制造业MES&R语言数据挖掘之设备故障分析
本案例针对于铅酸电池行业的设备故障进行R语言数据挖掘；旨在提炼出有用的规律减少故障发生（例如：哪些故障和设备是高度相关，哪些故障和维修方法是高度相关），以提高设备运行效率。
数据来源于MES中的设备管理模块，如下图所示
步骤
1、数据准备
2、选择算法
3、编程建模
4、业务建议
5、评价
一、数据准备
1、将MES中的维修任务（近三个月，共1387条）导出成EXCEL文件，示例截图如下
2、将其中关键的字段信息筛选出来，重新整理成一张表
3、用R语言的分词函数，将文本拆分成独立的词
R语言代码：
install.packages("jiebaR")
library("jiebaR")
setwd('E:/')
wk = worker(bylines = T,user="设备故障字典.txt",stop_word = "停用词字典.txt")
wk['./故障描述.txt']
提醒： 分词算法中，最关键的是字典表，包括用户自定义表和停用字典表。如果没有自定义表，最后分词的效果会非常差。该字典已上传至资源中，有需要的朋友可自行下载
4、将所有拆分后的关键词用逗号连接起来，整理在EXCEL中
5、将EXCEL导出成TXT文本
说明：数据准备这个步骤耗时很长，需要有耐心进行整理
二、选择算法
本次案例选择了Apriori算法，通过关联规则找到相关性高的词汇。
三、编程建模
本例通过R语言编程建模
1、整理出频繁项集： 通过这个步骤来找到哪些词是经常出现的；经常出现的词可能是普遍的故障，或是需要重点关注的问题。
R语言代码如下：
library(Matrix)
library(arules)
Trans <- read.transactions(file ="./设备故障汇总.txt" ,format="basket",sep=",",encoding = "UTF-8") #从EXCEL转成TXT之前，把表里的特殊符号全删掉；导出TXT之后另存为UTF-8
str(Trans)
rules <- apriori(data=Trans,parameter=list(support =0.02,confidence =0.9,minlen =1,target="frequent itemsets"))
inspect(rules)整理得到如下结果：也可以称之为高频故障点；左边是频繁项集，右边是频繁项集次数
2、查找关联规则
R语言代码如下：
library(Matrix)
library(arules)
Trans <- read.transactions(file ="./设备故障汇总.txt" ,format="basket",sep=",",encoding = "UTF-8") #从EXCEL转成TXT之前，把表里的特殊符号全删掉；导出TXT之后另存为UTF-8
str(Trans)
rules <- apriori(data=Trans,parameter=list(support =0.02,confidence =0.9,minlen =1,target="rules"))
inspect(rules)
不同的参数会得到不同的结果，调试参数的过程就不赘述了
最后将结果汇总整理：
四、业务建议
1、保养项目建议
通过观察三-1的结果，发现一个现象：上文所述的高频故障点（链条、轴承、电机等）在很多出过故障的设备中没有相应的保养内容，按照上文的逻辑，将所有之前提到的高频故障点逐一排查是否有相应的保养项目，将缺失的设备筛选出来，汇总得出下表
2、预防性维修建议
参考关联规则，对特定的设备特定部位进行提前预防性的维修
例如：针对铸板机定期（一个月）对线路进行防护、针对切粒机定期检查挤压轮轴承
汇总得出下表
3、安全库存建议
针对前文所列的高频故障点进行采购数据的统计，建议高频次采购的物料类（坏的多、买的多）可增加安全库存
汇总得出下表
4、备件检验流程建议
备件故障率高的原因，我猜测原因分为：使用频次高，保养频次低，备件质量不良
针对备件质量，目前我司没有专门针对备品备件建立全套的制度和流程、也没有专门的人员做这个事情。
通过查找资料，其他制造业公司有相应的制度。
建议公司考虑对某类备件进行抽检等相关措施。
优点：提升设备运作效率，减小维修工作量（随着订单增大，备件质量风险引起的问题会越来越多）
缺点：需要人员、检测设备等投入
综合分析，长期来看如果能让设备OEE能够提高1%，增加的效益会大于检验成本。
五、评价
这份分析报告跟生产总助汇报之后，得到了领导的认可，认为这四点建议是对于设备管理有效的改善方向，并参考了其中的建议进行实际操作，我将在两个月后再分析一次，看看这些改善点是否有实际提升。