לימוד עבודה ולימוד זמן

רווחים:

• יכולת לחשב מושגי זמן סטנדרטי, דירוג טמפו וקצבה (קצבה).
• יכולת לייצר ניתוח שלבי עבודה, אופטימיזציה של ECRS וטיוטות איזון MTM/קו עם AI
• יכולת ליישם את הדיסציפלינה של אימות זמני תקן מוצעים בינה מלאכותית עם נתוני מדידה אמיתיים

לימודי עבודה הם מהדיסציפלינות המכוונות של הנדסת תעשייה: הפקת שיטת עבודה טובה יותר וזמני תקן מציאותיים על ידי בחינה שיטתית של אופן ביצוע העבודה (לימוד שיטה) ומדידת משך הזמן (לימוד זמן). זמן סטנדרטי; זהו הבסיס לתמחיר, תכנון קיבולת, איזון קווים ומערכות תמריצים. תקן שגוי פירושו תמחור שגוי ויעדים לא מציאותיים. בינה מלאכותית חזקה בתחום זה בניתוח שלבי עבודה, יצירת רעיונות לשיפור ECRS והקמת שרטוטים לאיזון קווים; אבל דירוג הקצב ומדידת הזמן בפועל מגיעים מהשטח. ביחידה זו נתייחס לחשבונאות זמן סטנדרטית ואת התפקיד הנכון של AI.

רכיבי זמן סטנדרטי

הזמן הסטנדרטי נגזר מהזמן הגולמי הנצפה במספר שלבים.

1) זמן נצפה (NZ): זמן גולמי שנמדד בשעון עצר (ממוצע).2) זמן רגיל (NZ) = OZ × Tempo (גורם דירוג) - קצב הוא דירוג המפעיל ביחס למהירות "רגילה". - 100% = רגיל, 110% = מהיר מהרגיל, 90% = איטי.3) זמן סטנדרטי (SZ) = NZ × (1 + יחס שיתוף) - מניות: צורך אישי, עייפות (מנוחה), עיכוב בלתי נמנע.

דוגמה קטנה. נניח שהזמן הנצפה הממוצע של פעולת הרכבה הוא 45 שניות, הקצב הנצפה הוא 110% והרווח הכולל הוא 15%:

NZ = 45 × 1.10 = 49.5 שניותSZ = 49.5 × (1 + 0.15) = 49.5 × 1.15 ≈ 56.9 שניות

לכן, למרות שהביצועים בפועל מהירים (הקצב גבוה), בתוספת שוליים הזמן הסטנדרטי חורג מהזמן הנצפה. ערך הטמפו כאן הוא שיפוט הנדסי סובייקטיבי ודורש ניסיון; AI לא יכול לצפות בזה בשבילך.

שימו לב: כשאתם אומרים ל-AI "לחשב זמן סטנדרטי", הקפידו לתת את הקצב והמרווח. אם ה-AI אומר באופן ספונטני "נניח שהקצב הוא 100%" וממשיך, ייתכן שההנחה הזו לא תשקף את המציאות על המגרש ותעוות את הזמן הסטנדרטי שלך.

כמה תצפית? (גודל מדגם)

מדידה אחת אינה מספיקה; יש שונות בתהליך. מספר התצפיות הנדרש נקבע סטטיסטית על סמך הביטחון והדיוק הרצויים. גישה גסה היא להסתכל על השונות של כמה תצפיות ראשונות ולחשב את ה-n הנדרש לדיוק המטרה.

הערך את מספר התצפיות הדרושות ל-95% ביטחון ודיוק של ±5% עם התצפיות המקדימות הבאות (שניות). כתוב את הנוסחה וההנחות.תצפיות: {{ 44, 46, 45, 48, 43, 47, ... }}הבא: האם מספר התצפיות הנוכחי מספיק, אם לא, כמה עוד צריך?

מחקר שיטה ו-ECRS עם AI

מטרת לימוד השיטה היא לעשות את העבודה טוב יותר. שאילתת ECRS היא מסגרת רבת עוצמה: ביטול, שילוב, ארגן מחדש, פשט.

תפקיד: אתה מהנדס תעשייה המתמחה בלימודי עבודה. משימה: הערך את שלבי העבודה הבאים עם מסגרת ECRS. עבור כל שלב: האם ניתן לבטל/לשלב/לסדר/לפשט את השלב הזה? כתוב הצעות קונקרטיות והשפעות זמן משוערות. שלבי עבודה ומשכי עבודה (שניות):1. קח את החלק מהמדף (6)2. הנח אותו על השיש (4)3. הפעל ידנית את הבורג (8)4. הדק בעזרת מפתח מומנט (5)5. בדוק (3)6. שים את החלק המוגמר בקופסה (5) כלל: הימנע מהצעות שיפגעו בארגונומיה ואיכות; תן לכל הצעה הערה "חייב להיבדק בשטח".

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

להאיץ את זה.

ללא הקשר; AI פולט הצעות כלליות ואגנוסטיות כמו "הוסף אוטומציה".

הנחיה עוצמתית:

נתחו את שלבי העבודה הבאים עם ECRS ותנו הצעות שמתאימות רק לציוד קיים וללא צורך בהשקעה נוספת. ציין רווח משוער של שניות וסיכון פוטנציאלי לאיכות/ארגונומיה עבור כל המלצה. חבר את הזכיות וחשב את זמן המחזור המשוער החדש. שלבים: {{ ... }}

האילוץ המהיר השני (ללא השקעה נוספת) דורש סיכון ותשואה מדידה; זה הופך את ההמלצות לישימות ישירות.

איזון קווים

איזון העומס בין תחנות עבודה בפס ייצור מפחית צווארי בקבוק והמתנה בטלה. מושגי יסוד:

זמן טקט = זמן ייצור זמין / ביקוש (מהירות נדרשת) מספר תחנות מינימלי = תוכן עבודה סה"כ / זמן טקט (עיגול למעלה) יעילות קו = תוכן עבודה כולל / (מספר תחנות × זמן מחזור)

דוגמה: תוכן עבודה כולל 180 שניות ליחידה, 450 דקות ייצור ביום, ביקוש יומי 300 חתיכות:

Takt = (450 × 60) / 300 = 27000 / 300 = 90 שניות/חתיכה מינימום תחנה = 180 / 90 = 2 תחנות

AI מייצר טיוטה בהקצאת משימות לתחנות על סמך קשרי עדיפות; אבל אתה בודק שדיאגרמת העדיפות נכונה ושההקצאה אינה חורגת בפועל מהטקט.

טיפ: בהקצאת התחנה המוצעת על ידי ה-AI, ודא שהזמן הכולל של כל תחנה אינו חורג מזמן הטקט על ידי חיבורם אחד אחד. AI לפעמים מקצה משימות החורגות מהטקט לתחנה ומציג אותה כ"מאוזנת".

מארז מיני: Unreal Standard

הזמן הסטנדרטי לעמדת התפירה בבית מלאכה לטקסטיל נקבע לפני שנים רבות, והמפעילים תמיד חורגים מהיעד. מהנדס התעשייה כרם לומד מחדש את העבודה: הוא לוקח 15 תצפיות, מעריך את הקצב כ-95% (מפעיל מעט איטי), ומקבל את הנתח כ-12%. הוא מזין את הנתונים הללו ל-AI, מחשב את הזמן הסטנדרטי ומבקש הצעות שיפור באמצעות ECRS. בינה מלאכותית משלבת שלב אחד עם ההצעה לעבודה מקבילה דו-ידנית (שימוש בשתי ידיים). כרם בודק את ההצעה בשטח; זמן המחזור פוחת ונקבע סטנדרט חדש ומציאותי. הבדל: מחושב בתקן ישן, קצב ושיטה לא מעודכנים. AI האיצה חישוב והמלצה; אנוש עשה את הערכת הקצב ובדיקות השטח.

טעויות נפוצות

• שכחת מניות: הפקת סטנדרטים לא מציאותיים (קצרים מדי) על ידי אי הוספת מנוחה ומניות אישיות.
• השארת הקצב לבינה מלאכותית: מבוססת על ניחושים מבלי לבצע הערכת קצב סובייקטיבית בשטח.
• תצפית לא מספקת: קביעת סטנדרטים עם מדידות בודדות/מעטות; להתעלם מהשונות.
• תחנה עולה על טקט: לא משווה עומס תחנה עם זמן טקט באיזון קו.
• אי עדכון התקן: ממשיכים להשתמש בתקן הישן כאשר השיטה משתנה.

לסיכום

• זמן רגיל = זמן רגיל × (1 + מונה); זמן רגיל = זמן נצפה × קצב. כל שלושת הרכיבים נדרשים.
• דירוג הקצב הוא שיפוט הנדסי סובייקטיבי; AI לא יכול לצפות עבורך.
• מספר התצפיות המספיק נקבע על ידי סטטיסטיקה; לא ניתן לקבוע תקן עם מדידה אחת.
• ECRS היא מסגרת רבת עוצמה לשיפור שיטות; בקש הצעות עם אילוץ וסיכון.
• הקפד לוודא שכל תחנה אינה חורגת מזמן הטקט שלה באיזון הקו.

משימת יישום

בחר עבודה (אמיתית או בדיונית, 5-7 שלבים). שימו לב לזמנים הנצפים הממוצעים של הצעדים, קבעו קצב (למשל 105%) ויחס שיתוף (למשל 13%). בקש מה-AI לחשב זמן סטנדרטי ולהציג כל שלב. אימות קריטי: חשב NZ ו-SZ באופן ידני והשווה עם AI. לאחר מכן יש לנתח את השלבים עם ECRS וקבל לפחות שתי הצעות עם אילוץ "ללא השקעה נוספת"; הוסף את הרווח השני של כל הצעה ומצא את זמן המחזור החדש. לבסוף, הנח ביקוש יומי וחשב את זמן הטקט ומספר מינימלי של תחנות; בדוק אם הקצאת התחנה של ה-AI עולה על הטקט.