Apanhar a peça defeituosa antes de sair da linha
Uma linha de produção com mais de um milhão de peças e um defeito em cada duzentas. Inspecionar tudo é impossível e o sinal que distingue a peça má é fraco e disperso. O trabalho foi marcar a peça provável de sair com defeito, a tempo de a inspecionar, sem afogar a equipa em falsos alarmes.
«o controlo no fim apanha o que conseguir»
cada peça com a sua probabilidade de defeito, marcada antes de sair da linha
Trocar o achismo pelo número.
O desafio
Uma peça defeituosa que chega ao cliente custa muito mais do que a inspeção que a apanharia. Mas numa linha com mais de um milhão de peças e um defeito em cada duzentas, não se pode inspecionar tudo, e o sinal que distingue a peça má é fraco e está espalhado.
01Defeito raro de mais para a exatidão servir
Com 0,58% de peças defeituosas, um modelo que diga sempre «está boa» acerta 96,6% e não apanha um único defeito. A exatidão engana; o que conta é quantos defeitos se apanham.
02Nenhum sensor explica o defeito sozinho
A correlação mais forte entre uma medição e o defeito é de apenas 0,05. O sinal está espalhado por muitas variáveis fracas, não concentrado num culpado.
03Dados esparsos e à escala
Mais de um milhão de peças e milhares de colunas, a maioria vazia por desenho: cada peça passa só por algumas das dezenas de estações da linha.
Um modelo que junta muitos sinais fracos, e a linha lida como uma rede
Como nenhum sensor chega sozinho, a previsão combina centenas de medições de uma vez; e o caminho de cada peça pela linha é reconstruído para mostrar onde os defeitos se concentram.
- Montámos o pipeline em Spark para correr à escala da linha: juntámos três ficheiros de medições em 1,18 milhões de peças e amostrámos mantendo todos os defeitos, para não perder o sinal raro.
- Limpámos a redundância (centenas de colunas duplicadas ou constantes) e demos ao modelo, além de cada medição, a informação de por que estações cada peça passou.
- Treinámos e comparámos vários modelos por validação cruzada (regressão logística, random forest e gradient boosting, com e sem reponderação) e escolhemos o que melhor separa defeitos num problema tão desequilibrado.
- Afinámos o limiar ao custo real: por cada defeito a apanhar, quantas peças boas vale a pena reinspecionar. Fica um botão que o cliente regula, não um valor fixo.
- Reconstruímos o caminho de cada peça pelas estações e lemos a linha como uma rede, para ver as estações por onde tudo passa e as transições onde os defeitos se concentram.
- O defeito não tem uma causa única: nenhuma estação nem sensor o explica sozinho, por isso a previsão tem de pesar muitos sinais ao mesmo tempo.
- Onde pôr o limiar é uma decisão de negócio, não técnica: equilibra-se o custo de um defeito que escapa contra o de uma inspeção a mais.
- Demonstrado sobre dados reais de uma linha de produção; com os dados da linha do cliente, recalibra-se ao seu produto e ao seu custo.
