Productiefouten verminderen met machine learning

Productiefouten verminderen met machine learning

Advanced root cause analysis for product quality improvement

Gratis downloaden
20 augustus 2015

Oorzaken van problemen binnen het productieproces zijn vaak moeilijk te achterhalen. Een bekende methode om de oorzaak wel te vinden is door root cause analysis (RCA) toe te passen. RCA heeft als doel de wortel van een probleem bloot te leggen. Het inzetten van Machine Learning voor RCA geeft organisaties de mogelijkheid nog beter problemen te onderzoeken, waardoor zij de kwaliteit van hun producten kunnen waarborgen en verbeteren.

Zelflerende algoritmen

Machine Learning geeft analisten de mogelijkheid om complexe problemen op te lossen. Dit komt doordat Machine Learn uit technieken bestaat die algoritmen gebruiken, die op hun beurt zelf kunnen leren uit de aan hen geleverde gegevens. Vervolgens zorgen deze algoritmen ervoor dat er automatisch de best mogelijke model gebouwd wordt voor elke dataset.

Een algoritme dat tot een van de krachtigste wordt beschouwd is het Gradient Boosting Machine (GBM) algoritme. Dit algoritme ontdekt interacties tussen procesfactoren die verantwoordelijk zijn voor productiefouten. Ook kan het helpen de relatie en interactie tussen kwaliteitsmetingen te identificeren. Hierdoor is het een algoritme dat uitstekend kan worden ingezet voor root cause analysis.

Download de whitepaper

Download vrijblijvend deze whitepaper en lees meer over het gebruik van gradient boosting machine modelling voor advanced root cause analysis om zo de kwaliteit van producten de verbeteren.

Gratis downloaden