Det er «lett» å se rollen til maskinlæring i kvalitetssikring av et produksjons- og utviklingsmiljø. Det er vanskeligere å se rollen til maksinlæring på kvalitetsledelse på strategisk nivå. I to artikler tar jeg opp dette, og denne artikkelen fokuserer på produksjons- og utviklingsmiljøet.

Kompleksiteten av de forskjellige industriene varierer. Da varierer også feilrate og problemene man har med å finne de riktige feilene og gjøre de riktige tiltakene. Vi ser lett at det er bra med mye data, repetitive aktiviteter og dermed større muligheter for å se mønstre. En stor bilfabrikk er mye mer relevant å sette maskinlæring på, enn en liten lokal butikk. Åpenbart. En masseprodusent har helt annerledes kvalitetskrav ene en som produserer elektronikk til romfarten. Men de deler grunnleggende økonomiske aksiomer likevel, for eksempel «ressursutnyttelsesgrad» (OEE) eller «produksjonslinje-effektivitet» (OLE).

OEE er (=) Kapasitet (maks) x Tilgjengelighet x Feilrate, mens OLE er et vektet gjennomsnitt av ressursenes OEE.

Viktigheten av feilraten, og feilraten som et godt operasjonelt mål, er her klinkende klar. så da ser vi to ting maskinlæring kan bidra spesielt med.

Prediktiv kvalitetskontroll – mye mer av det!

For det første kan vi ha Prediktiv Kvalitetskontroll, der komponenter med feil tas ut av produksjonen så tidlig i produksjonskjeden som mulig. Det er lett å finne feil (reaktivt) ved testing, og det er lett å holde produkter med feil borte fra markedet. Det er langt vanskeligere å gjøre dette tidlig nok i produksjonen og å identifisere rotårsakene som har skapt feilen senere- men dette er som vi vet en helt nødvendig øvelse. Øvelsen er også tidskrevende og kompleks, og kan kreve mange fagfelt og skal se over et stort landskap for å være riktig bra gjennomført.

Gjennom å innføre maskinlæring kan vi imidlertid takle et langt større datasett, bruke sanntids monitorering (og dokumentering) og i det hele tatt takle alle de mengder data vi kan komme på å hive oppi kverna. Maskinlæring kan hjelpe til med å se sammenhenger som vi ellers ikke ville ha sett, med det endelige formål om å til slutt predikere feil før de oppstår. Vi beveger oss fra etterkontroll, til kontinuerlig kontroll, og vi gjør det fordi vi kan: Kostnadene ved en kontroll raser og mulighetene for å sette på mange kontroller øker, samtidig som verdien av det øker.

Sammenlign det gjerne med at du vet at en enkelt bil med forbrenningsmotor virkelig bør ha en oljetrykksmåler som gjør at man kan reagere før motoren skjærer seg helt. Se så for deg «oljetrykk- og temperaturmålere» av ymse slag, overalt, i alle prosesser. Vi opplever til daglig bilene vi kjører i dag vet «alt» om seg selv, men det er et stykke igjen for å designe en gjennomsnittlig produksjon på denne måten.

Poenget her, er mengde, kapasitet og kostnader. Det er ikke noe kunstig intelligens-magi inne i dette bildet. Man mangedobler feil-oppdagelsesraten og kan multiplisere effekten ved at man finner rotårsakene «real-time» i stedet for etter uker med undersøkelser og i verste fall må første-gangs designe hypotesetesting og iversette eksperimentell forskning.

Prediktivt, Preventivt vedlikehold

Produksjonsmaskiner er effektive, men ofte dyre. Det er altså veldig mye verdt når de ruller og går, og skaper veldig mye trøbbel når de stopper. Muligheten til å predikere vedlikeholdsbehovet, og dermed også å planlegge med det, blir veldig viktig. Og det er store penger å tjene på å ikke måtte planlegge for ofte med for store sikkerhetsmarginer heller.

Maskinlæringsteknikker blir oftere og oftere satt inn for å predikere, og dermed optimere vedlikeholdsbehovet, og dette ligner jo veldig på oljetemperaturmåleren nevnt over. Multipliser dette med mulighetene for scenarieplanlegging allerede ved innkjøp av produksjonsmaskin-parken, og deretter en mer porteføljepreget tilnærming til vedlikeholdsplanlegging, og det er mye å hente.

Det beste er kanskje likevel at algoritmene ikke nødvendigvis alle må programmeres på forhånd. Samtidig som man gjør rotårsaks-analyse, trener man maskinlæringen til å se bedre etter, og i å finne mønstre på bakgrunn av små tidlig-avvik såvel som historiske feil. Selv om det må planlegges et utgangspunkt og programmeres en del for å komme igang, man maskinlæringen bedre ta hånd om «kontinuerlig forbedring», inkludert det å se tilbake på (den iboende) kvaliteten i sine egne algoritmer.

I produksjonsmiljøer er det et strategisk mål og en viktig økonomisk «KPI» å optimalisere vedlikeholdet. Det slår hardt på både topplinje (fallende salg og fakturering, uutnyttede muligheter i markedet) og på bunnlinje (direkte kostnader ved for mye vedlikehold, og/eller produksjons-feilretting.

Det å integrere maskinlæring i produksjonens kvalitetskontroll minimerer produktfeil og holder oppe oppetiden på produksjonsmidlene. Og kanskje – om man kombinerer med litt kunstig intelligens-magi, vil det kunne være et selvlærende system og dermed den aller beste hjelp til kontinuerlig og systematisk forbedring, deretter.