工程時間予測

ロビー – 工程時間予測

工程時間予測ロビーでは予測の概要が提供され、次の要素が含まれます。

• 工程時間予測 – リスト要素:予測に基づいて製造オーダー工程情報を表示します。予測される工程機械稼働時間と計画された機械稼働時間 (時間単位) を比較します。各行を展開すると、製造オーダー工程ページで工程の詳細を表示できます。ロビー フィルター値を適用して、時間単位の遅延や計画時間の割合などの偏差を制限できます。
• ワークセンタごとの累積原価差異時間オフセット – 棒グラフ:ワークセンタごとに累積予測オフセットを表示します。ロビー フィルターでしきい値をフィルターすると、合計が不正確になる可能性があることに注意してください。
• 最大予測オフセット – カウンタ:最大遅延を時間単位で表示します。
• 最大予測オフセット率 – カウンタ:最大遅延を計画時間の割合で表示します。

ロビー フィルタ オプション

• サイト:予測が行われたサイト (これは、トレーニング可能なモデルのパラメータで設定されたものと同じである必要があります)。
• 経過日数:履歴予測を表示する現在の日付より前の日数。
• タイムフェンス:表示する現在の日付から将来までの期間 (ここでの制限係数は、スケジュールされた予測バックグラウンド ジョブで使用される予測期間であることに注意してください)。
• ワーク センタ:特定のワークセンタに基づいてフィルタリングを有効にします。
• 製造オーダー:特定の製造オーダー番号に基づいてフィルタリングを有効にします。
• 品目番号:特定の品目番号に基づいてフィルタリングできます。
• オーダー ステータス:オーダー ステータスに基づいてフィルタリングできます。
• 予測タイム オフセット:指定された時間数を超えるフィルタリング遅延を許可します。
• オフセット率:指定されたパーセンテージ値を超えるフィルタリング遅延を許可します。

データソース

• ML 計画済 SO 工程：これにより、保存された予測が照会され、対応する製造オーダー工程にリンクされます。

条件フォーマット

独自の定義に従って工程の遅延を強調表示するには、条件フォーマットを更新することをお勧めします。

アルゴリズムで使用されたデータ

アルゴリズムをトレーニングして予測を行う際には、次の属性が考慮されます。

• トレーニング間隔期間中の品目手順工程の平均機械稼働時間係数
• 在庫品目 ABC クラス
• 在庫品目会計グループ
• 在庫品目製品コード
• 工程数量 (廃棄済および使用済/計画済)
• 工程ワークセンタ資源
• 工程開始月
• 工程開始曜日
• 工程開始時刻
• 過去の製造オーダー工程数
• 残りの製造オーダー工程数
• ワークセンタ OEE
• 工程コンポーネント数
• 工程要員の規模
• 工程作業者クラス
• 工程資格条件プロファイル
• 工程回数ガイドライン
• 工程検査の測定点数
• 工程ツール数

この情報に基づいて、アルゴリズムは工程実行時間係数がどのように変化するかを予測します。これは、前処理された平均機械稼働時間と計画された工程量とともに、計画された工程機械稼働時間と予測された工程機械稼働時間を比較するために使用されます。

処理例

• トレーニング例：品目 x123 の代替手順 1 およびリビジョン2 の工程 20 には、選択されたトレーニング期間のレコードが 12 件あります。これらのレコードの平均機械稼働係数は 0.88 時間/数量です。この例では、開始および停止の作業時刻報告と数量を持つ 1 つの登録済み工程 ID には、0.90 時間/数量という個別の機械稼働時間係数があります。この特定のレコードのモデルに入力されるトレーニング ターゲットは 0.90 - 0.88 = 0.02 になります。この例では、モデルは、このレコードの機能が数量あたり 0.02 時間の機械稼働時間係数オフセットに寄与していると見なします。
• 予測例：製造オーダー 202020、代替 1 の工程 20、品目 x123 のリビジョン 2 は 2 日後に開始される予定です。計画では 100 個の品目を生産し、手順からの工程での機械稼働時間は数量あたり 0.85 時間です。予定工程時間は85時間です。予測中に、計画された工程の属性がトレーニング済モデルに送信されます。返される値は、計算された平均からの予測オフセットです。この場合、モデルは、計画された生産活動イベント開始が金曜日の夜遅くだったという事実に反応しました (※)。これに基づいて、返される予測ターゲット値は、数量あたり 0.05 時間のオフセットになります。平均的な機械稼働係数は、数量あたり 0.88 時間です (トレーニングから保存)。つまり、この例では、予測される工程機械の稼働時間は 100 (0.88 + 0.05) = 93 時間となり、当初の計画より 8 時間長くなります。

※これは仮定であり、アルゴリズムの正確な予想される動作として解釈されるべきではないことに注意してください。

データ品質管理および予測品質管理

このアルゴリズムは、既知のデータで一般的なパターンを処理するのに最適です。トレーニング セットに十分に反映されていない新しい情報や前例のない新しいシナリオは、正確に予測されません。入力として使用されるデータが適切に管理されていないか正確でない場合、予測にはこのレベルの品質が反映される可能性が高くなります。

コンフィギュレーション

予測を実行するには、トレーニングと予測間隔をスケジュールしてモデルを構成する必要があります。

ステップ 1 - トレーニング

アルゴリズムは、機械学習モデルまたは機械学習モデル ページからトレーニングおよびスケジュールできます。

必須パラメータ:

• SITE:予測を行うために使用されたサイト。
• TRAINING_RANGE_DAYS:トレーニング データセットに含める過去の日数。
• TRAINING_START_DAYS_AGO:トレーニング データセットを開始する現在の日からの日数。

使用可パラメータ:

• WORK_CENTER:トレーニング データセットを、選択したワークセンタのサブセットにフィルタリングします。ワークセンタ間の区切りとして「;」を使用します。

ステップ 2 - 予測バックグラウンド ジョブ

予測は、[工程機械稼動時間の予測] タスクを使用して、[データベース タスク] または [データベース タスク] でスケジュールできます。このタスクが実行され終了すると、指定されたパラメータ内で計画された工程に予測工程時間が設定されます。

必須パラメータ:

• サイト:予測を行うために使用されたサイト。
• OP_HORIZON_NUMBER_OF_DAYS:日数で表した予測時点からの将来の見通し。

使用可パラメータ:

• WORK_CENTER:予測データセットを、選択したワークセンタのサブセットにフィルタリングします。ワークセンタ間の区切りとして「;」を使用します。

任意ステップ - 予測バックグラウンド ジョブの削除

これは、[ML製造オーダー工程予測の一括削除] タスクを使用して、[データベース タスク] または [データベース タスク] でスケジュールできます。

必須パラメータ:

• REMOVE_ENTRIES_OLDER_THAN_DAYS: 指定された日数より古い予測は削除されます。

スケジュール設定

アルゴリズムのトレーニング スケジュールは、特定の要件に基づいてカスタマイズできます。推奨されるアプローチは、過去 1 ～ 2 年のデータを使用して 2 年に 1 回アルゴリズムをトレーニングすることです。ただし、この頻度は、さまざまな業界やビジネス コンテキストの固有のニーズに応じて調整できます。

予測バックグラウンド ジョブは通常の営業時間外に実行するようにスケジュールし、次の営業日の開始時に結果が確実に利用できるようにします。このスケジュールは、業界やビジネスの状況に応じてさまざまな方法で調整できます。たとえば、14 日間の予測を使用してジョブを毎日実行するようにスケジュール方法があります。あるいは、7 日間の予測期間で毎週ジョブを実行するように設定することもできます。

エンド ユーザーの運用ワークフローと好みに合わせてスケジュールを構成することが重要です。

制限事項および前提条件

• アルゴリズムをトレーニングするには、機械稼働時間の開始と停止の作業時刻報告を使用して、工程を正確に登録する必要があります。
  • 計画された工程時間が (予測の誤差範囲内で) 非常に短い場合、負の時間予測が生成される可能性があります。
• このモデルでは、工程の計画された開始時刻が実際の開始時刻になると予想されます。これが履歴データや運用方法に反映されない場合、予測の品質に影響します。
• 製造オーダー工程の数量またはワークセンタが変更された場合、ロビーでこの変更を更新するために新しい予測ジョブを実行する必要があります。
• モデルは 1 つのサイトでのトレーニングと予測に制限されます。複数のサイトでのトレーニングと予測はサポートされていません。
• アルゴリズムは予測を行う際に効率要因の変化を考慮しません。
• 予測する工程は、将来の日付で開始するように計画する必要があり、時間係数タイプが時間あたりの数量または時間あたりの数量である必要があります。
• ロビーには予測のある工程のみが表示されます。予測の候補にならない工程は表示されません。
• アルゴリズムはトレーニング中にのみ学習します。トレーニング後に追加された新しいデータは、新しいトレーニングがトリガーされ、新しいデータがトレーニング範囲パラメータ内になるまで考慮されません。
  • 生産活動イベント時間に影響する変更を実装した場合、それが予測に反映されるまでに長い時間がかかることがあります。これは、トレーニング データセットにトレーニング中の古い生産活動イベント時間がまだ含まれているためです。
• このアルゴリズムでは、設定時間と労働時間は予測されません。
• モデルは標準ロット予測を使用します。1 つの予測ジョブのペイロードが大きい場合 (10,000 を超える工程予測)、その予測ジョブは失敗します。これを回避するには、異なるワークセンタで予測を分割するか、予測期間を短縮することを検討してください。
• 予測における説明可能 AI (XAI) は現在利用できません。