Kasu:
- Võimalus määrata, kus kasutada tehisintellekti säästva tootmise ja protsesside täiustamise tsüklites
- Võimalus kiirendada väärtusvoo kaarti, jäätmeanalüüsi ja DMAIC-i samme struktureeritud viipade abil
- Võimalus rakendada tehisintellekti soovituste valideerimise distsipliini väliandmete ja gemba vaatlusega
Tööstustehnika on oma olemuselt "teha paremini" distsipliin: samade ressurssidega rohkem väärtust toota, jäätmete nähtavaks tegemine, varieeruvuse vähendamine. Tehisintellekt ei sisene sellesse distsipliini mitte uue kalkulaatori või maagilise lahendusena, vaid võimsa mõtlemis- ja koostamispartnerina. Õige kasutamise korral vähendab see väärtusvoo kaardistamist, jäätmete klassifitseerimist, algpõhjuste uuringuid ja parendusaruandeid tundidest minutiteks. Kui seda kasutatakse valesti, annab see ettepanekuid, mida pole kunagi varem näinud, mis on "paberil täiuslikud", kuid mida ei saa tegelikkuses rakendada. Selles üksuses saate teada, kuhu AI säästvas tootmistsüklis paigutada ja kuidas selle väljundit valideerida.
Kus on AI protsessi täiustamises?
Jagame parendusprojekti kolmeks kihiks: andmete kogumine, analüüs/otsus, aruandlus/kommunikatsioon. AI aitab nendes kihtides erineva kaaluga.
kiht
AI roll
mehe roll
andmete kogumine
Kujundab küsitluse/vormi ja korrastab andmed
Mõõtmised ja vaatlused põllul (gemba)
analüüs/otsus
Genereerib hüpoteese, soovitab meetodeid, koostab arvutusi
Kontrollib andmetega, teeb otsuse
Aruandlus
A3, esitlus, kokkuvõtliku teksti mustandi kirjutaja
Kontrollib täpsust ja tooni
Tuleb märkida, et AI ei saa andmeid ise genereerida. Ainult välimõõtmine annab masina tegeliku tsükliaja, minutid, mida operaator ootab, kui kaua matriitsi vahetus aega võtab. AI korraldab, tõlgendab ja muudab teie toodud algandmed parendushüpoteesiks.
Näpunäide: ma küsin alati AI-lt: "millisi andmeid ma vajan?" Küsi ka: Õige mõõtmisplaani koostamine enne parendamise alustamist on palju odavam kui hiljem valede andmetega analüüsi tegemine.
Seitse jäätmeid (muda) ja klassifikatsioon AI järgi
Jäätmete (muda) nähtavaks tegemine on säästliku tootmise keskmes. Klassikalised seitse raiskamist: ületootmine, ootamine, tarbetu transport, ületöötlemine, laoseisud, tarbetu liikumine ja vead. Tihti lisatakse kaheksandikuna "kasutamata inimpotentsiaal". AI jagab protsessi narratiivi nendesse kategooriatesse väga kiiresti.
Roll: olete säästva tootmise alal kogenud tööstusinsener. Ülesanne: Jaga järgmine protsessijutustus 7 jäätme (muda) kategooriasse. Iga määramise jaoks: (1) jäätmeliik, (2) tõenduslause, (3) mõõdik, mida pean mõõtma, (4) võimalik kiire paranemine. Protsessi kirjeldus: """Koonteliinil kõnnib operaator igas tsüklis 6 meetrit, et detail ära võtta. Värvikabiini ette tekib järjekord keskmiselt 40 minutiks. Ligikaudu ühes vahetuses läheb ümbertöötlemisele 12 detaili. Vahelattu koguneb 3 päeva pooltooteid.
Selle viipa võimsus seisneb selles, et see muudab väljundi mõõdetavaks. Ei piisa, kui öelda "on tarbetu liikumine"; Peaks olema võimalik öelda "operaator kõnnib 6 meetrit tsükli kohta, kokku Y meetrit X tsüklis päevas." Tehisintellekt juhib tähelepanu tõenditele ja mõõdetavale mõõdikule, mõõdate seda väljal ja sisestate numbri.
Nõrk viip / Tugev viip
Nõrk viip:
Nimetage sellel tootmisliinil olevad jäätmed.
See loob loendi ilma kategooriateta, ilma tõenditeta ja ilma meetmeteta; Tõenäoliselt korduvad levinud fraasid "võib olla üleliigne laoseis, võib olla ooteaeg".
Võimas viip:
Jagage need protsessiandmed 7 jäätmekategooriasse, esitage iga kohta tõendusmaterjal, mõõdik, mida peaksin mõõtma, ja hinnanguline mõju. Liigitage mõju kategooriasse "madal/keskmine/suur" ja kirjutage põhjendus. Andmed: {{ ... }}
Erinevus seisneb selles, et väljund võib muutuda otse tegevuskavaks. Teine viip annab prioriteetse, mõõdetava tabeli.
DMAIC tsükli kiirendamine AI abil
Six Sigma DMAIC-raamistik (Define-Measure-Analyze-Improve-Control) on parendusprojektides levinud keel. AI aitab igal etapil erinevalt:
- Määratlege: probleemi määratluse mustand, projekti ulatus (SIPOC) ja eesmärgi avaldus.
- Meede: Mõõtmisplaan, andmekogumisvorm, valimi suuruse loogika.
- Analüüsige: hüpoteeside loend, kalaluud (Ishikawa), võimalikud algpõhjused.
- Täiustage: lahendusalternatiivid, ECRS-i (Eliminate-Combine-Rearrange-Simplify) soovitused.
- Kontroll: Kontrolliplaani kavand, tüüptööjuhend ja monitooringu KPI.
Looge Ishikawa (heeringas) skelett järgmise probleemi jaoks. Probleem: "CNC-masina pinna karedus on sihtmärgist suurem." Kategooriad: masin, meetod, materjal, inimene, mõõtmine, keskkond (6M). Kirjutage iga kategooria alla 3–4 võimalikku põhjust ja märkige, milliseid andmeid peaksin iga põhjuse testimiseks koguma.
Kuldne reegel jääb siin püsivaks: iga AI pakutud algpõhjus on hüpotees, mitte tõend. Pinna kareduse põhjuseks võib, aga ei pruugi olla "lõiketööriistade kulumine"; Seda kinnitavad ainult tööriista kasutusiga andmed ja katse.
Ettevaatust: AI koostab mõnikord põhjuste ahelaid, mis tunduvad väga usutavad, kuid on kohapeal valed. Näiteks on lihtne öelda "operaatori viga" ja see on sageli ebaõiglane. Likvideerige süsteemsed põhjused (meetodid, seadmed, mõõtmised) andmetega, enne kui hakkate põhjust inimeste süüks.
Minikohver: vormivahetuse aja lühendamine (SMED)
Hallituse vahetus plastipritsetöökojas võtab keskmiselt 55 minutit ja see tekitab väikeste partiide puhul suuri kadusid. Tööstusinsener Deniz salvestab üleminekuprotsessi videolindile ja arvutab samm-sammult ajad (need andmed pärinevad kohapealt). Seejärel annab see AI-le sammude loendi ja nende ajad:
Klassifitseerige need vormivahetuse etapid SMED-meetodi järgi "sisemiseks" (saab teha, kui masin on seisatud) ja "välisteks" (saab teha masina töötamise ajal). Märkige sisemised sammud, mida saab välimiste juurde nihutada, ja kirjutage igaühe jaoks esialgne ettevalmistusettepanek. Sammud ja kestused: {{ loend }}
Tehisintellekt märgib selliseid samme nagu "uue vormi masinasse toomine" ja "poltide ettevalmistamine" välise töö jaoks kaasaskantavaks, mis viitab ajutise käru olemasolule. Deniz katsetab seda ettepanekut kohapeal; see standardib seda, mis on tõeliselt rakendatav. Selle tulemusena väheneb ümberlülitusaeg 55 minutilt 32 minutile. Kriitiline punkt: AI kiirendas plaani, kuid just välikatsed ja standardimine vähendasid aega.
Levinud vead
- Gembast möödasõit: tehisintellekti väljundi rakendamine ilma seda välitingimustes jälgimata. See põhineb lihtsal "mine ja vaata" põhimõttel.
- Väljamõeldud numbritele tuginemine: AI toodab mõnikord olematuid numbreid, näiteks "tsükli aeg on umbes 45 sekundit". Iga numbrit tuleb mõõta.
- Algpõhjuse süüdistamine inimestes: Esimese seletusega nõustumine, mis meelde tuleb, on "hooletus"; Süsteemseid põhjuseid ei uurita.
- Ühe lahenduse lukustamine: arvate, et AI esimene soovitus on ainus võimalus. Looge vähemalt 2-3 alternatiivi ja võrrelge neid vastavalt piirangutele.
- Kontrollifaasi unustamine: parenduse tegemine ja sellest lahkumine ilma standardset äritegevust kehtestamata ja KPI-de jälgimist; Protsess naaseb eelmisesse olekusse.
Kokkuvõttes
- AI ei tooda andmeid tööstustehnika valdkonnas; See korrastab teie toodud andmed, tõlgendab neid ja muudab need parendushüpoteesiks.
- Muutke väljund seitsme jäätmete klassifitseerimisel mõõdetavaks: küsige tõendit + mõõtmiseks mõõdikut.
- Kasutage tehisintellekti mustandite generaatorina DMAIC-i igas etapis, kuid kontrollige alati andmetega algpõhjuseid.
- Sellistes tehnikates nagu SMED kiirendab tehisintellekt plaani; Mis tegelikult aega vähendab, on välikatsed ja standardimine.
- Gemba vahelejätmine, väljamõeldud figuuridele tuginemine ja kontrollifaasi unustamine on kõige kallimad vead.
Rakenduse ülesanne
Valige protsess oma töökohalt (või teile tuttav realistlik tootmis-/teenindusprotsess). Esmalt jälgige põldu 5-10 minutit ja märkige üles tegelikud sammud ja hinnangulised ajad. Seejärel laske tehisintellektil protsessi analüüsida, kasutades selles seadmes olevat toiteviipa „7 jäätmeklassifikatsioon”. Iga jäätmete tuvastamise puhul väljundis: (a) võrrelge oma tähelepanekuga, kas tõendid on tegelikult täpsed, (b) tuvastage vähemalt üks mõõdik, mida tuleks mõõta, (c) valige üks kiire parandusettepanek ja hinnake seda "sisemise/välise töö" või "ECRS" loogikaga. Lõpuks leidke näide, kus tehisintellekti tehtud otsus osutus väljal valeks (või seda ei saanud kontrollida) ja kirjutage ühe lausega, miks see vale oli.