Rockwool
Forudsigelse af kvalitetsproblemer i produktionen
Machine learning & AIProduktion & industri
NøgleresultatÅrsager til kvalitetsproblemer fanget i den første produktionsfase
Udfordring
For at forstå årsagerne til kvalitetsproblemer med brændemærker skulle de spores så langt tilbage i produktionslinjen som muligt — med ML-klassifikatorer på tidsseriedata, hvor sammenstillingen var usikker på grund af udsving og forskelle mellem produkterne.
Løsning
En række ML-klassifikatorer implementeret som en containeriseret løsning, der forudsiger kvalitetsproblemer og identificerer deres årsager inden for den eksisterende cloudplatform.
- Automatisering. Kører som mikroservice i Docker i kundens Azure-sky, forsynet af en automatiseret ETL-pipeline.
- Tidlig detektion. Årsagerne identificeres tidligt nok til at gribe ind — med tydelige gevinster for både omkostninger og kvalitet.
- Tilpasset produktet. Løsningen tager højde for forskellige produktegenskaber (tykkelse, sammensætning) og deres indvirkning på linjen.
Resultater
- Betydelig evne til at forudsige kvalitetsproblemer på tværs af produktkategorier
- Årsagsfaktorer identificeret allerede i den første produktionsfase
Det var nødvendigt at involvere os gennem hele udviklingsfasen, med en aktiv rolle og feedback fra prototype over test til forfinelse, for at kvalificere use cases.
Emner
- Machine Learning
- Årsagsanalyse
- Azure