Prognoza braków:
Poznaj wadę, zanim ruszy partia
Która kombinacja materiału, parametrów maszyny i warunków prowadzi do braków? Gradient boosting uczy się tego z Twoich danych kontroli i procesu – i ostrzega, zanim przetworzony zostanie kosztowny materiał.
01 Problem – Braki wykrywa się dziś za późno
Kontrola końcowa mówi, że coś poszło nie tak – nie dlaczego
Braki kosztują podwójnie: utracony materiał i poprawki. Dziś ujawniają się najczęściej dopiero w kontroli końcowej – gdy materiał, energia i czas maszyny są już zainwestowane.
A przyczyny tkwią w danych: właściwości partii, temperatura, ciśnienie, zużycie narzędzia, posuw. Model wykrywa krytyczną kombinację, której człowiek nie dostrzega w gąszczu parametrów.
Każdy uniknięty brak oszczędza materiał ORAZ poprawki, które inaczej by nastąpiły.
02 Model – Wynik ryzyka na partię i zestaw parametrów
Klasyfikacja po wszystkich cechach procesu i materiału znanych w momencie produkcji
ROC-AUC Ausschuss-Klassifikation: 0.912 Top-Treiber: ['material_charge_B', 'werkzeug_temp', 'vorschub', 'werkzeug_standzeit_h'] Kritische Kombination -> Ausschussrate: 14.8%
Pojedyncze parametry w zielonej strefie nie znaczą „wszystko dobrze": dopiero kombinacja partii materiału B, podwyższonej temperatury narzędzia i wysokiego posuwu przewraca jakość. Gradient boosting (XGBoost) modeluje właśnie te interakcje – i wskazuje konkretny czynnik przez wartości SHAP.
03 Wpływ na biznes – Niższe koszty materiału i poprawek
Dźwignia: obniżony wskaźnik braków × zużycie materiału, plus mniej poprawek
Żadnej liczby z sufitu: każde założenie pochodzi z przykładowego zakładu i jest przechowywane centralnie. Z Twoimi realnymi danymi zmienia się tylko wejście, nie metoda.
| Pozycja | Wartość |
|---|---|
| Zużycie materiału / rok | €24.000.000 |
| Oszczędność materiału (Wskaźnik braków: 4,5% → 3,4%) | €264.000 |
| Koszt poprawek / rok | €620.000 |
| Redukcja poprawek (25%) | €155.000 |
| Wynik: oszczędność / rok | €419.000 |
Założenia przykładowego zakładu – w realnym projekcie Twoje dane zastępują te wartości.
Model nie kończy na ostrzeżeniu: z czynników powstają okna procesowe, które wracają do sterowania. „Partia B + gorąco + szybko" staje się konkretną granicą parametru – na stałe.
04 Następne kroki
Od wyniku ryzyka do zamkniętej pętli sterowania
Łączymy parametry procesu z MES z wynikami kontroli jakości – baza danych już istnieje.
Dla rodziny produktów o najwyższych brakach powstaje model pilotażowy. Widzisz czynniki zweryfikowane na realnych partiach.
Wynik ryzyka przed startem produkcji: „Ta partia z tymi parametrami ma podwyższone ryzyko braków – zalecenie: dostosuj parametr X."