Application of Python libraries for variance, normal distribution and Weibull distribution analysis in diagnosing and operating production systems

The use of statistical methods in the diagnosis of production processes dates back to the beginning of the 20th century. Widespread computerization of processes made enterprises face the challenge of processing large sets of measurement data. The growing number of sensors on production lines requires the use of faster and more effective methods of both process diagnostics and finding connections between individual systems. This article is devoted to the use of Python libraries to effectively solve some problems related to the analysis of large data sets. The article is based on the experience related to data analysis in a large company in the automotive industry, whose annual production reaches 10 million units. The methods described in this publication were the basis for the initial analysis of production data in the plant, and the obtained results fed the production database and the created automatic anomaly detection system based on artificial intelligence algorithms.

Wykorzystywanie metod statystycznych w diagnostyce procesów produkcyjnych sięga swoimi korzeniami początków XX wieku. Powszechna informatyzacja procesów postawiła przedsiębiorstwa przed wyzwaniem przetwarzania dużych zbiorów danych pomiarowych. Rosnąca liczba czujników na liniach produkcyjnych wymaga stosowania szybszych i skuteczniejszych metod zarówno diagnostyki procesu, jak i znajdowania powiązań pomiędzy poszczególnymi systemami. Niniejszy artykuł został poświęcony wykorzystaniu bibliotek języka Python do efektywnego rozwiązywania niektórych problemów związanych z analizą dużych zbiorów danych pomiarowych. Artykuł powstał na bazie doświadczeń związanych z analizą danych w dużym przedsiębiorstwie branży motoryzacyjnej, którego roczna produkcja sięga 10 milionów sztuk. Opisane w niniejszej publikacji metody stanowiły podstawę wstępnej analizy danych produkcyjnych we wspomnianym zakładzie, a uzyskane wyniki zasiliły bazę danych produkcyjnych oraz tworzony system automatycznego wykrywania anomalii oparty na algorytmach sztucznej inteligencji.