39、理解与预测流程性能变化

理解与预测流程性能变化

在制造业中，理解和预测流程性能变化对于提高生产效率和产品质量至关重要。本文将介绍一种融合了多方向效率分析、极端梯度提升和Shapley分析的方法，用于确定影响制造流程性能的关键因素，并预测未来的性能变化。

1. 相关概念与方法概述

在解决问题时，相关数据的选择可以借助指数加权移动平均控制图。同时，为避免隐藏高度相关的因素并获取等概率根本原因的信息，开发了一些因素排序算法，如共现（CO）、卡方（CS）和随机森林（RF）。还有一种大数据驱动的根本原因分析（RCA）系统，包含问题识别、根本原因识别和永久纠正措施三个模块。

本文采用的方法旨在根据连续工作会话的关键绩效指标（KPI）值，确定与工人、机器或流程相关的变量，这些变量对实体的效率或低效贡献最大，并预测未来的性能变化分数。该方法融合了运筹学方法（多方向效率分析）、机器学习方法（极端梯度提升）和博弈论方法（Shapley分析），以实现稳健的RCA。

2. 方法与数学模型

首先，选择一个制造流程线（MPL），并将“实体”定义为在特定工作班次内在MPL上操作的工人。MPL的布局和流程可以用队列有向图（QDG）进行建模。QDG的优势在于它能够表示离散生产环境中的任何类型的MPL，并且基于最小信息（MI），可以自主生成抽象的制造布局并计算度量变量，如平均测量周期（AMPM）和平均排队周期（AQPM）。

通过计算测量时间与处理时间的差值，可以得到工人对队列中零件的响应时间。此外，还考虑了与工人相关的变量，包括工资、经验时间、响应时间和延迟时间。延迟时间通过高斯函数来衡量工人实际开始工作时间与计划班次开始时间之间的间隔。

最后，还引入了全