Recommended
More Related Content
Similar to 機械学習とエントロピーを用いた作業時間の無駄に関する要因分析
Similar to 機械学習とエントロピーを用いた作業時間の無駄に関する要因分析 (19)
機械学習とエントロピーを用いた作業時間の無駄に関する要因分析
- 2. 1 背景・目的
- 6. 背景 経験的な分析 専門家が必要 変数重要度 その要因の良し悪しが不明 問題設計を上手く行えば回避可能 • 既存のデータを用いず新しく設計したデータを収集 • 特定の作業に目的を絞る 5 現実的に難しい
- 7. 背景 画像を用いて作業の無駄や異常を推定[3, 4] • 固定カメラを設置して画像を取得 • 手元や姿勢に着目 工程情報と比較して • 材料情報などを含まない • 形状や機械の種類などの情報がない 6
- 8. 背景 作業時間の無駄 • 作業時間が長時間のもの • 作業時間のバラツキが激しいもの 作業時間のバラツキが大きい • 探した限りあまり研究が行われていない 7 本研究では作業時間のバラツキ
- 9. 目的 数理モデルの変数重要度を用いて要因分析は可能 • 良い影響があるか悪い影響があるか不明 画像を用いて無駄のみを推定することは可能 • 工程の詳細データは省かれている 作業時間の無駄 • 同一の工程情報でも作業時間にバラツキがあるもの 8 工程情報を用いた作業時間のバラツキの要因分析
- 10. 9 手法
- 11. 投稿時概略図 10 材料や機種など の工程情報 データ LightGBMで 作業時間を予測 予測値と実作業 時間を用いて 誤差を算出 作業時間の予測 出現確率から エントロピーを算出 要因分析
- 12. 要因分析 エントロピー 11
- 16. 15 実験・結果
- 17. 利用データ 協力企業より提供された各製造サンプルの工程情報 2017年11月 ～ 2018年10月までのデータを使用 16 工程 件数 上限 下限 A 31137 作業時間の10% 300秒以内 B 15270 作業時間の10% 60秒以内 項目 作業者CD 材料 製造個数 商品CD 材料パラメータ 製品質量 実作業時間 feature 全16種類 target
- 18. LightGBMの結果 RMSEが作業時間の実測値平均の15%程度 • バラツキのあるデータは予測値から大きく離れたもの 17 工程 RMSE(秒) 実測値の平均(秒) A 179.25 1256.42 B 65.07 400.48 LightGBMのRMSEと実測値の平均
- 19. ハミング距離の結果 18 項目 要素名 機種CD 110 機種CD 100 機種CD 80 名前CD 62991 機種CD 90 工程A 項目 要素名 名前CD 61721 材料1 素材1 材料P1 37 材料P2 10080 材料P1 35 工程B 誤差が平均以下の要素 • 距離を降順に並べた上位5つ • 工程Aでは作業機種の要素が目立つ • 工程Bでは材料，材料パラメータが目立つ
- 20. 19 考察
- 22. バラツキ要因と考えられるもの 工程A 機種CDの80 • 利用頻度が低い • 作業者が慣れず実作業時間にバラツキが生じる 工程B 材料P1の37 • 特殊な形状で加工が難しい 21
- 23. 22 今後の課題・まとめ
- 25. まとめ 目的 • 工程情報から作業時間のバラツキ要因の分析 提案手法 結果・考察 • 低頻度の機種や特殊なパラメータを抽出 今後の課題 • ノイズの除去 24 ハミング距離 要因分析工程情報 作業時間の予測
- 26. 参考文献 [1] Zhang, D., Linderman, K., & Schroeder, R. G. (2012). The moderating role of contextual factors on quality management practices. Journal of Operations Management, 30(1-2), 12-23. [2] Meidan, Y., Lerner, B., Rabinowitz, G., & Hassoun, M. (2011). Cycle-time key factor identification and prediction in semiconductor manufacturing using machine learning and data mining. IEEE Transactions on Semiconductor Manufacturing, 24(2), 237-248. [3] 高橋典宏, 山澤一誠, 生雲公啓, 野田賢, & 横矢直和. (2007). 距離 画像センサを用いた俯瞰画像からの SVM による人物の姿勢分類. 電子 情報通信 学会技術研究報告. 電子情報通信学会, 107(384), 47-52 [4] 清水早苗, 平湯秀和, 浅井博次, & 丹羽義典. (2007). 人物動作に着 目したシーン分割による作業動作の異常検出. 情報処理学会研究報告コ ンピュータビジョンとイメージメディア (CVIM), 2007(87 (2007- CVIM-160)), 195-200. [5] Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., ... & Liu, T. Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. In Advances in Neural Information Processing Systems, 3146-3154. 25