亞馬遜云科技客戶案例-某汽車電子有限公司質量檢測

痛點與挑戰

壓裝技術(Press fit)是某汽車電子有限公司新引入的PEU生產工藝,目前都是人工檢測產品的壓裝結果。
為了高效及時的給出壓裝產品的質量檢測結果以及降低人工檢測的成本,該汽車電子有限公司需要借助一定的科學的手段來助力產品檢測。傳統的預測方法存在以下兩大挑戰:
1) 壓裝產品較多,人工檢測的成本較大。
2) 人工檢測的不及時。
目標:實現該汽車電子有限公司壓裝產品質量的及時的自動化檢測。

 

解決方案

某汽車電子有限公司數據存儲在AWS S3存儲桶內,使用亞馬遜云科技模型構建組件SageMaker讀取存儲桶內的產品壓裝數據,結合業務對數據進行處理獲取建模需要的各個字段,在SageMaker中嘗試構建好壞品分類模型,進而根據模型基于未來的產品壓裝數據給出產品壓裝結果,將模型部署到AWS Endpoint,實現持續預測和生產監控。
解決方案具體步驟如下:
1. 數據讀?。鹤x取AWS S3存儲桶中的欣和銷量數據到AWS SageMaker Studio中已經建立的Notebook腳本中。
2. 數據ETL:結合業務理解進行數據預處理,包括數據清洗、變量篩選等,接著將數據ETL處理成模型可讀取的結構化寬表,格式為第一列為目標變量(壓裝結果)、其他列為所有影響目標變量的因子(拐點位移、拐點壓力、最大力位移、最大力等),寬表已匯總成預測粒度,即每條產品的特征及壓裝結果成一條數據記錄
3. 特征工程:結合業務理解和建模經驗生成衍生變量,并結合因子分析和變量重要度排序,進行特征篩選。
4. 數據集劃分:將處理好的數據根據時間軸和驗證集長度劃分訓練集和驗證集,選定合適的評估指標。
5. 模型訓練和模型選擇:設置合適的參數訓練模型,或設置超參數優化作業進行參數自動調優,得到模型評估結果最好的超參組合作為最終的模型。
6. 模型部署:將最優模型部署到AWS Endpoint上。
7. 模型預測:對于壓裝的過程數據,可以調用Endpoint進行模型預測,直接給出產品壓裝結果。

成果與收益

實現了自動化預測:部署在AWS Endpoint上的模型在任何時候都可以被調用,進行自動化預測,大大降低了該汽車電子有限公司手工檢測的成本,預測結果直接存儲到AWS S3中,使組織里的業務人員可直接下載查看相關檢測報告。
模型準確率為98%,壞品召回率為95%,精準的檢測結果,大大降低了手工檢測的成本和時間。

解決方案結構圖