RAI Data / Blog / 90 godzin niepewności
Receptura wybrana.
Na wynik trzeba poczekać.
Skład został zatwierdzony, surowce trafiły na linię, produkcja trwa. Na wynik badania trzeba jeszcze poczekać. Dopiero wtedy okaże się, czy założenia były słuszne. W procesach o długim cyklu produkcji i badań to opóźnienie utrudnia doskonalenie receptur.
Dlaczego tak długo czekamy na odpowiedź?
Jeśli w danym procesie wytworzenie partii trwa dwie doby, a pobranie próbek i badania kolejne dwie, na wynik czekamy łącznie 96 godzin. Czas ten zależy od technologii i zakresu badań: w jednym zakładzie odpowiedź przyjdzie wcześniej, w innym znacznie później.
Gdy partia jest już wyprodukowana, nie można zmienić jej składu. Surowce i energia zostały zużyte, a produkcja tej partii zajęła czas pracowników i instalacji. Jeśli produkt nie spełni wymagań, trzeba zdecydować, co zrobić z partią, a potem skorygować recepturę. Kolejna próba oznacza kolejne oczekiwanie. Nic dziwnego, że w takich warunkach chętniej wracamy do sprawdzonych proporcji, niż szukamy nowych.
Partia spełnia wymagania. Czy mogła powstać taniej?
Wynik niespełniający wymagań od razu zwraca uwagę. Trafia do raportu, wymaga wyjaśnienia i zwykle uruchamia działania naprawcze. Znacznie trudniej zauważyć inną sytuację: produkt ma właściwe parametry, ale do jego wytworzenia użyto droższej mieszanki, niż było to konieczne.
Dodatkowy udział kosztownego składnika bywa rozsądnym zabezpieczeniem przed niepewnością. Problem pojawia się wtedy, gdy taki zapas utrzymujemy z przyzwyczajenia, mimo zmian cen lub właściwości surowców. Samo badanie gotowego produktu nie powie nam, czy inny skład dałby podobny rezultat. Żeby to ocenić, trzeba porównać możliwe receptury, uwzględniając nie tylko ich koszt, lecz także ryzyko pogorszenia jakości.
Doświadczenie technologa pozostaje niezbędne
Osoba, która od lat prowadzi proces, zna zależności niewidoczne w arkuszu. Wie, jak zachowuje się surowiec od danego dostawcy, kiedy proces wymaga ostrożniejszego prowadzenia i których zmian nie warto łączyć w jednej próbie. Bez tej wiedzy łatwo zaproponować skład poprawny na papierze, ale kłopotliwy w produkcji.
Jednocześnie nawet duże doświadczenie nie pozwala ręcznie porównać wszystkich możliwych proporcji kilkunastu składników, zwłaszcza przy zmiennych cenach, stanach magazynowych i ograniczeniach technologicznych. W tym właśnie zadaniu przydają się obliczenia: pozwalają sprawdzić więcej możliwości, zanim technolog wybierze skład do zastosowania w produkcji.
Kolejne próby można przeprowadzić w komputerze
Jeżeli dane pozwalają odtworzyć zależność między składem, warunkami procesu i właściwościami produktu, można zbudować model przewidujący wynik przed produkcją. Sprawdzamy, na ile prognozy zgadzają się z pomiarami, i ustalamy zakres, w którym dokładność wystarcza do podejmowania decyzji technologicznych.
Wtedy zmiana proporcji nie musi oznaczać kolejnej partii próbnej. Można porównać wiele receptur w komputerze, odrzucić składy niespełniające wymagań i dopracować obiecujące warianty. Po połączeniu modelu z optymalizatorem takie porównanie obejmuje również koszt i ograniczenia produkcyjne. Ograniczamy zużycie surowców i energii oraz czas pracy ludzi i instalacji potrzebny na kolejne próby.
To właśnie zgodność modelu z rzeczywistym procesem pozwala przenieść znaczną część poszukiwań do komputera. Nie oznacza rezygnacji z kontroli jakości. Gdy zmieniają się surowce lub warunki wykraczają poza sprawdzony zakres, trzeba ponownie ocenić wiarygodność prognoz.
Najpierw sprawdzamy, co zapisano
Zanim zaproponujemy model, przyglądamy się dostępnym zapisom. Sprawdzamy, czy da się powiązać surowce, recepturę, warunki procesu i wynik badania tej samej partii. Rozmawiamy też z osobami, które zbierają i wykorzystują te informacje. Kilka prześledzonych partii pomoże zrozumieć sposób prowadzenia zapisów; nie wystarczy jednak do oceny wiarygodności przyszłego modelu.
Dopiero przegląd szerszego zbioru pozwala ocenić, jakie zastosowania warto rozważyć. Jeśli brakuje istotnych pomiarów lub powiązań między zapisami, proponujemy sposób ich gromadzenia. Gdy dane dają podstawę do modelowania, można przeprowadzić pilotaż i sprawdzić, czy wcześniejsza prognoza pomaga w wyborze receptury. Samo rozpoczęcie analizy nie przesądza więc o budowie modelu.
Opracowanie: RAI Data
Źródła i dalsza lektura
- scikit-learn: ocena modeli
Podział danych do uczenia i oceny, również dla kolejnych okresów i grup obserwacji.
- scikit-learn: błędy w przygotowaniu danych
Jak uniknąć wykorzystania w ocenie informacji niedostępnych w chwili prognozowania.
Twoje dane mogą pracować
na lepsze wyniki.
Sprawdzimy, jak wykorzystać dane Twojej firmy, aby ograniczyć koszty, usprawnić produkcję lub poprawić jakość.