Pelnas:
- Gebėjimas tiksliai apibrėžti ir apskaičiuoti gamybos KPI, tokius kaip OEE, ciklo laikas ir WIP
- Galimybė su AI konfigūruoti prietaisų skydelio dizainą, atskirų įvykių modeliavimą ir scenarijų analizę
- Galimybė patikrinti modeliavimo ir prietaisų skydelio išvestis naudojant įvesties prielaidas ir tikrus duomenis
Pramonės inžinieriai sprendimus priima remdamiesi matavimais, o ne intuicija. Tinkamai apibrėžti KPI (Key Performance Indicators) palaiko gamybos sistemos pulsą; Kita vertus, modeliavimas klausia "o kas būtų, jei?" nesustabdant tikrosios sistemos. su pasitikėjimu atsako į klausimą. AI yra abiejų greitintuvas: jis rengia KPI apibrėžimą ir prietaisų skydelio dizainą, kuria modeliavimo modelio skeletą, interpretuoja scenarijų palyginimus. Tačiau ir KPI, ir modeliavimas yra jautrūs „neteisingo apibrėžimo“ ir „klaidingos prielaidos“ spąstams. Šiame skyriuje apžvelgsime gamybos KPI, prietaisų skydelio dizainą ir atskirų įvykių modeliavimą su tikrinimo disciplina.
Teisingas KPI apibrėžimas
Neteisingai apskaičiuotas KPI yra pavojingesnis nei jo nebuvimas, nes suteikia klaidingą pasitikėjimą. Dažniausi gamybos KPI:
KPI
Aprašymas
Dėmesio
OEE
Naudojamumas × našumas × kokybė
Trys komponentai turi būti skaičiuojami atskirai
Ciklo laikas
Laikas tarp dalių
maišymas su taktu
Pristatymo laikas (pristatymo laikas)
Užsakymas → pristatymas
skiriasi nuo ciklo
WIP
gaminamas pusgaminis
saistomas Litlo dėsnio
Atliekų/laužo santykis
Neteisingai / iš viso
Rezervinis perdirbimas
Pristatymas laiku (OTD)
Laiku / visas užsakymas
Apibrėžkite dalinį pristatymą
OEE pavyzdys: jei prieinamumas yra 90%, našumas yra 95%, kokybė yra 98%:
OEE = 0,90 × 0,95 × 0,98 = 0,8379 ≈ 83,8 %
Dažna klaida yra pridėti šiuos tris skaičius ir jų vidurkį; OEE yra daugyba, todėl kiekvienas komponentas sujungia rezultatą.
Litlo dėsnis nustato WIP pralaidumo ir srauto laiko ryšį ir yra labai galingas:
WIP = pralaidumas × srauto laikas Pavyzdys: linijoje yra vidutiniškai 30 vienetų (WIP), jei išvestis yra 6 vienetai per valandą Srauto laikas = WIP / išvestis = 30 / 6 = 5 valandos
Patarimas: kai AI apskaičiuoja KPI, taip pat atsispausdinkite jo apibrėžimą. "Kas yra OEE, su kokia formule tai apskaičiavote?" paklausti. AI kartais suteikia tik prieinamumą vietoj OEE arba praleidžia kokybės komponentą; Nepasitikėkite skaičiumi nematę apibrėžimo.
KPI prietaisų skydelio dizainas
Geras prietaisų skydelis nerodo daug skaičių; Atsako į teisingus klausimus. AI padeda apibūdinti, kurie KPI yra prasmingi kuriai auditorijai ir kaip juos sugrupuoti.
Pareigos: esate pramonės inžinierius, turintis gamybos analizės patirties. Užduotis: Sukurkite CNC parduotuvės administratoriaus prietaisų skydelį. Nurodykite: 1. Iki 6 KPI (kiekvieno apibrėžimas ir formulė).2. Tikslinės vertės pasiūlymas ir kiekvieno KPI „geras/dėmesio/blogas“ slenksčiai.3. Kuris KPI kuriame diagramoje bus rodomas (tendencija, indikatorius, diagrama).4. 3 valdymo klausimai, į kuriuos atsako prietaisų skydelis.Taisyklė: venkite KPI infliacijos; Paaiškinkite, kad kiekvienas rodiklis padeda priimti sprendimą. Nenurodykite sugalvotos tikslinės vertės, sakykite „ji turėtų būti koreguojama pagal sektorių“.
Silpnas raginimas / stiprus raginimas
Silpnas raginimas:
Padaryk man gamybos lentą.
Jei nėra tikslinės auditorijos, duomenų šaltinio ir tikslo, AI išmes bendrą sąrašą; Joks sprendimas nepriimamas.
Galingas raginimas:
Pamainos viršininkui suprojektuokite lentą, kurią kiekvieną rytą perskaitysite po 5 min. Tikslas: kur buvo nuostoliai vakarykštėje pamainoje, į ką reikėtų atkreipti dėmesį šiandien. Daugiausia 5 KPI, kiekvienas su apibrėžimu + formule + slenksčiu. Valandiniai gamybos, prastovų ir atliekų įrašai iš mano duomenų šaltinio, ŠMM. Venkite pernelyg detalių.
Antrasis raginimas paaiškina vartotoją, naudojimo momentą ir duomenų šaltinį; Rezultatas – iš tikrųjų naudojama lenta.
Diskretusis įvykių modeliavimas (DES)
Modeliavimas – tai būdas eksperimentuoti netrikdant tikrosios sistemos: kas atsitiks su eile, kai pridedate naują įrenginį, kaip paveikiama išvestis, kai pasikeičia pamainos? Diskrečių įvykių modeliavimas (DES) modeliuoja sistemą kaip „įvykių“ seką (dalies atvykimas, proceso pabaiga). Pagrindinės įvesties: atvykimo laiko paskirstymas, aptarnavimo laiko paskirstymas, išteklių skaičius, eilių disciplina.
Vaidmuo: esate pramonės inžinierius, turintis modeliavimo patirties.Užduotis: Parašykite sistemą, skirtą šios sistemos modeliavimui su Python SimPy:- Dalys atkeliauja vidutiniškai kas 4 minutes (eksponentinis pasiskirstymas)- Viena mašina, apdorojimo laikas vidutiniškai 3,5 minutės (eksponentinis)- Eilė FIFOKą man reikia išmatuoti kaip išvestį: vidutinis laukimas, eilės ilgis su komentaru, mašinos panaudojimo greitis. pradžioje parašykite paskirstymo prielaidas. Taip pat: kokį analitinį patikrinimą galiu atlikti, kad patikrinčiau rezultatą (pvz., palyginimas su M/M/1 uodegos formulėmis)?
Paskutinė eilutė čia yra labai svarbi: jei įmanoma, geras modeliavimas lyginamas su analitiniu patikrinimu. Aukščiau pateikta paprasta sistema yra M/M/1 eilė; Modeliavimo rezultatas turėtų atitikti tokias teorines reikšmes kaip panaudojimo koeficientas ρ = 3,5/4 = 0,875 ir vidutinis skaičius sistemoje L = ρ/(1−ρ) = 0,875/0,125 = 7.
Atsargiai: modeliavimo išvestis yra tokia pat gera, kaip ir įvesties prielaidos („šiukšlės įvedamos, išvežtos šiukšlės“). AI kartais prisiima paskirstymą jo nepatikrinęs arba pateikia vieno paleidimo rezultatą kaip griežtą tiesą. Vykdykite kelis paleidimus (pakartojimus), apskaičiuokite pasikliautinuosius intervalus ir patikrinkite įvesties paskirstymą naudodami tikrus duomenis.
Mini Case: modeliavimas su klaidingomis hipotezėmis
Surinkimo linijos vadovybė mano, kad pridėjus antrą pakavimo stotį, eilė išnyks. Pramonės inžinierius Denizas kuria DES modelį su AI. Pirmasis rezultatas sako: „antroji stotis sumažina eilę 70 %“. Bet kai Denizas patikrina įvesties paskirstymą, jis mato, kad tikrieji atvykimo duomenys nėra eksponentiniai, o turi „sprogstančią“ struktūrą, kuri koncentruojasi per pietų pertrauką. Kai dar kartą paleidžiame modelį su teisingu paskirstymu, paaiškėja, kad antroji stotis neišsprendžia tikrosios kliūties, o problema yra pertraukų planavime. Modeliavimas sutaupo be reikalo rekomenduojant investiciją. Pamoka: AI greitai sukūrė modelį, bet pasiūlė neteisingą sprendimą su klaidinga prielaida; Tai buvo asmuo, kuris pateikė teisingus duomenis.
Dažnos klaidos
- Klaidingas KPI apibrėžimas: OEE komponentų pridėjimas arba supainiotas ciklas ir pristatymo laikas.
- KPI infliacija: dešimčių rodiklių įtraukimas į prietaisų skydelį, kurie nepadeda priimti sprendimo.
- Pasikliauti vienu paleidimu: paleisti modeliavimą vieną kartą ir darant prielaidą, kad rezultatas yra tikras; ne replikacija.
- Nepatvirtina įvesties skirstinio: nelyginamas numatytasis (eksponentinis ir kt.) skirstinys su tikrais duomenimis.
- Analitinio tikrinimo aplenkimas: nesutikrinama modeliavimo su teorine eilių formule paprastose sistemose.
Apibendrinant
- KPI galia kyla iš teisingo apibrėžimo; OEE yra produktas, Little's Law jungia WIP srauto išvestį.
- Geras prietaisų skydelis atsako į tinkamus klausimus, o ne daug skaičių; Vartotojas, egzempliorius ir duomenų šaltinis turi būti aiškūs.
- DES išbando scenarijus nepažeisdama tikrosios sistemos; Įvesties paskirstymas lemia rezultato kokybę.
- Patvirtinkite modeliavimą pagal replikaciją (pasitikėjimo intervalą) ir, jei įmanoma, pagal analitinę formulę.
- AI greitai sukuria modelį ir lentą; Tai asmuo, kuris teisingai pateikia prielaidas ir interpretuoja rezultatą.
Taikymo užduotis
Pasirinkite gamybos/paslaugų sistemą. Pirmiausia turite sukurti AI pamainų prietaisų skydelį su 5 ar mažiau KPI; Parodykite kiekvieno KPI apibrėžimą ir formulę ir patikrinkite, ar trys komponentai yra padauginti, jei yra OEE. Tada leiskite dirbtiniam intelektui atspausdinti „SimPy“ skeletą paprastai eilių sistemai (vienam serveriui) ir viršuje atspausdinti įvesties paskirstymo prielaidas. Kritinis patikrinimas: apsvarstykite sistemą kaip M/M/1 eilę ir rankiniu būdu apskaičiuokite išnaudojimo koeficientą ρ ir vidutinį skaičių L sistemoje, palyginkite su modeliavimo rezultatu. Galiausiai pasiūlykite pakeisti scenarijų (pridėti antrą serverį) ir sukritikuoti AI rezultatą, kvestionuodami įvesties paskirstymo tikroviškumą.