CC BY
42УДК: 65.011.56
ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ СНИЖЕНИЯ ЗАТРАТ НА АВТОМОБИЛЬНОМ ПРОИЗВОДСТВЕ
Панов В.А.
Финансовый университет при Правительстве Российской Федерации, Москва, Россия
E-mail: Slaviikpanov@mail.ru
Аннотация. Цель данного исследования - снижение затрат на автомобильном производстве, используя современные методы анализа и обработки данных. Для этого была разработана модель машинного обучения прогнозирования потребления электрической энергии на автомобильном производстве в студии Microsoft Azure. Для проведения исследования были рассмотрены статистические данные компании о потребление электрической энергии за 7 лет. В исследование используется регрессионный метод прогнозирования потребления электрической энергии. В данном исследование, ключевой метрикой являлась Relative absolute error, которая r составил 0,092 или 9%, который показывает разницу между точным и приближенным числом и абсолютную погрешность числа к самому числу. Авторами было доказано, что данная модель способна сократить расходы компании на заработную плату, через избежание расходов на найм в связи с высвобождением времени у штатных сотрудников.
Ключевые слова: умное производство, искусственный интеллект, машинное обучение, прогнозирование, автомобильное производство.
USING ARTIFICIAL INTELLIGENCE TO REDUCE COSTS IN AUTOMOTIVE MANUFACTURING
Panov V.A.
Financial University under the Government of the Russian Federation, Moscow, Russia
E-mail: Slaviikpanov@mail.ru
Abstract. The purpose of this study is to reduce costs in automotive production using modern methods of data analysis and processing. To do this, we developed a machine learning model for predicting electric energy consumption in automotive production in the Microsoft Azure Studio. To conduct the study, the company's statistics on electricity consumption for 7 years were considered. The study uses a regression method for predicting electricity consumption. In this study, the key metric was Relative absolute error, which r was 0.092 or 9%, which shows the difference between an exact and approximate number and the absolute error of the number to the number itself. The authors have proved that this model can reduce the company's salary costs by avoiding hiring costs due to the release of time for full-time employees.
Key words: smart manufacturing, artificial intelligence, machine learning, forecasting, automotive manufacturing 1. ВВЕДЕНИЕ направлениям его деятельности:
В текущее время, все предприятия стали производственную, коммерческую, закупочную и участниками гонки за долю рынка, которая инвестиционную. Целью работы является напрямую отражает качество произведенной разработка модели машинного обучения продукции и её стоимость, через удовлетворение прогнозирования электрической энергии на потребителей. Скорее всего, именно эта гонка и производстве. Практическая значимость стала толчком к развитию Индустрии 4.0. исследования заключается в стремлении и основная идея которой, это интеграция готовности компаний к усовершенствованию и искусственного интеллекта во все структуру использованию современных методов и подходов производственных департаментов. Актуальность к анализу данных.
темы исследования, охарактеризована В связи с конфиденциальностью
стремлением компаний к сокращению расходов и используемых данных, название компании было
готовностью к изменениям и внедрениям новых изменено.
методов для анализа производственной 2. УМНОЕ ПРОИЗВОДСТВО
деятельности и пр°дукции. Финансовый Умное производство и умная фабрика — это
результат характеризует абсолютную эффективность производства по всем
широкая категория производства с целью оптимизации производственного процесса.
Интеллектуальное производство — это процесс, который использует компьютерное управление, моделирование, большие данные и другую автоматизацию и методы искуственного интеллекта для повышения эффективности производства.
Умное производство - это термин описывающий среду, в которой машины и оборудование способны улучшать процессы за счет автоматизации и само оптимизации. Эти преимущества также распространяются не только на физическое производство товаров, но и на такие функции, как планирование, логистика цепочки поставок и даже разработка продукта. [ 1]
Способы, с помощью которых, искусственный интеллект может улучшить производственный сектор:
1. Меньше отказов оборудования. Алгоритмы на основе искусственного интеллекта могут переваривать массу данных от датчиков вибрации и других источников, обнаруживать аномалии, отделять ошибки от фонового шума, диагностировать проблему и предсказывать, является ли поломка вероятной или неизбежной
2. Меньше проблем с качеством. Визуальный контроль качества с поддержкой искусственного интеллекта может отфильтровывать проблемы и сосредоточиться только на дефектах.
3. Более тонкие цепочки поставок. Цепочки поставок на базе искусственного интеллекта обладают гибкостью для адаптации и
реагирования на изменения в ассортименте продукции или непредвиденные события, включая данные почти в реальном времени о рекламных кампаниях, ценах и даже прогнозах погоды
4. Улучшены функции поддержки бизнеса. В ИТ-сервисной службе кодифицированные стратегии решения проблем и знания (например, конфигурация сервера) могут подаваться в систему искусственного интеллекта, чтобы она могла автоматически объединять отдельные фрагменты знаний для построения индивидуального процесса решения проблем.
Ниже будет представлен пример улучшения функции поддержки бизнеса, на примере построения модели машинного обучения прогнозирования электрической энергии на производстве [2].
3. ПОСТРОЕНИЕ МОДЕЛИ
ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭНЕРГИИ НА АВТОМОБИЛЬНОМ ПРОИЗВОДСТВЕ
Для решения обозначенной цели, было решено построить модели прогнозирования потребления электроэнергии, используются статистические данные потребления электроэнергии за 7 лет компании ЗАО «Автомобилестроение» на базе платформы Microsoft Azure Learning Studio [3]. (с 2013 по 2019 гг.). Пример данных потребления электрической энергии на производстве отображены на рис. 1.
Рис 1. Пример используемых данных.
Задача, которая стоит перед моделью -используя статистические данные за 7 лет, спрогнозировать потребление электроэнергии на производстве в соответствии с прогнозным планом производства. После обучения модели на статистических данных, спрогнозировать потребление электроэнергии используя план производства на 2020 год.
WeekDAY Month Day Average volume per shift Working hours Line I spee[
Temperature average day Daily volume Count of shifts
111 llllllllll llllllllll ill. I...ili. i III Lb I, I 1 J
Sun 12 335 -2 408 1 408 10 40
Mon 12 336 -4 828 2 414 20 41
Tue 12 337 -5 868 2 434 20 43
Wed 12 338 -2 826 2 413 20 41
Thur 12 339 -2 836 2 418 20 41
Fri 12 340 -2 834 2 417 20 41
Sat 12 341 -3 436 1 436 10 43
Описание процесса построения модели Первым шагом построения модели является работа с данными. Проверим тип данных, кол-во уникальных значений, минимальные и максимальные значения и пропущенные данные, которые будут участвовать в обучении модели (рис. 2)
Statistics
Mean Median Min Max
Standard Deviation Unique Values Missing Values Feature Type
i Visualizations
297.2377
320
0
874
287.6724 413 0
Numeric Feature
Данные, которые используются в колонке «Дневное потребление», можно разделить на две части: машины произведены, машины не произведены.
Тип данных является числовой, пропущенных значений нет, количество произведенных автомобилей зависит от плана производства и прогнозируется ежемесячно.
Таким образом анализируется каждая колонка данных, для выявления отклонений, аномалий и определения типа данных для дальнейшей работы и построения модели.
Следующим шагом, является определение колонок данных, которые будут участвовать в анализе и прогнозирование данных. Такой блок называется «Select column in Dataset», визуально, этот блок выглядит как на рис. 3.
Daily volume
Histogram
Рис 2. Пример проверки данных.
Для прогнозирования данных, были выбраны колонки: daily volume, count of shifts, average volume per shift, working hours, line speed и el_kW*h. Остальные колонки не влияют на потребление электроэнергии и являются вторичными данными, которые отражают дату.
Шаг номер 3, изменение типа данных. Для этого шага используется функция «Edit Metadata» (рис. 4) [4].
Рис. 4. Визуализация функции «Edit Metadata» Из ранее выбранных колонок, тип данных изменен в колонках: count of shifts, working hours, line speed, с числовых на категориальные для того, чтобы модель понимала, что в этих данных возможны только некоторые категории (рис. 5).
Рис 3. Пример выбора данных
Рис. 5. Пример настройки функции «Edit Metadata» Следующим шагом, является разделение данных для на тренинг и тест. Для этого шага, используется функция «Split data» [5], данные были разделены на 70% и 30%. (рис 6)
J Split Data
Splitting mode
Split Rows T
Fraction of rows in the first output dataset
1 1
W Randomized split
Random seed
1 3 1
Рис 6. Визуализация функции «Split Data» 5-й шаг построения модели, является самым важным моментом и соответственно самым долгим, это выбор метода прогнозирования машинного обучения, в нашу модель, путем подбора факторов и настройки регрессионного метода была выбрана функция «boosted decision tree regression» [6] с настройкой, отраженной на рис. 7.
Рис. 7. Пример настройки регрессионной функции «Boosted Decision Tree Regression»
Повышенный модуль регрессии дерева решений в Azure Machine Learning Studio (classic)для создания ансамбля деревьев регрессии с помощью повышения производительности. Бустинг означает, что каждое дерево зависит от предыдущих деревьев. Алгоритм учится, подгоняя остаток деревьев, которые ему предшествовали. Таким образом, усиление в ансамбле дерева решений имеет
тенденцию повышать точность с некоторым небольшим риском меньшего охвата [6].
Параметры были выбраны, анализируя, подбирая и изменяя критерии для получения наилучшего результата.
Следующими двумя шагами является объедение данных с методом прогнозирования машинного обучения путем использования функции «Train model» [7] и объединение модели с тестированными данными через функцию «Score model» [8], полученный результат отражен на рис. 8.
Рис. 8. Визуализация работы модели прогнозирования Score labels - данная колонка, это прогноз модели, т.е. данная модель, обучаясь на статистических данных, дала свой прогноз на данные, которые были в тестовой выборке.
Для визуализации полученных результатов и оценки модели используется функция «Evaluate model» [9], которая отражает полученные результаты прогноза и сравнивает прогнозные данные с реальными. (рис. 9).
^ Metrics
Mean Absolute Error Root Mean Squared Error
Relative Absolute Error Relative Squared Error Coefficient of Deter m inatio n
8362.605107
16861.931876
0.09 2 996 0.031999
0.968001
Рис. 9. Метрики качества прогноза Mean Absolute Error или средняя абсолютная ошибка - используется для оценки точности прогноза и показывает ошибку в сравнение со значением ряда.
Relative Absolute Error или относительная абсолютная погрешность - показывает разницу между точным и приближенным числом и
абсолютную погрешность числа к самому числу. Coefficient of determination (коэффициент детерминации) - коэффициент детерминации, является ключевым результатом регрессионного анализа. Он интерпретируется как доля дисперсии в зависимой переменной, которая прогнозируется из независимой переменной [10]
Week DAY Month
Day
Temperature average day
Метрика, на которую был сделан акцент в модели - RAE или MAPE (средняя абсолютная ошибка). Данный коэффициент отражает отклонение прогнозных данных от фактических.
Следующим этапом является интеграция тестовых данных. Пример данных изображен на рис. 10.
Statistics
1 III 2020 1 llllll IIIIII Wed
2020 1 Thür
2020 1 Frï
2020 1 Sat
lllllllll
Daily Count r
volume of shifts :
LU 0 I I 0 I с
0 0 с
0 0 с
0 0 с
Mean
Median
Min
Max
Standard Deviation Unique Values Missing Values Feature Type
273.4563 390 0
508
215.7457 24 0
Numeric Feature
Рис. 10. Пример данных для прогнозирования
Дальнейшие шаги, такие как «Edit Metadata» и «Select column in dataset» имеют схожую структуру, как и в построение исходной модели.
Объединение модели с данными, проходит через функцию «Score model», которая, используя модель, прогнозирует дневное потребление электроэнергии исходя из вводных данных.
Следующим шагом будет изменение колонки score label в forecast, через функцию «edit metadata» (рис. 11).
Selected columns: Column lunes Scored Labels
Launch h [ i selector
Categories unchanged
uncharged
Рис 12. Визуализация полученного прогноза в excel.
Рис. 11. Пример настройки функции «Edit Metadata» Следующий шаг не несет обязательного характера, но нужен для более наглядной визуализации, а именно, добавление даты к прогнозным данным, через функции «select column» и «add column».
Финальным шагом, является конвертация полученного прогноза в формат csv и выгрузка полученных данных в excel, через функцию «convert to csv». В excel данные выглядят как на рис. 12.
Рис 13. Модель прогнозирования электрической энергии
4. ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ МОДЕЛИ НА ПРОИЗВОДСТВЕ
Основное направление построенной выше модели, является прогнозирование ежедневного потребления энергии, исходя из вводных параметров, таких как: скорость линии (производства); дневной объем производства; время работы конвейера; кол-во рабочих смен.
Реализация данной модели, может помочь компании избежать расходы в будущем. Сравним два варианта развития, в первом варианте, компания продолжает работать без использования модели, во втором, компания использует модель прогнозирования
электрической энергии.
Первый вариант.
Сотрудники центрального технического обслуживания при участие финансового контроля производства участвуют в прогнозирование потребления электроэнергии в соответствии с планом производства на этапе бюджетирования и ежемесячном пере прогноза. В прогнозе, принимают участие: финансовый контролер, руководитель службы энергии. инженер службы энергии.
В данном варианте, сотрудники, используют инструмент excel для построения прогнозов, просматривают каждый день на предмет аномалий и проблем с формулами. Построение прогнозов в excel занимает порядка 3 дней в месяц в случае ежемесячного изменения плана производства и порядка 2 недель на бюджете и 1 недели на официальном пере прогнозе. (В связи с текущей ситуацией с COVID-19 и постоянным изменением рынка, сотрудники занимаются пере прогнозом каждую неделю)
Итого, на прогноз электрической энергии уходит 57 дней, если перевести это время в зарплату, то получается ~ 1 224 550 рублей (включай НДФЛ и социальные взносы).
Второй вариант.
Инженер службы энергии подгружает план производства в модель и через ~7 - 10 минут получает прогноз потребления электрической энергии.
Сравнивая два варианта, компании было бы выгодно реализовать и внедрить данную модель прогнозирования электрической энергии на производстве. Компания конечно же не сократит/уволит данных сотрудников, но может освободить данное время и пустить его на реализацию значимых проектов и избежать дополнительного найма сотрудников. 5. ЗАКЛЮЧЕНИЕ
Авторами работы была подтверждена эффективность от возможного внедрения модели машинного обучения по прогнозированию электрической энергии на автомобильном
производстве. Данная модель также может быть использована другими автомобильными производителями. Польза от его внедрения возможна и в других отраслях производства.
Подводя итоги, можно отметить, что модель машинного обучения показывает достаточную точность на тестовых выборках, польза от ее реализации и использования доказана. Модель может быть внедрена в работу компании, чтобы сократить время сотрудников для построения прогнозов, а свободное время направить на улучшение бизнес процессов. В ходе исследования были выполнены все поставленные задачи с использованием методологической базы и достигнута цель работы.
Список используемых источников
[1] Giacomo B., Monica C., Rebecca C. Smart factory performance and Industry 4.0. Technological Forecasting and Social Change Jan. 2020.
[2] Matthias Breunig, Matthias Kasser, Heinz Klein, and Jan Paul Stein. Building smarter cars with smarter factories: How AI will change the auto business McKinsey reports. October 2017
[3] Microsoft Azure. [Электронный ресурс]. URL: https://azure.microsoft.com/ru-ru/services/machine-learning/ (дата обращения: 14.04.2020).
[4] Edit Metadata. [Электронный ресурс]. URL: https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/edit-metadata (дата обращения 23.04.2020)
[5] Split Data. [Электронный ресурс]. URL: https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/split-data (дата обращения: 23.04.2020).
[6] Boosted Decision Tree. [Электронный ресурс]. URL: https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/boosted-decision-tree-regression (дата обращения: 23.04.2020).
[7] Train Model. [Электронный ресурс]. URL: https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/train-model (дата обращения: 23.04.2020).
[8] Score Model. [Электронный ресурс]. URL https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/score-model (дата обращения: 23.04.2020).
[9] Evaluate Model. [Электронный ресурс]. URL: https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model (дата обращения 23.04.2020)
[10] Метрики в задачах машинного обучения. [Электронный ресурс]. URL: https://habr.com/ru/company/ods/blog/328372/ (дата обращения: 23.04.2020)
V V
