要約
本研究では、サイクル管理されていない生産領域における未知のリードタイムを予測するために、自動車生産環境に人工知能手法を適用することの有効性を検証します。
データ構造を分析してコンテキスト上の特徴を特定し、ワンホット エンコーディングを使用して前処理します。
手法の選択では、教師あり機械学習手法に焦点を当てます。
教師あり学習方法では、回帰および分類方法が評価されます。
ターゲット サイズの分布に基づく連続回帰は実現できません。
分類手法の分析により、アンサンブル学習とサポート ベクター マシンが最適であることが示されています。
予備的な研究結果は、勾配ブースティング アルゴリズム LightGBM、XGBoost、および CatBoost が最良の結果をもたらすことを示しています。
さらなるテストと広範なハイパーパラメータの最適化を経て、最終的に選択される方法は LightGBM アルゴリズムです。
機能の可用性と予測間隔の粒度に応じて、最大 90% の相対予測精度を達成できます。
さらなるテストでは、データベースを使用して複雑な生産プロセスを正確に表現するために AI モデルを定期的に再トレーニングすることの重要性が強調されています。
この研究は、AI 手法が非常に変動性の高い生産データに効果的に適用でき、さまざまな制御タスクに追加のメトリクスを提供することでビジネス価値を高め、同時に現在の非 AI ベースのシステムを上回るパフォーマンスを発揮できることを実証しています。
要約(オリジナル)
The present study examines the effectiveness of applying Artificial Intelligence methods in an automotive production environment to predict unknown lead times in a non-cycle-controlled production area. Data structures are analyzed to identify contextual features and then preprocessed using one-hot encoding. Methods selection focuses on supervised machine learning techniques. In supervised learning methods, regression and classification methods are evaluated. Continuous regression based on target size distribution is not feasible. Classification methods analysis shows that Ensemble Learning and Support Vector Machines are the most suitable. Preliminary study results indicate that gradient boosting algorithms LightGBM, XGBoost, and CatBoost yield the best results. After further testing and extensive hyperparameter optimization, the final method choice is the LightGBM algorithm. Depending on feature availability and prediction interval granularity, relative prediction accuracies of up to 90% can be achieved. Further tests highlight the importance of periodic retraining of AI models to accurately represent complex production processes using the database. The research demonstrates that AI methods can be effectively applied to highly variable production data, adding business value by providing an additional metric for various control tasks while outperforming current non AI-based systems.
arxiv情報
| 著者 | Cornelius Hake,Jonas Weigele,Frederik Reichert,Christian Friedrich |
| 発行日 | 2025-01-14 09:00:27+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google