مدل پیشبینی ضایعات در خطوط تولید با استفاده از پایتون
مقدمه
ضایعات تولیدی یکی از مهمترین عوامل کاهش بهرهوری و افزایش هزینه در سیستمهای تولیدی محسوب میشود. هر واحد ضایعات نهتنها موجب اتلاف مواد اولیه میشود، بلکه منابع دیگری مانند زمان تولید، انرژی مصرفی، ظرفیت تجهیزات و حتی کیفیت ادراکشده برند را نیز تحت تأثیر قرار میدهد.
در بسیاری از سازمانهای صنعتی، مدیریت ضایعات بهصورت واکنشی انجام میشود؛ به این معنا که پس از وقوع مشکل و ثبت هزینههای ناشی از آن، اقدامات اصلاحی آغاز میگردد. در مقابل، رویکردهای مبتنی بر داده (Data‑Driven) امکان تحلیل الگوهای پنهان در دادههای تولید را فراهم میکنند و این قابلیت را ایجاد میکنند که پیش از وقوع مشکل، روندهای نامطلوب شناسایی شوند.
تعریف:
ضایعات (Scrap یا Waste) به محصولاتی اطلاق میشود که به دلیل عدم انطباق با استانداردهای کیفی یا مشخصات فنی، قابل استفاده یا عرضه به بازار نیستند، دلایل بروز ضایعات در خطوط تولید میتواند شامل موارد زیر باشد:
- تغییرات در شرایط فرایندی (دما، فشار، سرعت خط)
- تفاوت عملکرد اپراتورها و شیفتهای کاری
- کاهش کیفیت مواد اولیه
- فرسودگی یا تنظیم نبودن تجهیزات
- خطاهای انسانی در فرایند تنظیم یا بهرهبرداری
مدل پیشبینی ضایعات تولیدی
توسعه مدلی که بتواند میزان ضایعات تولیدی را بر اساس پارامترهای عملیاتی و فرایندی پیشبینی کند، میتواند بهعنوان ابزاری برای تصمیمگیری پیشگیرانه در مدیریت تولید مورد استفاده قرار گیرد.
برای توسعه یک مدل پیشبینی مؤثر، لازم است دادههایی از ابعاد مختلف فرایند تولید در دسترس باشد.
یک ساختار نمونه برای چنین دیتاستی میتواند شامل متغیرهای زیر باشد:
- `date` : تاریخ تولید
- `shift` : شیفت کاری
- `operator_id` : شناسهی اپراتور
- `temperature` : دمای فرایند
- `pressure` : فشار فرایند
- `speed` : سرعت خط تولید
- `material_quality` : شاخص کیفیت مواد اولیه
- `waste_kg` : مقدار ضایعات (متغیر هدف)
در یک محیط صنعتی واقعی، این دادهها معمولاً از سیستمهایی مانند MES ،ERP یا سیستمهای ثبت داده فرایندی جمعآوری میشوند.
کیفیت داده یکی از مهمترین عوامل مؤثر در عملکرد مدلهای یادگیری ماشین است. پیش از مرحله مدلسازی، لازم است مجموعه داده مورد پردازش و آمادهسازی قرار گیرد.
مراحل اصلی پردازش و آمادهسازی شامل موارد زیر است:
- پاکسازی دادهها: حذف یا اصلاح رکوردهایی که دارای دادههای ناقص، غیرمنطقی یا خارج از محدوده عملیاتی هستند.
- تبدیل متغیرهای دستهای: متغیرهایی مانند `shift` یا `operator_id` باید با استفاده از روشهایی مانند "One‑Hot Encoding" به متغیرهای عددی تبدیل شوند.
- مهندسی ویژگی (Feature Engineering): در برخی موارد میتوان با ایجاد ویژگیهای جدید، اطلاعات مفیدتری برای مدل فراهم کرد. بهعنوان مثال:
- میانگین سرعت در هر شیفت
- شاخص ترکیبی شرایط فرایند
- نسبت ضایعات به میزان تولید
- مقیاسبندی دادهها
در صورتی که متغیرها دارای مقیاسهای متفاوت باشند، استفاده از روشهایی مانند "Standardization" میتواند به بهبود عملکرد برخی الگوریتمها کمک کند.
برای انتخاب مدل پیشبینی، از آنجا که هدف پیشبینی یک مقدار عددی پیوسته است، مسئله در دستهی رگرسیون (Regression) قرار میگیرد.
برخی از الگوریتمهای رایج برای این نوع مسائل عبارتاند از:
- Linear Regression
- Decision Tree Regressor
- Random Forest Regressor
- Gradient Boosting
در این مقاله به بررسی الگوریتم "Random Forest Regressor" پرداخته شده است، این الگوریتم مجموعهای از درختهای تصمیمگیری را ترکیب کرده و از طریق میانگینگیری پیشبینی نهایی را انجام میدهد.
مزایای این روش عبارتاند از:
- توانایی مدلسازی روابط غیرخطی
- مقاومت نسبی در برابر دادههای نویزی
- امکان استخراج اهمیت ویژگیها
یکی از مزیتهای الگوریتم "Random Forest" امکان استخراج "Feature Importance" است. این تحلیل مشخص میکند کدام متغیرها بیشترین تأثیر را بر مقدار ضایعات دارند.
در بسیاری از مطالعات مشابه، متغیرهایی مانند موارد زیر نقش کلیدی دارند:
- کیفیت مواد اولیه
- دمای فرایند
- سرعت خط تولید
- تفاوت شیفتهای کاری
- عملکرد اپراتورها
تحلیل و مصورسازی در Power BI
برای استفاده عملی از نتایج مدل، ایجاد یک داشبورد تحلیلی توصیه میشود. برخی از نمودارهای پیشنهادی عبارتاند از:
- نمودار روند ضایعات در طول زمان
- مقایسه ضایعات بین شیفتهای مختلف
- تحلیل رابطه دما و ضایعات
- مقایسه عملکرد اپراتورها
- شاخصهای کلیدی عملکرد (KPI)
چنین داشبوردی میتواند به مدیران تولید و تیمهای کنترل کیفیت در شناسایی سریعتر مشکلات کمک کند.
جمعبندی
استفاده از مدلهای پیشبینی در محیطهای تولیدی میتواند نقش مهمی در کاهش ضایعات، بهبود کیفیت محصول و افزایش بهرهوری عملیاتی ایفا کند.
✍ وجیهه واعظی نژاد
