Big Data: reálné aplikace pro business - Odborna snidane 30. 11. 2016
Machine learning - Plantyst
1. Analýza dat z výroby ve velkém
-
výzva pro machine learning?
Roman Čapek 12.11.2014
2. 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
3. K čemu je monitoring výroby?
Jak rychle jede toto auto?
Dojede k domu včas?
Nepřekračuje povolenou rychlost?
Analýza výrobních dat 2/7Roman Čapek – Plantyst
4. K čemu je monitoring výroby?
A teď?
Analýza výrobních dat 2/7Roman Čapek – Plantyst
5. 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
6. 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
7. Co už máme – monitoring výroby
Některé stroje jedou opravdu se strojovou přesností
Analýza výrobních dat 3/7Roman Čapek – Plantyst
8. Co už máme – monitoring výroby
Některá data nejsou tak „hezká“
Analýza výrobních dat 3/7Roman Čapek – Plantyst
9. Co už máme – monitoring výroby
Někdy je to jen „teď úder, … , teď úder, …“
Analýza výrobních dat 3/7Roman Čapek – Plantyst
10. Co už máme – monitoring výroby
A někdy je to „jede/nejede“ s dlouhou časovou konstantou
Analýza výrobních dat 3/7Roman Čapek – Plantyst
11. 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
13. 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
14. 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
15. 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/
16. 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