هوش مصنوعی، بهبود فرآیند و تولید ناب در مهندسی صنایع

سود:

توانایی تعیین محل استفاده از هوش مصنوعی در چرخه های تولید ناب و بهبود فرآیند
امکان تسریع نقشه جریان ارزش، تجزیه و تحلیل ضایعات و مراحل DMAIC با دستورات ساختاریافته
امکان اعمال نظم و انضباط اعتبار سنجی توصیه های هوش مصنوعی با داده های میدانی و مشاهده gemba

مهندسی صنایع اساساً یک رشته "انجام بهتر" است: تولید ارزش بیشتر با منابع یکسان، قابل مشاهده کردن زباله ها، کاهش تنوع. هوش مصنوعی نه به عنوان یک ماشین حساب یا راه حل جادویی جدید، بلکه به عنوان یک شریک فکری و پیش نویس قدرتمند وارد این رشته می شود. هنگامی که به درستی استفاده می شود، نقشه برداری جریان ارزش، طبقه بندی زباله، مطالعات ریشه ای و گزارش های بهبود را از ساعت به دقیقه کاهش می دهد. وقتی نادرست استفاده می شود، پیشنهاداتی را تولید می کند که هرگز این زمینه را ندیده اند، که "بر روی کاغذ عالی" هستند اما در واقعیت قابل اجرا نیستند. در این واحد، شما یاد خواهید گرفت که هوش مصنوعی را در کجای چرخه تولید ناب قرار دهید و چگونه خروجی آن را تایید کنید.

جایگاه هوش مصنوعی در فرآیند بهبود کجاست؟

بیایید یک پروژه بهبود را به سه لایه تقسیم کنیم: جمع آوری داده، تجزیه و تحلیل/تصمیم گیری، گزارش/ارتباط. هوش مصنوعی به وزن های مختلف در این لایه ها کمک می کند.

لایه

نقش هوش مصنوعی

نقش مرد

جمع آوری داده ها

نظرسنجی/فرم را طراحی و داده ها را سازماندهی می کند

اندازه گیری و مشاهده در میدان (گمبا)

تجزیه و تحلیل / تصمیم گیری

فرضیه ها را ایجاد می کند، روش ها را پیشنهاد می کند، محاسبات را پیش نویس می کند

با داده ها تأیید می کند، تصمیم می گیرد

گزارش دهی

A3، ارائه، نویسنده پیش نویس متن خلاصه

دقت و لحن را کنترل می کند

نکته ای که باید به آن توجه داشت این است که هوش مصنوعی نمی تواند خود داده ها را تولید کند. فقط اندازه‌گیری میدانی زمان چرخه واقعی ماشین، دقیقه‌هایی که اپراتور منتظر می‌ماند، مدت زمان تغییر قالب را نشان می‌دهد. هوش مصنوعی این داده‌های خام را که به ارمغان می‌آورید، سازماندهی، تفسیر و تبدیل به یک فرضیه بهبود می‌کند.

نکته: من همیشه از هوش مصنوعی می‌پرسم «به چه داده‌هایی نیاز دارم؟» همچنین بپرسید: ایجاد برنامه اندازه گیری صحیح قبل از شروع بهبود بسیار ارزان تر از انجام تجزیه و تحلیل با داده های نادرست در آینده است.

هفت زباله (Muda) و طبقه بندی توسط هوش مصنوعی

قابل مشاهده کردن ضایعات (مودا) در قلب تولید ناب قرار دارد. هفت ضایعات کلاسیک: تولید بیش از حد، انتظار، حمل و نقل غیر ضروری، پردازش بیش از حد، موجودی، جابجایی غیر ضروری و خطاها. اغلب "پتانسیل انسانی استفاده نشده" به عنوان یک هشتم اضافه می شود. هوش مصنوعی در تقسیم روایت فرآیند به این دسته‌ها بسیار سریع است.

نقش: شما یک مهندس صنایع با تجربه در تولید ناب هستید. وظیفه: روایت فرآیند زیر را به 7 دسته زباله (مودا) تقسیم کنید. برای هر تعیین: (1) نوع ضایعات، (2) جمله شواهد، (3) معیاری که باید اندازه گیری کنم، (4) بهبود سریع احتمالی. شرح فرآیند: """در خط مونتاژ، اپراتور در هر چرخه 6 متر پیاده روی می کند تا قطعه را تحویل بگیرد. به طور متوسط 40 دقیقه صف جلوی غرفه رنگ تشکیل می شود. تقریباً در یک شیفت 12 قطعه قرار است دوباره پردازش شود. 3 روز محصولات نیمه تمام در ظروف میانی جمع می شود.

قدرت این فرمان این است که خروجی را قابل اندازه گیری می کند. گفتن «حرکت غیرضروری وجود دارد» کافی نیست. باید بتوان گفت "اپراتور 6 متر در هر چرخه، مجموع Y متر در X سیکل در روز راه می رود." هوش مصنوعی به بیانیه شواهد و معیار اندازه گیری اشاره می کند، شما آن را در میدان اندازه گیری می کنید و عدد را وصل می کنید.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

ضایعات این خط تولید را نام ببرید.

این یک لیست بدون دسته بندی، بدون شواهد، و بدون اندازه گیری تولید می کند. به احتمال زیاد، عبارات رایج "ممکن است موجودی اضافی وجود داشته باشد، ممکن است یک دوره انتظار وجود داشته باشد" تکرار می شود.

اعلان قدرتمند:

این داده‌های فرآیند را به ۷ دسته از زباله‌ها تقسیم کنید، بیانیه شواهدی را برای هر کدام، معیاری که باید اندازه‌گیری کنم و تأثیر تخمینی را ارائه دهید. تاثیر را به عنوان "کم / متوسط / زیاد" طبقه بندی کنید و دلیل آن را بنویسید. داده ها: {{ ... }}

تفاوت این است که خروجی می تواند مستقیماً به یک برنامه عمل تبدیل شود. اعلان دوم یک جدول اولویت بندی شده و قابل اندازه گیری را ارائه می دهد.

سرعت بخشیدن به چرخه DMAIC با هوش مصنوعی

چارچوب DMAIC شش سیگما (Define-Measure-Analyze-Improve-Control) یک زبان رایج در پروژه های بهبود است. هوش مصنوعی در هر مرحله به طور متفاوتی کمک می کند:

تعریف: پیش نویس تعریف مسئله، محدوده پروژه (SIPOC) و بیانیه هدف.
اندازه گیری: طرح اندازه گیری، فرم جمع آوری داده ها، منطق حجم نمونه.
تجزیه و تحلیل: فهرستی از فرضیه ها، استخوان ماهی (Ishikawa)، علل ریشه ای احتمالی.
بهبود: راه حل های جایگزین، پیشنهادات ECRS (حذف-ترکیب-بازآرایی-ساده کردن).
کنترل: پیش نویس طرح کنترل، دستورالعمل کار استاندارد و نظارت بر KPI.

برای مشکل زیر یک اسکلت ایشیکاوا (هرینگ) ایجاد کنید. مشکل: "زبری سطح در دستگاه CNC بالاتر از هدف است." دسته بندی ها: ماشین، روش، مواد، انسان، اندازه گیری، محیط زیست (6M). 3-4 علت احتمالی را در زیر هر دسته بنویسید و مشخص کنید که برای آزمایش هر علت چه داده هایی را باید جمع آوری کنم.

قانون طلایی در اینجا ثابت می ماند: هر علت ریشه ای که توسط هوش مصنوعی پیشنهاد می شود یک فرضیه است، نه مدرک. علت زبری سطح ممکن است "سایش ابزار برش" باشد یا نباشد. فقط داده های عمر ابزار و آزمایش این را تایید می کند.

احتیاط: هوش مصنوعی گاهی اوقات زنجیره‌ای از دلایل را ایجاد می‌کند که بسیار معقول به نظر می‌رسند، اما در زمینه اشتباه هستند. به عنوان مثال، گفتن "خطای اپراتور" آسان است و اغلب ناعادلانه است. قبل از اینکه علت اصلی را به گردن انسان بیاندازید، علل سیستمیک (روش ها، تجهیزات، اندازه گیری ها) را با داده ها حذف کنید.

مورد کوچک: کوتاه کردن زمان تغییر قالب (SMED)

تغییرات قالب در کارگاه تزریق پلاستیک به طور متوسط 55 دقیقه طول می کشد و این امر در دسته های کوچک تلفات زیادی ایجاد می کند. مهندس صنایع دنیز فرآیند تغییر را ضبط می کند و زمان ها را گام به گام محاسبه می کند (این داده ها از میدان بدست می آیند). سپس لیستی از مراحل و زمان آنها را به هوش مصنوعی می دهد:

طبق روش SMED، این مراحل تغییر قالب را به دو دسته «داخلی» (در حالی که دستگاه متوقف است انجام می شود) و «خارجی» (می تواند در حین کار دستگاه انجام شود) طبقه بندی کنید. مراحل داخلی را که می توان به مراحل بیرونی منتقل کرد علامت بزنید و برای هر کدام یک پیشنهاد آماده سازی اولیه بنویسید. مراحل و مدت زمان: {{ لیست }}

هوش مصنوعی مراحلی مانند «اوردن قالب جدید به دستگاه» و «آماده کردن پیچ‌ها» را به‌عنوان قابل حمل برای کار خارجی مشخص می‌کند که نشان‌دهنده یک گاری موقت است. دنیز در حال آزمایش این پیشنهاد در این زمینه است. آن چیزی را که واقعا قابل اجرا است استاندارد می کند. در نتیجه زمان تغییر از 55 دقیقه به 32 دقیقه کاهش می یابد. نکته مهم: هوش مصنوعی برنامه را سرعت بخشید، اما آزمایش میدانی و استانداردسازی بود که واقعا زمان را کاهش داد.

اشتباهات رایج

دور زدن Gemba: پیاده سازی خروجی هوش مصنوعی بدون مشاهده آن در میدان. این بر اساس اصل ساده "برو و ببین" است.
تکیه بر اعداد ساخته شده: هوش مصنوعی گاهی اوقات اعدادی را تولید می کند که وجود ندارند، مانند "زمان چرخه حدود 45 ثانیه است." هر عدد باید با اندازه گیری پشتیبانی شود.
سرزنش علت اصلی به گردن انسان: پذیرفتن اولین توضیحی که به ذهن می رسد «بی احتیاطی» است; عدم بررسی علل سیستمیک
قفل کردن در یک راه حل واحد: فکر کنید که اولین پیشنهاد هوش مصنوعی تنها گزینه است. حداقل 2-3 جایگزین ایجاد کنید و آنها را با توجه به محدودیت ها مقایسه کنید.
فراموش کردن مرحله کنترل: ایجاد بهبود و ترک آن بدون ایجاد کسب و کار استاندارد و نظارت بر KPI. فرآیند به حالت قبلی خود باز می گردد.

به طور خلاصه

هوش مصنوعی در مهندسی صنایع داده تولید نمی کند. داده هایی را که آورده اید سازماندهی می کند، آنها را تفسیر می کند و به یک فرضیه بهبود تبدیل می کند.
هنگام طبقه‌بندی هفت ضایعات، خروجی را قابل اندازه‌گیری کنید: از بیانیه شواهد + متریک برای اندازه‌گیری بخواهید.
در هر مرحله از DMAIC از هوش مصنوعی به عنوان تولید کننده پیش نویس استفاده کنید، اما همیشه علل ریشه ای را با داده ها تأیید کنید.
در تکنیک هایی مانند SMED، هوش مصنوعی برنامه را سرعت می بخشد. آنچه واقعاً زمان را کاهش می دهد، آزمایش میدانی و استانداردسازی است.
پرش از Gemba، تکیه بر ارقام ساخته شده، و فراموش کردن مرحله بررسی گران ترین اشتباهات هستند.

وظیفه کاربردی

فرآیندی را از محل کار خود انتخاب کنید (یا یک فرآیند تولید/خدمات واقعی که می دانید). ابتدا به مدت 5-10 دقیقه زمین را مشاهده کنید و مراحل واقعی و زمان های تخمینی را یادداشت کنید. سپس از هوش مصنوعی بخواهید که فرآیند را با استفاده از اعلان برق «7 waste classification» در این واحد تجزیه و تحلیل کند. برای هر تشخیص ضایعات در خروجی: (الف) با مشاهدات خود مقایسه کنید که آیا شواهد واقعاً دقیق هستند، (ب) حداقل یک معیار را که باید اندازه‌گیری شود، شناسایی کنید، (ج) یک پیشنهاد بهبود سریع را انتخاب کنید و آن را با منطق "کار داخلی/خارجی" یا "ECRS" ارزیابی کنید. در نهایت، مثالی را بیابید که در آن تشخیص تولید شده توسط هوش مصنوعی اشتباه است (یا نمی توان آن را تأیید کرد) در این زمینه و در یک جمله بنویسید که چرا اشتباه بوده است.