નફો:
- ઉત્પાદન KPIs જેમ કે OEE, સાયકલ સમય અને WIP ને ચોક્કસ રીતે વ્યાખ્યાયિત અને ગણતરી કરવાની ક્ષમતા
- AI સાથે ડેશબોર્ડ ડિઝાઇન, અલગ ઇવેન્ટ સિમ્યુલેશન અને દૃશ્ય વિશ્લેષણ ગોઠવવાની ક્ષમતા
- ઇનપુટ ધારણાઓ અને વાસ્તવિક ડેટા સાથે સિમ્યુલેશન અને ડેશબોર્ડ આઉટપુટ ચકાસવાની ક્ષમતા
ઔદ્યોગિક ઇજનેરો માપનના આધારે નિર્ણયો લે છે, અંતર્જ્ઞાન પર નહીં. યોગ્ય રીતે વ્યાખ્યાયિત KPIs (મુખ્ય પ્રદર્શન સૂચકાંકો) ઉત્પાદન પ્રણાલીની નાડી રાખે છે; સિમ્યુલેશન, બીજી બાજુ, પૂછે છે "શું જો?" વાસ્તવિક સિસ્ટમને અટકાવ્યા વિના. આત્મવિશ્વાસ સાથે પ્રશ્નનો જવાબ આપે છે. AI એ બંનેમાં પ્રવેગક છે: તે KPI વ્યાખ્યા અને ડેશબોર્ડ ડિઝાઇનનો મુસદ્દો બનાવે છે, સિમ્યુલેશન મોડલનું હાડપિંજર બનાવે છે, દૃશ્યની તુલનાનું અર્થઘટન કરે છે. જો કે, KPIs અને સિમ્યુલેશન બંને "ખોટી વ્યાખ્યા" અને "ખોટી ધારણા" ની જાળ માટે સંવેદનશીલ છે. આ એકમમાં, અમે ચકાસણીની શિસ્ત સાથે ઉત્પાદન KPIs, ડેશબોર્ડ ડિઝાઇન અને અલગ ઇવેન્ટ સિમ્યુલેશનને આવરી લઈશું.
યોગ્ય KPI ને યોગ્ય રીતે વ્યાખ્યાયિત કરવું
ખોટી રીતે ગણતરી કરેલ KPI એ કોઈ KPI કરતાં વધુ ખતરનાક છે કારણ કે તે ખોટો વિશ્વાસ આપે છે. સૌથી સામાન્ય ઉત્પાદન KPI:
KPI
વર્ણન
ધ્યાન
OEE
ઉપયોગિતા × પ્રદર્શન × ગુણવત્તા
ત્રણ ઘટકોની અલગથી ગણતરી કરવી આવશ્યક છે
સાયકલ સમય
ટુકડાઓ વચ્ચેનો સમય
યુક્તિ સાથે મિશ્રણ
ડિલિવરી સમય (લીડ ટાઇમ)
ઓર્ડર → ડિલિવરી
ચક્રથી અલગ
WIP
અર્ધ-તૈયાર ઉત્પાદન પ્રક્રિયામાં છે
લિટલના કાયદાથી બંધાયેલા
કચરો/ભંગાર ગુણોત્તર
અયોગ્ય / કુલ
રિઝર્વ રિવર્ક
સમયસર ડિલિવરી (OTD)
સમય પર / કુલ ઓર્ડર
આંશિક વિતરણ વ્યાખ્યાયિત કરો
OEE ઉદાહરણ: જો ઉપલબ્ધતા 90% છે, પ્રદર્શન 95% છે, ગુણવત્તા 98% છે:
OEE = 0.90 × 0.95 × 0.98 = 0.8379 ≈ 83.8%
એક સામાન્ય ભૂલ એ છે કે આ ત્રણ સંખ્યાઓ ઉમેરો અને તેમને સરેરાશ કરો; OEE એ ગુણાકાર છે, તેથી દરેક ઘટક પરિણામનું સંયોજન કરે છે.
લિટલનો કાયદો WIP-થ્રુપુટ-ફ્લો સમય સંબંધ સ્થાપિત કરે છે અને તે ખૂબ જ શક્તિશાળી છે:
WIP = થ્રુપુટ × ફ્લો ટાઇમ ઉદાહરણ: લાઇન પર સરેરાશ 30 ટુકડાઓ (WIP) છે, જો આઉટપુટ 6 ટુકડાઓ/કલાક ફ્લો ટાઇમ = WIP/આઉટપુટ = 30 / 6 = 5 કલાક છે
ટીપ: જ્યારે તમારી પાસે AI હોય ત્યારે KPI ની ગણતરી કરો, તેની વ્યાખ્યા પણ છાપો. "OEE શું છે, તમે તેની ગણતરી કયા ફોર્મ્યુલાથી કરી?" પૂછો AI કેટલીકવાર OEE ને બદલે માત્ર પ્રાપ્યતા આપે છે અથવા ગુણવત્તા ઘટકને છોડી દે છે; વ્યાખ્યા જોયા વિના નંબર પર વિશ્વાસ ન કરો.
KPI ડેશબોર્ડ ડિઝાઇન
સારું ડેશબોર્ડ ઘણી બધી સંખ્યાઓ બતાવતું નથી; યોગ્ય પ્રશ્નોના જવાબ આપે છે. AI એ રૂપરેખા આપવામાં મદદરૂપ છે કે કયા KPIs કયા પ્રેક્ષકો માટે અર્થપૂર્ણ છે અને તેમને કેવી રીતે જૂથ બનાવવું.
ભૂમિકા: તમે ઉત્પાદન વિશ્લેષણમાં અનુભવ સાથે ઔદ્યોગિક એન્જિનિયર છો. કાર્ય: CNC દુકાન માટે એડમિન ડેશબોર્ડ ડિઝાઇન કરો. સ્પષ્ટ કરો: 1. 6 KPI સુધી (દરેક માટે વ્યાખ્યા અને સૂત્ર).2. દરેક KPI.3 માટે લક્ષ્ય મૂલ્ય પ્રસ્તાવ અને "સારા/ધ્યાન/ખરાબ" થ્રેશોલ્ડ. કયા ચાર્ટ પર કયો KPI દર્શાવવામાં આવશે (ટ્રેન્ડ, સૂચક, ચાર્ટ).4. 3 મેનેજમેન્ટ ડેશબોર્ડના પ્રશ્નોના જવાબ આપે છે. નિયમ: KPI ફુગાવો ટાળો; સમજાવો કે દરેક સૂચક નિર્ણય લે છે. મેડ-અપ ટાર્ગેટ વેલ્યુ ન આપો, કહો કે "તે સેક્ટર પ્રમાણે એડજસ્ટ થવી જોઈએ".
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
મને પ્રોડક્શન બોર્ડ બનાવો.
જો ત્યાં કોઈ લક્ષ્ય પ્રેક્ષકો, ડેટા સ્રોત અને હેતુ નથી, તો AI સામાન્ય સૂચિને ડમ્પ કરશે; કોઈ નિર્ણય લેવામાં આવતો નથી.
શક્તિશાળી પ્રોમ્પ્ટ:
શિફ્ટ સુપરવાઇઝર માટે એક બોર્ડ ડિઝાઇન કરો, જે દરરોજ સવારે 5 મિનિટમાં વાંચવામાં આવશે. હેતુ: ગઈકાલની પાળીમાં ક્યાં નુકસાન થયું હતું, આજે શું ધ્યાન આપવું જોઈએ. મહત્તમ 5 KPIs, દરેક વ્યાખ્યા + ફોર્મ્યુલા + થ્રેશોલ્ડ સાથે. મારા ડેટા સ્ત્રોત, MES માંથી કલાકદીઠ ઉત્પાદન, ડાઉનટાઇમ અને બગાડના રેકોર્ડ. વધુ પડતી વિગતો ટાળો.
બીજો પ્રોમ્પ્ટ વપરાશકર્તા, ઉપયોગની ક્ષણ અને ડેટા સ્ત્રોતને સ્પષ્ટ કરે છે; પરિણામ એ બોર્ડ છે જેનો વાસ્તવમાં ઉપયોગ થાય છે.
ડિસ્ક્રીટ ઇવેન્ટ સિમ્યુલેશન (DES)
સિમ્યુલેશન એ વાસ્તવિક સિસ્ટમને ખલેલ પહોંચાડ્યા વિના પ્રયોગ કરવાની એક રીત છે: જ્યારે તમે નવું મશીન ઉમેરો છો ત્યારે કતારનું શું થાય છે, જ્યારે શિફ્ટ બદલાય છે ત્યારે આઉટપુટને કેવી અસર થાય છે? ડિસ્ક્રીટ ઇવેન્ટ સિમ્યુલેશન (ડીઇએસ) સિસ્ટમને "ઇવેન્ટ્સ" (ભાગ આગમન, પ્રક્રિયા પૂર્ણાહુતિ) ના ક્રમ તરીકે મોડેલ કરે છે. મૂળભૂત ઇનપુટ્સ: આંતર-આગમન સમય વિતરણ, સેવા સમય વિતરણ, સંસાધનોની સંખ્યા, કતાર શિસ્ત.
ભૂમિકા: તમે સિમ્યુલેશનમાં અનુભવી ઔદ્યોગિક ઈજનેર છો. કાર્ય: નીચેની સિસ્ટમને Python SimPy સાથે મોડલ કરવા માટે એક ફ્રેમવર્ક લખો:- પાર્ટ્સ સરેરાશ દર 4 મિનિટે આવે છે (ઘાતાંકીય વિતરણ)- સિંગલ મશીન, પ્રોસેસિંગ સમય સરેરાશ 3.5 મિનિટ (ઘાતાંકીય)- કતાર FIFOW મારે આઉટપુટ તરીકે માપવાની જરૂર છે: સરેરાશ, મશીનની લંબાઈ સાથે વેટિંગ, કોડની સરેરાશ લંબાઈ. ટિપ્પણીઓ શરૂઆતમાં વિતરણની ધારણાઓ લખો. પણ: પરિણામ ચકાસવા માટે હું કઈ વિશ્લેષણાત્મક તપાસ કરી શકું (દા.ત. M/M/1 પૂંછડીના સૂત્રો સાથે સરખામણી)?
અહીં છેલ્લી લાઇન મહત્વપૂર્ણ છે: જો શક્ય હોય તો વિશ્લેષણાત્મક તપાસ સાથે સારા સિમ્યુલેશનની તુલના કરવામાં આવે છે. ઉપરની સરળ સિસ્ટમ M/M/1 કતાર છે; સિમ્યુલેશન પરિણામ સૈદ્ધાંતિક મૂલ્યો સાથે હોવું જોઈએ જેમ કે ઉપયોગ દર ρ = 3.5/4 = 0.875 અને સિસ્ટમમાં સરેરાશ સંખ્યા L = ρ/(1−ρ) = 0.875/0.125 = 7.
સાવધાન: સિમ્યુલેશન આઉટપુટ ઇનપુટ ધારણાઓ જેટલું જ સારું છે ("કચરો અંદર, કચરો બહાર કાઢો"). AI કેટલીકવાર તેની ચકાસણી કર્યા વિના વિતરણને ધારે છે અથવા સખત સત્ય તરીકે એક રનના પરિણામને રજૂ કરે છે. બહુવિધ રન (પ્રતિકૃતિઓ) ચલાવો, વિશ્વાસ અંતરાલોની ગણતરી કરો અને વાસ્તવિક ડેટા સાથે ઇનપુટ વિતરણોને ચકાસો.
મિની કેસ: ખોટી પૂર્વધારણાઓ સાથે સિમ્યુલેશન
એસેમ્બલી લાઇન પર, મેનેજમેન્ટ વિચારે છે કે બીજું પેકિંગ સ્ટેશન ઉમેરવાથી કતાર સમાપ્ત થઈ જશે. ઔદ્યોગિક એન્જિનિયર ડેનિઝ AI સાથે DES મોડલ બનાવે છે. પ્રથમ પરિણામ કહે છે કે "બીજું સ્ટેશન 70% દ્વારા કતાર ઘટાડે છે". પરંતુ જ્યારે ડેનિઝ ઇનપુટ વિતરણની તપાસ કરે છે, ત્યારે તે જુએ છે કે વાસ્તવિક આગમન ડેટા ઘાતાંકીય નથી, પરંતુ તે "વિસ્ફોટક" માળખું ધરાવે છે જે લંચ બ્રેક દરમિયાન ધ્યાન કેન્દ્રિત કરે છે. જ્યારે આપણે સાચા વિતરણ સાથે ફરીથી મોડેલ ચલાવીએ છીએ, ત્યારે તે તારણ આપે છે કે બીજું સ્ટેશન વાસ્તવિક અડચણને હલ કરતું નથી, અને સમસ્યા બ્રેક પ્લાનિંગમાં છે. સિમ્યુલેશન બિનજરૂરી રોકાણની ભલામણ કરવાથી બચત કરે છે. પાઠ: AI એ મોડેલ ઝડપથી બનાવ્યું પરંતુ ખોટી ધારણા સાથે ખોટો નિર્ણય સૂચવ્યો; તે વ્યક્તિ હતી જેણે સાચો ડેટા મૂક્યો હતો.
સામાન્ય ભૂલો
- KPI ની ખોટી વ્યાખ્યા કરવી: OEE ઘટકોનો ઉમેરો કરવો અથવા ચક્ર અને લીડ ટાઇમને ગૂંચવણમાં મૂકવો.
- KPI ફુગાવો: ડૅશબોર્ડ પર ડઝનેક સૂચકાંકો મૂકવા કે જે નિર્ણયને પૂર્ણ કરતા નથી.
- એક રન પર આધાર રાખવો: સિમ્યુલેશનને એકવાર ચલાવવું અને પરિણામ નિશ્ચિત છે એમ ધારી લેવું; પ્રતિકૃતિ નથી.
- ઇનપુટ વિતરણને માન્ય ન કરવું: વાસ્તવિક ડેટા સાથે ડિફૉલ્ટ (ઘાતાંકીય, વગેરે) વિતરણની તુલના ન કરવી.
- વિશ્લેષણાત્મક ચકાસણીને બાયપાસ કરીને: સરળ સિસ્ટમ્સમાં સૈદ્ધાંતિક કતાર સૂત્ર સાથે સિમ્યુલેશનને ક્રોસ-ચેકિંગ નહીં.
સારાંશમાં
- KPI ની શક્તિ સાચી વ્યાખ્યામાંથી આવે છે; OEE એ ઉત્પાદન છે, લિટલનો કાયદો WIP-ફ્લો-આઉટપુટને જોડે છે.
- એક સારું ડેશબોર્ડ સાચા પ્રશ્નોના જવાબ આપે છે, ઘણી સંખ્યામાં નહીં; વપરાશકર્તા, ઉદાહરણ અને ડેટા સ્ત્રોત સ્પષ્ટ હોવા જોઈએ.
- DES વાસ્તવિક સિસ્ટમને તોડ્યા વિના દૃશ્યોનો પ્રયાસ કરે છે; ઇનપુટ વિતરણ પરિણામની ગુણવત્તા નક્કી કરે છે.
- અનુકરણને પ્રતિકૃતિ (વિશ્વાસ અંતરાલ) દ્વારા અને જો શક્ય હોય તો, વિશ્લેષણાત્મક સૂત્ર દ્વારા માન્ય કરો.
- AI ઝડપથી મોડેલ અને બોર્ડ બનાવે છે; તે વ્યક્તિ છે જે ધારણાઓને યોગ્ય રીતે મૂકે છે અને પરિણામનું અર્થઘટન કરે છે.
એપ્લિકેશન કાર્ય
ઉત્પાદન/સેવા સિસ્ટમ પસંદ કરો. સૌપ્રથમ તમારી પાસે 5 કેપીઆઈ અથવા તેનાથી ઓછા વાળા શિફ્ટ ડેશબોર્ડની ડિઝાઈન AI છે; દરેક KPI ની વ્યાખ્યા અને સૂત્ર દર્શાવો અને ચકાસો કે જો OEE હાજર હોય તો ત્રણ ઘટકોનો ગુણાકાર થાય છે. પછી એઆઈ પાસે એક સરળ કતારબદ્ધ સિસ્ટમ (સિંગલ સર્વર) માટે સિમ્પી હાડપિંજર છાપો અને ટોચ પર ઇનપુટ વિતરણ ધારણાઓ છાપો. ક્રિટિકલ વેરિફિકેશન: સિસ્ટમને M/M/1 કતાર તરીકે ધ્યાનમાં લો અને મેન્યુઅલી ઉપયોગ દર ρ અને સિસ્ટમમાં સરેરાશ નંબર Lની ગણતરી કરો, સિમ્યુલેશન પરિણામ સાથે સરખામણી કરો. છેલ્લે, એક દૃશ્ય ફેરફાર સૂચવો (બીજું સર્વર ઉમેરવું) અને ઇનપુટ વિતરણની વાસ્તવિકતા પર પ્રશ્ન કરીને AI ના પરિણામની ટીકા કરો.