. Stromové modely (náhodný les, gradient boosting) pak zachytí nelinearity a interakce.
4. Změřte důležitost parametrů. Permutační důležitost (permutation importance) zamíchá hodnoty jednoho sloupce a sleduje, o kolik se zhorší předpověď. Čím víc, tím větší vliv parametr v modelu má.
5. Podívejte se na tvar vztahu. Graf závislosti předpovědi na jednom parametru ukáže, jestli kvalita klesá plynule, nebo za hranou.
6. Ověřte pokusem. Plánovaný experiment (DOE) nebo řízená zkušební šarže potvrdí, že změna parametru skutečně změní výsledek.
7. Zapište výsledek. Toleranci materiálu do specifikace a do dohody s dodavatelem, nastavení linky do pracovního postupu.

Proč strojové učení nenahradí DOE

Historická data jsou pozorování. Ve výrobě se parametry mění spolu: na rychlejší linku dáváte jiný materiál, v létě je jiná teplota v hale a jiný dodavatel. Model pak připíše vliv parametru, který se jen pohyboval současně se skutečnou příčinou.

DOE (design of experiments, plánování experimentů) tenhle problém řeší tím, že faktory měníte vy podle plánu a ostatní držíte stálé. Kombinace obou metod šetří pokusy. Model z historie vybere tři čtyři podezřelé parametry z padesáti a experiment pak ověřuje jen je. Plný faktorový experiment nad padesáti faktory byste na lince nikdy nespustili.

Z mé praxe

V letech 2019 až 2026 jsem pracoval jako procesní inženýr ve vývoji v Nitto Denko Czech. V Pythonu se scikit-learn jsem analyzoval, jak vlastnosti vstupního materiálu ovlivňují kvalitu finálního výrobku. Výsledky jsem převedl do specifikací pro dodavatele. Nad rychlostí linky a parametry strojů jsem stavěl analýzy v Pythonu a reporty v Power BI, aby výsledky viděli i lidé mimo vývoj.

Největší úsporu přinesl až zásah na lince: plánovaný experiment na rozptyl viskozity spolu s novým postupem při přechodu mezi recepturami snížil technický zmetek o 67 000 € ročně. Analýza dat pomohla vybrat, co do experimentu zařadit.

Dřív, jako specialista kvality v téže firmě, jsem vedl laboratoř kontroly kvality s pěti lidmi a stavěl dashboardy nad SAP QM. Tam jsem dohledal příčinu vad z kontaminace za 60 000 € ročně. Předtím jsem v IGW Power provedl přes 20 auditů dodavatelů v Evropě podle ISO a IRIS a v Norma Czech řešil reklamace metodami 8D, Ishikawa a 5 Why pro německé automotive zákazníky. Z té doby vím, že záznamy o šaržích a vadách bývají neúplné, a v datech to hledám jako první.

Dnes stavím datové a AI nástroje pro firmy, ukázky najdete v sekci datová analýza. Víc o mé praxi je na stránce Co umím.

Nejčastější chyby

• Málo dat s malou variabilitou. Parametr, který se v datech skoro nemění, vyjde jako nedůležitý, i když by vás jeho změna zničila. Model hodnotí jen rozsah, který viděl.
• Propletené proměnné. Dva korelované parametry si vliv rozdělí a oba vypadají slabší. Dokumentace scikit-learn doporučuje korelované parametry seskupit a vyhodnotit skupinu najednou.
• Únik informace z budoucnosti. Do vstupů se dostane veličina naměřená až po výrobě, třeba výsledek mezioperační kontroly. Model pak předpovídá výborně a v provozu k ničemu není.
• Validace na náhodném výběru řádků. Šarže ze stejného týdne si jsou podobné. Testujte na jiném období nebo na jiných šaržích materiálu, ne na náhodně vybraných řádcích ze stejných dnů.
• Žádný ověřovací pokus. Specifikace pro dodavatele postavená jen na korelaci vás může stát dražší materiál a kvalitu nezlepší.

Jak začít ve vaší firmě

Vyberte jednu vadu nebo jeden ukazatel kvality, který vás stojí nejvíc peněz. Zjistěte, jestli k němu dokážete přiřadit šarži materiálu a nastavení linky. Pokud ano, máte základ pro první analýzu. Pokud ne, prvním krokem je zapisovat vazbu šarže na zakázku, a to vyřešíte bez jakékoli umělé inteligence.

Strojové učení ve výrobě nemusí znamenat jen tabulková data. Kamera nebo snímek dílu je také zdroj dat, viz počítačové vidění. Pokud vás zajímá asistent, který odpovídá z pracovních postupů a dokumentace kvality, přečtěte si článek o AI chatbotovi nad SharePointem. Data z linky, která na analýzu čekají, můžeme projít na konzultaci.