品質管理を新次元に引き上げるインダストリアルインテリジェンス

知識ベースのAIテクノロジーは、長年にわたって産業品質管理に使用されてきました。たとえば、PSImetals Order Dressing（工程設計モジュール）は、エキスパートシステム技術により、チャージ材、スラブ、コイル、厚板、管材などの製造方法に関するすべての必要な生産ステップと生産プロセスの詳細を決定する仕様展開した形で製造指示を計画します。人間の品質と生産技術のエキスパートは、構成可能なナレッジベースによりモデル化されます。さらに、PSI Metals Qualityは、専門家のルールベースによる品質指標(QI)を使用することで、各生産ステップ後の品質を評価、求められる品質基準を決定します。製鉄所を通るコイル、管材、または厚板のライフサイクル中に、多かれ少なかれ500.000のデータ特性が生成されます。

これらのデータは、データ駆動型AIテクノロジーの品質管理の世界への扉を開きます。

Deep Qualicisionによるデータ学習

ファジーロジックやニューラルネットワークなどのデータ分析テクノロジーは、様々な事例から学習します。品質指標を計算するための厳密なルールを定義する代わりに、事例を学習しモデルを洗練化できます。これらのモデルは、数千万のデータ特性を相関させ、専門家の事例や、抽出された専門家ルールから学習されたのと同じ手法で品質指標を分類します。 Deep Qualicisionは、生データから品質データのラベル付けを処理できるデータ分析ツールの1つです。品質データのラベリングは、利用可能なすべてのデジタルデータから付加価値を生み出すための最初の、しかし不可欠なステップです。

機械学習とニューラルネットワークによる欠陥画像の検出

機械学習とニューラルネットワークは、画像を解釈し、欠陥画像から欠陥を認識して分類することを完全に学習できます。 PSIは、表面の欠陥を識別および分類するために、畳み込みニューラルネットワークテクノロジー(CNN)に基づく欠陥検出サービスを開発しました。

目に見えない欠陥を予測する方法

機械学習の手法は、過去の全体的な経験をいわゆる予測モデルに組み込むことができます。多くの場合数十年にわたって成長した幅広い知識を巧みにモデルに詰め込むことができるのは、どういうわけか驚くべきことであり、少なくとも考えさせられることです。このアプローチの美しさと有用性は、後でさまざまな状況で使用できるという事実にあります。これは、熱間圧延機（HSM）を通過後のコイルの品質予測を考えるときにまさに言えることです。

これらのコイルはまださらなる技術的ステップを経ていませんが（図1を参照、赤いステップはすでに実行され、青いステップは計画されています）、光学検査で簡単にアクセスできない重大な欠陥がすでにここにあることがよくあります。難しいのは、圧延後の表面がコイル状になっているため、ほとんどが隠されているだけです。

一方、欠陥のあるコイルを正しく処理することは、かなりの利点をもたらす可能性があります。欠陥の種類と重大度に応じて、コイルを別の生産ラインに送るか、極端な場合には、鋼のライフサイクルの最初に戻すことができます。したがって、潜在的な欠陥に関する情報が必要ですが、それを取得することはできません。しかし、過去に製造されたコイルと発見された欠陥を説明するデータを使用することは可能です。

頭に浮かぶ自然な考えは、コイルを説明する情報の量（これを一連の予測子と呼びます）を発生する欠陥（ターゲット）と相関させることです。ここで機械学習が役立ちます。

データと対応する統計モデルアーキテクチャを収集するだけで、欠陥の可能性を確実に予測できるツールを作成できます。

これを実現するために、スラブの化学組成、鋼種、最終顧客の説明、製造からのプロセス情報など、入手可能なすべての情報を考慮に入れます。このすべての情報は、次のような巨大なベクトルとして想像できます。番号、それをFと呼びましょう。

代表的なサンプルを形成するさまざまなケースのこのデータがあります。しかし、日付だけでは十分ではありません。この複雑な情報の使用方法も知っています。状況に応じて、利用可能な機械学習手法の1つ、通常はニューラルネットワークまたは極端な勾配ブースティングを採用し、後で未知のコイルのベクトルFを取得して結果を欠陥の確率として計算するように、モデルをトレーニングします。高レベルの観測では、予測モデルを、このベクトルを確率に変換する非線形関数として想像できます。

ML(F)=p

ML関数には特定のパラメータ化があり、トレーニング全体の取り組みはこのパラメータ化を見つけることに重点を置いています。 これは、慎重に前処理された履歴データのセット全体にモデルを公開した後に実現されます。

過去のすべてのケースの経験と知識が結果のモデルに埋め込まれているため、数十テラバイトのデータでも比較的小さなオブジェクトに圧縮できます。

さらに重要なことは、まだ未知のケースと同様に、このモデルを将来に使用できることです。 適用された手法には大きな回帰の可能性があるため、これらの新しいケースは過去の例とは大幅に異なる場合があります。 モデルは内部で同様のケースを見つけ、新しいケースを近くのどこかに配置して確率を計算します。

アダプティブモデリングとスマートエージェント

極端な場合、特別な状況下では、それは実際の工場である可能性もあります。ライフサイクルの初めでは、エージェントは新生児のようなものであり、ランダムな決定しかできません。ただし、報酬と新しい州によって形成されたフィードバックを受け取るたびに。このようにして、以前の決定が報酬機能の改善にどの程度つながったかを評価することができます。これは、強化学習の一般的なスキームです。この手法の主な特徴は、一連の決定を学習する機能であり、長期的な視点で最終的な目標のためにいくつかの短期的な目標を犠牲にする可能性があります。

製鉄所の観点からは、たとえば特定の生産ラインの再スケジュールを決定する際に、この手法が非常に役立つ可能性のある多くの典型的なユースケースを想像することができます。スケジュールの変更が大量に蓄積された後、ある時点で、新しいスケジュールを作成するのが最善の方法です。これらの変更には、たとえば、顧客の優先順位の変更、品目または設備の利用不能、または発生した生産上の欠陥が含まれることがよくあります。適切に訓練されたエージェントは、これらの状況に対処できます。

強化学習の動的な性質により、進化する環境に適応することもできます。これは、新しい経験をゆっくりと取り入れることによって達成されます。ある意味で、この適応性により、エージェントは自律ユニットになります。その動作を手動で調整する必要はありません。動作の変更は、フレームワーク全体に固有の機能です。自然な次のステップは、いくつかのエージェントのリリースです。各エージェントは、特定の領域、特に製品、注文、およびプロセスを担当します。それらは、コミュニケーション、経験の保存、および意思決定のための適切なレイヤーを備えています。例示的な用途は、熱間圧延機における規格外の製品の管理であり得る。

マルチエージェントシステムは、特定の偏差が発生するような方法で生産プロセスを制御できます。目標の厚さに達していないため、最小化されます。

もっと知りたいですか？興味深いブログ記事や限定ウェビナーが豊富に用意されている「エンジョイザサウンドオブサイレンス」キャンペーンをフォローして、スムーズな生産現場にもたらされる静寂の世界を想像してみてください。