AI-driven OEE-based operational support framework

Abstract

This master’s thesis presents an artificial intelligence-driven framework designed to guide the enhancement of overall equipment effectiveness in high-mix, low-volume manufacturing style of environments, where balancing between different products might cause challenges. It addresses the need for proactive operational management by developing and evaluating predictive models for short-term planning and real-time shop-floor guidance, specifically focusing to equipment availability and product quality. Empirical analysis throughout the thesis shows that advanced models such as tree-based ensembles substantially outperform both deep learning architectures as well as traditional statistical approach, illustrating the strength of these models for structured industrial dataset utilized from fast-moving long shelf-life consumer goods production line.

Leveraging explainable artificial intelligence, the research uncovers the most influential planning parameters and operational characteristics that drive variations in equipment availability and product quality, providing transparent insights for data-based decision-making. Clustering method identified recurring production patterns and major loss archetypes, providing additional insight to understanding causes affecting operational performance. In summary, the framework is meant to move manufacturing from reaction to proactivity by generating actionable intelligence that can improve equipment uptime, reduce defects, and capture significant operational efficiencies.

Työ esittelee tekoälypohjaisen viitekehyksen, joka on suunniteltu ohjaamaan kokonaisvaltaisen laitteistotehokkuuden (OEE) parantamista korkean tuotevalikoiman ja pienen volyymin tuotantoympäristöissä, joissa eri tuotteiden tuotannon välillä tasapainottelu voi aiheuttaa haasteita. Työ vastaa ennakoivan toiminnanohjauksen tarpeeseen kehittämällä ja arvioimalla ennustemalleja, joita voidaan soveltaa lyhyen aikavälin tuotannon suunnitteluun ja reaaliaikaiseen tuotannon ohjaukseen keskittymällä erityisesti laitteiden käytettävyyteen ja tuotteiden laatuun. Tutkimustulokset osoittavat, että edistyneet menetelmät, erityisesti puupohjaiset ryhmämenetelmät pärjäävät paremmin kuin sekä syväoppimisarkkitehtuurit että perinteiset tilastolliset lähestymistavat. Tämä antaa viitteitä näiden menetelmien vahvasta suoritustasosta teollisen aineiston tapauksessa, josta data on peräisin.

Selitettävää tekoälyä hyödyntäen tutkimus paljasti merkittävimmät suunnitteluparametrit ja operatiiviset ominaispiirteet, jotka aiheuttivat suurinta vaihtelua laitteiden käytettävyydessä ja tuotteiden laadussa. Tämä tarjoaa läpinäkyviä oivalluksia dataan perustuvaan päätöksentekoon. Klusterointimenetelmä tunnisti toistuvia tuotantomalleja ja häviö arkkityyppejä, mikä antoi lisätietoa operatiiviseen suorituskykyyn vaikuttavien syiden ymmärtämiseksi. Yhteenvetona voidaan todeta, että viitekehyksen tarkoituksena on siirtää valmistusta reaktiivisesta toiminnasta ennakoivaan tuottamalla toiminnallista tietoa, joka voi parantaa laitteiden käyttöastetta, vähentää hävikkiä ja saavuttaa merkittäviä toiminnallisia tehokkuushyötyjä.