Pelnas:
- Gebėjimas nustatyti, kur naudoti dirbtinį intelektą taupios gamybos ir procesų tobulinimo cikluose
- Galimybė paspartinti vertės srauto žemėlapį, atliekų analizę ir DMAIC veiksmus naudojant struktūrinius raginimus
- Gebėjimas taikyti AI rekomendacijų patvirtinimo su lauko duomenimis ir gemba stebėjimo discipliną
Pramonės inžinerija iš esmės yra „dar geriau“ disciplina: sukurti daugiau vertės naudojant tuos pačius išteklius, padaryti atliekas matomas, sumažinti kintamumą. Dirbtinis intelektas į šią discipliną patenka ne kaip naujas skaičiuotuvas ar magiškas sprendimas, o kaip galingas mąstymo ir piešimo partneris. Tinkamai naudojant, jis sumažina vertės srauto žemėlapių sudarymą, atliekų klasifikavimą, pagrindinių priežasčių tyrimus ir pagerinimo ataskaitas nuo kelių valandų iki minučių. Neteisingai naudojant, pateikiami pasiūlymai, kurie niekada nematė lauko, kurie yra „puikūs popieriuje“, bet negali būti įgyvendinti realybėje. Šiame skyriuje sužinosite, kur pritaikyti dirbtinį intelektą taupaus gamybos cikle ir kaip patvirtinti jo produkciją.
Kur DI yra tobulinant procesą?
Padalinkime tobulinimo projektą į tris sluoksnius: duomenų rinkimas, analizė/sprendimas, ataskaitų teikimas/komunikacija. AI padeda su skirtingu svoriu šiuose sluoksniuose.
sluoksnis
AI vaidmuo
vyro vaidmuo
duomenų rinkimas
Sukuria apklausą/formą ir tvarko duomenis
Matuoja ir stebi lauke (gemba)
analizė/sprendimas
Sukuria hipotezes, siūlo metodus, rengia skaičiavimų projektus
Patikrina su duomenimis, priima sprendimą
Ataskaitų teikimas
A3, pristatymas, santraukos teksto juodraštis
Valdo tikslumą ir toną
Reikia pažymėti, kad dirbtinis intelektas pats negali generuoti duomenų. Tik lauko matavimas parodo tikrąjį mašinos ciklo laiką, minutes, kurių operatorius laukia, kiek laiko užtrunka štampo keitimas. AI tvarko, interpretuoja ir paverčia jūsų pateiktus neapdorotus duomenis tobulinimo hipoteze.
Patarimas: aš visada klausiu AI „kokių duomenų man reikia? Taip pat paklauskite: Teisingo matavimo plano sudarymas prieš pradedant tobulinimą yra daug pigesnis nei vėliau atlikti analizę su neteisingais duomenimis.
Septynios atliekos (Muda) ir klasifikacija pagal AI
Atliekų (mudos) matomumas yra liesos gamybos pagrindas. Klasikinės septynios atliekos: perprodukcija, laukimas, nereikalingas transportavimas, perteklius, inventorius, nereikalingas judėjimas ir klaidos. Neretai „neišnaudotas žmogaus potencialas“ pridedamas kaip aštuntasis. AI labai greitai suskirsto proceso naratyvą į šias kategorijas.
Vaidmuo: esate pramonės inžinierius, turintis taupios gamybos patirties. Užduotis: Padalinkite šį proceso pasakojimą į 7 atliekų (muda) kategorijas. Kiekvienam nustatymui: (1) atliekų rūšis, (2) įrodymų sakinys, (3) metrika, kurią reikia išmatuoti, (4) galimas greitas pagerėjimas. Proceso aprašymas: """ Surinkimo linijoje operatorius per kiekvieną ciklą nueina 6 metrus, kad paimtų detalę. Prie dažų kabinos susidaro eilė vidutiniškai 40 minučių. Maždaug per vieną pamainą ketinama perdirbti 12 detalių. Tarpiniame sandėlyje kaupiasi 3 dienas pusgaminiai.
Šio raginimo galia yra ta, kad ji leidžia išmatuoti išvestį. Neužtenka pasakyti „yra nereikalingas judėjimas“; Turėtų būti galima sakyti „operatorius nueina 6 metrus per ciklą, iš viso Y metrus per X ciklus per dieną“. AI nurodo įrodymų teiginį ir metriką, kurią reikia išmatuoti, jūs išmatuojate juos lauke ir pridedate skaičių.
Silpnas raginimas / stiprus raginimas
Silpnas raginimas:
Pavadinkite atliekas šioje gamybos linijoje.
Taip gaunamas sąrašas be kategorijų, be įrodymų ir be priemonių; Greičiausiai kartojasi įprastos frazės „gali būti atsargų perteklius, gali būti laukimo laikotarpis“.
Galingas raginimas:
Padalinkite šiuos proceso duomenis į 7 atliekų kategorijas, pateikite kiekvienos iš jų įrodymus, metriką, kurią turėčiau išmatuoti, ir numatomą poveikį. Klasifikuokite poveikį kaip „mažas/vidutinis/didelis“ ir parašykite pagrindimą. Duomenys: {{ ... }}
Skirtumas tas, kad rezultatas gali būti tiesiogiai paverstas veiksmų planu. Antrasis raginimas pateikia prioritetinę, išmatuojamą lentelę.
DMAIC ciklo pagreitis naudojant AI
Six Sigma DMAIC sistema (Define-Measure-Analyze-Improve-Control) yra bendra kalba tobulinimo projektuose. AI kiekviename etape padeda skirtingai:
- Apibrėžkite: problemos apibrėžimo projektas, projekto apimtis (SIPOC) ir tikslo pareiškimas.
- Priemonė: matavimo planas, duomenų rinkimo forma, imties dydžio logika.
- Analizė: hipotezių sąrašas, žuvų kaulai (Ishikawa), galimos pagrindinės priežastys.
- Tobulinimas: sprendimo alternatyvos, ECRS (pašalinti-sujungti-pertvarkyti-supaprastinti) pasiūlymai.
- Kontrolė: Kontrolės plano projektas, standartinė darbo instrukcija ir stebėjimo KPI.
Sukurkite Ishikawa (silkės) skeletą tokiai problemai spręsti. Problema: "CNC mašinos paviršiaus šiurkštumas viršija tikslą." Kategorijos: mašina, metodas, medžiaga, žmogus, matavimas, aplinka (6M). Po kiekviena kategorija parašykite 3–4 galimas priežastis ir nurodykite, kokius duomenis turėčiau rinkti, kad patikrinčiau kiekvieną priežastį.
Auksinė taisyklė čia išlieka pastovi: kiekviena AI pasiūlyta pagrindinė priežastis yra hipotezė, o ne įrodymas. Paviršiaus šiurkštumo priežastis gali būti „pjovimo įrankių susidėvėjimas“ arba ne; Tai patvirtina tik įrankio naudojimo trukmės duomenys ir eksperimentas.
Atsargiai: AI kartais sukuria priežasčių grandines, kurios atrodo labai tikėtinos, bet yra klaidingos. Pavyzdžiui, lengva pasakyti „operatoriaus klaida“ ir dažnai tai yra nesąžininga. Pašalinkite sistemines priežastis (metodus, įrangą, matavimus) naudodami duomenis, prieš pradėdami kaltinti žmones.
Mini dėklas: sutrumpinamas pelėsių keitimo laikas (SMED)
Pelėsių keitimas plastiko įpurškimo ceche vidutiniškai trunka 55 minutes, todėl mažose partijose susidaro dideli nuostoliai. Pramonės inžinierius Denizas nufilmuoja keitimo procesą ir apskaičiuoja žingsnius po žingsnio laiką (šie duomenys gaunami iš lauko). Tada AI pateikia veiksmų sąrašą ir jų laiką:
Pagal SMED metodą šiuos pelėsių keitimo etapus skirstykite į „vidinius“ (gali būti atliekami mašinai sustojus) ir „išorinius“ (galima atlikti mašinai veikiant). Pažymėkite vidinius žingsnius, kuriuos galima perkelti į išorinius, ir kiekvienam parašykite preliminarų pasirengimo pasiūlymą. Žingsniai ir trukmė: {{ sąrašas }}
AI pažymi tokius veiksmus kaip „naujos formos atnešimas į mašiną“ ir „varžtų paruošimas“ kaip nešiojamus išoriniam darbui, o tai rodo laikiną vežimėlį. Denizas išbando šį pasiūlymą šioje srityje; ji standartizuoja tai, kas iš tikrųjų taikoma. Dėl to perjungimo laikas sutrumpėja nuo 55 minučių iki 32 minučių. Kritinis taškas: AI paspartino planą, tačiau bandymai vietoje ir standartizavimas tikrai sutrumpino laiką.
Dažnos klaidos
- Gemba aplenkimas: AI išvesties įgyvendinimas jo nestebint lauke. Jis pagrįstas paprastu principu „eik ir pamatyk“.
- Pasikliaujant išgalvotais skaičiais: AI kartais sukuria neegzistuojančius skaičius, pavyzdžiui, „ciklo laikas yra apie 45 sekundes“. Kiekvienas skaičius turi būti pagrįstas matavimu.
- Pagrindinės priežasties kaltinimas žmonėms: Priimti pirmąjį paaiškinimą, kuris ateina į galvą, yra „nerūpestingumas“; Netiria sisteminių priežasčių.
- Užrakinti vieną sprendimą: manyti, kad pirmasis AI pasiūlymas yra vienintelė galimybė. Sugeneruokite bent 2-3 alternatyvas ir palyginkite jas pagal apribojimus.
- Pamiršus kontrolės etapą: tobulinti ir palikti jį nesukūrus standartinio verslo ir stebėti KPI; Procesas grįžta į ankstesnę būseną.
Apibendrinant
- AI negamina duomenų pramonės inžinerijoje; Ji tvarko jūsų atsineštus duomenis, juos interpretuoja ir paverčia tobulinimo hipoteze.
- Klasifikuodami septynias atliekas padarykite išmatuojamą produkciją: paprašykite įrodymų pareiškimo + matavimo metrikos.
- Naudokite AI kaip juodraščio generatorių kiekviename DMAIC etape, bet visada patikrinkite pagrindines priežastis naudodami duomenis.
- Naudojant tokius metodus kaip SMED, AI pagreitina planą; Tai, kas tikrai sumažina laiką, yra lauko bandymai ir standartizavimas.
- Praleisti Gembą, pasikliauti išgalvotomis figūromis ir pamiršti tikrinimo fazę yra brangiausios klaidos.
Taikymo užduotis
Pasirinkite procesą iš savo darbo vietos (arba realų gamybos / paslaugų procesą, kurį žinote). Pirmiausia stebėkite lauką 5–10 minučių ir atkreipkite dėmesį į faktinius veiksmus bei numatomą laiką. Tada leiskite dirbtiniam intelektui išanalizuoti procesą, naudodami šio įrenginio maitinimo užklausą „7 atliekų klasifikacija“. Kiekvienam atliekų aptikimui išvestyje: (a) palyginkite su savo pastebėjimais, ar įrodymai iš tikrųjų yra tikslūs, (b) nustatykite bent vieną metriką, kurią reikėtų išmatuoti, (c) pasirinkite vieną greito tobulinimo pasiūlymą ir įvertinkite jį pagal „vidaus/išorinio darbo“ arba „ECRS“ logiką. Galiausiai suraskite pavyzdį, kai AI nustatytas nustatymas lauke pasirodė klaidingas (arba jo nepavyko patikrinti) ir vienu sakiniu parašykite, kodėl jis buvo neteisingas.