Last updated on 9月 27th, 2022

ケーススタディ

トランスミッションの故障検知

目的

  • 生産ライン最終検査段階に異常スコアを加味することで故障ユニットの根本原因分析を加速し保証請求コストを削減したい
  • 異常スコアのみに基づいてラベルなし50種データセットから故障ユニットを特定したい

チャレンジ

  • わずか100ユニットでFalse値を含まないトレーニングデータセット
  • 学習モデルも正常ユニットからのデータのみでトレーニング
  • 新しい生産ライン最終テストプロセスとして利用されるためのリアルタイム性の確保
  •  

成果

根本要因分析に必要となる信号数の削減率

99.8%

補償クレームによるコストの最大削減効果

30%

背景

日本に拠点を置く大手 Tier-1 トランスミッションサプライヤーは、生産ラインのテストデータ(EOLテストデータ)を使用して製造プロセス上の欠陥を特定することにより、保証請求を減らすことを目指していました。 EOLテストには、さまざまなパフォーマンスベースの品質評価のための100以上のステップが含まれ、これまでは統計プロセス制御プログラムによって分析されていました。しかし、そのプログラムは各ユニットから収集されたデータの10%しか分析しなかったため、エンジニアは潜在的な障害が発生した場合にすべてのデータを手動で検査する必要がありました。

課題

クライアントからは、EOLテストの一環として、各トランスミッションユニットに異常スコアを自動的に割り当てる機械学習モデルがリクエストされました。 スコアはエンジニアにユニット品質の指標を提供し、EOLテスト中の誤検知の数を減らし、データセットを手動で評価するために費やされる時間を最小限に抑えます。

ラベルのない50ユニットのデータセット(うち4種は故障ユニット)は、モデルの妥当性のテストとして機能しました。 クライアントは100ユニットからのデータを提供しましたが、そのすべてが元のEOLテストに合格し、保証請求を返したものはありませんでした。

Acerta ソリューション

Acerta チームは、クライアントの製造およびデータ収集プロセスに関する情報を収集することから始めました。これは、インテリジェントなフィーチャーエンジニアリングの基礎部分を構成するものです。 当社の業界スペシャリストは、このアプリケーションと過去のユースケースとの類似性に基づいて、非多項式型のフィーチャーが潜在的に有用であると特定しました。 Acerta のデータサイエンティストは、機械学習に基づくフィーチャーの削減を実施し、最終的なスコアリングアルゴリズムにほとんどまたはまったく影響のないフィーチャーを削減しました。

Acertaは、教師なしアンサンブル機械学習手法を使用して要求されたモデルを作成し、EOLでの各トランスミッションの異常スコアを生成しました。 スコアは、単一信号と複数信号の関係を、各テストステップ及びいくつかのステップにわたって期待される動作とともに同時に評価しました。 これは、アンサンブル内のさまざまなモデルの再構成誤差を使用して計算されました。

テストデータセットからのトランスミッションは、異常スコアに基づき並べ替えられ、学習モデルはデータに対する「説明可能性が低い」部分を識別しました。

成果

ラベルがない、少量のデータセットから作業しているにもかかわらず、Acerta は、クライアントが製造するトランスミッションユニットに対して有効な異常スコアを生成する学習モデルをトレーニングし提供しました。学習モデルは、複数のテストからのデータを同時に使用して、異常スコアに最大の影響を与える信号を識別します。 ある例では、Acerta が提供した学習モデルは、圧力遅延と回転遅延の間の因果関係を特定しました。 これら特定の信号間の関係性を検出することで、手動による調査が必要な信号の数が1つのトランスミッションあたり約4,000から10に減り、送信の問題の根本原因分析(RCA)が加速されました。

Transmission Graph

このモデルは、クライアントの既存のSPC(統計プロセス制御)プログラムでは不可能だった、マルチ信号対応の故障検出を備えた Acerta 製品群の機能性も示しました。 上記グラフに示されているように、従来は既存のSPCプログラムからのアラートをトリガーする明確なしきい値を超えることはありませんでした(つまり、極端な値はありませんでした)。 一方、Acertaのモデルは、これらの微妙な偏差を自動的に識別し、異常な領域を同じトランスミッションユニットからの他の信号と相互相関させて、レポートの信頼性スコアを高くすることに成功しました。

クライアントでは、元のEOLテストに合格したものの学習モデルにより異常スコアが高いとフラグが付けられたトランスミッションユニットを調べました。その結果、これらユニットが元のEOLテストに合格した他のユニットとは実際に異なっているとの報告がありました。クライアントによると、Acerta の LinePulse プラットフォームを介して展開された新しいEOLテストにより、会社は保証請求によるコストを最大30%節約できることが判明しています。

Acertaソリューションを確認

Automate root cause analysis and predict defects in real time

How is that possible?