Печалби:
- Способност да се определи къде да се използва AI в щадящо производство и цикли за подобряване на процесите
- Възможност за ускоряване на карта на потока от стойности, анализ на отпадъци и DMAIC стъпки със структурирани подкани
- Способност за прилагане на дисциплината за валидиране на препоръките на AI с полеви данни и наблюдение на гемба
Индустриалното инженерство по същество е дисциплина, която „правя по-добре“: произвежда повече стойност със същите ресурси, прави отпадъците видими, намалява променливостта. Изкуственият интелект навлиза в тази дисциплина не като нов калкулатор или магическо решение, а като мощен партньор за мислене и чертане. Когато се използва правилно, той намалява картографирането на потока от стойности, класификацията на отпадъците, проучванията на основните причини и докладите за подобрение от часове на минути. Когато се използва неправилно, той произвежда предложения, които никога не са виждали полето, които са „перфектни на хартия“, но не могат да бъдат приложени в действителност. В този модул ще научите къде да поставите AI в цикъла на икономично производство и как да валидирате неговия резултат.
Къде стои AI в подобряването на процесите?
Нека разделим един проект за подобрение на три слоя: събиране на данни, анализ/решение, докладване/комуникация. AI помага с различно тегло в тези слоеве.
слой
Ролята на AI
мъжка роля
събиране на данни
Проектира анкетата/формуляра и организира данните
Измерва и наблюдава на терен (gemba)
анализ/решение
Генерира хипотези, предлага методи, изготвя изчисления
Проверява с данни, взема решение
Докладване
A3, презентация, автор на резюме на текст
Контролира точността и тона
Нещото, което трябва да се отбележи, е, че AI не може да генерира сам данните. Само измерването на място дава действителното време на цикъла на машината, минутите, в които операторът чака, колко време отнема смяната на матрицата. AI организира, интерпретира и превръща тези необработени данни, които въвеждате, в хипотеза за подобрение.
Съвет: Винаги питам AI „какви данни са ми необходими?“ Също така попитайте: Създаването на правилния план за измерване преди започване на подобряване е много по-евтино от извършването на анализ с неправилни данни по-късно.
Седем отпадъци (Muda) и класификация от AI
Правенето на отпадъците (муда) видими е в основата на икономичното производство. Класическите седем отпадъци: свръхпроизводство, чакане, ненужно транспортиране, свръхобработка, инвентаризация, ненужно движение и грешки. Често „неизползваният човешки потенциал“ се добавя като осмо. AI е много бърз в разделянето на разказа на процеса в тези категории.
Роля: Вие сте индустриален инженер с опит в икономичното производство. Задача: Разделете следния разказ за процеса на 7 категории отпадъци (муда). За всяко определяне: (1) вид отпадъци, (2) доказателствено изречение, (3) показател, който трябва да измеря, (4) възможно бързо подобрение. Описание на процеса: """На поточната линия операторът изминава 6 метра във всеки цикъл, за да вземе детайла. Опашка се образува пред кабината за боядисване средно за 40 минути. Приблизително на една смяна 12 части ще бъдат преработени. 3 дни полуготови продукти се натрупват в междинния склад.
Силата на тази подкана е, че прави резултата измерим. Не е достатъчно да се каже „има ненужно движение“; Трябва да е възможно да се каже "операторът изминава 6 метра на цикъл, общо Y метра в X цикъла на ден." Изкуственият интелект посочва доказателствената декларация и показателя за измерване, измервате го в полето и включвате числото.
Слаба подкана / Силна подкана
Слаба подкана:
Назовете отпадъците в тази производствена линия.
Това създава списък без категории, без доказателства и без мярка; Най-вероятно често срещаните фрази "може да има излишни наличности, може да има период на изчакване" се повтарят.
Мощна подкана:
Разделете тези данни за процеса на 7 категории отпадъци, предоставете изявлението за доказателства за всяка, показателя, който трябва да измеря, и очакваното въздействие. Класифицирайте въздействието като „слабо/средно/високо“ и напишете обосновката. Данни: {{ ... }}
Разликата е, че резултатът може директно да се превърне в план за действие. Втората подкана дава приоритетна, измерима таблица.
Ускоряване на DMAIC цикъла с AI
DMAIC рамката на Six Sigma (Define-Measure-Analyze-Improve-Control) е общ език в проектите за подобряване. AI помага по различен начин на всеки етап:
- Дефиниране: Проект на дефиниция на проблема, обхват на проекта (SIPOC) и декларация за целта.
- Измерване: План за измерване, формуляр за събиране на данни, логика на размера на извадката.
- Анализирайте: списък с хипотези, рибени кости (Ishikawa), възможни първопричини.
- Подобряване: Алтернативи на решения, ECRS (елиминиране-комбиниране-пренареждане-опростяване) предложения.
- Контрол: Проект на контролен план, стандартна работна инструкция и мониторинг на KPI.
Създайте скелет на Ишикава (рибена кост) за следния проблем. Проблем: "Грапавостта на повърхността на машината с ЦПУ е над целта." Категории: Машина, Метод, Материал, Човек, Измерване, Околна среда (6M). Напишете 3-4 възможни причини под всяка категория и посочете какви данни трябва да събера, за да тествам всяка причина.
Златното правило тук остава постоянно: всяка първопричина, предложена от AI, е хипотеза, а не доказателство. Причината за грапавостта на повърхността може или не може да бъде "износване на режещия инструмент"; Само данните за живота на инструмента и експериментът потвърждават това.
Внимание: AI понякога изгражда вериги от причини, които изглеждат много правдоподобни, но на практика са грешни. Например, лесно е да се каже „грешка на оператора“ и често е несправедливо. Елиминирайте системните причини (методи, оборудване, измервания) с данни, преди да обвинявате първопричината върху хората.
Мини калъф: Съкращаване на времето за смяна на матрицата (SMED)
Смяната на матрицата в цеха за шприцване на пластмаса отнема средно 55 минути и това създава големи загуби при малки партиди. Индустриалният инженер Дениз записва на видеозапис процеса на смяна и изчислява времената стъпка по стъпка (тези данни идват от полето). След това дава на AI списък със стъпки и тяхното време:
Класифицирайте тези стъпки за смяна на матрицата като „вътрешни“ (могат да се извършват, докато машината е спряна) и „външни“ (могат да се извършват, докато машината работи) според метода SMED. Маркирайте вътрешните стъпала, които могат да бъдат преместени към външните и напишете предварително предложение за подготовка за всяко. Стъпки и времетраене: {{ списък }}
AI маркира стъпки като „довеждане на новата форма до машината“ и „подготвяне на болтовете“ като преносими към външната работа, което предполага импровизирана количка. Дениз тества това предложение на място; той стандартизира това, което е наистина приложимо. В резултат на това времето за смяна намалява от 55 минути на 32 минути. Критичният момент: AI ускори плана, но тестовете на място и стандартизацията наистина намалиха времето.
Често срещани грешки
- Заобикаляне на Gemba: Внедряване на AI изход, без да се наблюдава на полето. Основава се на простия принцип „иди и виж“.
- Разчитане на измислени числа: AI понякога произвежда несъществуващи числа, като например „времето на цикъла е около 45 секунди“. Всяко число трябва да бъде подкрепено с измерване.
- Прехвърляне на вината върху първопричината върху хората: Приемането на първото обяснение, което идва на ум, е „небрежност“; Не се изследват системни причини.
- Заключване в едно решение: Мисля, че първото предложение на AI е единствената опция. Генерирайте поне 2-3 алтернативи и ги сравнете според ограниченията.
- Забравяне на контролната фаза: Извършване на подобрението и оставянето му без установяване на стандартни бизнес и мониторинг на KPI; Процесът се връща в предишното си състояние.
В обобщение
- AI не произвежда данни в индустриалното инженерство; Той организира данните, които предоставяте, интерпретира ги и ги превръща в хипотеза за подобрение.
- Направете резултата измерим, когато класифицирате седемте отпадъци: поискайте изявление за доказателство + показател за измерване.
- Използвайте AI като генератор на чернови на всеки етап от DMAIC, но винаги проверявайте първопричините с данни.
- При техники като SMED, AI ускорява плана; Това, което наистина намалява времето, е тестването на място и стандартизацията.
- Пропускането на Gemba, разчитането на измислени фигури и забравянето на фазата на проверка са най-скъпите грешки.
Задача за приложение
Изберете процес от собственото си работно място (или реалистичен процес на производство/услуга, който познавате). Първо, наблюдавайте полето за 5-10 минути и отбележете действителните стъпки и очакваното време. След това накарайте AI да анализира процеса, като използва подканата за захранване „7 класификация на отпадъците“ в това устройство. За всяко откриване на отпадъци в изхода: (a) сравнете с вашето наблюдение дали доказателствата са действително точни, (b) идентифицирайте поне един показател, който трябва да бъде измерен, (c) изберете едно предложение за бързо подобрение и го оценете с „вътрешна/външна работа“ или „ECRS“ логика. И накрая, намерете пример, при който определение, произведено от AI, се е оказало грешно (или не може да бъде проверено) в полето и напишете в едно изречение защо е грешно.