Voitot:
- Kyky määrittää, missä tekoälyä käytetään kevyessä valmistuksessa ja prosessin parantamisessa
- Kyky nopeuttaa arvovirtakartoitusta, jäteanalyysiä ja DMAIC-vaiheita strukturoiduilla kehotteilla
- Kyky soveltaa tekoälysuositusten validointia kenttätiedoilla ja gembahavainnoilla
Teollisuustekniikka on pohjimmiltaan "parantamisen" tieteenala: tuottaa enemmän arvoa samoilla resursseilla, tehdä jätteistä näkyvää, vähentää vaihtelua. Tekoäly ei tule tälle tieteenalalle uutena laskimena tai maagisena ratkaisuna, vaan voimakkaana ajattelu- ja piirustuskumppanina. Oikein käytettynä se vähentää arvovirran kartoittamista, jätteiden luokittelua, perussyytutkimuksia ja parannusraportteja tunneista minuutteihin. Väärin käytettynä se tuottaa ehdotuksia, jotka eivät ole koskaan nähneet kenttää, jotka ovat "täydellisiä paperilla", mutta joita ei voida toteuttaa todellisuudessa. Tässä osiossa opit, mihin tekoäly sijoitetaan kevyessä tuotantosyklissä ja kuinka sen tuotos validoidaan.
Missä tekoäly on prosessin parantamisessa?
Jaetaan parannusprojekti kolmeen kerrokseen: tiedonkeruu, analyysi/päätös, raportointi/viestintä. AI auttaa eri painoissa näissä kerroksissa.
kerros
AI:n rooli
miehen rooli
tiedonkeruu
Suunnittelee kyselyn/lomakkeen ja järjestää tiedot
Mittaa ja tarkkailee kentällä (gemba)
analyysi/päätös
Luo hypoteeseja, ehdottaa menetelmiä, laatii laskelmia
Vahvistaa tiedoilla, tekee päätöksen
Raportointi
A3, esitys, yhteenvetotekstiluonnoksen kirjoittaja
Säätelee tarkkuutta ja sävyä
On huomattava, että tekoäly ei voi luoda tietoja itse. Vain kenttämittaus antaa koneen todellisen syklin ajan, minuutit, joita käyttäjä odottaa, kuinka kauan meistinvaihto kestää. Tekoäly järjestää, tulkitsee ja muuntaa tuomasi raakadatan parannushypoteesiksi.
Vinkki: Kysyn aina tekoälyltä "mitä tietoja tarvitsen?" Kysy myös: Oikean mittaussuunnitelman laatiminen ennen parantamisen aloittamista on paljon halvempaa kuin analyysin tekeminen väärillä tiedoilla myöhemmin.
Seitsemän jätettä (muda) ja luokittelu tekoälyn mukaan
Jätteiden (mudan) näkyväksi tekeminen on vähärasvaisen tuotannon ydin. Klassiset seitsemän jätettä: ylituotanto, odotus, tarpeeton kuljetus, ylikäsittely, varastot, tarpeeton liike ja virheet. Usein "käyttämätön inhimillinen potentiaali" lisätään kahdeksanneksi. Tekoäly on erittäin nopea hajottamaan prosessin kerronnan näihin luokkiin.
Rooli: Olet teollisuusinsinööri, jolla on kokemusta lean-tuotannosta. Tehtävä: Jaa seuraava prosessikertomus 7 jätekategoriaan (muda). Jokaiselle määritykselle: (1) jätetyyppi, (2) todistelause, (3) mittari, joka minun on mitattava, (4) mahdollinen nopea parannus. Prosessin kuvaus: """Käyttäjä kävelee kokoonpanolinjalla kussakin syklissä 6 metriä noutaakseen osan. Maalauskopin eteen muodostuu jono keskimäärin 40 minuutiksi. Noin yhdessä vuorossa 12 osaa käsitellään uudelleen. Välivarastoon kertyy 3 päivää puolivalmiita tuotteita.
Tämän kehotteen teho on, että se tekee tuotosta mitattavissa. Ei riitä, että sanotaan "on tarpeetonta liikettä"; Pitäisi olla mahdollista sanoa "operaattori kävelee 6 metriä sykliä kohden, yhteensä Y metriä X syklissä päivässä." Tekoäly osoittaa todisteen ja mitattavan mittarin, mittaat sen kentällä ja liität numeron.
Heikko kehote / Vahva kehote
Heikko kehote:
Nimeä tämän tuotantolinjan jäte.
Tämä tuottaa luettelon ilman luokkia, ilman todisteita ja ilman mittaa; Todennäköisesti toistuvat yleiset lauseet "varastoa voi olla liikaa, voi olla odotusaika".
Tehokas kehotus:
Jaa tämä prosessitieto 7 jäteluokkaan, anna kullekin todisteet, mittari, jonka pitäisi mitata, ja arvioitu vaikutus. Luokittele vaikutukseksi "matala/keskikokoinen/suuri" ja kirjoita perustelut. Tiedot: {{ ... }}
Erona on, että tulos voi muuttua suoraan toimintasuunnitelmaksi. Toinen kehote antaa priorisoidun, mitattavissa olevan taulukon.
DMAIC-syklin nopeuttaminen tekoälyn avulla
Six Sigman DMAIC-kehys (Define-Measure-Analyze-Improve-Control) on yleinen kieli parannusprojekteissa. AI auttaa eri tavalla jokaisessa vaiheessa:
- Määrittele: Luonnos ongelman määrittelystä, projektin laajuudesta (SIPOC) ja tarkoituksesta.
- Mittaus: Mittaussuunnitelma, tiedonkeruulomake, otoskokologiikka.
- Analysoi: Luettelo hypoteeseista, kalanruotot (Ishikawa), mahdolliset perimmäiset syyt.
- Paranna: Ratkaisuvaihtoehdot, ECRS (Eliminate-Combine-Rearrange-Simplify) -ehdotukset.
- Valvonta: Valvontasuunnitelman luonnos, vakiotyöohje ja seuranta KPI.
Luo Ishikawan (kalanruoto) luuranko seuraavalle ongelmalle. Ongelma: "CNC-koneen pinnan karheus on tavoitteen yläpuolella." Luokat: Kone, menetelmä, materiaali, ihminen, mittaus, ympäristö (6M). Kirjoita kuhunkin kategoriaan 3–4 mahdollista syytä ja ilmoita, mitä tietoja minun pitäisi kerätä kunkin syyn testaamiseksi.
Kultainen sääntö pysyy tässä vakiona: jokainen tekoälyn ehdottama perussyy on hypoteesi, ei todiste. Pinnan karheuden syy voi olla "leikkuutyökalun kuluminen" tai ei; Vain työkalun käyttöikätiedot ja kokeilu vahvistavat tämän.
Varoitus: Tekoäly rakentaa toisinaan syiden ketjuja, jotka vaikuttavat hyvin uskottavilta, mutta ovat virheellisiä. On esimerkiksi helppo sanoa "operaattorivirhe" ja se on usein epäreilua. Eliminoi systeemiset syyt (menetelmät, laitteet, mittaukset) tiedoilla ennen kuin syyllistät ihmisen.
Minikotelo: Muotinvaihtoajan lyhentäminen (SMED)
Muotinvaihdot muoviruiskupajassa vievät keskimäärin 55 minuuttia, mikä aiheuttaa suuria häviöitä pienissä erissä. Teollisuusinsinööri Deniz videonauhoi vaihtoprosessin ja laskee vaiheittaiset ajat (nämä tiedot tulevat kentältä). Sitten se antaa tekoälylle luettelon vaiheista ja niiden ajat:
Luokittele nämä muotinvaihtovaiheet "sisäisiksi" (voidaan tehdä koneen ollessa pysäytettynä) ja "ulkoisiksi" (voidaan tehdä koneen ollessa käynnissä) SMED-menetelmän mukaan. Merkitse sisäiset portaat, jotka voidaan siirtää ulompiin, ja kirjoita jokaiselle alustava valmistautumisehdotus. Vaiheet ja kestot: {{ lista }}
Tekoäly merkitsee vaiheet, kuten "uuden muotin tuominen koneeseen" ja "pulttien valmistelu" siirrettäviksi ulkoiseen työhön, mikä viittaa väliaikaiseen kärryyn. Deniz testaa tätä ehdotusta kentällä; se standardoi sen, mikä on todella soveltuvaa. Tämän seurauksena vaihtoaika lyhenee 55 minuutista 32 minuuttiin. Kriittinen kohta: tekoäly nopeutti suunnitelmaa, mutta kenttätestaus ja standardointi todella lyhensivät aikaa.
Yleisiä virheitä
- Gemban ohittaminen: AI-ulostulon toteuttaminen tarkkailematta sitä kentällä. Se perustuu yksinkertaiseen "mene ja katso" -periaatteeseen.
- Keksittyihin numeroihin luottaminen: AI tuottaa joskus olemattomia numeroita, kuten "sykliaika on noin 45 sekuntia". Jokainen luku on tuettava mittauksella.
- Perimmäisen syyn syyttäminen ihmisistä: Ensimmäisen mieleen tulevan selityksen hyväksyminen on "huolimattomuus"; Ei tutkita systeemisiä syitä.
- Lukitseminen yhteen ratkaisuun: Ajattele, että tekoälyn ensimmäinen ehdotus on ainoa vaihtoehto. Luo vähintään 2-3 vaihtoehtoa ja vertaa niitä rajoitusten mukaan.
- Ohjausvaiheen unohtaminen: Parannuksen tekeminen ja siitä jättäminen perustamatta vakioliiketoimintaa ja seurantaa KPI-arvoja; Prosessi palaa edelliseen tilaan.
Yhteenvetona
- Tekoäly ei tuota dataa teollisuustekniikassa; Se järjestää tuomasi tiedot, tulkitsee sen ja muuttaa sen parannushypoteesiksi.
- Tee tuotoksesta mitattavissa, kun luokittelet seitsemän jätettä: pyydä todisteet + mitattava mittari.
- Käytä tekoälyä luonnosgeneraattorina DMAIC:n jokaisessa vaiheessa, mutta varmista aina perimmäiset syyt tiedoilla.
- SMED:n kaltaisissa tekniikoissa tekoäly nopeuttaa suunnitelmaa; Se mikä todella vähentää aikaa, on kenttätestaus ja standardointi.
- Gemban ohittaminen, keksittyihin lukuihin luottaminen ja tarkistusvaiheen unohtaminen ovat kalleimpia virheitä.
Sovellustehtävä
Valitse prosessi omalta työpaikaltasi (tai realistinen tuotanto-/palveluprosessi, jonka tunnet). Tarkkaile ensin peltoa 5-10 minuuttia ja merkitse muistiin todelliset vaiheet ja arvioidut ajat. Pyydä sitten tekoälyä analysoimaan prosessi käyttämällä tämän laitteen "7 jäteluokitus" -virtakehotetta. Jokaisen jätteen havaitsemisen osalta: (a) verrataan havaintoon, ovatko todisteet todella oikeita, (b) määrität vähintään yksi mittaus, joka tulisi mitata, (c) valitse yksi nopea parannusehdotus ja arvioi se "sisä/ulkopuolinen työ" tai "ECRS" -logiikalla. Etsi lopuksi esimerkki, jossa tekoälyn tuottama määritys osoittautui kentällä vääräksi (tai sitä ei voitu todentaa) ja kirjoita yhdellä lauseella, miksi se oli väärä.