רווחים:
- יכולת לקבוע היכן להשתמש ב-AI במחזורי ייצור רזה ושיפור תהליכים
- יכולת להאיץ מפת זרם ערך, ניתוח פסולת ושלבי DMAIC עם הנחיות מובנות
- יכולת ליישם את הדיסציפלינה של אימות המלצות AI עם נתוני שטח ותצפית גמבה
הנדסת תעשייה היא בעצם דיסציפלינה של "עושים טוב יותר": הפקת ערך רב יותר באותם משאבים, הפיכת הפסולת לגלויה, הפחתת השונות. בינה מלאכותית נכנסת לדיסציפלינה הזו לא כמחשבון חדש או פתרון קסם, אלא כשותף חזק לחשיבה ולניסוח. בשימוש נכון, הוא מפחית את מיפוי זרמי הערך, סיווג הפסולת, מחקרי שורש ודוחות שיפור משעות לדקות. כשמשתמשים בו בצורה לא נכונה, הוא מייצר הצעות שמעולם לא ראו את התחום, שהן "מושלמות על הנייר" אך לא ניתן ליישם אותן במציאות. ביחידה זו תלמד היכן למקם AI במחזור הייצור הרזה וכיצד לאמת את הפלט שלו.
היכן עומדת AI בשיפור תהליכים?
בואו נחלק פרויקט שיפור לשלושה רבדים: איסוף נתונים, ניתוח/החלטה, דיווח/תקשורת. AI עוזר עם משקל שונה בשכבות אלו.
שכבה
תפקידה של AI
תפקידו של האדם
איסוף נתונים
מעצב את הסקר/טופס ומארגן את הנתונים
מודד ומתבונן בשטח (גמבה)
ניתוח/החלטה
מייצר השערות, מציע שיטות, מנסח חישובים
מאמת עם נתונים, מקבל את ההחלטה
דיווח
A3, מצגת, כותב טיוטת טקסט מסכם
שולט על דיוק וטון
הדבר שיש לציין הוא ש-AI לא יכול לייצר את הנתונים בעצמו. רק מדידת שדה נותנת את זמן המחזור בפועל של מכונה, הדקות שהמפעיל ממתין, כמה זמן לוקח החלפת קוביות. AI מארגן, מפרש והופך את הנתונים הגולמיים שאתה מביא להשערת שיפור.
טיפ: אני תמיד שואל בינה מלאכותית "אילו נתונים אני צריך?" שאל גם: קביעת תוכנית המדידה הנכונה לפני תחילת השיפור היא זולה בהרבה מביצוע ניתוח עם נתונים שגויים מאוחר יותר.
שבע פסולת (Muda) וסיווג לפי AI
הפיכת הפסולת (מודא) לגלויה נמצאת בלב הייצור הרזה. שבעת הפסולת הקלאסית: ייצור יתר, המתנה, הובלה מיותרת, עיבוד יתר, מלאי, תנועה מיותרת וטעויות. לעתים קרובות "פוטנציאל אנושי לא מנוצל" מתווסף כשמיני. AI מהיר מאוד בפירוק נרטיב תהליך לקטגוריות אלה.
תפקיד: אתה מהנדס תעשייה מנוסה בייצור רזה. משימה: חלקו את נרטיב התהליך הבא ל-7 קטגוריות פסולת (muda). לכל קביעה: (1) סוג הפסולת, (2) משפט ראיה, (3) מדד שעלי למדוד, (4) שיפור מהיר אפשרי. תיאור התהליך: """בפס הייצור, המפעיל הולך 6 מטר בכל מחזור לאיסוף החלק. נוצר תור מול תא הצבע למשך 40 דקות בממוצע. בערך במשמרת אחת עומדים לעבור עיבוד מחדש 12 חלקים. 3 ימים של מוצרים חצי מוגמרים מצטברים במחסן הביניים.
העוצמה של הנחיה זו היא בכך שהיא הופכת את הפלט למדידה. לא מספיק לומר "יש תנועה מיותרת"; צריך להיות אפשרי לומר "המפעיל הולך 6 מטר למחזור, סה"כ Y מטר ב-X מחזורים ליום". ה-AI מצביע על הצהרת הראיות והמדד למדוד, אתה מודד אותו בשטח ומחבר את המספר.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
תן שם את הפסולת בקו ייצור זה.
זה מייצר רשימה ללא קטגוריות, ללא ראיות וללא מידה; סביר להניח שהמשפטים הנפוצים "ייתכן שיש עודף מלאי, תיתכן תקופת המתנה" חוזרים על עצמם.
הנחיה עוצמתית:
חלקו את נתוני התהליך ל-7 קטגוריות של פסולת, ספקו את הצהרת הראיות עבור כל אחת מהן, המדד שעלי למדוד, וההשפעה המשוערת. סווגו את ההשפעה כ"נמוכה/בינונית/גבוהה" וכתבו את הרציונל. נתונים: {{ ... }}
ההבדל הוא שהתפוקה יכולה לתרגם ישירות לתוכנית פעולה. ההנחיה השנייה נותנת טבלה מועדפת וניתנת למדידה.
להאיץ את מחזור ה-DMAIC עם AI
מסגרת DMAIC (Define-Measure-Analyze-Improve-Control) של Six Sigma היא שפה נפוצה בפרויקטי שיפור. AI עוזר אחרת בכל שלב:
- הגדר: טיוטת הגדרת הבעיה, היקף הפרויקט (SIPOC) והצהרת המטרה.
- מידה: תוכנית מדידה, טופס איסוף נתונים, לוגיקה של גודל מדגם.
- ניתוח: רשימת השערות, עצמות דג (אישיקאווה), סיבות שורש אפשריות.
- שפר: חלופות פתרונות, הצעות ECRS (חסל-שילוב-סדר מחדש-פשט).
- בקרה: טיוטת תוכנית בקרה, הוראת עבודה סטנדרטית וניטור KPI.
צור שלד אישיקאווה (אדרה) לבעיה הבאה. בעיה: "חספוס פני השטח במכונת CNC הוא מעל היעד." קטגוריות: מכונה, שיטה, חומר, אדם, מדידה, סביבה (6M). כתוב 3-4 סיבות אפשריות מתחת לכל קטגוריה וסמן אילו נתונים עלי לאסוף כדי לבדוק כל סיבה.
כלל הזהב כאן נשאר קבוע: כל גורם שורש שהוצע על ידי AI הוא השערה, לא ראיה. הסיבה לחספוס פני השטח עשויה להיות "בלאי כלי חיתוך" או לא; רק נתוני חיי הכלי והניסוי מאשרים זאת.
זהירות: בינה מלאכותית בונה לפעמים שרשראות של סיבות שנראות מאוד סבירות אבל שגויות בשטח. לדוגמה, קל לומר "טעות מפעיל" ולעתים קרובות הוא לא הוגן. הסר גורמים מערכתיים (שיטות, ציוד, מדידות) עם נתונים לפני האשמת הגורם השורשי בבני אדם.
מארז מיני: קיצור זמן החלפת עובש (SMED)
שינויי עובש בסדנת הזרקת פלסטיק אורכים בממוצע 55 דקות, וזה יוצר הפסדים גדולים במנות קטנות. מהנדס התעשייה דניז מצלם בווידאו את תהליך המעבר ומחשב זמנים צעד אחר צעד (נתונים אלו מגיעים מהשטח). לאחר מכן הוא נותן ל-AI את רשימת השלבים והזמנים שלהם:
סווגו את שלבי החלפת העובש הללו כ"פנימיים" (ניתן לבצע בזמן שהמכונה מושבתת) ו"חיצוניים" (ניתן לבצע בזמן שהמכונה פועלת) לפי שיטת SMED. סמנו את השלבים הפנימיים שניתן להעביר אל החיצוניים וכתבו הצעת הכנה מקדימה לכל אחד. שלבים ומשכי זמן: {{ רשימה }}
ה-AI מסמן שלבים כמו "הבאת התבנית החדשה למכונה" ו"הכנת הברגים" כניידים לעבודה החיצונית, מה שמציע עגלה מאולתרת. דניז בוחן את ההצעה הזו בשטח; זה מתקן את מה שישים באמת. כתוצאה מכך, זמן ההחלפה פוחת מ-55 דקות ל-32 דקות. הנקודה הקריטית: בינה מלאכותית האיץ את התוכנית, אבל בדיקות השטח והסטנדרטיזציה הן שבאמת הפחיתו את הזמן.
טעויות נפוצות
- עקיפת Gemba: הטמעת פלט AI מבלי לצפות בו בשטח. הוא מבוסס על העיקרון הפשוט של "לך וראה".
- בהסתמך על מספרים מורכבים: בינה מלאכותית מייצרת לפעמים מספרים לא קיימים, כמו "זמן המחזור הוא בערך 45 שניות". כל מספר חייב להיות נתמך על ידי מדידה.
- האשמת הגורם השורשי בבני אדם: קבלת ההסבר הראשון שעולה בראש הוא "חוסר זהירות"; לא חוקרת סיבות מערכתיות.
- נעילה בפתרון יחיד: מתוך מחשבה שההצעה הראשונה של AI היא האפשרות היחידה. צור לפחות 2-3 חלופות והשוו ביניהן לפי האילוצים.
- שוכחים את שלב הבקרה: ביצוע השיפור והשארתו מבלי להקים עסק סטנדרטי ולנטר מדדי KPI; התהליך חוזר למצבו הקודם.
לסיכום
- AI אינו מייצר נתונים בהנדסת תעשייה; זה מארגן את הנתונים שאתה מביא, מפרש אותם והופך אותם להשערת שיפור.
- הפוך את התפוקה למדידה בעת סיווג שבעת הפסולת: בקש הצהרת ראיה + מדד למדידה.
- השתמש ב-AI כמחולל טיוטה בכל שלב של DMAIC, אך אמת תמיד את גורמי השורש באמצעות נתונים.
- בטכניקות כמו SMED, AI מאיץ את התוכנית; מה שבאמת מקצר את הזמן הוא בדיקות שטח וסטנדרטיזציה.
- דילוג על גמבה, הסתמכות על דמויות מומצאות ושכחת שלב הבדיקה הן הטעויות היקרות ביותר.
משימת יישום
בחר תהליך ממקום העבודה שלך (או תהליך ייצור/שירות ריאלי שאתה מכיר). ראשית, התבוננו בשדה במשך 5-10 דקות ושימו לב לשלבים בפועל ולזמנים המשוערים. לאחר מכן בקש מה-AI לנתח את התהליך באמצעות הוראת הכוח "7 סיווג פסולת" ביחידה זו. עבור כל זיהוי של פסולת בפלט: (א) השווה לתצפית שלך אם הראיות אכן מדויקות, (ב) זהה לפחות מדד אחד שצריך למדוד, (ג) בחר הצעת שיפור מהירה אחת והעריך אותה עם היגיון "עבודה פנימית/חוץ" או "ECRS". לבסוף, מצא דוגמה שבה קביעה שהופקה על ידי ה-AI התבררה כשגויה (או שלא ניתן היה לאמתה) בשטח וכתוב במשפט אחד מדוע היא שגויה.