使用因果机器学习的制造管理决策——返工还是不返工？
机器学习
2024-06-21 v1 人工智能
计量经济学
机器学习
摘要
在本文中，我们提出了一个用于估计制造系统中最优返工策略的数据驱动模型。我们考虑一个多阶段、基于批次的系统中的单个生产阶段，该阶段允许可选的返工步骤。虽然返工决策取决于批次和系统的中间状态，但最终产品检验（即对实际良率的评估）会延迟到生产完成。修复步骤统一应用于批次，可能会改善某些单个项目，同时降低其他项目。因此，挑战在于平衡潜在的良率提升与产生的返工成本。鉴于该决策问题固有的因果性质，我们提出了一个因果模型来估计良率提升。我们应用因果机器学习的方法，特别是双重/去偏机器学习（DML）技术，从数据中估计条件处理效应并推导返工决策策略。我们使用来自光电子半导体制造的真实数据验证了我们的决策模型，在白光发光二极管（LED）的颜色转换过程中实现了2-3%的良率提升。
引用
@article{arxiv.2406.11308,
title = {Management Decisions in Manufacturing using Causal Machine Learning -- To Rework, or not to Rework?},
author = {Philipp Schwarz and Oliver Schacht and Sven Klaassen and Daniel Grünbaum and Sebastian Imhof and Martin Spindler},
journal= {arXiv preprint arXiv:2406.11308},
year = {2024}
}
备注
30 pages, 10 figures