المكاسب:
- القدرة على تحديد مكان استخدام الذكاء الاصطناعي في دورات التصنيع وتحسين العمليات
- القدرة على تسريع خريطة تدفق القيمة وتحليل النفايات وخطوات DMAIC من خلال مطالبات منظمة
- القدرة على تطبيق نظام التحقق من صحة توصيات الذكاء الاصطناعي باستخدام البيانات الميدانية ومراقبة جيمبا
الهندسة الصناعية هي في الأساس نظام "الأداء الأفضل": إنتاج قيمة أكبر بنفس الموارد، وجعل النفايات مرئية، والحد من التقلبات. ولا يدخل الذكاء الاصطناعي في هذا التخصص كآلة حاسبة جديدة أو حل سحري، بل كشريك قوي في التفكير والصياغة. عند استخدامه بشكل صحيح، فإنه يقلل من رسم خرائط تدفق القيمة وتصنيف النفايات ودراسات الأسباب الجذرية وتقارير التحسين من ساعات إلى دقائق. عند استخدامها بشكل غير صحيح، فإنها تنتج اقتراحات لم يسبق لها مثيل، وهي "مثالية على الورق" ولكن لا يمكن تنفيذها على أرض الواقع. في هذه الوحدة، ستتعلم مكان وضع الذكاء الاصطناعي في دورة التصنيع الخالي من الهدر وكيفية التحقق من صحة مخرجاته.
أين يقف الذكاء الاصطناعي في تحسين العمليات؟
دعونا نقسم مشروع التحسين إلى ثلاث طبقات: جمع البيانات، والتحليل/القرار، وإعداد التقارير/الاتصال. يساعد الذكاء الاصطناعي في تحديد أوزان مختلفة في هذه الطبقات.
طبقة
دور الذكاء الاصطناعي
دور الرجل
جمع البيانات
تصميم المسح/النموذج وتنظيم البيانات
التدابير والملاحظات في الميدان (جيمبا)
التحليل/القرار
يولد الفرضيات، ويقترح الأساليب، ويصيغ الحسابات
يتحقق بالبيانات، ويتخذ القرار
إعداد التقارير
A3، عرض تقديمي، كاتب مسودة نص ملخص
يتحكم في الدقة والنبرة
الشيء الذي يجب ملاحظته هو أن الذكاء الاصطناعي لا يمكنه إنشاء البيانات بنفسه. القياس الميداني فقط هو الذي يعطي وقت الدورة الفعلي للآلة، والدقائق التي ينتظرها المشغل، والمدة التي يستغرقها تغيير القالب. يقوم الذكاء الاصطناعي بتنظيم وتفسير وتحويل هذه البيانات الأولية التي تجلبها إلى فرضية تحسين.
نصيحة: أسأل الذكاء الاصطناعي دائمًا "ما البيانات التي أحتاجها؟" اسأل أيضًا: إن وضع خطة القياس الصحيحة قبل البدء في التحسين أرخص بكثير من إجراء التحليل ببيانات غير صحيحة لاحقًا.
النفايات السبع (مودا) والتصنيف بواسطة الذكاء الاصطناعي
إن جعل النفايات (مودا) مرئية يكمن في قلب الإنتاج الخالي من الدهون. النفايات السبعة الكلاسيكية: الإفراط في الإنتاج، والانتظار، والنقل غير الضروري، والمعالجة الزائدة، والمخزون، والحركة غير الضرورية، والأخطاء. في كثير من الأحيان يتم إضافة "الإمكانات البشرية غير المستغلة" في المرتبة الثامنة. الذكاء الاصطناعي سريع جدًا في تقسيم سرد العملية إلى هذه الفئات.
الدور: أنت مهندس صناعي من ذوي الخبرة في التصنيع الخالي من الهدر. المهمة: قم بتقسيم سرد العملية التالية إلى 7 فئات للنفايات (مودا). لكل تحديد: (1) نوع الهدر، (2) جملة الأدلة، (3) المقياس الذي أحتاج إلى قياسه، (4) التحسين السريع المحتمل. وصف العملية: """على خط التجميع، يسير المشغل مسافة 6 أمتار في كل دورة لالتقاط الجزء. يتشكل طابور أمام حجرة الطلاء لمدة 40 دقيقة في المتوسط. وفي وردية واحدة تقريبًا ستتم إعادة معالجة 12 جزءًا. وتتراكم المنتجات شبه النهائية لمدة 3 أيام في المستودع الوسيط.
تكمن قوة هذه المطالبة في أنها تجعل المخرجات قابلة للقياس. لا يكفي أن نقول "هناك حركة غير ضرورية"؛ ينبغي أن يكون من الممكن أن نقول "يمشي المشغل 6 أمتار لكل دورة، إجمالي أمتار Y في دورات X يوميًا." يشير الذكاء الاصطناعي إلى بيان الأدلة والمقياس المطلوب قياسه، ويمكنك قياسه في الحقل وإدخال الرقم.
موجه ضعيف / موجه قوي
حث ضعيف:
قم بتسمية النفايات في خط الإنتاج هذا.
وهذا ينتج قائمة بلا تصنيفات، بلا أدلة، ولا قياس؛ على الأرجح، تتكرر العبارات الشائعة "قد يكون هناك مخزون زائد، قد تكون هناك فترة انتظار".
مطالبة قوية:
قم بتقسيم بيانات العملية هذه إلى 7 فئات من النفايات، وقدم بيان الأدلة لكل منها، والمقياس الذي يجب أن أقيسه، والأثر المقدر. صنف التأثير على أنه "منخفض / متوسط / مرتفع" واكتب الأساس المنطقي. البيانات: {{ ... }}
والفرق هو أن المخرجات يمكن أن تترجم مباشرة إلى خطة عمل. يعطي الموجه الثاني جدولاً محددًا للأولويات وقابلاً للقياس.
تسريع دورة DMAIC باستخدام الذكاء الاصطناعي
يعد إطار DMAIC الخاص بـ Six Sigma (التعريف والقياس والتحليل والتحسين والتحكم) لغة مشتركة في مشاريع التحسين. يساعد الذكاء الاصطناعي بشكل مختلف في كل مرحلة:
- تحديد: مسودة تعريف المشكلة، ونطاق المشروع (SIPOC)، وبيان الغرض.
- القياس: خطة القياس، نموذج جمع البيانات، منطق حجم العينة.
- التحليل: قائمة الفرضيات، عظام السمكة (إيشيكاوا)، الأسباب الجذرية المحتملة.
- التحسين: بدائل الحلول، واقتراحات ECRS (الحذف والجمع وإعادة الترتيب والتبسيط).
- التحكم: مسودة خطة التحكم وتعليمات العمل القياسية ومراقبة مؤشرات الأداء الرئيسية.
قم بإنشاء هيكل عظمي إيشيكاوا (عظم متعرج) للمشكلة التالية. المشكلة: "خشونة السطح في ماكينة CNC أعلى من الهدف." الفئات: الآلة، الطريقة، المادة، الإنسان، القياس، البيئة (6M). اكتب 3-4 أسباب محتملة تحت كل فئة وحدد البيانات التي يجب أن أجمعها لاختبار كل سبب.
تظل القاعدة الذهبية هنا ثابتة: كل سبب جذري يقترحه الذكاء الاصطناعي هو فرضية، وليس دليلاً. قد يكون سبب خشونة السطح هو "تآكل أداة القطع" وقد لا يكون كذلك؛ فقط بيانات عمر الأداة والتجربة تؤكد ذلك.
تحذير: يقوم الذكاء الاصطناعي أحيانًا ببناء سلسلة من الأسباب التي تبدو معقولة جدًا ولكنها خاطئة على أرض الواقع. على سبيل المثال، من السهل قول "خطأ عامل التشغيل" وغالبًا ما يكون ذلك غير عادل. تخلص من الأسباب النظامية (الطرق والمعدات والقياسات) باستخدام البيانات قبل إلقاء اللوم على البشر في السبب الجذري.
حالة صغيرة: تقصير وقت تغيير القالب (SMED)
يستغرق تغيير القالب في ورشة حقن البلاستيك 55 دقيقة في المتوسط، وهذا يؤدي إلى خسائر كبيرة في دفعات صغيرة. يقوم المهندس الصناعي دينيز بتسجيل عملية التحول بالفيديو وحساب الأوقات خطوة بخطوة (تأتي هذه البيانات من الميدان). ثم يعطي الذكاء الاصطناعي قائمة الخطوات وأوقاتها:
قم بتصنيف خطوات تغيير القالب هذه على أنها "داخلية" (يمكن إجراؤها أثناء توقف الجهاز) و"خارجية" (يمكن إجراؤها أثناء تشغيل الجهاز) وفقًا لطريقة SMED. حدد الخطوات الداخلية التي يمكن نقلها إلى الخارجية واكتب مقترح إعداد أولي لكل منها. الخطوات والمدد: {{ قائمة }}
يحدد الذكاء الاصطناعي خطوات مثل "إحضار القالب الجديد إلى الآلة" و"تحضير البراغي" بحيث يمكن نقلها إلى المهمة الخارجية، مما يقترح عربة مؤقتة. يقوم دنيز باختبار هذا الاقتراح ميدانيًا؛ فهو يوحد ما يمكن تطبيقه حقًا. ونتيجة لذلك، انخفض وقت التغيير من 55 دقيقة إلى 32 دقيقة. النقطة الحاسمة: لقد أدى الذكاء الاصطناعي إلى تسريع الخطة، لكن الاختبار الميداني والتوحيد القياسي هو الذي أدى بالفعل إلى تقليل الوقت.
الأخطاء الشائعة
- تجاوز جيمبا: تنفيذ مخرجات الذكاء الاصطناعي دون مراقبتها في الميدان. إنه يعتمد على مبدأ "اذهب وانظر" البسيط.
- الاعتماد على أرقام مختلقة: أحيانًا ينتج الذكاء الاصطناعي أرقامًا غير موجودة، مثل "مدة الدورة حوالي 45 ثانية". يجب أن يكون كل رقم مدعومًا بالقياس.
- إلقاء اللوم على الإنسان في السبب الجذري: قبول التفسير الأول الذي يتبادر إلى الذهن هو "الإهمال"؛ عدم التحقيق في الأسباب النظامية.
- تأمين حل واحد: التفكير في أن الاقتراح الأول للذكاء الاصطناعي هو الخيار الوحيد. قم بإنشاء ما لا يقل عن 2-3 بدائل وقارنها وفقًا للقيود.
- نسيان مرحلة المراقبة: إجراء التحسين وتركه دون إنشاء أعمال قياسية ومراقبة مؤشرات الأداء الرئيسية؛ وتعود العملية إلى حالتها السابقة.
باختصار
- الذكاء الاصطناعي لا ينتج بيانات في الهندسة الصناعية؛ فهو ينظم البيانات التي تحضرها ويفسرها ويحولها إلى فرضية تحسين.
- اجعل المخرجات قابلة للقياس عند تصنيف النفايات السبعة: اطلب بيان الأدلة + مقياس للقياس.
- استخدم الذكاء الاصطناعي كمولد مسودة في كل مرحلة من مراحل DMAIC، ولكن تحقق دائمًا من الأسباب الجذرية باستخدام البيانات.
- في تقنيات مثل SMED، يعمل الذكاء الاصطناعي على تسريع الخطة؛ ما يقلل الوقت حقًا هو الاختبار الميداني والتوحيد القياسي.
- إن تخطي جيمبا والاعتماد على الأرقام المختلقة ونسيان مرحلة التحقق من الأخطاء الأكثر تكلفة.
مهمة التطبيق
اختر عملية من مكان عملك (أو عملية إنتاج/خدمة واقعية تعرفها). أولاً، راقب الحقل لمدة 5-10 دقائق ولاحظ الخطوات الفعلية والأوقات المقدرة. ثم اطلب من الذكاء الاصطناعي تحليل العملية باستخدام موجه الطاقة "7 تصنيف النفايات" في هذه الوحدة. لكل اكتشاف للهدر في المخرجات: (أ) قارن بملاحظتك ما إذا كانت الأدلة دقيقة بالفعل، (ب) حدد مقياسًا واحدًا على الأقل ينبغي قياسه، (ج) حدد اقتراحًا سريعًا للتحسين وقم بتقييمه باستخدام منطق "وظيفة داخلية/خارجية" أو "ECRS". أخيرًا، ابحث عن مثال حيث تبين أن القرار الذي أصدره الذكاء الاصطناعي كان خاطئًا (أو لا يمكن التحقق منه) في الميدان واكتب في جملة واحدة سبب خطأه.