Ieguvumi:
- Spēja noteikt, kur izmantot AI taupīgās ražošanas un procesu uzlabošanas ciklos
- Spēja paātrināt vērtību plūsmas karti, atkritumu analīzi un DMAIC darbības ar strukturētām uzvednēm
- Spēja pielietot AI ieteikumu apstiprināšanas disciplīnu ar lauka datiem un gemba novērojumiem
Rūpnieciskā inženierija būtībā ir disciplīna "darīt labāk": radīt lielāku vērtību ar tiem pašiem resursiem, padarīt atkritumus redzamus, samazināt mainīgumu. Mākslīgais intelekts šajā disciplīnā ienāk nevis kā jauns kalkulators vai maģisks risinājums, bet gan kā spēcīgs domāšanas un rasēšanas partneris. Pareizi lietojot, tas samazina vērtību plūsmas kartēšanu, atkritumu klasifikāciju, pamatcēloņu izpēti un uzlabojumu pārskatus no stundām līdz minūtēm. Ja to izmanto nepareizi, tas rada ieteikumus, kas nekad nav redzējuši šajā jomā, kas ir "perfekti uz papīra", bet nav realizējami. Šajā nodaļā jūs uzzināsiet, kur AI ievietot ekonomiskajā ražošanas ciklā un kā apstiprināt tā izlaidi.
Kur AI atrodas procesa uzlabošanā?
Sadalīsim uzlabošanas projektu trīs slāņos: datu vākšana, analīze/lēmums, ziņošana/komunikācija. AI palīdz ar dažādu svaru šajos slāņos.
slānis
AI loma
vīrieša loma
datu vākšana
Izstrādā aptauju/veidlapu un sakārto datus
Mēra un novēro uz lauka (gemba)
analīze/lēmums
Ģenerē hipotēzes, ierosina metodes, sastāda aprēķinus
Pārbauda ar datiem, pieņem lēmumu
Ziņošana
A3, prezentācija, kopsavilkuma teksta melnraksta autors
Kontrolē precizitāti un toni
Jāatzīmē, ka AI pats nevar ģenerēt datus. Tikai lauka mērījumi uzrāda faktisko mašīnas cikla laiku, minūtes, kuras operators gaida, cik ilgi notiek stanga maiņa. AI organizē, interpretē un pārvērš šos neapstrādātos datus par uzlabojumu hipotēzi.
Padoms. Es vienmēr jautāju AI: “Kādi dati man ir nepieciešami?” Jautājiet arī: Pareiza mērījumu plāna izveide pirms uzlabošanas uzsākšanas ir daudz lētāka nekā vēlāk veikt analīzi ar nepareiziem datiem.
Septiņi atkritumi (dubļi) un AI klasifikācija
Atkritumu (mudas) padarīšana redzamu ir ekonomiskas ražošanas pamatā. Klasiskie septiņi atkritumi: pārprodukcija, gaidīšana, nevajadzīga transportēšana, pārmērīga apstrāde, inventārs, nevajadzīga kustība un kļūdas. Bieži vien "neizmantotais cilvēka potenciāls" tiek pievienots kā astotā daļa. AI ļoti ātri sadala procesa stāstījumu šajās kategorijās.
Loma: Jūs esat industriālais inženieris ar pieredzi ekonomiskajā ražošanā. Uzdevums: Sadaliet šādu procesa stāstījumu 7 atkritumu (muda) kategorijās. Katrai noteikšanai: (1) atkritumu veids, (2) pierādījumu teikums, (3) metrika, kas jāizmēra, (4) iespējams straujš uzlabojums. Procesa apraksts: """Uz montāžas līnijas operators katrā ciklā noiet 6 metrus, lai paņemtu detaļu. Pie krāsošanas kabīnes veidojas rinda vidēji uz 40 minūtēm. Aptuveni vienā maiņā paredzēts pārstrādāt 12 detaļas. Starpnoliktavā uzkrājas 3 dienas pusfabrikāti.
Šīs uzvednes jauda ir tāda, ka tā padara izvadi izmērāmu. Nepietiek pateikt "ir nevajadzīga kustība"; Jābūt iespējai teikt: "operators noiet 6 metrus vienā ciklā, kopā Y metri X ciklos dienā." AI norāda uz pierādījumu izklāstu un izmērāmo metriku, jūs to izmērāt laukā un pievienojat numuru.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Nosauciet atkritumus šajā ražošanas līnijā.
Tādējādi tiek izveidots saraksts bez kategorijām, bez pierādījumiem un bez mēra; Visticamāk, atkārtojas izplatītās frāzes "var būt lieki krājumi, var būt gaidīšanas laiks".
Spēcīga uzvedne:
Sadaliet šos procesa datus 7 atkritumu kategorijās, norādiet pierādījumus par katru, metriku, kas man būtu jāizmēra, un paredzamo ietekmi. Klasificējiet ietekmi kā "zemu/vidēju/augstu" un uzrakstiet pamatojumu. Dati: {{ ... }}
Atšķirība ir tāda, ka rezultātu var tieši pārvērst rīcības plānā. Otrā uzvedne sniedz prioritāru, izmērāmu tabulu.
DMAIC cikla paātrināšana ar AI
Six Sigma DMAIC ietvars (Define-Measure-Analyze-Improve-Control) ir izplatīta valoda uzlabošanas projektos. AI katrā posmā palīdz atšķirīgi:
- Definējiet: problēmas definīcijas projekts, projekta darbības joma (SIPOC) un mērķa paziņojums.
- Pasākums: Mērījumu plāns, datu vākšanas forma, izlases lieluma loģika.
- Analīze: hipotēžu saraksts, zivju kauli (Ishikawa), iespējamie cēloņi.
- Uzlabot: risinājuma alternatīvas, ECRS (novērst-apvienot-pārkārtot-vienkāršot) ieteikumi.
- Kontrole: Kontroles plāna projekts, standarta darba instrukcija un uzraudzības KPI.
Izveidojiet Ishikawa (skujiņas) skeletu šādai problēmai. Problēma: "CNC mašīnas virsmas raupjums ir virs mērķa." Kategorijas: Mašīna, Metode, Materiāls, Cilvēks, Mērīšana, Vide (6M). Zem katras kategorijas ierakstiet 3–4 iespējamos cēloņus un norādiet, kādi dati man būtu jāapkopo, lai pārbaudītu katru cēloni.
Zelta likums šeit paliek nemainīgs: katrs mākslīgā intelekta ierosinātais cēlonis ir hipotēze, nevis pierādījums. Virsmas raupjuma cēlonis var būt vai nebūt "griezējinstrumenta nodilums"; To apstiprina tikai instrumenta kalpošanas laika dati un eksperiments.
Uzmanību: AI dažreiz izveido iemeslu ķēdes, kas šķiet ļoti ticamas, taču ir nepareizi. Piemēram, ir viegli pateikt "operatora kļūda" un bieži vien tas ir negodīgi. Likvidējiet sistēmiskus cēloņus (metodes, iekārtas, mērījumi), izmantojot datus, pirms vainojat cilvēkus par galveno cēloni.
Mini futrālis: veidņu maiņas laika saīsināšana (SMED)
Pelējuma maiņa plastmasas iesmidzināšanas cehā aizņem vidēji 55 minūtes, un tas rada lielus zudumus nelielās partijās. Rūpniecības inženieris Denizs ieraksta pārejas procesu video un aprēķina soli pa solim laiku (šie dati nāk no lauka). Pēc tam tas sniedz AI darbību sarakstu un to laikus:
Klasificējiet šos veidņu maiņas posmus kā "iekšējos" (var veikt, kamēr iekārta ir apturēta) un "ārējo" (var veikt, kamēr iekārta darbojas) saskaņā ar SMED metodi. Atzīmējiet iekšējos soļus, kurus var pārcelt uz ārējiem, un katram uzrakstiet provizorisku sagatavošanās ieteikumu. Darbības un ilgums: {{ saraksts }}
AI atzīmē tādas darbības kā “jaunās veidnes nogādāšana mašīnā” un “skrūvju sagatavošana” kā pārnēsājamas ārējam darbam, liekot domāt par pagaidu ratiņiem. Denizs pārbauda šo priekšlikumu laukā; tas standartizē to, kas patiešām ir piemērojams. Rezultātā pārslēgšanās laiks samazinās no 55 minūtēm līdz 32 minūtēm. Kritiskais punkts: AI paātrināja plānu, taču tā bija lauka pārbaude un standartizācija, kas patiešām samazināja laiku.
Biežākās kļūdas
- Apejot Gemba: AI izvades ieviešana, neievērojot to uz lauka. Tas ir balstīts uz vienkāršu "aiziet un redzi" principu.
- Paļaušanās uz izdomātiem skaitļiem: AI dažreiz rada neesošus skaitļus, piemēram, "cikla laiks ir aptuveni 45 sekundes". Katrs skaitlis ir jāatbalsta ar mērījumu.
- Galveno iemeslu vainošana cilvēkiem: pieņemt pirmo skaidrojumu, kas nāk prātā, ir "neuzmanība"; Nepēta sistēmiskus cēloņus.
- Viena risinājuma bloķēšana: domājot, ka AI pirmais ieteikums ir vienīgā iespēja. Ģenerējiet vismaz 2-3 alternatīvas un salīdziniet tās atbilstoši ierobežojumiem.
- Aizmirstot par kontroles fāzi: veikt uzlabojumus un atstāt to, neveidojot standarta biznesa un uzraudzības KPI; Process atgriežas iepriekšējā stāvoklī.
Rezumējot
- AI nerada datus rūpnieciskajā inženierijā; Tas sakārto jūsu iesniegtos datus, interpretē tos un pārvērš tos par uzlabojumu hipotēzi.
- Padariet rezultātu izmērāmu, klasificējot septiņus atkritumus: pieprasiet pierādījumu paziņojumu + metriku, ko izmērīt.
- Izmantojiet AI kā melnrakstu ģeneratoru katrā DMAIC posmā, taču vienmēr pārbaudiet galvenos cēloņus ar datiem.
- Tādos paņēmienos kā SMED AI paātrina plānu; Tas, kas patiešām samazina laiku, ir lauka pārbaude un standartizācija.
- Izlaist Gemba, paļauties uz izdomātiem skaitļiem un aizmirst par pārbaudes posmu ir visdārgākās kļūdas.
Lietojumprogrammas uzdevums
Izvēlieties procesu no savas darba vietas (vai reālistisku ražošanas/servisa procesu, kuru zināt). Vispirms novērojiet lauku 5-10 minūtes un atzīmējiet faktiskos soļus un paredzamos laikus. Pēc tam lieciet AI analizēt procesu, izmantojot šīs ierīces barošanas uzvedni “7 atkritumu klasifikācija”. Katrai atkritumu atklāšanai izlaidē: (a) salīdziniet ar savu novērojumu, vai pierādījumi patiešām ir precīzi, (b) norādiet vismaz vienu metriku, kas būtu jāmēra, (c) atlasiet vienu ātras uzlabošanas ieteikumu un novērtējiet to, izmantojot “iekšējo/ārēju darbu” vai “ECRS” loģiku. Visbeidzot, atrodiet piemēru, kur AI noteiktais konstatējums izrādījās nepareizs (vai to nevarēja pārbaudīt) laukā, un vienā teikumā uzrakstiet, kāpēc tā bija nepareiza.