AWS客户案例-某汽车电子有限公司质量检测

痛点与挑战

压装技术(Press fit)是某汽车电子有限公司新引入的PEU生产工艺,目前都是人工检测产品的压装结果。
为了高效及时的给出压装产品的质量检测结果以及降低人工检测的成本,该汽车电子有限公司需要借助一定的科学的手段来助力产品检测。传统的预测方法存在以下两大挑战:
1) 压装产品较多,人工检测的成本较大。
2) 人工检测的不及时。
目标:实现该汽车电子有限公司压装产品质量的及时的自动化检测。

 

解决方案

某汽车电子有限公司数据存储在AWS的S3存储桶内,使用AWS模型构建组件SageMaker读取存储桶内的产品压装数据,结合业务对数据进行处理获取建模需要的各个字段,在SageMaker中尝试构建好坏品分类模型,进而根据模型基于未来的产品压装数据给出产品压装结果,将模型部署到AWS Endpoint,实现持续预测和生产监控。
解决方案具体步骤如下:
1. 数据读取:读取AWS S3存储桶中的欣和销量数据到AWS SageMaker Studio中已经建立的Notebook脚本中。
2. 数据ETL:结合业务理解进行数据预处理,包括数据清洗、变量筛选等,接着将数据ETL处理成模型可读取的结构化宽表,格式为第一列为目标变量(压装结果)、其他列为所有影响目标变量的因子(拐点位移、拐点压力、最大力位移、最大力等),宽表已汇总成预测粒度,即每条产品的特征及压装结果成一条数据记录
3. 特征工程:结合业务理解和建模经验生成衍生变量,并结合因子分析和变量重要度排序,进行特征筛选。
4. 数据集划分:将处理好的数据根据时间轴和验证集长度划分训练集和验证集,选定合适的评估指标。
5. 模型训练和模型选择:设置合适的参数训练模型,或设置超参数优化作业进行参数自动调优,得到模型评估结果最好的超参组合作为最终的模型。
6. 模型部署:将最优模型部署到AWS Endpoint上。
7. 模型预测:对于压装的过程数据,可以调用Endpoint进行模型预测,直接给出产品压装结果。

成果与收益

实现了自动化预测:部署在AWS Endpoint上的模型在任何时候都可以被调用,进行自动化预测,大大降低了该汽车电子有限公司手工检测的成本,预测结果直接存储到AWS S3中,使组织里的业务人员可直接下载查看相关检测报告。
模型准确率为98%,坏品召回率为95%,精准的检测结果,大大降低了手工检测的成本和时间。

解决方案结构图