CN117670018A - 汽车制造中的风险预测以及交互式风险减轻的系统及方法 - Google Patents
汽车制造中的风险预测以及交互式风险减轻的系统及方法 Download PDFInfo
- Publication number
- CN117670018A CN117670018A CN202311159791.8A CN202311159791A CN117670018A CN 117670018 A CN117670018 A CN 117670018A CN 202311159791 A CN202311159791 A CN 202311159791A CN 117670018 A CN117670018 A CN 117670018A
- Authority
- CN
- China
- Prior art keywords
- risk
- manufacturing process
- model
- data
- time delay
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 270
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 229
- 238000013349 risk mitigation Methods 0.000 title description 18
- 230000002452 interceptive effect Effects 0.000 title description 3
- 230000008569 process Effects 0.000 claims abstract description 140
- 230000001934 delay Effects 0.000 claims abstract description 71
- 239000013067 intermediate product Substances 0.000 claims abstract description 47
- 239000000463 material Substances 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 230000000116 mitigating effect Effects 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 18
- 239000000047 product Substances 0.000 claims description 29
- 238000005065 mining Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 230000001960 triggered effect Effects 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 112
- 238000012360 testing method Methods 0.000 description 41
- 238000012384 transportation and delivery Methods 0.000 description 14
- 238000010200 validation analysis Methods 0.000 description 13
- 238000001914 filtration Methods 0.000 description 10
- 239000007795 chemical reaction product Substances 0.000 description 8
- 238000007418 data mining Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010839 reverse transcription Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 239000000543 intermediate Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的方法。在训练阶段,获得中间产品及材料的历史供应商数据;获得对于制造过程而言可观测的制造过程的过程参数;获得独立于制造过程的外部数据;应用机器学习算法来基于历史供应商数据、制造过程的过程参数以及外部数据而产生用于对制造过程中的时间延迟风险进行预测的模型;及将所产生的模型记录在数据库中。在应用阶段,获得制造过程的当前过程参数并获得当前外部数据,并且通过基于所记录的模型、制造过程的当前过程参数以及当前外部数据来对实际时间延迟风险进行预测;产生包括所预测的实际时间延迟风险的输出信号;及经由人机界面将所产生的输出信号输出到用户。
Description
技术领域
本公开的主题涉及供应链风险预测领域及供应链风险的交互式减轻领域,具体来说涉及汽车制造领域及供应链中的交付时间延迟风险领域。
背景技术
制造设施越来越依赖于将材料及中间产品及时交付到生产线且将材料及中间产品的库存减少到最低。为提高供应链的效率而使用精益管理过程(lean managementprocess)。因此,生产会容易受到任何供应链断裂(例如向制造设施装运材料及中间产品的延迟或供应链中断)的影响。举例来说,几个小时或者甚至几分钟的范围内的延迟可能已经要求制造过程停止,这转而会实质上增大制造设施的成本及生产最终产品的成本。因此,制造设施在及早对使制造过程断裂的潜在事件(例如材料及中间产品的装运延迟)进行检测并减轻所述潜在事件方面投入大量的精力。
对供应商在不久的将来延迟交付的风险进行估测在先前是基于专家知识及专家在过去相似情况下的经验进行。此种方法容易出现非预期延迟交付且还会形成对交付延迟的错误预测。存在用于解决此问题的一些技术方法,然而,这些方法无法超越人类专家所提供的直觉知识。然而,由于专家用户必须通过使用其个人经验制定规则或拟合统计模型来对风险因素与目标变量之间的关系进行建模,因此人类专家容易受到人类偏见的影响。
供应链管理领域中的已知方法着重于通过例如以下方法来降低供应链固有的风险:选择合适的供应商、对通过供应网络的风险传播进行建模、优化对不可靠供应商的响应、对车队管理(fleet management)进行优化、降低对外部断裂的易损性。这些方法适合对静态风险进行管理。与此相反,这些方法在识别供应链中的动态风险方面的性能为差的,所述动态风险可能是起因于需求改变、供应商能力改变或供应商产能改变或者甚至起因于外部事件。外部事件是制造过程、制造设施及其供应商之外的事件。此外,与对当前供应链结构或仅当前供应链数据中的风险进行识别的现有能力相反,期望在实际装运延迟前几天预测到供应链风险。
提出一种用于针对制造过程对供应商装运延迟进行预测的方法及系统,以提醒用户这些延迟且使被提醒的用户能够采取用于减轻不间断生产过程所需的材料及中间产品短缺的不利情况的预防措施。
发明内容
根据第一方面,一种用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的方法包括在训练阶段进行以下操作:获得中间产品及材料的历史供应商数据;获得对于制造过程而言可观测的制造过程的过程参数;以及获得独立于制造过程的外部数据。所述方法应用机器学习算法来基于历史供应商数据、制造过程的过程参数、以及外部数据而产生用于对制造过程中的时间延迟风险进行预测的模型;以及将所产生的模型记录在数据库中。在应用阶段,所述方法获得制造过程的当前过程参数并获得当前外部数据,并且通过基于所记录的用于对时间延迟风险进行预测的模型、制造过程的当前过程参数以及当前外部数据来对实际时间延迟风险进行预测而进行所述方法。所述方法产生包括所预测的实际时间延迟风险的输出信号且经由人机界面将所产生的输出信号输出到用户。
根据第二方面,一种用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的方法包括获得制造过程的当前过程参数并获得当前外部数据。制造过程的当前过程参数对于制造过程而言是可观测的,且当前外部数据独立于制造过程。所述方法还从数据库获得所记录模型且基于用于对时间延迟风险进行预测的所记录模型、制造过程的当前过程参数以及当前外部数据来对实际时间延迟风险进行预测。所述方法然后产生包括所预测的实际时间延迟风险的输出信号且经由人机界面将所产生的输出信号输出到用户。
根据第三方面,一种用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的系统包括:用户界面;过程数据界面,用于获得对于制造过程而言可观测的制造过程的过程参数;以及数据界面,用于获得中间产品及材料的历史供应商数据且用于获得独立于制造过程的外部数据。所述系统还包括:控制电路,用于应用机器学习算法来基于历史供应商数据、制造过程的过程参数以及所获得的外部数据而产生用于对制造过程中的时间延迟风险进行预测的模型,且控制电路用于将所产生的模型记录在数据库中;以及数据库,用于存储所产生的模型。所述过程数据界面还被配置成获得对于当前制造过程而言可观测的当前制造过程的当前过程参数。所述数据界面还被配置成获得独立于当前制造过程的当前外部数据。所述控制电路还被配置成基于所记录的用于对时间延迟风险进行预测的模型、所获得的当前过程参数以及所获得的当前外部数据来对时间延迟风险进行预测,其中所述用户界面被配置成在输出信号中向用户输出所预测的时间延迟风险。
附图说明
各附图对实施例进行阐述,在附图中
图1提供离线模型训练及模型选择过程的概述的流程图。
图2提供用于离线模型选择及模型训练的数据获得过程的流程图。
图3是用于离线模型选择及模型训练的获得模型族及确定模型的超参数的模型获得过程的流程图。
图4是离线模型选择及模型训练期间的模型训练过程的流程图。
图5是在离线模型选择期间实行的用于计算测试误差的过程的流程图。
图6是示出使用经训练模型对风险进行预测的在线过程的概述的流程图。
图7是示出对使用经训练模型预测的所预测风险进行评估且使用人机界面决定是否减轻所预测风险的在线过程的概述的流程图。
图8提供呈现出实施例的用于供应商风险预测系统的结构单元及数据流概述的方块图。
[符号的说明]
1:系统
2:处理电路/处理器电路/控制电路
3:过程数据界面/过程界面
4:内部过程参数/当前过程参数
5:过程数据
6:外部数据界面/数据界面
7:外部参数/当前外部参数
8:外部参数
9、19:外部数据
10:数据库/数据源
11:历史供应商数据
12、16:数据库
13:模型族
14:模型数据库/数据库
15:经训练模型
18:数据
20:用户界面
21:用户输入数据
22:时间延迟风险
23:用户输入
24:输出信号
S1、S2、S3、S4、S5、S6、S11、S12、S13、S14、S15、S16、S31、S32、S41、S42、S43、S44、S45、S46、S47、S51、S52、S53、S54、S55、S56、S71、S72、S73、S74、S75、S76、S77、S78、S79、S80、S81、S82、S83:步骤
N:全球通信网
具体实施方式
对实施例的说明使用以下用语:
风险囊括生产影响,所述生产影响包括但不限于延期装运、停产及单元维修。
用语“预测模型”表示高级机器学习数据分析模型,所述高级机器学习数据分析模型产生指示预定未来时间范围(例如(举例来说),接下来的七天)内的时间延迟风险的分数。
用语“训练数据”是指用于对预测模型进行训练的数据。所利用的训练数据是在假设涉及制造过程中的正常商业条件的时段期间以物理方式产生。训练数据包括对输入变量及对应的输出变量的表示(样本)。在模型训练期间使用输入变量及对应的输出变量的样本来确定最佳地表示模型的输入变量与输出变量之间的关系的模型参数。
用语“模型”阐述数学模型,所述数学模型表示数据产生过程且可用于阐述例如数据产生过程的输入数据(例如风险因素)与数据产生过程所产生的输出数据(例如风险)之间的关系。
模型参数是模型中的内部值,所述内部值确定对数据产生过程的表示以及输入变量与输出变量之间的建模关系。通过实行模型训练来学习模型参数,其中通常以迭代方式对参数进行调整,以使模型在训练数据上的误差最小化。
超参数是对模型的训练过程进行控制的参数且必须在训练过程之前设定。与之相反,模型参数是在训练过程期间设定或学习。通过以下方式来确定超参数的值:使用各种超参数值或超参数集在相同的训练数据集上重复进行训练,以确定实现最佳模型性能的超参数设定。
模型包括模型参数,所述模型参数是在被称为模型训练的训练过程期间确定。模型训练旨在确定模型参数,所述模型参数最佳地表示训练数据的输入变量与输出变量之间的关系(对所述关系进行近似)。在模型训练期间会检验出待解决问题的许多例子(例如预测)。所述例子包括所有输入变量的实现及输出变量的对应例子。算法以使模型的所预测输出与模型的实际输出之间的误差最小化为目标来基于可用的训练数据对模型参数进行优化。在实行模型训练之后,所确定的最终模型参数被固定,且包括最终模型参数的训练模型被存储以供之后使用(离线使用)。
模型选择包括从一组模型族或具有不同超参数的模型识别出对训练数据具有最小误差的模型。
模型操作或用于进行预测的在线操作是指使用经训练模型来基于新的输入数据进行预测。
监测包括对经训练模型在操作期间形成的误差进行评估(对事件进行预测)。通过存储所产生的预测且将所产生的预测与已预测的实际事件进行比较来计算误差。监测还可指对输入数据的特性进行评估且确保这些特性与用于对模型进行训练的训练数据的特性相同。
对模型进行再训练包括对新的数据重复进行训练过程(例如,对模型的模型参数进行优化),以最佳地表示所述新的数据。
用语“误差”阐述经训练模型的模型输出与所述过程的对应实际输出之间的差。实际输出可为模型的离线训练中测试数据的输出或者是使用经学习模型进行的在线预测期间的输出。
用语“准确度”是指特定的误差度量,例如正确分类例子的百分比。具体来说,此可包括已被预测属于特定类别且实际上处于所述特定类别中的例子的百分比。
根据第一方面,用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的所述方法包括在训练阶段进行以下操作:获得中间产品及材料的历史供应商数据;获得对于制造过程而言可观测的制造过程的过程参数;以及获得独立于制造过程的外部数据。所述方法应用机器学习算法来基于历史供应商数据、制造过程的过程参数以及外部数据而产生用于对制造过程中的时间延迟风险进行预测的模型;以及将所产生的模型记录在数据库中。在应用阶段,所述方法获得制造过程的当前过程参数并获得当前外部数据,并且通过基于所记录的用于对时间延迟风险进行预测的模型、制造过程的当前过程参数以及当前外部数据对实际时间延迟风险进行预测而进行所述方法。所述方法产生包括所预测的实际时间延迟风险的输出信号且经由人机界面(human-machine interface,HMI)将所产生的输出信号输出到用户,从而使得用户及早做出反应。
制造过程囊括在制造设施处或在多个制造设施处的生产过程,所述生产过程在交付时间从至少一个供应商获得呈中间产品及材料形式的输入并生成呈至少一种类型的最终产品(终端产品、零件)形式的输出。此制造过程的终端产品也可在进一步的制造过程中用作中间产品。
根据所述方法的实施例,所述方法包括通过应用监督式机器学习算法来产生所述模型,所述监督式机器学习算法用于从历史供应商数据、制造过程的过程参数以及所获得的外部数据学习指示未来时间延迟风险的风险因素。
所述历史供应商数据可包括以往时间的过程参数及外部数据中的至少一者。
制造过程的过程参数可包括以下中的至少一者:
供应商标识符,
目标装运的经调度工作日,
目标装运时间附近的第一预定义时间段内的计划装运数目,
目标装运时间附近的第二预定义时间段内的订单量,
目标装运时间附近的第三预定义时间段内的计划生产量,
目标装运时间附近的第三预定义时间段内的生产调度改变,
对订单量的改变的供应商反应敏捷性,
目标装运中所订购的零件的标识符,
目标装运供应商在过去的装运故障报告数目,
目标装运供应商在过去的目标装运时间内的分批装运数目,
目标装运供应商在过去的目标装运时间内的装运延迟统计,
供应商信息,以及
供应商的产能系统管理数据。
外部数据可包括以下中的至少一者:
目标装运时间附近的第六预定义时间段内的天气事件预报,
目标装运时间附近的第七预定义时间段内的从日历提取的假日、学校休假、银行假日或季节性事件的发生,
目标装运时间附近的又一预定义时间段内的经由文本挖掘从新闻网站提取的所报告的短缺、所计划的短缺或者所预测的短缺的发生,以及
目标装运时间附近的又一预定义时间段内的经由文本挖掘从新闻网站提取的所报告的罢工行动或人员短缺、所计划的罢工行动或人员短缺或者所预测的罢工行动或人员短缺的发生。
根据实施例的所述方法包括对时间延迟风险进行预测,包括:将时间延迟风险直接映射成风险等级,且在所述应用机器学习算法的步骤中使用所述风险等级作为目标变量。作为另外一种选择所述方法包括在后处理步骤中将风险等级指配成所预测的时间延迟风险的附加步骤。
所述方法可包括对未来的时间段的时间延迟风险进行预测,其中所述时间段的长度取决于所记录的用于对时间延迟风险进行预测的模型、历史供应商数据、制造过程的过程参数以及所获得的外部数据。
所述方法的实施例的产生所述模型及基于所记录的所述模型进行预测使用监督式机器学习算法或者使用随机森林树算法(random forest tree algorithm)、k-最近邻算法(k-nearest-neighbor algorithm)、神经网络、线性模型、支持向量机(support-vectormachine)、高斯过程(Gaussian process)、决策树及集成方法(ensemble method)中的至少一者。
根据实施例,所述方法包括经由HMI从用户接收与历史供应商数据及制造过程的过程参数中的至少一者相关联的输入数据。
根据实施例的所述方法包括经由HMI从用户接收关于模型族中的至少一者的输入数据,所述模型族包括多个模型、所述多个模型的超参数、所述超参数的参数范围及用于产生所述模型的误差度量。
根据第二方面,一种用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的方法包括获得制造过程的当前过程参数并获得当前外部数据。所述制造过程的当前过程参数对于制造过程而言是可观测的,且当前外部数据独立于制造过程。所述方法还从数据库获得所记录模型且基于用于对时间延迟风险进行预测的所记录模型、制造过程的当前过程参数以及当前外部数据来对实际时间延迟风险进行预测。所述方法然后产生包括所预测的实际时间延迟风险的输出信号且经由HMI将所产生的输出信号输出到用户。
根据实施例的所述方法可对未来的几秒、几分钟、几小时及几天中的至少一者的时段的所述时间延迟风险进行预测。
根据实施例,所述方法包括实行以下步骤:获得当前过程参数,具体来说是实时获得当前过程参数,且对时间延迟风险进行在线预测。
所述方法可包括通过HMI显示所预测的时间延迟风险或者风险等级,所述风险等级是通过将所预测的时间延迟风险映射成所述风险等级而产生。
所述方法可包括通过HMI显示其中风险等级超过预定阈值的供应品装运。
根据实施例的所述方法包括:通过HMI显示在未来的预定时间段内所预测风险等级超过预定阈值的供应品装运、供应商、供应源、零件类型、所制造产品及制造地点中的至少一者。
所述方法可包括:对预定数目的供应品装运的所预测风险等级或者预定时间内的所预测风险等级进行合计;以及通过HMI针对供应品装运、供应商、供应源、零件类型、所制造产品及制造地点中的至少一者显示所合计的所预测风险等级。
根据实施例的方法可包括:由用户经由HMI对用于对所预测风险等级进行合计的供应品装运的所述预定数目或者预定时间进行设定。
根据实施例,所述方法包括以预定间隔重复进行以下步骤:获得历史供应商数据;获得制造过程的过程参数;获得外部数据;应用机器学习算法来基于所获得的历史供应商数据、制造过程的过程参数以及所获得的外部数据而产生用于对制造过程中的时间延迟风险进行预测的再训练模型;以及将所产生的再训练模型记录在数据库中。
所述方法可包括通过将已预测的实际事件与针对所述事件的所计算预测进行比较来对经训练模型在操作期间形成的误差进行监测。倘若所监测的所述误差超过阈值,则通过手动地或自动地触发以下步骤来进行所述方法:应用机器学习算法来基于所获得的历史供应商数据、制造过程的过程参数以及所获得的外部数据而产生用于对制造过程中的时间延迟风险进行预测的再训练模型。
根据第三方面,一种用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的系统包括:用户界面;过程数据界面,用于获得对于制造过程而言可观测的制造过程的过程参数;外部数据界面,用于获得中间产品及材料的历史供应商数据且用于获得独立于制造过程的外部数据。所述系统还包括:控制电路,用于应用机器学习算法来基于历史供应商数据、制造过程的过程参数以及所获得的外部数据而产生用于对制造过程中的时间延迟风险进行预测的模型,且所述控制电路用于将所产生的模型记录在数据库中;以及数据库,用于存储所产生的模型。所述过程数据界面还被配置成获得对于当前制造过程而言可观测的当前制造过程的当前过程参数。所述外部数据界面还被配置成获得独立于当前制造过程的当前外部数据。所述控制电路还被配置成基于所记录的用于对时间延迟风险进行预测的模型、所获得的当前过程参数以及所获得的当前外部数据来对时间延迟风险进行预测,其中用户界面被配置成在输出信号中向用户输出所预测的时间延迟风险。
所述方法及所述系统一方面使用机器学习来学习输入参数、内部过程参数及外部参数之间的关系且对输入参数、内部过程参数及外部参数之间的关系进行建模,且学习作为输出变量的装运延迟并对所述装运延迟进行建模。内部参数可包括例如供应商的历史行为、制造过程的计划生产量、内部参数的多个其他例子之中的开放装运数目。外部参数可包括关于外部事件(例如(举例来说)极端天气、必需商品短缺及材料短缺、罢工、假期)的数据,所述方法可使用例如文本挖掘等数据挖掘技术来获得数据。在训练阶段期间(例如在离线过程中),所述方法使用对历史数据的记录来对模型进行训练以产生经训练模型。时间延迟的范围可被分类成多个风险等级。在应用阶段期间(例如作为在线操作而被实行),使用经训练模型进行以下操作:使用输入参数如何与中间产品及材料的装运时间的所预测时间延迟相关的经学习模型来根据当前输入数据对未来装运延迟进行预测。然后可将所预测的时间延迟映射成实际风险等级。如果所述方法针对未来装运预测出高风险等级的延迟,则所述方法可经由HMI提醒用户且可突出显示所预测的时间延迟所涉及的装运及对应的供应商,以使用户能够采取合适的预防措施来在制造过程中减轻所涉及的材料及中间产品的短缺的影响。预防措施可包括提前联系相应的供应商,以安排替代运输方式或改变订单,从而避免材料及中间产品的供应短缺。及早识别处于风险中的装运会增加用户可用的反应时间,且在一些情形中,为了减轻供应短缺情况而采取的解决措施可需要较少的资源。
所述方法方面受益于数据挖掘及机器学习的最新进展。这些算法从历史数据的型式学习算法的输入参数中所包含的潜在风险因素与中间产品及材料的所预测交付时间延迟中所包含的实际风险之间的关系。以数学方式对所确定的关系进行建模,以将所述关系用于对未来装运时间延迟进行预测,目前为止此仅由人类专家隐式完成。由于学习方面比应用专家知识的已知方法更灵活且更不容易受到人类偏见的影响,因此学习方面为所述方法提供核心优势。
此外,采用机器学习来对模型进行训练使得能够在装运时间延迟实际发生之前对未来装运时间相关风险进行预测,此是在这些情况下现有方法中未知的性质。
所呈现的方法不需要关于制造过程的过程参数如何与装运延迟的风险增加相关的预先及明确的知识。举例来说,不必事先知晓指示潜在风险的制造过程的各别过程参数的特定阈值。根据所述方法,所述模型从历史数据自动地学习这些相关性。所述方法也考虑各别预测者之间的潜在交互作用以及甚至复杂交互作用。举例来说,如果制造过程的生产量超过其通常的大小,则在特定工作日的装运可能会出现问题。
所述解决方案允许对呈内部过程参数形式的输入特征与来自离线的丰富且大规模数据源的外部数据及时间延迟风险之间的关联进行建模。随后在应用阶段使用来自训练阶段的经建模关联来基于输入特征的当前状态(尤其是当前内部参数及外部数据)对未来时间延迟风险进行预测。所述方法实现对由供应商延迟导致的时间延迟风险进行预测(例如,对制造设施外部的时间延迟风险进行预测)的目的以及仅使用可由制造设施直接存取的信息(尤其是制造过程的内部过程参数及处于制造过程外部且对制造过程公开可用的信息)的目的。可在延长的时间范围内(例如,在几天内)实行根据所述方法对未来时间延迟风险进行预测。由于数据集的庞大大小以及模型的输入与输出之间的关系的复杂性,作为人类专家的用户在不具有所述方法支持的情况下很可能无法通过对由所述模型学习的基础输入数据进行检查来检测关联。因此,所述方法对可用的信息进行预处理且采用合适的HMI产生见解及向用户输出见解。用户(人类操作员)保持处于用于做出关于预防措施的决策的循环中,以便减轻所预测的时间延迟风险。因此,所述方法支持用户防止制造过程中的断裂,且当与在不具有所述方法支持的情况下由人类专家单独实现的速率相比会增加防止断裂的速率。
图1提供根据实施例的模型选择及模型训练过程的概述的流程图。图1所示过程步骤可离线实行(例如在所述方法的训练阶段实行)。
所述过程从获得数据的步骤S1开始。获得用于训练阶段的数据的步骤尤其包括从数据库获得历史训练数据且将在下文结合图2更详细地论述。
在步骤S2中,将所获得的训练数据分割成用于对模型进行训练的实际训练数据以及用于在训练期间对模型进行验证的验证数据。
此外,对所获得的训练数据进行分割以提供除了实际训练数据及验证数据之外的测试数据。使用测试数据来对在确定最佳拟合模型的步骤S4中确定的最佳拟合模型进行测试。因此,下文在所述过程中使用测试数据对最终经训练模型进行评估。
数据分割步骤S2的结果包括输入变量的训练集及输出变量的训练集,以用于使用训练数据进行模型拟合。此外,数据分割步骤S2提供输入变量的验证集及输出变量的验证集,以用于通过根据参数的验证集实行预测来对经训练模型进行验证。此外,数据分割步骤S2提供输入变量的测试集及输出变量的测试集,以用于在步骤S5中计算测试误差,且由此用于在步骤S5中对最终经训练模型进行评估,将参照图5更详细地论述步骤S5。
所述方法与步骤S1及S2并行或依序地执行步骤S3,在步骤S3中从数据库选择至少一个模型。将针对图3更详细地论述步骤S3。步骤S3获得所述至少一个模型,然后所述至少一个模型将形成步骤S4的基础,步骤S4基于通过数据分割步骤S提供的输入变量的训练集(训练集输入变量)及输出变量的训练集(训练集输出变量)以及输入变量的验证集及输出变量的验证集来确定最佳拟合模型,将在图4中论述步骤S4。
确定最佳拟合模型的步骤S4可通过将在步骤S3中获的每一模型的模型与超参数组合迭代拟合到训练数据集且对与验证数据集的组合进行评估来确定最佳拟合模型。所述评估提供最佳拟合模型,随后在步骤S5中通过基于由数据分割步骤S2提供的测试数据计算测试误差来针对最佳拟合模型在不可见数据上的性能而对所述最佳拟合模型进行评估。
在步骤S6中,将最佳拟合模型与在步骤S5中计算的测试误差一起存储在数据库中。
步骤S1到S5构成所述方法的训练阶段,所述训练阶段可离线实行。
图2提供用于离线模型选择及模型训练的数据获得过程的流程图。图2中所示的步骤S11到S16更详细地定义了图1所示步骤S1。
数据获得过程包括获得制造过程的内部过程数据的步骤S11。可在后续的步骤S12中对制造过程的内部过程数据进行预处理,且使用经预处理的过程数据来确定内部过程参数作为进行数据分割的步骤S2的输入变量。
在步骤S14中,使用经预处理的过程数据来确定装运时间延迟作为进行数据分割的步骤S2的输出变量。
作为另外一种选择,可并行地实行步骤S13与步骤S14。
获得数据的步骤S1还包括进行数据挖掘的步骤S15以获得外部输入数据且在步骤S16中根据获得的外部输入数据确定外部输入变量。
然后将来自步骤S13的所确定内部输入变量、来自步骤S14的所确定装运延迟时间及来自步骤S16的所确定外部输入变量提供到参照图1论述的进行数据分割的步骤S2。
可将所确定内部输入变量、所确定装运延迟时间及所确定外部输入变量存储在数据库中,所述各变量通过相应的时间戳而彼此关联。
所述模型并入有一系列信息源,所述信息源可被分类成内部过程参数及外部参数。
内部参数表示可由制造商直接存取的信息源,例如关于生产及订单量的信息或历史供应商延迟时间。
外部参数来源于制造商的范围(例如,公司)之外的信息源,例如新闻源或天气预报。所述方法获得外部参数,以用于并入到所述模型的训练阶段及应用阶段(预测阶段),以便对供应链上的外部影响进行监测。所述方法假设关于内部参数及外部参数的历史数据作为正常工厂操作下的制造过程的代表,且包含装运延迟及高延迟风险的发生,且因此使得能够进行有意义的模型训练。
所有输入变量均实施关于由供应链专家推导出的供应商行为的假定以及供应商行为对内部因素及外部因素的依赖性。假定包括观测结果,例如特定车辆型号的高产量给一些供应商的产能带来压力,此会导致中间产品的短缺、分批装运或装运延期,此可指示延迟预防性维护以利于制造产能或减少制造过程期间的质量控制。最终,在正在进行的制造过程期间的高应力阶段使用这些措施可能会导致例如机器故障等事故的发生,而此转而会在供应商的制造过程期间导致延迟或者甚至导致供应商工厂的整个生产线的停止,且由于所导致的装运延迟,可能会在之后使用户自己的制造过程断裂。只要供应商能够按时提供中间产品的装运,供应商便不会总是报告其内部问题,然而,供应商设施的现有问题可能会升级并导致生产延迟。因此,应使用问题的指示符(例如特定供应商的延迟增加、质量问题或分批装运)来识别供应商即将发生的高风险延迟。制造商无法立即观测到的信息可能会影响及时装运中间产品订单的能力。此种信息可包括供应商工厂的人员配备情况、特定组件或原材料短缺、特定地区的极端天气事件或与供应链相关的区域的不稳定政治环境。
对供应链中的及时性有所贡献且潜在地相互作用的因素的复杂性会实现对机器学习的有利使用,以推断出输入变量与未来装运之间的关系,且尤其是与未来装运相关联的装运时间延迟风险。
历史数据可包括在制造过程的过去操作的时间内获取的数据。历史数据还可包括使用经仿真数据(simulated data)(例如源自多代理仿真(multi-agent simulation)或源自供应链的数字孪生(digital twin))作为模型在训练阶段的输入。
在以下的部分中,简要论述内部输入变量的例子的非详尽列表以及所述内部输入变量与所述方法的相关性的对应假定。
内部变量可包括供应商标识符(供应商ID),所述供应商ID明确地表示特定供应商。作为另外一种选择或另外地,供应商ID可指供应商群组。
与其他供应商相比一些供应商一般具有增大的延迟风险,而不论模型中所包含的其他内部变量或外部变量如何。因此,中间产品或材料的给定装运的供应商的身份可对装运延迟或延迟风险进行预测。
内部变量可包括一周中用于装运的经调度日期。此内部变量可考虑针对特定日期(例如,针对星期一或针对周末)调度的装运可能更容易发生装运延迟。
内部变量可包括在包括目标装运时间的预定时间间隔期间的计划装运数目。
内部变量可包括订单量,例如在包括目标装运的预定时间间隔期间的所订购零件总数目。
大的订单量可能会增加供应商的压力,例如导致跳过预防性维护或跳过质量控制,且因此如果大的订单量持续超过给定时间,则会增加潜在装运延迟风险。
内部变量可包括关于在包括目标装运时间的预定时间间隔期间生产调度方面的改变的数据。新产品、新型号或不同型号产品的推出或产品的设计改变均可能会影响供应商及时完成其订单的能力。
内部变量可包括在来自供应商的装运中所订购的零件的标识符。
内部变量可包括在包括目标装运时间的预定时间间隔期间供应商在过去的装运故障报告数目。
这些内部变量考虑到一些零件可能显示出增加的装运延迟风险(例如由于所述零件固有的复杂性或对缺陷的敏感性)。举例来说,此可适用于中间产品,例如导航系统,或供应商向汽车制造商提供的天窗。
内部变量可包括供应商信息,例如实际供应商效率、供应商的员工的平均加班(overtime,OT)小时数、供应商的预防性维护(preventive maintenance,PM)完成率(PM完成率)、供应商生产期间发生的废品率、供应商所提供的成品中间产品(零件)的库存、供应商的出货(加速)数目、供应商的临时员工对永久员工的比率(临时工对永久工比率(contingent-to-perm ratio))、员工流动率(associate turnover)、员工的可用性/不可用性、根据职业安全与健康法规(occupational safety and health regulation,OSHA)或工作场所安全与保险(workplace safety and insurance,WSIB)法规报告的所记录数据。
内部变量可包括供应商在目标装运时间之前的预定时间间隔期间的分批装运数目。另外地或作为另外一种选择,内部参数可包括关于紧接着目标装运时间过去的延迟的统计数据。举例来说,统计数据包括在目标装运时间之前的预定时间间隔期间观测到的平均延迟或最大延迟。
与前面论述的内部参数的例子所涵盖的改变无关的供应商的范围内的内部原因可能会导致关于供应商遵守交付日期的问题,所述问题可通过其在目标装运之前增加装运延迟的影响来观测到。
内部变量可包括产能管理系统(capacity management system,CMS)数据。CMS数据包括例如供应商设备效率、供应商的生产线数目、预定时间段的产量(output)(例如,日产量)或又一些产能相关数据。作为内部变量的CMS数据会考虑供应商产能对满足所需生产量的能力的影响,以遵守商定的交付调度表。如果生产量超过供应商的产能,则存在高的装运延迟风险。
所述模型并入有外部变量,以对与供应链不直接相关的外部影响进行监测。
外部变量可包括在包括目标装运时间的预定时间间隔期间天气事件的预报。具体来说,导致洪水的极端天气条件、或因冬季低温导致的道路结冰、或影响供应商员工的热浪全部可能会影响供应商根据先前在制造场所商定的交付调度表及时装运及提供产品的能力。
另外地或作为另外一种选择,外部变量包括在包括目标装运时间的预定时间间隔期间特定事件的发生。可使用数据挖掘技术从日历提取特定事件。此类特定事件可包括假日、地区性或全国性的事件(例如,体育赛事、选举)。
外部变量可包括在包括目标装运时间的预定时间间隔期间的所报告的短缺、所计划的短缺或所预测的短缺的发生。可使用文本挖掘从在线新闻网站提取短缺的发生。商品短缺(例如,中间产品、原材料、汽油甚至合格卡车司机的短缺)均可能会导致运输能力下降,此可能影响供应商及时装运或在用户现场及时提供零件的能力。
外部变量可包括在包括目标装运时间的预定时间间隔期间的所报告的罢工或人员短缺人员资格问题、所计划的罢工或人员短缺人员资格问题或者所预测的罢工或人员短缺人员资格问题的发生。可使用文本挖掘从在线新闻网站提取这些短缺的发生。罢工造成的人员问题或工时减少可能会导致产量或运输能力下降,此可能影响供应商及时装运或在用户现场及时提供零件的能力。
图3是根据图1所示步骤S3的模型获得过程的简化流程图。模型获得过程包括:步骤S31,用于获得模型族或至少一个模型;以及步骤S32,获得(确定)用于所获得的模型或模型族的超参数,以用于在所述方法的训练阶段进行模型选择及模型训练。
除了历史数据之外,用于实行模型训练的方法还需要一系列模型族以及用于模型超参数设定的一系列值范围。
模型族可包括用于监督式学习的模型。具体来说,模型族可包括例如以下模型类型:随机森林树模型、最近邻方法、神经网络、线性模型、支持向量机、高斯过程、决策树或集成方法。
针对每一模型类型,在步骤S32中获得对应的模型超参数及用于超参数的值范围。
接下来将阐述训练过程及模型选择过程的实施方式且然后阐述预测以及所述预测在图形用户界面(graphical user interface,GUI)中的呈现。
图4是通过更详细地根据图1所示步骤S4实行模型选择及模型训练而在训练阶段期间进行模型训练过程的简化流程图。
所述方法通过在训练阶段进行迭代训练而基于作为训练数据的历史数据来对模型与超参数的性能最佳的组合进行识别。训练意指模型参数对输入数据的迭代改编,例如以使模型输出与作为训练数据的一部分的实际输出变量之间的所计算误差最小化。基于训练数据将模型识别为最佳拟合模型且将所述模型作为经训练模型连同对应的测试误差一起返送。以下将参照图5论述对测试误差进行计算。当将训练模型应用于新颖数据(例如,输入变量的新例子)时,测试误差对经训练模型的性能进行近似。测试误差可使得能够在所述方法的在线操作期间断定模型性能。
确定最佳拟合模型是从步骤S41开始,步骤S41使用训练数据进行模型拟合且由此产生当前模型(经拟合模型)。
训练数据包括训练集输入变量及训练集输出变量。训练集输入变量包括内部过程参数及外部参数。训练集输出变量包括相应的装运时间延迟。
在步骤S42中,使用验证数据来对经拟合模型进行验证。验证数据包括验证集输入变量及验证集输出变量。验证集输入变量包括内部过程参数及外部参数。具体来说,步骤S42包括使用基于来自步骤S41的训练数据进行拟合的模型而基于验证集输入变量来对时间延迟进行预测。
在步骤S43中,例如通过对与对应的验证集输出数据的差进行计算来确定所预测的装运时间延迟的准确度。验证集输出数据包括与历史数据的验证集输入变量对应的相应装运时间延迟。
如果在步骤S44中将步骤S43的所确定准确度断定为低于预定阈值,则认为经拟合模型的准确度是足够的(“是”),且所述方法进行到步骤S45。
如果在步骤S44中将步骤S43的所确定准确度判定为等于或超过预定阈值,则认为经拟合模型的准确度是不足的(“否”),且所述方法进行到步骤S46。
如果步骤S46确定出进一步的训练设定是可用的(“是”),则所述方法进行到步骤S47。在步骤S47中,选择新的模型或者一组新的超参数值且所述方法进行到步骤S41,步骤S41使用训练数据以及步骤S47的所选择的下一个模型或下一个超参数集进行模型拟合。
如果在步骤S46中结果为“否”(此意指不存在可用的进一步的训练设定),则所述方法进行到步骤S45。当确定出不存在包括训练集输入变量及对应的训练集输出变量的可用的进一步的训练集且不存在包括验证集输入变量及对应的验证集输出变量的可用的验证集时,可将结果确定为“否”。
在步骤S45中,将当前经训练模型存储在数据库中作为基于训练数据及验证数据确定的最佳拟合模型。
对于模型训练而言,在制造过程的代表性操作的时段内(例如,在几个月的时段内)收集历史数据。对所收集的历史数据实行预处理,此也可包括制造过程的标准商业实践,所述标准商业实践包括但不限于所计划的生产时间及非生产时间、特定的制造相关事件、企业资源规划(enterprise-resource planning,ERP)订购调度表及过程、供应商特性、以及对中间产品、材料及制造服务的交付要求。
将所获得的历史数据分割成训练数据及测试数据。使用测试数据对存储在模型数据库中的多个模型或模型族中的各种模型进行训练。所述模型可在其超参数方面有所不同。经由网格搜索进行的优化可使得能够例如达到对作为输入数据的相应测试数据的最佳模型-超参数组合。
基于用于对测试误差进行计算的误差度量来断定性能最佳的模型的性能。所计算的测试误差可为通过将所预测的时间延迟误差与测试数据中所包含的实际时间延迟进行比较而确定的总体准确度。训练期间所使用的误差度量优选地与测试期间所使用的误差度量相同。基于来自所述多个模型的训练误差来确定性能最佳的模型,所述训练误差是根据训练数据计算。在已识别出性能最佳的模型的情况下,使用相同的误差度量将性能最佳的模型应用于测试数据以获得测试误差。
图5是在离线模型选择期间实行的用于计算测试误差的过程的流程图。
基于测试数据来选择性能最佳的模型。然后使用整个训练数据集来对所选择的性能最佳的模型进行再训练且将所选择的性能最佳的模型作为经训练模型记录在数据库中。
然后可通过在线操作将所记录的经训练模型用于应用阶段,从而在服务器上或作为云服务来运行经训练模型。将经训练模型应用于测试数据集以获得测试误差,如图5中所示。
之后可使用测试误差来对实践中的模型性能进行监测且在必要时触发再训练。
图5是在步骤S5中的应用阶段期间实行的用于计算测试误差的过程的流程图。
在步骤S51中,获得经训练模型。在步骤S52中,获得测试输入变量。
在步骤S53中,通过基于所获得的测试输入变量及所获得的经训练模型来对时间延迟风险进行预测而进行计算测试误差的过程。
在步骤S54中,获得测试输出变量。
在后续的步骤S55中,将所预测的时间延迟风险与所获得的测试输出变量进行比较,且基于所预测的时间延迟风险及所获得的测试输出变量来计算测试误差。在步骤S56中,将所计算的测试误差存储在与经训练模型相关联的数据库中。
为计算测试误差而选择特定的误差度量:所选择的误差度量反映出经训练模型的拟定用途且可取决于与制造过程相关的商业目标。
为了使用经训练模型来对供应商的交付时间延迟进行预测,供应商的中间产品及材料的绝大多数装运可能是准时的。为了通过总是对非延迟装运进行预测来抑制经训练模型朝向人为高准确度的偏差,必须适宜地选择误差度量。所述方法可有利地使用历史训练数据中罕见的高风险情形的准确度以用于训练阶段并用于选择最佳拟合模型。
可使用测试误差在应用阶段(且因此在经训练模型的实际应用中)对模型性能进行监测且可在被断定为必要时触发对经训练模型的再训练。
图6是示出根据实施例的在所述方法的应用阶段使用经训练模型来对时间延迟风险进行预测的过程的简化流程图。图7针对特定用户界面(HMI)对图6所示流程图进行扩展以用于使用户进入风险减轻行动的决策循环中。
将系统地获得在制造过程运行的同时(例如,整个生产日)产生的新数据(当前数据)且将所述新数据(当前数据)存储在数据库中。所获得的当前数据包括当前内部过程数据及当前外部数据。以与在训练阶段期间用作训练数据的历史数据对应的方式对所获得的当前数据进行预处理,以产生当前内部参数及当前外部数据。
具体来说,应用阶段包括获得当前过程数据的步骤S71。在步骤S72中,对所获得的过程数据进行预处理,且在步骤S73中,根据经预处理的内部过程数据来确定当前内部输入变量。
在步骤S74中,实行数据挖掘以获得外部数据。在步骤S75中,使用所获得的外部数据来确定外部输入变量。
在步骤S76中,从数据库获得经训练模型。
可并行实行或按时间顺序实行步骤S71、S72、S73与步骤S74、S75及步骤S76。
步骤S77包括使用所获得的经训练模型且使用所确定的当前内部输入变量及所确定的当前外部参数作为经训练模型的输入数据来对时间延迟风险进行预测。可使用经训练模型来对时间延迟进行预测。作为另外一种选择或另外地,经训练模型可对时间延迟风险等级(风险等级)进行预测。
可在后续的步骤S78中对所预测的时间延迟进行分类,以将所确定的时间延迟风险分类成预定义的风险等级。
作为另外一种选择,所述方法可使用经训练模型,在训练阶段对所述经训练模型进行训练以输出被直接分类成特定风险类别的所预测的时间延迟。此特定实施例可省去对所预测的时间延迟进行分类的步骤S78。
然后,在步骤S79中,可将来自步骤S78的经分类的时间延迟风险与预定阈值进行比较。如果步骤S79确定出经分类的时间延迟风险等于或小于步骤S79中的预定阈值,则所述过程终止(假设所预测的时间延迟风险是可接受的且因此不需要用户采取风险减轻措施)。
然而,如果步骤S79确定出经分类的时间延迟风险超过步骤S79所示预定阈值(“是”),则所述方法进行到图7所示步骤S80。给定此种情形,所述方法确定出所预测的时间延迟风险需要用户采取减轻措施,或者至少使用系统的HMI向用户提供对所辨识的潜在时间延迟风险的合适的提醒。
基于所获得的当前外部参数及当前内部参数而使用经训练模型来对生产时间延迟进行预测。可对中间产品及材料的每一装运实行时间延迟风险预测。针对所预测的每一时间延迟风险,所述方法可产生对应的风险等级。另外地或作为另外一种选择,所述方法可产生对应的风险分数。可通过将所预测的时间延迟风险标准化来产生风险分数。可通过对所预测的时间延迟风险进行分类来产生风险分数。在以下论述中,用语“风险等级”与“风险分数”可互换。
所述方法可将所产生的所预测风险等级存储在数据库中。数据库可为中央数据库,HMI可容易地对所述中央数据库进行存取以用于参考及附加目的。
在HMI内,可将作为制造过程的输入的针对中间产品及材料的所有装运的所产生的预测风险等级转译、合计(aggregate)并显示在直观的图形用户界面(GUI)中。
可对附加的数据源进行存取,以允许例如基于制造场所位置、在制造过程中生产的产品的产品类型或者基于所装运的中间产品来对所预测的时间延迟及根据所预测的时间延迟推导出的风险等级进行过滤及合计。
也可通过对用于在线操作的经训练模型进行托管的计算基础设施来对用于实施GUI的软件进行服务。举例来说,GUI应提供上述功能,例如使得用户能够根据与所预测的时间延迟风险相关联的制造场所的地理位置、与所预测的时间延迟风险相关联的生产物项、或者与所预测的时间延迟风险相关联的特定的所装运中间产品来选择风险减轻措施。
GUI可包括使得用户能够响应于所输出的所预测时间延迟风险来发起风险减轻措施的元素。用于减轻风险影响的措施可基于例如以下各种因素来预先制定及实施:制造场所位置、产品类型、来自供应商的供应商中间产品及材料、地理位置、已知的外部问题及已知的历史问题。
为防止生产影响而采取的预防性风险减轻措施可取决于风险情况的所识别来源或原因。
如果将供应商的场所处的制造能力不足确定为表示所预测的时间延迟风险或装运性能下降的根本原因,则所述风险减轻措施可包括派遣专家来与供应商的最高领导层就采取何种措施来提高产能进行接洽。
所述风险减轻措施可包括例如安装附加的着色装置(dyes)或工具、改善当前装备效率以及修改现有生产线。
如果将供应商方的人力资源状况确定为下降,则派遣人事专家来与相应供应商的人力资源部门进行接洽,以参与更积极的招聘活动、更有效的培训,此将提高供应商的工人的敬业度(engagement)或忠诚度(commitment)。
倘若质量问题增加并导致制造过程的所预测的时间延迟风险,则风险减轻措施可包括派遣专家或工程师对机器、工具及装备、着色装置及整个生产线进行调查。这些调查可使得专家能够提供如何减少质量问题的措施计划。
倘若质量问题增加并导致制造过程的所预测的时间延迟风险,则风险减轻措施可包括:每一制造位置可实施分类程序,以确保只有足够质量的中间产品及材料才会被安装在制造过程的最终产品中。
倘若所述问题是导致制造过程的所预测时间延迟风险的全球性材料短缺,则风险减轻措施可包括基于每一相关制造设施的独特需求、每一终端产品类型及作为商业参数的利润率来实施供应短缺的材料的分配。举例来说,对于多个终端产品共有的中间产品,终端产品的一种产品类型可具有比制造过程的终端产品的另一种终端产品类型大的客户需求。风险减轻措施可包括与具有较高客户需求的产品类型相比较显著地或者不成比例地减少具有较低客户需求的产品类型的生产量。
可在线实行对风险进行预测的过程,以对供应商的交付时间的未来延迟进行预测。使用经训练模型来基于包括当前内部参数及当前外部参数的当前输入数据、以及在训练阶段期间已从历史数据学习的输入数据与输出数据之间的关系而对未来装运延迟进行预测。
为了对未来延迟时间风险进行预测,可选择预测范围(horizon)。可在预定的预测时间间隔(预测范围)内实行预测。预测时间间隔可具有几天(例如在所述方法的典型制造应用中为一周)的时间长度。
预测范围可表示所述方法的又一超参数。
可在所述方法的训练阶段期间对预测范围进行优化。
在应用阶段,所述方法获得对未来装运进行阐述的输入变量的例子且将所预测的时间延迟映射成风险等级。可将风险等级定义为基于可对基础制造过程应用的要求的一系列延迟。在特定实例中,长度超过120分钟的所预测的时间延迟表示较高风险等级,从超过15分钟到120分钟的所预测的时间延迟属于中等风险等级,且多达15分钟的所预测的时间延迟(因此所有其他所预测的时间延迟)均被认为表示无风险或可容许风险等级。
所述方法还可实施监测及再训练能力。为了在例如应用阶段期间对经训练模型的性能进行监测,所述方法可将根据所计算的预测误差的性能与测试误差进行比较,所述测试误差是在线模型的训练阶段期间计算且与数据库中的模型相关联地被存储。为了获得经训练模型性能,所述方法对所预测的时间延迟风险以及当所预测装运到达时实际观测到的时间延迟进行存储且将所存储的所预测时间延迟风险与实际观测到的时间延迟进行比较。每当经训练模型性能劣化成低于可容许准确度时,便可使用新训练数据对经训练模型实行再训练。
用于对模型进行再训练的新训练数据可包括来自比模型的原始训练阶段中所使用的训练数据近的时间的训练数据。
当经训练模型性能下降成低于预定性能阈值时,可发起对模型的再训练。
可基于制造过程的目标来设定可容许准确度(误差的可容许裕度)。制造过程的目标可包括商业相关目标。
对输入数据中的一些性质的监测可触发对经训练模型的再训练,或者在经过预设时间间隔时可触发对经训练模型的再训练,尤其是为了确保经再训练模型将最近的数据包括到经再训练模型中,或者在原始训练数据日益过时的情况下完成再训练模型。
图7是示出对所预测的风险进行评估的在线过程的简化概述的流程图,所预测的风险是使用训练模型进行预测,且使用HMI来断定是否减轻所预测的风险。
如果所述方法在应用阶段期间的步骤S79中确定出经分类的时间延迟风险超过步骤S79所示预定阈值(“是”),则所述方法进行到图7所示步骤S80。给定此种情形,所述方法确定出所预测的时间延迟风险需要用户采取减轻措施,或者至少使用系统的HMI向用户提供所辨识的潜在时间延迟风险的合适的提醒。
在步骤S80中,HMI显示所预测的时间延迟风险,以向用户提供提醒,从而使用系统的HMI向用户传达所预测的时间延迟风险。
在步骤S81中,系统接收用户输入。在步骤S82中,通过判断用户输入是否指定用于减轻输出信号中所输出的所预测的时间延迟风险的措施来进行所述方法。如果步骤S82确定出用户输入确实指定风险减轻措施(“是”),则所述方法进行到步骤S83且执行或支持执行所指定的风险减轻措施。
如果步骤S82确定出用户输入未指定风险减轻措施(“否”),则所述处理终止。
所述方法经由HMI在输出信号中向用户输出所预测的时间延迟风险。可在HMI的显示器上显示所预测的时间延迟风险。
举例来说,将具有被预测为高风险等级或中等风险等级的时间延迟的装运显示在显示器上,以提醒用户制造过程中即将发生的时间延迟风险。然后用户可决定采取预防性措施来减轻所预测的时间延迟风险。使用HMI将用户包括到决策循环中会实现灵活的风险减轻且提供对时间延迟风险的潜在错误预测进行补偿的又一有益效果。经由HMI输出所预测的时间延迟风险可使得用户能够在采取其他措施(例如终止合同或搜索替代供应源)之前联系供应商以验证所预测的时间延迟风险。
HMI可包括图形用户界面(GUI),以向用户输出包括所预测的时间延迟风险的输出信号。GUI可包括仪表板及用于进一步对所预测的时间延迟风险进行分析的功能,以使得用户能够决定在当前情况下减轻风险的潜在措施。所述功能可包括但不限于例如根据准则(可包括例如地理位置)或通过供应商身份以风险等级的形式对所预测的时间延迟风险进行过滤、排序及合计。
可通过基于输入数据确定的附加信息及由经训练模型做出的决定来进一步丰富所预测的时间延迟风险,以通知用户关于所预测风险的潜在原因。
可实施HMI的数个功能,以增加用户及时防止风险或减轻风险的机会。
HMI可实行对所预测的时间延迟风险的合计。另外地或作为另外一种选择,HMI可通过供应商、每个地理位置、或者过滤或合计准则的其他实例来实行对各别装运的所预测时间延迟风险的过滤。
过滤使得用户能够着重于责任领域,且因此支持用户的风险减轻决策。
过滤准则可为例如制造地点,以使得地点领导能够快速做出将减轻其特定地点的风险的决策,此包括但不限于改变生产计划、向有风险的供应商派遣专家以及与其他制造地点进行协商。
基于制造过程中生产的产品类型来对所预测的时间延迟风险进行过滤将使得负责特定产品类型的项目经理能够实施全面的对策,所述对策将支持生产所述相同产品类型的所有制造场所。
基于各别供应商或供应商中间产品来对所预测的时间延迟风险进行过滤可使得用户能够快速识别所有产品类型及可能受到各别供应商的风险情况影响的所有制造场所。
通过由供应商提供的特定中间产品来对所预测的时间延迟风险进行过滤将例如帮助用户识别并确定用于减轻所预测的时间延迟风险的精确且有效的措施,且找到特定中间产品的替代来源。外部来源的中间产品的某些产品类型的质量问题或短缺可能会使制造场所的生产中断或断裂,而其他产品类型的质量问题或短缺可在受影响的产品离开生产线后得到解决。前者可能需要重大的生产计划改变、较高的运输成本及更多的人力资源。
过滤(具体来说是按照所预测的风险对供应商的所预测的时间延迟风险进行排序)使得用户能够识别具有一般高时间延迟风险或具有高时间调度符合性的特定供应商。
HMI可使用附加信息来实行对所预测的时间延迟风险的丰富或补充。
使用附加信息来对时间延迟风险进行补充可包括添加与特定供应商相联系的过去问题的历史信息。此使得用户能够更高效地解决所预测的时间延迟风险并减轻所预测的时间延迟风险的预期影响。风险历史的单一存储库使得能够在转移人力流动方面实现灵活性并降低制造过程的重组所固有的风险。此尤其适用于汽车行业的快节奏环境。
使用附加信息来对时间延迟风险进行补充可包括添加与供应品装运(supplyshipment)订单相关的地理信息。此可使得用户(例如经理)能够在制造过程准备期间改善资源分配且为供应商视察做出计划。经由HMI输出的所添加地理信息还可指示某个所预测的时间延迟风险是否是由地理驱动问题(geographically-driven issue)引起,所述地理驱动问题可包括但不限于例如由地理信息表示的区域中的疾病爆发、恶劣天气、政治动乱、公共骚动及工会罢工。
使用附加信息来对时间延迟风险进行补充可包括添加风险严重性度量,具体来说基于商业需求添加风险严重性矩阵(风险严重性的矩阵、风险严重性度量):风险严重性度量的准则可由制造过程的所有利益相关者预先确定及商定。风险严重性矩阵使得能够使以下情况可视化:所预测的时间延迟风险是可接受的还是不可接受的以及所预测的时间延迟风险是可能的还是不可能的。当分配或重新分配人力资源时,所述矩阵将帮助作为制造过程中的决策者的用户优先考虑供应商问题。
用户界面(具体来说是图形用户界面)可向用户提供窗口,从而使得用户能够与GUI进行交互。与GUI进行交互可包括向系统提供更新、或者上传文件。可将由用户上传到系统的信息存储在与供应商相关联(例如与供应商ID相关联)的数据库中,且因此可成为与供应商相关联的历史数据的一部分。通过提供此窗口作为GUI的输入构件来报告更新及上传信息的能力使得能够简化报告过程且消除可能通过制造工厂中的多个阶层进行单独通信的需要。此使得生产过程中的报告及决策得到简化且在关键情况下是有利的。
可将所产生的预测时间延迟风险及应用阶段的对应风险等级连同用于产生所预测的时间延迟风险的经训练模型的对应输入数据存储在数据库中,以使得能够对基础制造过程的特性方面进行附加分析。所述方面可包括随时间推移的制造过程的技术方面、组织方面或商业相关方面。
对所存储的所预测时间延迟风险及应用阶段的对应风险等级实行附加分析有益于对长期供应链问题(例如人力短缺及全球性供应短缺)进行监测。
可将所产生的所预测时间延迟风险及对应的风险等级存储在数据库中达预定义时间段,以允许使所预测的时间延迟风险及对应的风险等级的时间序列中的趋势可视化。使趋势可视化(例如增加、减少或恒定趋势)使得能够经由GUI而使变得更糟且需要附加资源的所预测时间延迟风险可视化且使进行改善以使得可将所分配的资源按比例缩小的时间延迟风险可视化。使趋势可视化还可使得能够判定用户采取的措施的有效性,以减轻被输出到用户的输出信号中所呈现的所预测时间延迟风险。
GUI还可使得能够依据用于经训练模型的对应输入变量(例如,依据制造地点或产品类型)而使所预测的时间延迟风险可视化。GUI提供用于制造过程的风险管理工具,所述风险管理工具可列出供应商、面临生产影响的最高风险的制造地点以及受风险滋生情况影响最大的产品类型。
GUI可向用户提供制造公司、特定制造设施或制造过程中生产的特定产品类型所面临的风险前景(risk landscape)的概述。由于基于对内部参数与外部参数进行组合的经训练模型进行预测,因此GUI可使得多个用户能够查看相同的商业前景且可就在较早地对所预测的时间延迟风险做出反应时采取的措施达成共识。
由未在历史数据中观测到的异常事件(singular event)引起的时间延迟风险可能会超过使用经训练模型的预测,经训练模型在训练阶段依赖于历史数据。所述系统可在辨识由异常事件引起的时间延迟风险时将此种时间延迟风险存储在数据库中,且可在GUI中报告所辨识出的由异常事件引起的时间延迟风险。
图8提供呈现出根据实施例的用于供应商风险预测的系统的结构单元及数据流的概述的简化方块图。
用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的系统1从内部数据源及外部数据源二者获得数据。实时收集外部参数。以预定的频率收集内部参数。
系统1可包括至少一个处理电路2,所述至少一个处理电路2被配置成实行参照图1到图7论述的各别过程。处理器电路2可包括多个微处理器、信号处理器,或者处理器电路2可由系统1的分布式实施方式中的多个服务器来实施。
系统1包括数据界面6,以用于从数据库12获得被供应到制造过程的中间产品及材料的历史供应商数据11、以及从数据库10获得独立于制造过程的外部数据9。数据界面6将所获得的历史供应商数据11及所获得的外部数据19作为历史数据及作为外部参数8提供到处理器电路2。
数据库10可包括提供天气预报服务和/或新闻服务的服务器。
处理器电路2具体来说可实行数据挖掘,以获得外部数据9且产生外部参数7作为训练阶段及应用阶段的输入变量。外部数据界面6还被配置成获得独立于当前制造过程的当前外部参数7并将所述当前外部参数7提供到控制处理器2。
在数据界面6使得处理器电路2能够例如经由连接到服务器的网络N(例如对多个数据库进行连接的局域网)或者经由连接到万维网(world wide web)而对多个数据源10实行数据挖掘时,此尤其有利。
系统1包括用于获得制造过程的过程数据5(过程数据5可从制造过程观测到)的过程数据界面3。
过程界面3将所获得的过程数据作为内部过程参数4提供到处理器电路2。过程数据界面3还被配置成获得当前制造过程的当前过程参数4。
控制电路2被配置用于应用机器学习算法来基于历史供应商数据、制造过程的过程参数以及所获得的外部数据来产生用于对制造过程中的时间延迟风险进行预测的模型,且控制电路2被配置用于将所产生的模型记录在数据库14中。
数据库14存储所产生的经训练模型15。模型数据库14还存储模型族13,模型族13包括不同模型类型的模型且包括模型的超参数。
处理器电路2基于用于对时间延迟风险进行预测的经训练模型以及所获得的当前过程参数4及所获得的当前外部数据7而对时间延迟风险进行预测。
系统1还包括用户界面20,以用于在输出信号24中向用户输出所预测的时间延迟风险22。用户界面20还可获取用户输入23且将用户输入23作为用户输入数据21提供到处理器电路2。
处理器电路2可在数据库16中存储数据18(包括例如外部数据、内部过程参数、经训练模型的超参数)且从数据库16加载所存储的数据。
内部参数是在现有的企业资源规划(ERP)系统中实时产生的,ERP系统构成当代制造环境或制造设施的一部分。内部过程参数是定期(例如,每天)下载并存储在数据库16中的数据。定期下载新ERP数据会确保所预测的时间延迟风险及对应的风险等级与预测范围相关且使得用户能够实施用于减轻制造过程的相应风险的措施。可使用附加的内部数据库来获得指示供应商的产能、所计划生产量、产品寿命的时间框架的内部参数,如上文针对内部参数所论述。
可使用已知的数据挖掘(具体来说是文本挖掘)方法从公开可用的或专有的数据源挖掘外部参数。公开可用的数据源可为可经由局域网或例如因特网等全球通信网(world-wide network)N存取的新闻网站、社交媒体平台等。
可使用文本挖掘方法或新闻推送(news feed)、或者对推特(Twitter)推送的挖掘来获得反映与供应商风险相关联的事件的趋势话题或预定义关键词的信息。在以下文献中公开用于文本挖掘的实例:宋M.(Song,M.)及金M.C.(Kim,M.C.)(2013);RT2M:实时推特趋势挖掘系统(Real-Time Twitter Trend Mining System);2013社会智能与技术国际会议;IEEE 64-71,所述文献使用用语频率-逆文档频率(term frequency–inverse documentfrequency,tf-idf)方法。此种方法使用反映出文档中的用语重要性的计量且为搜索用于所述方法的相关外部参数提供有用的度量。事件包括但不限于天气、工会罢工、港口延误以及中间产品及材料(例如,半导体、钢铁、化学品)的短缺。此外,外部数据及外部参数可由商业伙伴供应,所述商业伙伴包括但不限于制造过程的供应链中的商业伙伴、提供运输服务的物流伙伴以及与制造设施共享信息的其他实体。
从应用层获得(收集)内部参数及外部参数并将所述内部参数及外部参数存储在数据库16中,可获得数据以用于在训练阶段对模型进行训练或再训练、或者用于在应用阶段基于经训练模型进行预测。
用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的方法及系统1提供有利的能力,所述能力会由于提前感知到增加的时间延迟风险而及早对供应链中增加的时间延迟风险进行提醒。机器学习及预测模型的创新性使用为用户提供增加的反应时间,此使得用户能够减轻生产中断状况,且由此降低生产场所的运营成本。
所述方法的有利应用领域包括物流操作,所述物流操作依赖并受益于来自制造操作的供应链的产品及材料的守时交付、准时交付,具体来说是在车辆生产中经常遇到的即时生产或按需制造。
Claims (19)
1.一种用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的方法,包括:
获得所述中间产品及材料的历史供应商数据;
获得对于所述制造过程而言可观测的所述制造过程的过程参数;
获得独立于所述制造过程的外部数据;
应用机器学习算法来基于所述历史供应商数据、所述制造过程的所述过程参数以及所获得的所述外部数据而产生用于对所述制造过程中的时间延迟风险进行预测的模型;
将所产生的所述模型记录在数据库中;
获得所述制造过程的当前过程参数并获得当前外部数据;
基于所记录的用于对所述时间延迟风险进行预测的所述模型、所述制造过程的所述当前过程参数以及所述当前外部数据,对实际时间延迟风险进行预测;
产生包括所预测的所述实际时间延迟风险的输出信号;以及
经由人机界面将所产生的所述输出信号输出给用户。
2.根据权利要求1所述的方法,包括:
通过应用监督式机器学习算法来产生所述模型,所述监督式机器学习算法用于从所述历史供应商数据、所述制造过程的所述过程参数以及所获得的所述外部数据学习指示未来时间延迟风险的风险因素。
3.根据权利要求1所述的方法,其中
所述历史供应商数据包括以下中的至少一者:
以往时间的所述过程参数及所述外部数据,
所述制造过程的所述过程参数包括以下中的至少一者:
供应商标识符,
目标装运的经调度工作日,
目标装运时间附近的第一预定义时间段内的计划装运数目,
所述目标装运时间附近的第二预定义时间段内的订单量,
所述目标装运时间附近的第三预定义时间段内的计划生产量,
所述目标装运时间附近的所述第三预定义时间段内的生产调度改变,
对所述订单量的改变的供应商反应敏捷性,
所述目标装运中所订购的零件的标识符,
目标装运供应商在过去的装运故障报告数目,
所述目标装运供应商在过去的所述目标装运时间内的分批装运数目,
所述目标装运供应商在过去的所述目标装运时间内的装运延迟统计,
供应商信息,以及
供应商的产能系统管理数据,且
所述外部数据包括以下中的至少一者:
所述目标装运时间附近的第六预定义时间段内的天气事件预报,
所述目标装运时间附近的第七预定义时间段内的从日历提取的假日、学校休假、银行假日或季节性事件的发生,
所述目标装运时间附近的第八预定义时间段内的经由文本挖掘从新闻网站提取的所报告的短缺、所预测的短缺或者所宣布的短缺的发生,
所述目标装运时间附近的所述第八预定义时间段内的经由文本挖掘从新闻网站提取的所报告的罢工行动或人员短缺、所预测的罢工行动或人员短缺或者所宣布的罢工行动或人员短缺的发生、从基于计算机的多代理物流仿真的结果提取的所报告的短缺、所预测的短缺或者所宣布的短缺的发生,以及
从基于计算机的制造仿真的结果提取的所报告的短缺、所预测的短缺或者所宣布的短缺的发生。
4.根据权利要求1所述的方法,其中
对所述时间延迟风险进行预测包括将所述时间延迟风险直接映射成风险等级,且在应用所述机器学习算法的步骤中使用所述风险等级作为目标变量,或者
所述方法还包括在后处理步骤中将所述风险等级指配成所预测的所述时间延迟风险的步骤。
5.根据权利要求1所述的方法,包括:
对未来的时间段的所述时间延迟风险进行预测,
其中所述时间段的长度取决于所记录的用于对所述时间延迟风险进行预测的所述模型、所述历史供应商数据、所述制造过程的所述过程参数以及所获得的所述外部数据。
6.根据权利要求1所述的方法,其中
产生所述模型及基于所记录的所述模型进行预测使用监督式机器学习算法或者使用随机森林树算法、k-最近邻算法、神经网络、线性模型、支持向量机、高斯过程、决策树及集成方法中的至少一者。
7.根据权利要求1所述的方法,包括:
经由所述人机界面从所述用户接收与所述历史供应商数据及所述制造过程的所述过程参数中的至少一者相关联的输入数据。
8.根据权利要求1所述的方法,包括:
经由所述人机界面从所述用户接收关于多个模型族中的至少一者的输入数据,所述多个模型族包括多个模型、所述多个模型的超参数、所述超参数的参数范围及用于产生所述模型的误差度量。
9.一种用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的方法,包括:
获得所述制造过程的当前过程参数并获得当前外部数据,其中所述制造过程的所述当前过程参数对于所述制造过程而言是可观测的,且所述当前外部数据独立于所述制造过程;
从数据库获得所记录模型;以及
基于用于对时间延迟风险进行预测的所述所记录模型、所述制造过程的所述当前过程参数以及所述当前外部数据,对实际时间延迟风险进行预测;
产生包括所预测的所述实际时间延迟风险的输出信号;以及
经由人机界面将所产生的所述输出信号输出给用户。
10.根据权利要求9所述的方法,其中
对未来的数秒、数分钟、数小时及数天中的至少一者的时段的所述时间延迟风险进行预测。
11.根据权利要求9所述的方法,包括实行以下步骤:
获得所述当前过程参数,具体来说是实时获得所述当前过程参数,且对所述时间延迟风险进行在线预测。
12.根据权利要求9所述的方法,包括:
通过所述人机界面显示所预测的所述时间延迟风险或者风险等级,所述风险等级是通过将所预测的所述时间延迟风险映射成所述风险等级而产生。
13.根据权利要求9所述的方法,包括:
通过所述人机界面显示所预测风险等级超过预定阈值的供应品装运。
14.根据权利要求9所述的方法,包括:
通过所述人机界面显示在未来的预定时间段内所预测风险等级超过预定阈值的供应品装运、供应商、供应源、零件类型、所制造产品及制造地点中的至少一者。
15.根据权利要求9所述的方法,包括:
对预定数目的供应品装运的所预测风险等级或者预定时间内的所预测风险等级进行合计,
通过所述人机界面针对所述供应品装运、供应源、零件类型、所制造产品及制造地点中的至少一者显示所合计的所述所预测风险等级。
16.根据权利要求15所述的方法,包括:
由所述用户经由所述人机界面对用于对所述所预测风险等级进行合计的所述供应品装运的所述预定数目或者所述预定时间进行设定。
17.根据权利要求9所述的方法,包括以预定间隔重复进行以下操作:
获得历史供应商数据;
获得所述制造过程的所述当前过程参数;
获得所述当前外部数据;
应用机器学习算法来基于所获得的所述历史供应商数据、所述制造过程的所述当前过程参数以及所获得的所述当前外部数据而产生用于对所述制造过程中的所述时间延迟风险进行预测的再训练模型;以及
将所产生的所述再训练模型记录在所述数据库中。
18.根据权利要求9所述的方法,其中
所述方法包括通过将已预测的实际事件与针对所述实际事件的所计算预测进行比较来对经训练模型在操作期间形成的误差进行监测,且
倘若所监测的所述误差超过阈值,则手动地或自动地触发以下步骤:
应用机器学习算法来基于所获得的历史供应商数据、所述制造过程的所述当前过程参数以及所获得的所述当前外部数据而产生用于对所述制造过程中的所述时间延迟风险进行预测的再训练模型。
19.一种用于在制造过程中减轻中间产品及材料的装运时间延迟的影响的系统,包括:
用户界面;
过程数据界面,用于获得对于所述制造过程而言可观测的所述制造过程的过程参数;
外部数据界面,用于获得所述中间产品及材料的历史供应商数据以及独立于所述制造过程的外部数据;
控制电路,用于应用机器学习算法来基于所述历史供应商数据、所述制造过程的所述过程参数以及所获得的所述外部数据而产生用于对所述制造过程中的时间延迟风险进行预测的模型,且用于将所产生的所述模型记录在数据库中;以及
所述数据库,用于存储所产生的所述模型;
所述过程数据界面还被配置成获得对于当前制造过程而言可观测的所述当前制造过程的当前过程参数;
所述外部数据界面还被配置成获得独立于所述当前制造过程的当前外部数据;
所述控制电路还被配置成基于所记录的用于对所述时间延迟风险进行预测的所述模型、所获得的所述当前过程参数以及所获得的所述当前外部数据来对所述时间延迟风险进行预测;且
所述用户界面被配置成在输出信号中向用户输出所预测的所述时间延迟风险。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/939,984 US20240095853A1 (en) | 2022-09-08 | 2022-09-08 | System and method for supplier risk prediction and interactive risk mitigation in automotive manufacturing |
US17/939,984 | 2022-09-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117670018A true CN117670018A (zh) | 2024-03-08 |
Family
ID=90077751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311159791.8A Pending CN117670018A (zh) | 2022-09-08 | 2023-09-08 | 汽车制造中的风险预测以及交互式风险减轻的系统及方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240095853A1 (zh) |
CN (1) | CN117670018A (zh) |
-
2022
- 2022-09-08 US US17/939,984 patent/US20240095853A1/en active Pending
-
2023
- 2023-09-08 CN CN202311159791.8A patent/CN117670018A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240095853A1 (en) | 2024-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11275645B2 (en) | System and method for the dynamic analysis of event data | |
US20160217406A1 (en) | Self-Learning Supply Chain System | |
Andersson et al. | Big data in spare parts supply chains: The potential of using product-in-use data in aftermarket demand planning | |
US10937084B2 (en) | Tracking business performance impact of optimized sourcing algorithms | |
US10521979B2 (en) | Fleet analytic services toolset | |
CN104966141B (zh) | 更新用于生成工业资产健康状况简档的模型的方法和系统 | |
Zahedi-Hosseini et al. | Joint maintenance-inventory optimisation of parallel production systems | |
US9552567B2 (en) | Computer-implemented methods and systems for determining fleet conditions and operational management thereof | |
US20110313812A1 (en) | Accounting for data dependencies in process models, analysis, and management | |
Fritzsche et al. | Optimal prognostic distance to minimize total maintenance cost: The case of the airline industry | |
US11265688B2 (en) | Systems and methods for anomaly detection and survival analysis for physical assets | |
US20220147952A1 (en) | System and method for scalable automated maintenance optimisation | |
CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
Lukinskiy et al. | A probabilistic approach to information management of order fulfilment reliability with the help of perfect-order analytics | |
Medaković et al. | A model of management information system for technical system maintenance | |
Koukaras et al. | Proactive buildings: A prescriptive maintenance approach | |
CN117114446A (zh) | 一种基于数据驱动的设备健康评估方法 | |
US20230123527A1 (en) | Distributed client server system for generating predictive machine learning models | |
CN117670018A (zh) | 汽车制造中的风险预测以及交互式风险减轻的系统及方法 | |
Chompu-Inwai et al. | Key indicators for maintenance performance measurement: The aircraft galley and associated equipment manufacturer case study | |
Makarova et al. | A software module for multi-criteria suppliers’ selection with respect to the spare parts logistic | |
Brands | Improving Material Availability Using A Control Tower for Service Tools | |
Sigmundstad | Predictive maintenance for an industrial application-contribution to maintenance modelling utilizing petri nets with predicates | |
JP2023547729A (ja) | スケーラブル自動保全最適化のためのシステムおよび方法 | |
Al-Najjar et al. | Dynamic and cost-effective maintenance decisions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |