面向制造领域的因果发现
机器学习
2016-06-15 v2 人工智能
摘要
良率和质量改进对任何制造公司都至关重要。提高良率的方法之一是通过发现影响良率的根本因果因素。我们提出使用数据驱动的可解释因果模型来识别影响良率的关键因素。我们关注在产品制造周期中不同生产和测试阶段测量的因素。我们将因果结构学习技术应用于从该生产线收集的真实数据。具体而言，本工作的目标是从制造生产线产生的观测数据中学习可解释的因果模型。重点在于模型的可解释性，使其在制造领域具有可操作性。我们强调了装配线数据带来的挑战，并提出了缓解这些挑战的方法。我们还识别了源自装配线的数据的独特特征，以及如何利用它们来改进因果发现。因果结构学习的标准评估技术表明，学习到的因果模型似乎密切代表了生产过程中不同因素之间潜在的潜在因果关系。这些结果也得到了制造领域专家的验证，他们认为这些结果很有前景。本工作展示了如何将数据挖掘和知识发现用于制造和互联工业领域的根本原因分析。
引用
@article{arxiv.1605.04056,
title = {Causal Discovery for Manufacturing Domains},
author = {Katerina Marazopoulou and Rumi Ghosh and Prasanth Lade and David Jensen},
journal= {arXiv preprint arXiv:1605.04056},
year = {2016}
}