用于绩效管理的机器学习

“制造业：它是如此可预测！”在遇到故障或质量问题等计划外事件时，我们可能不会经常使用这句话。人们很容易觉得制造业是高度不可预测的。当我们走出这些日常问题时，我们当然知道，可预测性和一致性正是我们正在努力实现的目标。那么，为什么在设计可重复的制造过程并努力消除停机和质量问题的根本原因之后，我们仍然觉得制造难以预测？嗯，当我们努力争取更短的周期时间、更高的产量和更低的成本时，我们挑战了我们一直试图创造的稳态。将人为因素也加入其中，我们就有了随机性的秘诀。作为人类，我们可以理解可能影响过程的变量。有经验的操作员可以查看生产计划或过程趋势，然后对他们当天可能遇到的问题做出判断。比如他们是否有可能按时完成，或者被要求加班。然而，作为人类，我们在任何时候都只能处理少数几个变量，并且我们的预测基于我们过去的经验。由于我们都不能全天候工作 24/7，因此一个人的预测可能与另一个人的预测不同。当您考虑其他因素（例如人、不同的操作程序、机器健康状况、原材料可变性、存储和移动条件以及天气等环境变化）时，变量的数量会增加，而人类的可预测性开始下降。这是对直觉决定的依赖开始增加的地方。直觉决定是那些我们无法轻易解释理由的决定。直觉决定仍然基于经验，事实上，可能是下意识地结合大量输入和经验并做出最佳猜测的结果。吨嘿，和幸运的猜测不一样。因此，您可能会发现真正有经验的操作员，这些直觉决定实际上非常好。不幸的是，有经验的员工越来越少，而我们现有的员工太有用了，不能整天盯着趋势看！现在，如果我们能够每周 7 天、每天 24 小时捕捉同样的体验，并多次这样做会怎样？变量，以更快的速度和更长的时间？如果我们可以在不遗忘、不带偏见或先入为主的情况下做到这一点，会怎样？

分步进行机器学习

机器学习 (ML) 是人工智能 (AI) 的一个子集，可以做到这一点。这并不可怕，也不是某种魔法。事实上，（不想破坏该领域令人难以置信的大量学术研究）这只是一些非常聪明的数学。自 1950 年代以来，ML 一直作为一个概念存在，而在此之前的数百年中，它是一些基础数学。最近发生的事情是ML 变得更容易访问，无论是在“训练”它所需的计算方面，还是在巧妙数学的抽象方面。最后，人工智能和机器学习正在进入制造领域。制造业中的机器学习可以做我们以前经验丰富的工人做不到的事情，但由于机器学习是由机器执行的（线索就在名字中），它可以做它更快、更可靠——以一种仅靠人力无法扩展的方式。

那么这如何帮助我们努力提高生产力？

好吧，机器学习可以：支持正在制定的决策当人类经验不在手时制作。通过从历史数据中进行统计学习，ML 模型可以预测依赖于它所消耗的历史数据的结果或变量。监控您的流程并发现异常，这可能是即将发生问题的早期指标。它可以预测您今天实现计划的可能性有多大，或者告诉您您有哪些常见问题应该期待即将到来的批次并帮助找到它们的根本原因。更准确地预测您的运行时间或您的转换时间 - 使您能够更准确地计划并反过来减少意外成本，例如因额外轮班而产生的劳动力或能源成本。通过了解你“通常”如何运行一家工厂，它可以发现遗漏的步骤或操作员错误，并在它成为一个代价高昂的运营问题之前采取行动。可以公平地说，机器学习在绩效管理中有无限的机会，我期待着分享我们在这个领域发现的一些改进。要详细了解机器学习如何支持您的业务目标并推动智能制造，请访问预测制造页面。作者：Steve Wilkinson，Cimlogic 首席技术官