利用序列到序列学习识别制造误差的因果关系
机器学习
2022-05-06 v1
摘要
在车身生产中，车身的预成型钣金件在全自动生产线上组装。车身依次经过多个工位，并按订单要求加工。订单的及时完成取决于各基于工位的操作在其计划周期内完成。若某工位发生误差，可能产生连锁效应，导致下游工位延误。据我们所知，现有方法尚无法在此场景下自动区分源误差与连锁误差，并建立二者间的因果关系。利用生产数据采集系统收集的有关工况的实时信息，我们提出了一种新颖的车辆制造分析系统，其使用深度学习建立源误差与连锁误差间的联系。我们对三种序列到序列模型进行基准测试，并引入一种新颖的复合时间加权动作度量用于此背景下的模型评估。我们在大众商用车记录的真实世界汽车生产数据集上评估了我们的框架。令人惊讶的是，我们发现71.68%的序列包含源误差或连锁误差。关于seq2seq模型训练，我们发现相较于LSTM与GRU，Transformer在该领域表现出更优性能，尤其当关于未来动作时长的预测范围增大时。
引用
@article{arxiv.2205.02827,
title = {Identifying Cause-and-Effect Relationships of Manufacturing Errors using Sequence-to-Sequence Learning},
author = {Jeff Reimer and Yandong Wang and Sofiane Laridi and Juergen Urdich and Sören Wilmsmeier and Gregory Palmer},
journal= {arXiv preprint arXiv:2205.02827},
year = {2022}
}
备注
11 pages, 5 figures, 2 tables