1. Оптимизация на основе модели процесса
2. Статистический контроль качества процессов (SPC)
3. Планирование эксперимента (DOE)

Современные производственные процессы становятся все более и более сложными, в то время как клиенты требуют более качественных продуктов по самой низкой цене. Эта ситуация вызывает увеличение важности оптимизации процесса. Поскольку технологии, продукты и требования меняются все быстрее и быстрее, у технологов все меньше и меньше времени на изучение процесса и его оптимизацию исключительно на основе собственного опыта. С другой стороны, очень часто процессы автоматизируются и детализируются, благодаря чему у нас есть большой объем данных, точно описывающих процессы. В такой ситуации вы просто не можете отказаться от возможности подкрепить решения результатами современных данных анализа!

Анализ данных может использоваться для оптимизации процессов различными способами и для решения многих аспектов управления процессами. Мы можем обнаружить нарушения в процессе, найти причины, которые влияют на проблемы с качеством, выбрать оптимальные настройки для процесса, сравнить различные производственные процедуры и многое другое. Во всех этих подходах можно использовать программы из семейства STATISTICA . Ниже мы обсудим наиболее часто используемые методы оптимизации процесса.

Стоит отметить, что многие люди с разными задачами, подготовкой и квалификацией участвуют в процессах и, следовательно, в их оптимизации. Следовательно, инструмент анализа данных должен обеспечивать взаимодействие многих людей, обеспечивать контроль доступа, простоту использования данных и результатов - это решение STATISTICA корпоративные системы ,

Оптимизация на основе модели процесса

Современные производственные процессы обычно дозируются и контролируются автоматически. Благодаря этому у нас есть подробные данные об их прогрессе. Это позволяет построить модель процесса, которая на основе данных о входных данных процесса (например, свойствах сырья) и его ходе будет предсказывать характеристики исходного продукта, включая случайный компонент.

Как правило, существуют сложные зависимости между параметрами, настройками и свойствами продуктов в производственных процессах. Это вытекает из необходимости использования специализированных методов интеллектуального анализа данных и машин, доступных в Statistica Data Scientist ,

Есть много способов использовать модель для оптимизации процесса:

• Выявление причин. Модель показывает нам, какие события, изменения настроек, свойств сырья и т. Д. Влияют на качество продукта. Например, при производстве полупроводников процесс изготовления кремниевой пластины состоит из нескольких сотен этапов, на которых используется множество инструментов. Процесс очень сложный, всего около 1000 измерений собираются для каждой системы. Благодаря модели процесса мы можем, например, выяснить, что если использовались инструменты NW00 / 5722 и NW60 / 8751, эффективность процесса была бы слишком низкой.
• Прогнозирование результата процесса до его завершения. Основываясь на модели, мы прогнозируем особенности продукта после процесса, что позволяет выбрать параметры дальнейшей части процесса, чтобы скорректировать любые нежелательные значения.
• Выбор лучших параметров процесса. Используя модель, мы можем предсказать, каким будет результат процесса, с учетом заданных настроек. Используя соответствующие методы оптимизации, мы можем найти лучшие настройки для процесса.
• Раннее выявление проблем с качеством. Во многих отраслях оценка продукта требует относительно долгосрочных исследований. В результате, прежде чем мы узнаем, что процесс идет не так, будет сделано много дефектных продуктов. Модель сбора данных может, основываясь на характеристиках сырья, ходе процесса и результатах быстро доступных испытаний (например, ЯМР-спектроскопия), указать, является ли продукт хорошим или плохим, и, следовательно, должны ли быть внесены исправления в процесс.
• Обнаружение изменений в процессе. Если процесс очень сложный, традиционных контрольных карт может быть недостаточно. В этом случае мы отслеживаем отклонение фактических свойств процесса от тех, которые вытекают из модели. Если отклонения резко возрастают, это сигнализирует нам, что что-то произошло с процессом. Благодаря такому сигналу мы можем оперативно реагировать на проблемы.

После построения модели для выбора наилучших параметров процесса вы можете использовать системную процедуру, специально разработанную для этой цели. Statistica Data Scientist который использует генетические алгоритмы Симплексный метод и поиск по сетке.

Statistica Data Scientist содержит набор инструментов, с помощью которых мы можем выполнять вышеупомянутые задачи, применимые для оптимизации процессов. Система включает в себя метод обнаружения влияния переменных на размер интереса, принимая во внимание даже очень сложные и сильно нелинейные зависимости. Много также доступно методы интеллектуального анализа данных среди других нейронные сети , опорные векторы (SVM) , деревья решений и укрепленные деревья решений , Эти методы могут использоваться для построения прогностических моделей для обеспечения качества и оптимизации процессов, даже для многомерных проблем с большим количеством переменных и существенными отношениями (взаимодействиями) между ними.

На практике часто бывает необходимо сочетать модели прогнозирования с правилами, основанными на опыте, экспертных знаниях и общих принципах работы. Другим чрезвычайно важным аспектом реализации аналитических проектов на практике является необходимость сотрудничества со многими людьми, обмена информацией, управления моделями и целыми сценариями принятия решений. Полное решение с учетом этих требований STATISTICA Платформа принятия решений , система, которая объединяет инструменты анализа данных, искусственный интеллект (входит в Statistica Data Scientist ), управление моделями и правилами и применение их в новых случаях.

Статистический контроль качества процессов (SPC)

Статистический контроль процессов (SPC) - это проверенный метод непрерывного улучшения процессов (не только производственных процессов, но и в сфере услуг), который используется уже много лет. Это позволяет определить, какие причины проблем с качеством наиболее важны, обнаружить сбои в процессе и шаг за шагом устранить дальнейшие причины проблем с качеством. Методы SPC также позволяют заблаговременно выявлять неблагоприятные изменения процесса, такие как тенденции или средние сдвиги, и, таким образом, решать проблемы, когда они еще не являются серьезными. Кроме того, SPC позволяет надежно сравнивать различные методы производства и выбирать среди них тот, который на самом деле является лучшим (пример такого применения представлен в статье Какой процесс является лучшим - пример практического использования контрольных карт и анализа способности оценивать процессы ). Классические инструменты SPC, такие как Контрольные карты Шухарта и анализ способности процесса доступны в пакете Statistica Desktop.

В случае сложного процесса, имеющего много важных свойств с точки зрения качества, и компаний, в которых многие процессы выполняются одновременно, возникает проблема с приложением SPC, заключающаяся в необходимости одновременного запуска большого количества контрольных карт и реагирования на указанные сбои. Система была разработана для решения этой проблемы СТАТИСТИКА МАС , Это позволяет эффективно создавать даже большое количество контрольных карт, автоматически проверять наличие сигнала отмены регистрации и уведомлять о любых проблемах с помощью специальной панели MAS.

Особые трудности в применении подхода SPC возникают в случае так называемого периодические процессы (также известные как периодические процессы). Это процессы, которые в течение определенного времени выполняются на одном устройстве. Обычно время от времени мы измеряем свойства процессов, таких как температура или давление, или потоки входящих и выходящих веществ. Основная сложность использования статистики для изучения свойств пакетных процессов - это система данных. Для каждой партии у нас есть серия измерений свойств процессов, выполняемых в разное время. Это означает, что для каждого лота у нас есть таблица со значениями характеристик процесса, измеренными в разное время. Правильный подход к таким данным был разработан в 1990-х годах. Более подробную информацию по этой теме можно найти в статье Мониторинг и контроль качества периодических процессов (периодический) и это реализовано в STATISTICA MSPC ,

Более подробную информацию можно найти на сайт, посвященный SPC ,

Планирование эксперимента (DOE)

Постоянное совершенствование процессов и продуктов необходимо для существования и развития современного предприятия. Одним из условий улучшения продуктов и процессов является получение достоверных знаний о них. Проверенным способом получения таких знаний является проведение эксперимента, но обычно этот опыт является дорогостоящим и отнимает много времени. Использование методов экспериментального проектирования ( Design of Experiment , DOE) позволяет получить ответы на ваши вопросы с минимальными затратами и временем исследований. Если мы собрали данные о процессе и свойствах продукта, мы можем проанализировать их, чтобы найти оптимальные параметры процесса и факторы, влияющие на конечный продукт. Благодаря использованию современных инструментов, таких как профили отклика, мы можем одновременно оптимизировать многие свойства продукта. Богатый набор инструментов планирования опыта доступен в STATISTICA Планирование опыта

Семейство программ STATISTICA позволяет поддерживать оптимизацию процессов вышеуказанными методами. В однородной среде мы можем проводить различные анализы: начиная с традиционных статистических методов, таких как контрольные карты или планирование опыта , для современных методов интеллектуальный анализ данных , StatSoft Польша также предлагает консалтинг и услуги по внедрению относительно оптимизации процесса и обучение из практического анализа данных.

Похожие

Комментарии