Κέρδη:
- Δυνατότητα ακριβούς καθορισμού και υπολογισμού των KPI παραγωγής όπως OEE, χρόνος κύκλου και WIP
- Δυνατότητα διαμόρφωσης σχεδίασης ταμπλό, διακριτής προσομοίωσης συμβάντων και ανάλυσης σεναρίων με AI
- Δυνατότητα επαλήθευσης εξόδων προσομοίωσης και ταμπλό με υποθέσεις εισόδου και πραγματικά δεδομένα
Οι βιομηχανικοί μηχανικοί παίρνουν αποφάσεις με βάση τη μέτρηση και όχι τη διαίσθηση. Οι σωστά καθορισμένοι KPI (Key Performance Indicators) διατηρούν τον παλμό ενός συστήματος παραγωγής. Η προσομοίωση, από την άλλη πλευρά, ρωτά "τι θα γινόταν αν;" χωρίς να σταματήσει το πραγματικό σύστημα. απαντά στην ερώτηση με σιγουριά. Η τεχνητή νοημοσύνη είναι επιταχυντής και στα δύο: σχεδιάζει τον ορισμό KPI και τον σχεδιασμό του ταμπλό, δημιουργεί τον σκελετό του μοντέλου προσομοίωσης, ερμηνεύει συγκρίσεις σεναρίων. Ωστόσο, τόσο οι KPI όσο και η προσομοίωση είναι ευαίσθητα στις παγίδες του «λάθους ορισμού» και της «λανθασμένης υπόθεσης». Σε αυτήν την ενότητα, θα καλύψουμε τους KPI παραγωγής, τον σχεδιασμό του ταμπλό και την προσομοίωση διακριτών συμβάντων με την πειθαρχία της επαλήθευσης.
Σωστός ορισμός του σωστού KPI
Ένας λανθασμένος υπολογισμός KPI είναι πιο επικίνδυνος από τον καθόλου KPI επειδή δίνει λανθασμένη εμπιστοσύνη. Οι πιο συνηθισμένοι KPI παραγωγής:
KPI
Περιγραφή
Προσοχή
ΟΕΕ
Ευχρηστία × Απόδοση × Ποιότητα
Τα τρία στοιχεία πρέπει να υπολογίζονται χωριστά
Χρόνος κύκλου
Χρόνος ανάμεσα στα κομμάτια
ανακατεύοντας με τακτ
Χρόνος παράδοσης (χρόνος παράδοσης)
Παραγγελία → παράδοση
διαφορετικό από τον κύκλο
WIP
ημικατεργασμένο προϊόν σε διαδικασία
δεσμεύεται από το νόμο του Little
Αναλογία απορριμμάτων/σκραπ
Λάθος / σύνολο
Κάντε κράτηση για εκ νέου εργασία
Έγκαιρη παράδοση (OTD)
Έγκαιρη / συνολική παραγγελία
Ορισμός μερικής παράδοσης
Παράδειγμα OEE: Εάν η διαθεσιμότητα είναι 90%, η απόδοση είναι 95%, η ποιότητα είναι 98%:
OEE = 0,90 × 0,95 × 0,98 = 0,8379 ≈ 83,8%
Ένα συνηθισμένο λάθος είναι να προσθέτουμε αυτούς τους τρεις αριθμούς και να τους υπολογίζουμε κατά μέσο όρο. Το OEE είναι πολλαπλασιασμός, οπότε κάθε συστατικό συνδυάζει το αποτέλεσμα.
Ο νόμος του Little καθιερώνει τη σχέση WIP-διακίνησης-χρόνου ροής και είναι πολύ ισχυρός:
WIP = Throughput × Flow Time Παράδειγμα: υπάρχουν κατά μέσο όρο 30 τεμάχια (WIP) στη γραμμή, εάν η έξοδος είναι 6 τεμάχια/ώρα Χρόνος ροής = WIP / Έξοδος = 30 / 6 = 5 ώρες
Συμβουλή: Όταν έχετε τεχνητή νοημοσύνη να υπολογίσετε έναν KPI, εκτυπώστε επίσης τον ορισμό του. «Τι είναι ο ΟΕΕ, με ποιο τύπο τον υπολόγισες;». παρακαλώ. Το AI μερικές φορές δίνει μόνο διαθεσιμότητα αντί για OEE ή παρακάμπτει το στοιχείο ποιότητας. Μην εμπιστεύεστε τον αριθμό χωρίς να δείτε τον ορισμό.
Σχεδιασμός πίνακα εργαλείων KPI
Ένα καλό ταμπλό δεν δείχνει πολλούς αριθμούς. Απαντάει στις σωστές ερωτήσεις. Η τεχνητή νοημοσύνη είναι χρήσιμη για να περιγράψει ποιοι KPI έχουν νόημα για ποιο κοινό και πώς να τους ομαδοποιήσετε.
Ρόλος: Είστε βιομηχανικός μηχανικός με εμπειρία στην ανάλυση παραγωγής. Εργασία: Σχεδιάστε έναν πίνακα ελέγχου διαχειριστή για ένα κατάστημα CNC. Προσδιορίστε: 1. Έως 6 KPI (ορισμός και τύπος για το καθένα).2. Πρόταση τιμής στόχου και κατώφλια "καλής/προσοχής/κακής" για κάθε KPI.3. Ποιος KPI θα εμφανίζεται σε ποιο γράφημα (τάση, δείκτης, γράφημα).4. 3 ερωτήσεις της διοίκησης απαντά το ταμπλό. Κανόνας: Αποφύγετε τον πληθωρισμό KPI. Εξηγήστε ότι κάθε δείκτης εξυπηρετεί μια απόφαση. Μην δίνετε μια κατασκευασμένη τιμή στόχο, πείτε "θα πρέπει να προσαρμοστεί ανάλογα με τον τομέα".
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Φτιάξε μου έναν πίνακα παραγωγής.
Εάν δεν υπάρχει κοινό-στόχος, πηγή δεδομένων και σκοπός, η τεχνητή νοημοσύνη θα απορρίψει μια γενική λίστα. Δεν λαμβάνεται καμία απόφαση.
Ισχυρή προτροπή:
Σχεδιάστε έναν πίνακα για τον προϊστάμενο βάρδιας, ο οποίος θα διαβάζεται σε 5 λεπτά κάθε πρωί. Σκοπός: πού ήταν η απώλεια στη χθεσινή βάρδια, τι πρέπει να δοθεί προσοχή σήμερα. Έως 5 KPI, το καθένα με ορισμό + τύπο + όριο. Καταγραφές ωριαίας παραγωγής, χρόνου διακοπής λειτουργίας και σπατάλης από την πηγή δεδομένων μου, MES. Αποφύγετε την υπερβολική λεπτομέρεια.
Η δεύτερη προτροπή διευκρινίζει τον χρήστη, τη στιγμή χρήσης και την πηγή δεδομένων. Το αποτέλεσμα είναι ένας πίνακας που χρησιμοποιείται πραγματικά.
Προσομοίωση Διακριτού Συμβάντος (DES)
Η προσομοίωση είναι ένας τρόπος πειραματισμού χωρίς να διακόπτεται το πραγματικό σύστημα: τι συμβαίνει στην ουρά όταν προσθέτετε ένα νέο μηχάνημα, πώς επηρεάζεται η έξοδος όταν αλλάζει μια αλλαγή; Η προσομοίωση διακριτών συμβάντων (DES) μοντελοποιεί το σύστημα ως μια ακολουθία «γεγονότων» (άφιξη μέρους, ολοκλήρωση διαδικασίας). Βασικές εισροές: κατανομή χρόνου κατά την άφιξη, κατανομή χρόνου υπηρεσίας, αριθμός πόρων, πειθαρχία ουράς.
Ρόλος: Είστε βιομηχανικός μηχανικός με εμπειρία στην προσομοίωση. Εργασία: Γράψτε ένα πλαίσιο για να μοντελοποιήσετε το ακόλουθο σύστημα με το Python SimPy: - Τα εξαρτήματα φτάνουν κατά μέσο όρο κάθε 4 λεπτά (εκθετική κατανομή) - Μεμονωμένη μηχανή, μέσος χρόνος επεξεργασίας 3,5 λεπτά (εκθετική) - Ουρά FIFOW τι πρέπει να μετρήσω ως έξοδο. γράψτε τις υποθέσεις κατανομής στην αρχή. Επίσης: τι αναλυτικό έλεγχο μπορώ να κάνω για να επαληθεύσω το αποτέλεσμα (π.χ. σύγκριση με τύπους ουράς M/M/1);
Η τελευταία γραμμή εδώ είναι κρίσιμη: μια καλή προσομοίωση συγκρίνεται με έναν αναλυτικό έλεγχο, αν είναι δυνατόν. Το απλό σύστημα παραπάνω είναι μια ουρά M/M/1. Το αποτέλεσμα της προσομοίωσης θα πρέπει να ισχύει με θεωρητικές τιμές όπως ο ρυθμός χρήσης ρ = 3,5/4 = 0,875 και ο μέσος αριθμός στο σύστημα L = ρ/(1−ρ) = 0,875/0,125 = 7.
Προσοχή: Η έξοδος της προσομοίωσης είναι τόσο καλή όσο και οι παραδοχές εισόδου ("arbage in, garbage out"). Η τεχνητή νοημοσύνη μερικές φορές αναλαμβάνει τη διανομή χωρίς να την επαληθεύει ή παρουσιάζει το αποτέλεσμα μιας μόνο εκτέλεσης ως τη σκληρή αλήθεια. Εκτελέστε πολλαπλές εκτελέσεις (επαναλήψεις), υπολογίστε διαστήματα εμπιστοσύνης και επαληθεύστε τις κατανομές εισόδου με πραγματικά δεδομένα.
Mini Case: Προσομοίωση με ψευδείς υποθέσεις
Σε μια γραμμή συναρμολόγησης, η διοίκηση πιστεύει ότι η προσθήκη ενός δεύτερου σταθμού συσκευασίας θα σκοτώσει την ουρά. Ο βιομηχανικός μηχανικός Deniz κατασκευάζει ένα μοντέλο DES με AI. Το πρώτο αποτέλεσμα λέει «ο δεύτερος σταθμός μειώνει την ουρά κατά 70%». Όταν όμως ο Ντενίζ ελέγχει την κατανομή εισόδου, βλέπει ότι τα πραγματικά δεδομένα άφιξης δεν είναι εκθετικά, αλλά έχουν μια «εκρηκτική» δομή που συγκεντρώνεται κατά τη διάρκεια του μεσημεριανού διαλείμματος. Όταν ξανατρέξουμε το μοντέλο με τη σωστή κατανομή, αποδεικνύεται ότι ο δεύτερος σταθμός δεν λύνει το πραγματικό σημείο συμφόρησης και το πρόβλημα βρίσκεται στον προγραμματισμό διακοπής. Η προσομοίωση εξοικονομεί άσκοπη σύσταση επένδυσης. Μάθημα: Η τεχνητή νοημοσύνη κατασκεύασε το μοντέλο γρήγορα, αλλά πρότεινε τη λάθος απόφαση με τη λάθος υπόθεση. Ήταν το άτομο που έβαλε τα σωστά στοιχεία.
Κοινά λάθη
- Εσφαλμένος ορισμός του KPI: Προσθήκη στοιχείων OEE ή σύγχυση του κύκλου και του χρόνου παράδοσης.
- Πληθωρισμός KPI: Τοποθέτηση δεκάδων δεικτών στο ταμπλό που δεν εξυπηρετούν την απόφαση.
- Βασιζόμενος σε μία εκτέλεση: Εκτέλεση της προσομοίωσης μία φορά και υποθέτοντας ότι το αποτέλεσμα είναι σίγουρο. όχι αντιγραφή.
- Μη επικύρωση της κατανομής εισόδου: Μη σύγκριση της προεπιλεγμένης (εκθετικής, κ.λπ.) κατανομής με τα πραγματικά δεδομένα.
- Παράκαμψη αναλυτικού ελέγχου: Μη διασταύρωση της προσομοίωσης με τον θεωρητικό τύπο ουράς σε απλά συστήματα.
Συνοπτικά
- Η δύναμη του KPI προέρχεται από τον σωστό ορισμό. Το OEE είναι το προϊόν, ο νόμος του Little συνδέει την έξοδο ροής WIP.
- Ένα καλό ταμπλό απαντά στις σωστές ερωτήσεις, όχι σε πολλούς αριθμούς. Ο χρήστης, το παράδειγμα και η πηγή δεδομένων πρέπει να είναι ξεκάθαρα.
- Το DES δοκιμάζει σενάρια χωρίς να σπάει το πραγματικό σύστημα. Η κατανομή εισόδου καθορίζει την ποιότητα του αποτελέσματος.
- Επικυρώστε την προσομοίωση με αντιγραφή (διάστημα εμπιστοσύνης) και, εάν είναι δυνατόν, με αναλυτικό τύπο.
- Το AI δημιουργεί γρήγορα μοντέλο και πλακέτα. Είναι το άτομο που βάζει σωστά τις υποθέσεις και ερμηνεύει το αποτέλεσμα.
Εργασία εφαρμογής
Επιλέξτε ένα σύστημα παραγωγής/υπηρεσίας. Πρώτα έχετε την τεχνητή νοημοσύνη να σχεδιάσετε έναν πίνακα εργαλείων αλλαγής με 5 KPI ή λιγότερους. Δείξτε τον ορισμό και τον τύπο κάθε KPI και επαληθεύστε ότι τα τρία στοιχεία πολλαπλασιάζονται εάν υπάρχει OEE. Στη συνέχεια, βάλτε το AI να εκτυπώσει έναν σκελετό SimPy για ένα απλό σύστημα ουράς (μονός διακομιστής) και να εκτυπώσετε τις υποθέσεις διανομής εισόδου στο επάνω μέρος. Κρίσιμη επαλήθευση: θεωρήστε το σύστημα ως ουρά M/M/1 και υπολογίστε χειροκίνητα τον ρυθμό χρήσης ρ και τον μέσο αριθμό L στο σύστημα, συγκρίνετε με το αποτέλεσμα της προσομοίωσης. Τέλος, προτείνετε μια αλλαγή σεναρίου (προσθήκη δεύτερου διακομιστή) και επικρίνετε το αποτέλεσμα του AI αμφισβητώντας τον ρεαλισμό της διανομής εισόδου.