Κέρδη:
- Ικανότητα επεξήγησης των εννοιών MPS, MRP και προγραμματισμού εργαστηρίων σε βασικό επίπεδο
- Δυνατότητα σύγκρισης κανόνων και σεναρίων προγραμματισμού (SPT, EDD, κρίσιμος λόγος) με AI
- Δυνατότητα ελέγχου και διόρθωσης παραβιάσεων χωρητικότητας και περιορισμών στην έξοδο AI
Ο σχεδιασμός παραγωγής είναι η βασική διαδικασία που οργανώνει «τι, πότε, με ποιους πόρους» θα παράγετε. Ένα καλό σχέδιο τηρεί τις προθεσμίες, δεν αφήνει τα μηχανήματα σε αδράνεια και δεν διογκώνει το απόθεμα. Ένα κακό σχέδιο οδηγεί σε χάος, υπερωρίες και καθυστερημένες παραδόσεις. Η τεχνητή νοημοσύνη είναι ισχυρή σε αυτόν τον τομέα όσον αφορά τη σύγκριση κανόνων προγραμματισμού, τη δημιουργία σεναρίων και την καταχώριση περιορισμών. Ωστόσο, μπορεί επίσης να αγνοήσει τους περιορισμούς χωρητικότητας και προτεραιότητας και να παράγει σχέδια που είναι "ωραία στα χαρτιά αλλά μη εφαρμόσιμα". Σε αυτήν την ενότητα, θα καλύψουμε έννοιες MPS/MRP, κανόνες προγραμματισμού και πώς να επικυρώσετε την έξοδο AI.
Ιεραρχία Σχεδιασμού: MPS και MRP
Ο προγραμματισμός παραγωγής είναι μια ιεραρχία από το γενικό στο ειδικό.
Επίπεδο
Τι κάνει
χρονικό ορίζοντα
S&OP / Μαζικό σχέδιο
Καθορίζει χονδρικά το ισοζύγιο ζήτησης-ικανότητας
μήνες
MPS (Κύριο Πρόγραμμα Παραγωγής)
Χωρίζει το τελικό προϊόν σε περιόδους
εβδομάδες
MRP (Σχεδιασμός Απαιτήσεων Υλικών)
Καταργεί τις απαιτήσεις εξαρτημάτων από το BOM
εβδομάδες/ημέρες
Προγραμματισμός εργαστηρίων
Τοποθετεί εργασίες σε μηχανές/ρολόγια
Ημέρες/ώρες
Η λογική του MRP είναι ουσιαστικά απλή: Λαμβάνεται η ζήτηση τελικού προϊόντος (MPS), εκτινάσσεται με τον λογαριασμό των υλικών (BOM), αφαιρούνται οι διαθέσιμες παραγγελίες και οι ανοιχτές παραγγελίες και η καθαρή απαίτηση μετατοπίζεται προς τα πίσω κατά το χρόνο παράδοσης (συμψηφισμός). Το AI είναι καλό στο να εξηγεί αυτή τη λογική και να δημιουργεί πίνακες παραδειγμάτων.
Ρόλος: Είστε βιομηχανικός μηχανικός που ειδικεύεται στον προγραμματισμό παραγωγής. Εργασία: Ρυθμίστε έναν απλό πίνακα MRP για το παρακάτω προϊόν. Εμφάνιση σειρών για μεικτή απαίτηση, προγραμματισμένη παράδοση, διαθέσιμο απόθεμα, καθαρή απαίτηση και προγραμματισμένη έκδοση παραγγελιών εβδομαδιαία. Προϊόν: A (μικτή απαίτηση εβδομαδιαία: {{ values }}) Αρχικό απόθεμα: {{ x }}, δυνητικός πελάτης/χρόνος παραγωγής: {{ y εβδομάδες }}, Μέγεθος παρτίδας: {{ lot συνοπτικά }}Εξηγείται σωστά κάθε κανόνας. Παραγωγή κατασκευασμένης αξίας.
Συμβουλή: Το πιο συνηθισμένο σφάλμα στην έξοδο MRP είναι η λανθασμένη μετατόπιση χρόνου παράδοσης. Ελέγξτε γραμμή προς γραμμή ότι η προγραμματισμένη γραμμή έκδοσης παραγγελιών του AI είναι πριν από τον ακριβή χρόνο παράδοσης της καθαρής απαίτησης.
Κανόνες προγραμματισμού (Κανόνες αποστολής)
Η σειρά με την οποία χειρίζεστε τις εργασίες αναμονής σε ένα μηχάνημα επηρεάζει άμεσα τον μέσο λανθάνοντα χρόνο και τον μέσο χρόνο ροής. Οι πιο συνηθισμένοι κανόνες προτεραιότητας:
- FCFS (First come, first served): Δίκαιο αλλά όχι προσανατολισμένο στην απόδοση.
- SPT (Συντομότερος χρόνος επεξεργασίας): Μειώνει τον μέσο χρόνο ροής και τη μέση καθυστέρηση. Αναβάλλει μεγάλες εργασίες.
- EDD (Προωριμότερη ημερομηνία παράδοσης): Είναι καλό στη μείωση της μέγιστης καθυστέρησης.
- Κρίσιμος ρυθμός (CR): (Υπόλοιπος χρόνος / χρόνος εργασίας που απομένει). εξισορροπεί δυναμικά την πίεση παροχής.
Ένα μικρό παράδειγμα. Τέσσερις εργασίες, ένα μηχάνημα, χρόνοι επεξεργασίας και ημερομηνίες παράδοσης:
Επιχειρήσεις | Χρόνος επεξεργασίας | Παράδοση Α | 4 | 6Β | 2 | 4C | 6 | 8D | 1 | 3Σειρά SPT (κατά χρόνο): D(1), B(2), A(4), C(6)Χρόνοι ολοκλήρωσης: D=1, B=3, A=7, C=13Άθροισμα χρόνων ροής = 1 + 3 + 7 + 13 = 24 → μέσος όρος = 6,0 παραγγελία EDD (κατά παράδοση): D(3), B(4), D(4:3, 1 = 6), A=7, C=13 Καθυστερήσεις: D:0, B:0, A:1, C:5 → μέγιστη καθυστέρηση = 5
Διαφορετικοί κανόνες βελτιώνουν διαφορετικούς σκοπούς: μέση ροή SPT, μέγιστη τιμή καθυστέρησης EDD. "Ποιο είναι σωστό;" Η απάντηση στην ερώτηση εξαρτάται από τον σκοπό και μόνο και μόνο επειδή το AI λέει "αυτό είναι το καλύτερο" δεν παίρνει αυτή την απόφαση.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Ταξινομήστε αυτές τις εργασίες με τον καλύτερο δυνατό τρόπο.
Το "Best" είναι απροσδιόριστο. Το AI δίνει μια τυχαία παραγγελία χωρίς να γνωρίζει για ποιο σκοπό βελτιστοποιεί.
Ισχυρή προτροπή:
Ταξινομήστε αυτές τις εργασίες χρησιμοποιώντας κανόνες SPT και EDD. Υπολογίστε τους χρόνους ολοκλήρωσης, τον μέσο χρόνο ροής και τη μέγιστη καθυστέρηση για κάθε σειρά και κάντε έναν πίνακα σύγκρισης. Στόχος μου είναι να «ελαχιστοποιήσω τις προθεσμίες που λείπουν». Πείτε μου ποιος κανόνας είναι πιο κατάλληλος για αυτό το σκοπό, με λόγους. Εργασίες: {{ λίστα }}. Εμφάνιση βημάτων λογαριασμού.
Η δεύτερη προτροπή διευκρινίζει την πρόθεση, συγκρίνει πολλούς κανόνες και κάνει ορατό τον λογαριασμό. Χωρίς αυτά τα τρία, η απόφαση του χάρτη είναι αναξιόπιστη.
Έλεγχος χωρητικότητας και περιορισμών
Εάν ένα σχέδιο υπερβαίνει τη χωρητικότητα, δεν είναι έγκυρο. Βεβαιωθείτε ότι έχετε ελέγξει το χρονοδιάγραμμα που δημιουργείται από την τεχνητή νοημοσύνη έναντι των ακόλουθων περιορισμών: χωρητικότητα μηχανήματος (ώρες), όρια βάρδιων, χρόνοι ρύθμισης, σχέσεις προτεραιότητας (μια εργασία πρέπει να τελειώνει πριν από την άλλη) και διαθεσιμότητα υλικού.
Ελέγξτε τον ακόλουθο διάγραμμα για παραβιάσεις περιορισμών:- Το συνολικό φορτίο για την εβδομάδα υπερβαίνει τη χωρητικότητα (40 ώρες/εβδομάδα) σε κάθε μηχάνημα;- Περιλαμβάνονται οι χρόνοι ρύθμισης;- Διατηρείται ο περιορισμός προτεραιότητας (η εργασία Β πρέπει να ολοκληρωθεί πριν από το A); Διάγραμμα: {{ ... }}. Εάν εντοπίσετε παραβάσεις, καταχωρίστε τις σε μορφή πίνακα και προτείνετε διορθώσεις.
Προσοχή: Η τεχνητή νοημοσύνη συχνά «ξεχνά» τον περιορισμό χωρητικότητας και φορτώνει ένα μηχάνημα με 45 ώρες εργασίας. Πριν λάβετε μια απόφαση παραγωγής, συλλέξτε το εβδομαδιαίο συνολικό φορτίο κάθε μηχανής χειροκίνητα ή με έναν πίνακα και συγκρίνετε το με τη χωρητικότητα.
Mini Case: The Bottleneck Machine and the Wrong Rule
Σε ένα μεταλλουργείο οι παραδόσεις καθυστερούν συνεχώς. Ο βιομηχανικός μηχανικός Cansu βλέπει ότι οι εργασίες ταξινομούνται με FCFS. Δίνει στο AI το τρέχον ανεκτέλεστο, τους χρόνους επεξεργασίας και τις προθεσμίες και του ζητά να συγκρίνει το SPT, το EDD και την κρίσιμη αναλογία. Η τεχνητή νοημοσύνη υπολογίζει μετρήσεις και για τους τρεις κανόνες: Το SPT είναι το καλύτερο στη μέση ροή, αλλά μερικές μεγάλες δουλειές αργούν πολύ. Το EDD μειώνει σημαντικά τη μέγιστη καθυστέρηση. Η Cansu αλλάζει σε EDD στον πάγκο του bottleneck. Αλλά το πρώτο χρονοδιάγραμμα που πρότεινε η AI παραβίασε τη σχέση προτεραιότητας των δύο εργασιών (η συναρμολόγηση απαιτεί πρώτα σώμα). Η Cansu το πιάνει αυτό στο στάδιο ελέγχου και το διορθώνει. Αποτέλεσμα: οι καθυστερήσεις μειώνονται. Το AI έκανε τη σύγκριση των κανόνων. Ήταν ο ανθρώπινος έλεγχος που εντόπισε την παραβίαση του περιορισμού.
Κοινά λάθη
- Καταγραφή χωρίς καθορισμό του στόχου: Λέγοντας "καλύτερα". ενώ η SPT και η EDD βελτιώνουν διαφορετικούς σκοπούς.
- Μη έλεγχος της χωρητικότητας: Θεωρούμε ότι το σχέδιο πλεονάζουσας χωρητικότητας της τεχνητής νοημοσύνης είναι εφικτό.
- Παράβλεψη χρόνων εγκατάστασης: Παραμέληση των χρόνων εγκατάστασης και σύνταξη ενός σχεδίου που στην πραγματικότητα δεν λειτουργεί.
- Παράκαμψη περιορισμών προτεραιότητας: Έκδοση υποχρεωτικών προτεραιοτήτων, όπως εντολή συναρμολόγησης, χωρίς έλεγχο.
- Στερέωση σε έναν κανόνα: Χρήση του ίδιου κανόνα σε κάθε περίπτωση. Όταν αλλάζει το σημείο συμφόρησης και η πίεση παράδοσης, ο κανόνας θα πρέπει επίσης να αλλάξει.
Συνοπτικά
- Ο προγραμματισμός παραγωγής είναι μια ιεραρχία από το γενικό στο ειδικό: S&OP → MPS → MRP → προγραμματισμός καταστημάτων.
- Το πιο κρίσιμο λάθος στο MRP είναι η μετατόπιση χρόνου παράδοσης. Ελέγξτε την έξοδο AI γραμμή προς γραμμή.
- Οι κανόνες προγραμματισμού (SPT, EDD, CR) βελτιώνουν διαφορετικούς σκοπούς. Η επιλογή των κανόνων εξαρτάται από τον σκοπό.
- Ελέγξτε κάθε χρονοδιάγραμμα που παράγει το AI σε σχέση με περιορισμούς χωρητικότητας, ρύθμισης και προτεραιότητας.
- Η τεχνητή νοημοσύνη δημιουργεί σύγκριση και σενάριο. Είναι ο άνθρωπος που εντοπίζει την παραβίαση του περιορισμού και παίρνει την απόφαση.
Εργασία εφαρμογής
Κατασκευάστε ένα πρόβλημα προγραμματισμού εργαστηρίου για τουλάχιστον 5 εργασίες (με χρόνους και προθεσμίες επεξεργασίας). Ζητήστε από το AI να ταξινομήσει αυτές τις εργασίες τόσο με τον κανόνα SPT όσο και με τον κανόνα EDD. Υπολογίστε τον μέσο χρόνο ροής και τη μέγιστη καθυστέρηση για κάθε ουρά. Κρίσιμη επικύρωση: υπολογίστε με μη αυτόματο τρόπο τους χρόνους ολοκλήρωσης και τις μετρήσεις για τουλάχιστον έναν κανόνα και συγκρίνετε με την τεχνητή νοημοσύνη. Στη συνέχεια, προσθέστε έναν περιορισμό προτεραιότητας (π.χ. "η εργασία C πρέπει να ολοκληρωθεί πριν από την εργασία Α") και ελέγξτε εάν το πρόγραμμα του AI παραβιάζει αυτόν τον περιορισμό. Τέλος, αιτιολογήστε με μία πρόταση ποιον κανόνα θα επιλέξετε με βάση τον σκοπό σας (μέση ροή ή καθυστέρηση αιχμής).