Analýza dat z výroby ve velkém-

výzva pro machine learning?

Roman Čapek 12.11.2014

Kdo jsme a co je naším cílem

• Jsme startup, chceme dělat věci jednoduše, lidsky a hlavně pro lidi

• Primárním cílem je zvyšování efektivity výroby

• Žádné ruční reporty a jiné zdržování

• Místo toho jen přesný obraz reality – monitoring výroby

• Řešení Plantyst = synergie HW + SW + metodika

• HW = sensor, box, přenos dat

• SW = uložení (cloud), analýza (cloud) a prezentace dat (web)

• Metodika = jak správně podporovat lidi ve výrobě

Analýza výrobních dat 1/7Roman Čapek – Plantyst

K čemu je monitoring výroby?

Jak rychle jede toto auto?Dojede k domu včas?

Nepřekračuje povolenou rychlost?Analýza výrobních dat 2/7Roman Čapek – Plantyst

K čemu je monitoring výroby?

A teď?

Analýza výrobních dat 2/7Roman Čapek – Plantyst

Co už máme – monitoring výroby

• Měříme rychlost produkce, data sbíráme a dlouhodobě archivujeme

• Pro každý měřený bod (stroj) máme časovou řadu rychlosti

Analýza výrobních dat 3/7Roman Čapek – Plantyst

Co už máme – monitoring výroby

• Počet pulzů za každých 10 vteřin (umíme i po 1 vteřině) – raw data

• Agregace do větších časových úseků – minuty, hodiny, dny, měsíce

• Data jsou archivována – u některých strojů máme i 2 roky dat

Analýza výrobních dat 3/7Roman Čapek – Plantyst

Co už máme – monitoring výroby

Některé stroje jedou opravdu se strojovou přesností

Analýza výrobních dat 3/7Roman Čapek – Plantyst

Co už máme – monitoring výroby

Některá data nejsou tak „hezká“

Analýza výrobních dat 3/7Roman Čapek – Plantyst

Co už máme – monitoring výroby

Někdy je to jen „teď úder, … , teď úder, …“

Analýza výrobních dat 3/7Roman Čapek – Plantyst

Co už máme – monitoring výroby

A někdy je to „jede/nejede“ s dlouhou časovou konstantou

Analýza výrobních dat 3/7Roman Čapek – Plantyst

Kam chceme směřovat vývoj

• Automatická analýza dat – co, kdy, jak, proč, predikce

• Identifikace důležitých (atypických) úseků dat

• Nalezení skrytých závislostí

• Poslední páteční směna má většinou nízkou efektivitu

• V zimních měsících je produkce u pecí vyšší

• Když hraje Sparta, dochází příliš často k výpadkům na lince 1

• Frantovi vyhovují noční směny

Analýza výrobních dat 4/7Roman Čapek – Plantyst

Jak na to?

Analýza výrobních dat 5/7Roman Čapek – Plantyst

Pokus první – machine learning

• (Možné) výstupy:

• identifikace atypických úseků

• analýza závislostí – co má vliv na co

• ... představivosti se meze nekladou

• Vstupy:

• časové řady v délce jednotek až desítek měsíců (jednotky milionů vzorků)

• to samozřejmě zahrnuje přesnou časovou stopu (rozlišení až na vteřiny)

• dále doplnit dle vlastního uvážení o počasí, příliv a odliv, zápasy NHL…

Analýza výrobních dat 6/7Roman Čapek – Plantyst

Co je tedy cílem této prezentace?

• Pro vás:

• Motivovat chytré hlavy reálnou výzvou

• Podnítit chuť podílet se na řešení zajímavé úlohy

• Pro nás:

• Získat zpětnou vazbu k našim nápadům

• Vytvořit si lepší představu o možnostech použití machine learningu

Analýza výrobních dat 7/7Roman Čapek – Plantyst

Kontakt• Dávala vám prezentace smysl, našli jste se v ní?

• Máte dojem, že víte jak nastíněnou úlohu řešit?

• Chybělo vám něco a chtěli byste vědět víc?

• Nebo vám připadá, že jsme spadli z višně?

Nebojte se ozvat!

roman.capek@plantyst.com http://plantyst.cz/o-nas/

Vize do budoucna (když to s ML vyjde…)

• Identifikace důležitých úseků expertem – mistr ve výrobě

• Anotace dat – textový popis důvodů některých úseků dat

• Propojení s daty z ERP systému – údaje o zakázkách a podobně

• Automatický výpočet doby zpracování na základě několika parametrů

• Rozšíření o monitoring akcí uživatelů v systému

• Automatická personalizace dle historie

Analýza výrobních dat ARoman Čapek – Plantyst