원인 파악

Scientific Reports 12권, 기사 번호: 22332(2022) 이 기사 인용

2569 액세스

3 알트메트릭

측정항목 세부정보

차체 생산 시 사전 성형된 차체 판금 부품은 완전 자동화된 생산 라인에서 조립됩니다. 신체는 여러 스테이션을 연속적으로 통과하며 주문 요구 사항에 따라 처리됩니다. 주문의 적시 완료는 예정된 주기 시간 내에 완료되는 개별 스테이션 기반 작업에 따라 달라집니다. 한 스테이션에서 오류가 발생하면 연쇄 효과가 발생하여 하위 스테이션이 지연될 수 있습니다. 우리가 아는 한, 이 설정에서 소스 오류와 연쇄 오류를 자동으로 구별하고 이들 사이의 인과 관계를 설정하는 방법은 없습니다. 우리는 생산 데이터 수집 시스템을 통해 수집된 상태에 대한 실시간 정보를 활용하여 딥러닝을 사용하여 소스와 연쇄 오류 간의 연결을 설정하는 새로운 차량 제조 분석 시스템을 제안합니다. 우리는 세 가지 시퀀스-시퀀스 모델을 벤치마킹하고 이러한 맥락에서 모델을 평가하기 위한 새로운 복합 시간 가중 동작 메트릭을 소개합니다. 우리는 Volkswagen Commercial Vehicles가 기록한 실제 자동차 생산 데이터 세트를 기반으로 프레임워크를 평가합니다. 놀랍게도 우리는 시퀀스의 71.68%에 소스 또는 녹온 오류가 포함되어 있음을 발견했습니다. seq2seq 모델 훈련과 관련하여 Transformer는 특히 향후 작업 기간에 대한 예측 범위가 증가할 때 이 영역에서 LSTM 및 GRU에 비해 ​​더 나은 성능을 보여줍니다.

시계열 예측은 정보에 입각한 의사 결정을 가능하게 하기 위해 비즈니스 및 산업 내에서 미래 이벤트를 예측하는 데 점점 더 많이 사용되고 있습니다1,2. 본 논문에서 우리는 생산 데이터 수집(PDA) 시스템에 의해 실시간 정보가 수집되는 자동화된 차량 제조에 혁명을 일으킬 수 있는 잠재력을 평가합니다. 상호 연결된 제조 시스템의 오류로 인해 생산 지연, 심지어 생산 시스템 오류가 발생하는 등 심각한 결과가 초래됩니다. 산업 제조 분야에서 가동 중지 시간은 높은 비용과 관련이 있습니다. 가동 중지 시간에 대응하기 위해 지금까지 연구 개발은 장비의 예측 유지 관리3와 생산 공정4 전반에 걸쳐 대체 제조 경로를 사용하는 데 중점을 두었습니다. 그러나 이러한 접근 방식은 프로세스 체인 전체에 전파되고 프로세스에서 증폭되는 개별 프로세스 단계의 지연(미세 교란)에 명시적으로 초점을 맞추지 않습니다.

완전 자동화된 차체 생산 라인의 최적 활용은 예정된 사이클 시간 내에 완료되는 개별 스테이션 기반 작업 단계에 따라 달라집니다. 그러나 통계적으로 유의미한 다양한 교란이 종종 감지됩니다. 특히, 소스 오류(일반적으로 PDA 시스템에 의해 기록됨, 예: "사용 가능한 구성 요소 없음")는 현재 스테이션에 영향을 미칠 뿐만 아니라 다운스트림 워크스테이션(이하 스테이션이라고 함)에도 해로운 영향을 미칠 수 있습니다. 연쇄 오류 및 지연이 발생합니다. 사람이 거의 인지할 수 없는 최소한의 지연이라도 높은 추가 비용이 발생할 수 있습니다.

차체 생산에 대한 시계열 예측은 어려운 일이지만(불연속성, 스파이크 및 세그먼트5로 인해) 포괄적인 생산 데이터 수집과 이러한 데이터의 구조화된 평가를 통해 제조 프로세스의 편차를 식별할 수 있습니다. 그러나 현재 프로세스 지연과 이상 현상은 광범위한 도메인 지식을 사용하여 수동으로 프로그래밍하고 유지 관리하는 규칙 기반 분류자를 통해 식별됩니다. 또한, 처리된 데이터를 해석하는 데에도 추가적인 노력이 필요합니다. 이로 인해 생산 직원이 표적 대응 조치를 신속하게 배포하는 것이 방지됩니다.

우리가 아는 한, 자동으로 다음을 수행하는 접근 방식은 현재 존재하지 않습니다. (i.) 소스 오류와 연쇄 오류를 모두 분류하는 방법을 학습합니다. (ii.) 오류 간의 연결을 설정합니다. (iii.) 소스 오류의 연쇄 효과를 측정합니다. 이 작업에서 우리는 기계 학습(ML)을 사용하여 이러한 과제를 해결하기 위한 조치를 취합니다.