Application of Machine Learning in Optimizing Industrial Assembly Lines: A Chronologically Validated Study of Predictive Quality Control

आधुनिक कारखाने अब केवल मशीनों और श्रमिकों की कतारें मात्र नहीं रह गए हैं; वे सेंसरों के विशाल, गूँजते हुए नेटवर्क बन गए हैं। हर बार जब कोई उत्पाद असेंबली लाइन से नीचे गुजरता है, तो इनमें से सैकड़ों डिजिटल आँखें उसके तापमान, दबाव, गति और विद्युत संकेतों को रिकॉर्ड करती हैं। दशकों से, इंजीनियर इस डेटा के सैलाब का उपयोग करके अंतिम निरीक्षण स्टेशन तक पहुँचने से पहले ही दोषों (defects) की भविष्यवाणी करने की उम्मीद करते रहे हैं। इसका वादा सरल है: यदि कोई मशीन भविष्य की विफलता के सूक्ष्म संकेतों को पहचानना सीख लेती है, तो वह केवल जोखिम वाले सामानों को ही मानवीय जाँच के लिए चिह्नित कर सकती है, जिससे समय और धन की बचत होती है। यह क्षेत्र, जिसे प्रेडिक्टिव क्वालिटी कंट्रोल (पूर्वानुमानित गुणवत्ता नियंत्रण) के रूप में जाना जाता है, कंप्यूटर को उत्पादन के शोर में पैटर्न खोजने के लिए प्रशिक्षित करने पर निर्भर करता है। हालाँकि, एक महत्वपूर्ण प्रश्न पृष्ठभूमि में बना हुआ है: क्या ये कंप्यूटर मॉडल वास्तव में काम कर सकते हैं जब कारखाने का फर्श बदल जाता है, या वे केवल अतीत का अनुमान लगाने में अच्छे हैं?

रोम टू वर्गाटा विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक सेमीकंडक्टर फैक्ट्री के वास्तविक डेटा पर पांच अलग-अलग प्रकार के मशीन लर्निंग मॉडलों का परीक्षण करके इसका उत्तर खोजने का प्रयास किया। उन्होंने एक सार्वजनिक डेटासेट का उपयोग किया जिसमें 2008 के तीन महीनों के दौरान उत्पादित 1,567 इकाइयों के रिकॉर्ड शामिल थे। प्रत्येक इकाई के साथ 580 अलग-अलग सेंसर रीडिंग जुड़ी हुई थीं, लेकिन उनमें से केवल लगभग 6.6 प्रतिशत ही वास्तव में दोषपूर्ण थीं। शोधकर्ता यह देखना चाहते थे कि क्या वे एक ऐसा सिस्टम बना सकते हैं जो अच्छे उत्पादों को बहुत अधिक फ्लैग किए बिना खराब उत्पादों को पकड़ सके। इसे करने के लिए, उन्होंने सबसे पहले उस मानक पद्धति का प्रयास किया जिसका उपयोग अधिकांश वैज्ञानिक इस क्षेत्र में करते हैं, जिसमें मॉडलों का परीक्षण करने के लिए डेटा को बेतरतीब ढंग से (randomly) मिला दिया जाता है। इस पद्धति के तहत, सबसे अच्छा मॉडल काफी सफल दिखाई दिया, जिसने उच्च स्तर की सटीकता के साथ डेटा में पैटर्न की सही पहचान की। ऐसा लग रहा था जैसे दोषों की भविष्यवाणी करने की समस्या लगभग हल हो गई है।

लेकिन शोधकर्ता जानते थे कि एक कारखाना बिखरी हुई (shuffled) दुनिया में काम नहीं करता है। वास्तविकता में, एक मशीन को हमेशा कल के डेटा पर प्रशिक्षित किया जाता है और आज के डेटा पर उसका परीक्षण किया जाता है। कारखाने के फर्श की स्थितियाँ कभी स्थिर नहीं होतीं; उपकरण घिस जाते हैं, कच्चे माल के नए बैच आते हैं, और रखरखाव की घटनाएँ लाइन के व्यवहार को बदल देती हैं। ये परिवर्तन, जिन्हें 'कॉन्सेप्ट ड्रिफ्ट' (concept drift) कहा जाता है, का अर्थ है कि पिछले सप्ताह सीखा गया एक पैटर्न इस सप्ताह मौजूद नहीं हो सकता है। इन वास्तविक दुनिया की स्थितियों के तहत मॉडलों का परीक्षण करने के लिए, टीम ने एक दूसरा, अधिक सख्त प्रयोग चलाया। डेटा को मिलाने के बजाय, उन्होंने कंप्यूटर को उत्पादन के आरंभ से सीखना और भविष्य की भविष्यवाणी करना सिखाया, जो समय के साथ ब्लॉक-दर-ब्लॉक आगे बढ़ता है।

इस दूसरे परीक्षण के परिणाम चौंकाने वाले थे। जब मॉडलों को केवल भविष्य की ओर देखने के लिए मजबूर किया गया, तो उनका प्रदर्शन ढह गया। उनके स्कोर, जो रैंडम शफल में इतने आशाजनक लग रहे थे, गिरकर अनुमान लगाने से भी थोड़े बेहतर स्तर पर आ गए। शोधकर्ताओं ने पाया कि प्रारंभिक सफलता स्वयं परीक्षण पद्धति द्वारा निर्मित एक भ्रम थी। डेटा को शफल करके, मानक परीक्षणों ने कंप्यूटर को भविष्य में झाँकने की अनुमति दी थी, जिससे उसने उन इकाइयों से सीखा जो समान परिस्थितियों में कुछ ही मिनटों के अंतर पर उत्पादित की गई थीं। इसने सुरक्षा की एक झूठी भावना दी। वास्तविक परीक्षण ने दिखाया कि सेंसर रीडिंग और दोषों के बीच का संबंध इतना स्थिर नहीं था कि उसे सरल तरीके से सीखा जा सके। फैक्ट्री लाइन इतनी अधिक बदल रही थी कि मॉडल नियमों के एक एकल सेट को थामे नहीं रख सके।

शुद्ध भविष्यवाणी शक्ति के इस पतन के बावजूद, कहानी विफलता पर समाप्त नहीं हुई। शोधकर्ताओं ने महसूस किया कि भले ही एक मॉडल की भविष्यवाणी करने की शक्ति कमजोर हो, फिर भी वह एक पूर्ण निर्णायक के बजाय एक स्क्रीनिंग टूल के रूप में उपयोगी हो सकता है। उन्होंने सिस्टम को बहुत संवेदनशील बनाने के लिए इसे समायोजित किया, जिसमें लक्ष्य हर एक दोष को पकड़ना था, भले ही इसके लिए कई अच्छे यूनिट्स को अतिरिक्त निरीक्षण के लिए फ्लैग करना पड़े। उन्होंने अंतिम 30 प्रतिशत डेटा पर एक विशिष्ट थ्रेशोल्ड (सीमा) निर्धारित की, जो एक वास्तविक भविष्य परीक्षण के रूप में कार्य करता था। इस नई रणनीति के तहत, सबसे अच्छे मॉडल ने भविष्य में आने वाले 26 में से 23 दोषों को पकड़ा। हालांकि इसने निरीक्षण के लिए बड़ी संख्या में अच्छे यूनिट्स को भी फ्लैग किया, फिर भी यह कुल उत्पादन के लगभग 31 प्रतिशत को बिना जांच के छोड़ने में सफल रहा। इसका अर्थ था कि फैक्ट्री अपने मानव निरीक्षकों को पूरे उत्पादन की जाँच करने या कुछ भी न करने के बजाय, उत्पादन के सबसे जोखिम भरे चौथाई हिस्से पर केंद्रित कर सकती थी।

यह समझने के लिए कि मॉडल अपने निर्णय क्यों ले रहे थे, शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जो कंप्यूटर के तर्क को तोड़कर यह देखती है कि कौन सा सेंसर सबसे अधिक महत्वपूर्ण था। उन्होंने पाया कि पूरी निर्णय लेने की प्रक्रिया एक एकल सेंसर रीडिंग द्वारा हावी थी। एक विशिष्ट सिग्नल अन्य 589 सेंसरों के संयुक्त प्रभाव से कहीं अधिक महत्वपूर्ण था। हालांकि सेंसर के नाम डेटा में छिपे हुए थे, इस निष्कर्ष ने फैक्ट्री प्रबंधकों को एक स्पष्ट दिशा प्रदान की। इसने सुझाव दिया कि यदि मॉडलों का प्रदर्शन गिरता है या विफल होता है, तो सबसे पहली जगह वह भौतिक प्रक्रिया होनी चाहिए जो उस एक प्रमुख सेंसर के पीछे है। उस विशिष्ट हिस्से को कैलिब्रेटेड और स्थिर रखना संभवतः गुणवत्ता बनाए रखने का सबसे प्रभावी तरीका होगा।

अध्ययन यह निष्कर्ष निकालता है कि इन कंप्यूटर सिस्टमों को टेस्ट करने का तरीका स्वयं सिस्टम जितना ही महत्वपूर्ण है। मशीन लर्निंग मॉडलों का परीक्षण करने के लिए डेटा को शफल करने की सामान्य प्रथा इस तथ्य को छिपा सकती है कि वे वास्तव में एक बदलते कारखाने में काम नहीं कर सकते। शोधकर्ताओं का तर्क है कि औद्योगिक अनुकूलन (optimization) पर किसी भी रिपोर्ट में एक ऐसा परीक्षण शामिल होना चाहिए जो उत्पादन की समयरेखा का सम्मान करता हो, यानी अतीत से भविष्य की ओर बढ़ता हो, ताकि उसे ईमानदार माना जा सके। हालांकि मॉडल पूर्ण भविष्यवक्ता नहीं बने, फिर भी उन्होंने साबित किया कि कठिन और बदलती परिस्थितियों में भी, एक सावधानीपूर्वक ट्यून किया गया सिस्टम व्यावहारिक लाभ प्रदान कर सकता है। यह एक फिल्टर के रूप में कार्य कर सकता है, जो दोषों के विशाल बहुमत को पकड़ लेता है और फैक्ट्री को अधिक कुशलता से संचालित होने की अनुमति देता है, बशर्ते कि इंजीनियर उपकरण की सीमाओं को समझें और अपना ध्यान उन विशिष्ट हिस्सों पर केंद्रित करें जो परिणामों को संचालित करते हैं।