ഡാറ്റാ അനാലിസിസ്, കെപിഐ ഡാഷ്‌ബോർഡുകളും സിമുലേഷനും

നേട്ടങ്ങൾ:

• OEE, സൈക്കിൾ സമയം, WIP തുടങ്ങിയ ഉൽപ്പാദന കെപിഐകൾ കൃത്യമായി നിർവചിക്കാനും കണക്കുകൂട്ടാനുമുള്ള കഴിവ്
• AI ഉപയോഗിച്ച് ഡാഷ്‌ബോർഡ് ഡിസൈൻ, വ്യതിരിക്ത ഇവൻ്റ് സിമുലേഷൻ, സാഹചര്യ വിശകലനം എന്നിവ ക്രമീകരിക്കാനുള്ള കഴിവ്
• ഇൻപുട്ട് അനുമാനങ്ങളും യഥാർത്ഥ ഡാറ്റയും ഉപയോഗിച്ച് സിമുലേഷനും ഡാഷ്‌ബോർഡ് ഔട്ട്‌പുട്ടുകളും പരിശോധിക്കാനുള്ള കഴിവ്

വ്യാവസായിക എഞ്ചിനീയർമാർ തീരുമാനങ്ങൾ എടുക്കുന്നത് അവബോധത്തെയല്ല, അളവിനെ അടിസ്ഥാനമാക്കിയാണ്. ശരിയായി നിർവചിക്കപ്പെട്ട കെപിഐകൾ (കീ പ്രകടന സൂചകങ്ങൾ) ഒരു ഉൽപ്പാദന സംവിധാനത്തിൻ്റെ സ്പന്ദനം നിലനിർത്തുന്നു; നേരെമറിച്ച്, സിമുലേഷൻ ചോദിക്കുന്നു "എങ്കിൽ?" യഥാർത്ഥ വ്യവസ്ഥിതി നിർത്താതെ. ആത്മവിശ്വാസത്തോടെ ചോദ്യത്തിന് ഉത്തരം നൽകുന്നു. രണ്ടിലും AI ഒരു ആക്സിലറേറ്ററാണ്: ഇത് KPI നിർവചനവും ഡാഷ്‌ബോർഡ് രൂപകൽപ്പനയും ഡ്രാഫ്റ്റ് ചെയ്യുന്നു, സിമുലേഷൻ മോഡലിൻ്റെ അസ്ഥികൂടം നിർമ്മിക്കുന്നു, സാഹചര്യ താരതമ്യങ്ങളെ വ്യാഖ്യാനിക്കുന്നു. എന്നിരുന്നാലും, കെപിഐകളും സിമുലേഷനും "തെറ്റായ നിർവചനം", "തെറ്റായ അനുമാനം" എന്നിവയുടെ കെണികൾക്ക് വിധേയമാണ്. ഈ യൂണിറ്റിൽ, ഞങ്ങൾ പ്രൊഡക്ഷൻ കെപിഐകൾ, ഡാഷ്‌ബോർഡ് ഡിസൈൻ, വ്യതിരിക്ത ഇവൻ്റ് സിമുലേഷൻ എന്നിവ പരിശോധിച്ചുറപ്പിക്കുന്ന അച്ചടക്കത്തോടെ കവർ ചെയ്യും.

ശരിയായ കെപിഐ ശരിയായി നിർവചിക്കുന്നു

തെറ്റായി കണക്കാക്കിയ കെപിഐ കെപിഐയേക്കാൾ അപകടകരമാണ്, കാരണം അത് തെറ്റായ ആത്മവിശ്വാസം നൽകുന്നു. ഏറ്റവും സാധാരണമായ ഉൽപ്പാദന കെപിഐകൾ:

കെ.പി.ഐ

വിവരണം

ശ്രദ്ധ

ഒഇഇ

ഉപയോഗക്ഷമത × പ്രകടനം × ഗുണനിലവാരം

മൂന്ന് ഘടകങ്ങളും പ്രത്യേകം കണക്കാക്കണം

സൈക്കിൾ സമയം

കഷണങ്ങൾക്കിടയിലുള്ള സമയം

കൗശലത്തോടെ കലർത്തുന്നു

ഡെലിവറി സമയം (ലീഡ് സമയം)

ഓർഡർ → ഡെലിവറി

സൈക്കിളിൽ നിന്ന് വ്യത്യസ്തമാണ്

വിഐപി

പ്രക്രിയയിൽ സെമി-ഫിനിഷ്ഡ് ഉൽപ്പന്നം

ലിറ്റിൽ നിയമത്താൽ ബന്ധിക്കപ്പെട്ടിരിക്കുന്നു

മാലിന്യം/സ്ക്രാപ്പ് അനുപാതം

തെറ്റായ / ആകെ

റിസർവ് പുനർനിർമ്മാണം

ഓൺ-ടൈം ഡെലിവറി (OTD)

കൃത്യസമയത്ത് / മൊത്തം ഓർഡർ

ഭാഗിക ഡെലിവറി നിർവ്വചിക്കുക

OEE ഉദാഹരണം: ലഭ്യത 90% ആണെങ്കിൽ, പ്രകടനം 95% ആണെങ്കിൽ, ഗുണനിലവാരം 98% ആണ്:

OEE = 0.90 × 0.95 × 0.98 = 0.8379 ≈ 83.8%

ഈ മൂന്ന് സംഖ്യകൾ കൂട്ടിച്ചേർത്ത് ശരാശരി നൽകുന്നതാണ് പൊതുവായ തെറ്റ്; OEE എന്നത് ഗുണനമാണ്, അതിനാൽ ഓരോ ഘടകങ്ങളും ഫലത്തെ സംയോജിപ്പിക്കുന്നു.

ലിറ്റിൽ നിയമം WIP-ത്രൂപുട്ട്-ഫ്ലോ ടൈം ബന്ധം സ്ഥാപിക്കുകയും വളരെ ശക്തവുമാണ്:

WIP = ത്രൂപുട്ട് × ഫ്ലോ ടൈം ഉദാഹരണം: ലൈനിൽ ശരാശരി 30 കഷണങ്ങൾ (WIP) ഉണ്ട്, ഔട്ട്പുട്ട് 6 കഷണങ്ങൾ / മണിക്കൂർ ആണെങ്കിൽ ഫ്ലോ സമയം = WIP / ഔട്ട്പുട്ട് = 30 / 6 = 5 മണിക്കൂർ

നുറുങ്ങ്: നിങ്ങൾക്ക് AI ഉള്ളപ്പോൾ ഒരു KPI കണക്കാക്കുക, അതിൻ്റെ നിർവചനവും പ്രിൻ്റ് ചെയ്യുക. "എന്താണ് OEE, ഏത് ഫോർമുല ഉപയോഗിച്ചാണ് നിങ്ങൾ ഇത് കണക്കാക്കിയത്?" ചോദിക്കുക. AI ചിലപ്പോൾ OEE ന് പകരം ലഭ്യത മാത്രം നൽകുന്നു അല്ലെങ്കിൽ ഗുണനിലവാര ഘടകം ഒഴിവാക്കുന്നു; നിർവചനം കാണാതെ നമ്പർ വിശ്വസിക്കരുത്.

കെപിഐ ഡാഷ്ബോർഡ് ഡിസൈൻ

ഒരു നല്ല ഡാഷ്‌ബോർഡ് ധാരാളം നമ്പറുകൾ കാണിക്കില്ല; ശരിയായ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു. ഏതൊക്കെ പ്രേക്ഷകർക്ക് ഏത് കെപിഐകളാണ് അർത്ഥമാക്കുന്നതെന്നും അവരെ എങ്ങനെ ഗ്രൂപ്പുചെയ്യാമെന്നും വിശദീകരിക്കാൻ AI സഹായകമാണ്.

റോൾ: നിങ്ങൾ പ്രൊഡക്ഷൻ അനലിറ്റിക്‌സിൽ പരിചയമുള്ള ഒരു വ്യാവസായിക എഞ്ചിനീയറാണ്. ടാസ്ക്: ഒരു CNC ഷോപ്പിനായി ഒരു അഡ്മിൻ ഡാഷ്ബോർഡ് രൂപകൽപ്പന ചെയ്യുക. വ്യക്തമാക്കുക:1. 6 കെപിഐകൾ വരെ (ഓരോന്നിനും നിർവചനവും ഫോർമുലയും).2. ഓരോ കെപിഐക്കും ടാർഗെറ്റ് മൂല്യ നിർദ്ദേശവും "നല്ലത്/ശ്രദ്ധ/മോശം" പരിധികളും.3. ഏത് ചാർട്ടിൽ (ട്രെൻഡ്, ഇൻഡിക്കേറ്റർ, ചാർട്ട്) ഏത് കെപിഐ പ്രദർശിപ്പിക്കും.4. 3 മാനേജ്‌മെൻ്റ് ഡാഷ്‌ബോർഡ് ഉത്തരം നൽകുന്നു. നിയമം: കെപിഐ പണപ്പെരുപ്പം ഒഴിവാക്കുക; ഓരോ സൂചകവും ഒരു തീരുമാനത്തെ സഹായിക്കുന്നുവെന്ന് വിശദീകരിക്കുക. ഒരു നിർമ്മിത ടാർഗെറ്റ് മൂല്യം നൽകരുത്, "ഇത് സെക്ടർ അനുസരിച്ച് ക്രമീകരിക്കണം" എന്ന് പറയുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

എന്നെ ഒരു പ്രൊഡക്ഷൻ ബോർഡ് ആക്കുക.

ടാർഗെറ്റ് പ്രേക്ഷകരും ഡാറ്റ ഉറവിടവും ഉദ്ദേശ്യവും ഇല്ലെങ്കിൽ, AI ഒരു പൊതു ലിസ്റ്റ് ഉപേക്ഷിക്കും; തീരുമാനമൊന്നും എടുക്കുന്നില്ല.

ശക്തമായ നിർദ്ദേശം:

ഷിഫ്റ്റ് സൂപ്പർവൈസർക്കായി ഒരു ബോർഡ് രൂപകൽപ്പന ചെയ്യുക, അത് എല്ലാ ദിവസവും രാവിലെ 5 മിനിറ്റിനുള്ളിൽ വായിക്കും. ഉദ്ദേശ്യം: ഇന്നലത്തെ ഷിഫ്റ്റിൽ എവിടെയാണ് നഷ്ടം സംഭവിച്ചത്, ഇന്ന് എന്താണ് ശ്രദ്ധിക്കേണ്ടത്. പരമാവധി 5 കെപിഐകൾ, ഓരോന്നിനും നിർവചനം + ഫോർമുല + ത്രെഷോൾഡ്. എൻ്റെ ഡാറ്റാ ഉറവിടമായ MES-ൽ നിന്നുള്ള മണിക്കൂർ തോറും ഉൽപ്പാദനം, പ്രവർത്തനരഹിതമായ സമയം, പാഴാക്കുന്ന റെക്കോർഡുകൾ. അമിതമായ വിശദാംശങ്ങൾ ഒഴിവാക്കുക.

രണ്ടാമത്തെ പ്രോംപ്റ്റ് ഉപയോക്താവ്, ഉപയോഗ നിമിഷം, ഡാറ്റ ഉറവിടം എന്നിവ വ്യക്തമാക്കുന്നു; ഫലം യഥാർത്ഥത്തിൽ ഉപയോഗിക്കുന്ന ഒരു ബോർഡാണ്.

ഡിസ്‌ക്രീറ്റ് ഇവൻ്റ് സിമുലേഷൻ (DES)

യഥാർത്ഥ സിസ്റ്റത്തെ തടസ്സപ്പെടുത്താതെ പരീക്ഷണം നടത്താനുള്ള ഒരു മാർഗമാണ് സിമുലേഷൻ: നിങ്ങൾ ഒരു പുതിയ മെഷീൻ ചേർക്കുമ്പോൾ ക്യൂവിന് എന്ത് സംഭവിക്കും, ഒരു ഷിഫ്റ്റ് മാറുമ്പോൾ ഔട്ട്പുട്ടിനെ എങ്ങനെ ബാധിക്കും? ഡിസ്‌ക്രീറ്റ് ഇവൻ്റ് സിമുലേഷൻ (DES) സിസ്റ്റത്തെ "ഇവൻ്റുകളുടെ" (പാർട്ട് അറൈവൽ, പ്രോസസ് ഫിനിഷ്) ഒരു സീക്വൻസായി മോഡൽ ചെയ്യുന്നു. അടിസ്ഥാന ഇൻപുട്ടുകൾ: ഇൻ്റർ-അറൈവൽ സമയ വിതരണം, സേവന സമയ വിതരണം, വിഭവങ്ങളുടെ എണ്ണം, ക്യൂ അച്ചടക്കം.

റോൾ: നിങ്ങൾ സിമുലേഷനിൽ പരിചയസമ്പന്നനായ ഒരു വ്യാവസായിക എഞ്ചിനീയറാണ്. ടാസ്‌ക്: പൈത്തൺ സിംപി ഉപയോഗിച്ച് ഇനിപ്പറയുന്ന സിസ്റ്റത്തെ മാതൃകയാക്കാൻ ഒരു ചട്ടക്കൂട് എഴുതുക:- ഓരോ 4 മിനിറ്റിലും ശരാശരി ഭാഗങ്ങൾ എത്തുന്നു (എക്‌സ്‌പോണൻഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ)- സിംഗിൾ മെഷീൻ, പ്രോസസ്സിംഗ് സമയം ശരാശരി 3.5 മിനിറ്റ് (എക്‌സ്‌പോണൻഷ്യൽ)- ക്യൂ FIFO മെഷീൻ ഔട്ട്‌പുട്ടായി കണക്കാക്കേണ്ടത് പ്ലെയിൻ, കോഡ് ദൈർഘ്യം, കോഡ് കോഡ്, ഔട്ട് ക്യൂ. തുടക്കത്തിൽ വിതരണ അനുമാനങ്ങൾ എഴുതുക. കൂടാതെ: ഫലം പരിശോധിക്കാൻ എനിക്ക് എന്ത് വിശകലന പരിശോധന നടത്താനാകും (ഉദാ. M/M/1 ടെയിൽ ഫോർമുലകളുമായി താരതമ്യം ചെയ്യുക)?

ഇവിടെ അവസാനത്തെ വരി നിർണായകമാണ്: സാധ്യമെങ്കിൽ ഒരു നല്ല സിമുലേഷൻ ഒരു വിശകലന പരിശോധനയുമായി താരതമ്യം ചെയ്യുന്നു. മുകളിലുള്ള ലളിതമായ സിസ്റ്റം ഒരു M/M/1 ക്യൂ ആണ്; ഉപയോഗ നിരക്ക് ρ = 3.5/4 = 0.875, സിസ്റ്റത്തിലെ ശരാശരി സംഖ്യ L = ρ/(1−ρ) = 0.875/0.125 = 7 എന്നിങ്ങനെയുള്ള സൈദ്ധാന്തിക മൂല്യങ്ങൾക്കൊപ്പം സിമുലേഷൻ ഫലം ഉണ്ടായിരിക്കണം.

മുന്നറിയിപ്പ്: ഇൻപുട്ട് അനുമാനങ്ങൾ ("ഗാർബേജ് ഇൻ, ഗാർബേജ് ഔട്ട്") പോലെ മാത്രമേ സിമുലേഷൻ ഔട്ട്പുട്ട് മികച്ചതായിരിക്കും. AI ചിലപ്പോൾ വിതരണത്തെ സ്ഥിരീകരിക്കാതെ അനുമാനിക്കുന്നു അല്ലെങ്കിൽ ഒറ്റ റണ്ണിൻ്റെ ഫലം കഠിനമായ സത്യമായി അവതരിപ്പിക്കുന്നു. ഒന്നിലധികം റൺസ് പ്രവർത്തിപ്പിക്കുക (റെപ്ലിക്കേഷനുകൾ), ആത്മവിശ്വാസ ഇടവേളകൾ കണക്കാക്കുക, യഥാർത്ഥ ഡാറ്റ ഉപയോഗിച്ച് ഇൻപുട്ട് വിതരണങ്ങൾ പരിശോധിക്കുക.

മിനി കേസ്: തെറ്റായ അനുമാനങ്ങളുമായുള്ള അനുകരണം

ഒരു അസംബ്ലി ലൈനിൽ, രണ്ടാമത്തെ പാക്കിംഗ് സ്റ്റേഷൻ ചേർക്കുന്നത് ക്യൂവിനെ ഇല്ലാതാക്കുമെന്ന് മാനേജ്‌മെൻ്റ് കരുതുന്നു. ഇൻഡസ്ട്രിയൽ എഞ്ചിനീയർ ഡെനിസ് AI ഉപയോഗിച്ച് ഒരു DES മോഡൽ നിർമ്മിക്കുന്നു. ആദ്യ ഫലം പറയുന്നത് "രണ്ടാമത്തെ സ്റ്റേഷൻ ക്യൂ 70% കുറയ്ക്കുന്നു" എന്നാണ്. എന്നാൽ ഡെനിസ് ഇൻപുട്ട് ഡിസ്ട്രിബ്യൂഷൻ പരിശോധിക്കുമ്പോൾ, യഥാർത്ഥ വരവ് ഡാറ്റ എക്‌സ്‌പോണൻഷ്യൽ അല്ലെന്നും ഉച്ചഭക്ഷണ ഇടവേളയിൽ കേന്ദ്രീകരിക്കുന്ന ഒരു "സ്ഫോടനാത്മക" ഘടനയുണ്ടെന്നും അദ്ദേഹം കാണുന്നു. ശരിയായ വിതരണത്തോടെ ഞങ്ങൾ മോഡൽ വീണ്ടും പ്രവർത്തിപ്പിക്കുമ്പോൾ, രണ്ടാമത്തെ സ്റ്റേഷൻ യഥാർത്ഥ തടസ്സം പരിഹരിക്കുന്നില്ലെന്നും ബ്രേക്ക് ആസൂത്രണത്തിലാണ് പ്രശ്നം. സിമുലേഷൻ അനാവശ്യമായി നിക്ഷേപം ശുപാർശ ചെയ്യുന്നത് ലാഭിക്കുന്നു. പാഠം: AI വേഗത്തിൽ മോഡൽ നിർമ്മിച്ചു, പക്ഷേ തെറ്റായ അനുമാനത്തിൽ തെറ്റായ തീരുമാനം നിർദ്ദേശിച്ചു; ശരിയായ ഡാറ്റ ഇട്ട വ്യക്തിയാണ്.

സാധാരണ തെറ്റുകൾ

• കെപിഐയെ തെറ്റായി നിർവചിക്കുന്നു: OEE ഘടകങ്ങൾ കൂട്ടിച്ചേർക്കൽ അല്ലെങ്കിൽ സൈക്കിളും ലീഡ് സമയവും ആശയക്കുഴപ്പത്തിലാക്കുന്നു.
• കെപിഐ പണപ്പെരുപ്പം: ഡസൻ കണക്കിന് സൂചകങ്ങൾ ഡാഷ്‌ബോർഡിൽ ഇടുന്നു, അത് തീരുമാനത്തിന് അനുയോജ്യമല്ല.
• ഒരു റണ്ണിൽ ആശ്രയിക്കുന്നു: സിമുലേഷൻ ഒരിക്കൽ പ്രവർത്തിപ്പിച്ച് ഫലം ഉറപ്പാണ്; അനുകരണമല്ല.
• ഇൻപുട്ട് വിതരണത്തെ സാധൂകരിക്കുന്നില്ല: ഡിഫോൾട്ട് (എക്‌സ്‌പോണൻഷ്യൽ, മുതലായവ) വിതരണത്തെ യഥാർത്ഥ ഡാറ്റയുമായി താരതമ്യം ചെയ്യുന്നില്ല.
• അനലിറ്റിക്കൽ ചെക്കിംഗ് മറികടക്കുന്നു: ലളിതമായ സിസ്റ്റങ്ങളിൽ സൈദ്ധാന്തിക ക്യൂയിംഗ് ഫോർമുല ഉപയോഗിച്ച് സിമുലേഷൻ ക്രോസ്-ചെക്ക് ചെയ്യരുത്.

ചുരുക്കത്തിൽ

• കെപിഐയുടെ ശക്തി ശരിയായ നിർവചനത്തിൽ നിന്നാണ് വരുന്നത്; OEE ഉൽപ്പന്നമാണ്, ലിറ്റിൽ നിയമം WIP-ഫ്ലോ-ഔട്ട്പുട്ടിനെ ബന്ധിപ്പിക്കുന്നു.
• ഒരു നല്ല ഡാഷ്‌ബോർഡ് ശരിയായ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു, ധാരാളം നമ്പറുകളല്ല; ഉപയോക്താവ്, ഉദാഹരണം, ഡാറ്റ ഉറവിടം എന്നിവ വ്യക്തമായിരിക്കണം.
• യഥാർത്ഥ സിസ്റ്റത്തെ തകർക്കാതെ DES സാഹചര്യങ്ങൾ പരീക്ഷിക്കുന്നു; ഇൻപുട്ട് വിതരണം ഫലത്തിൻ്റെ ഗുണനിലവാരം നിർണ്ണയിക്കുന്നു.
• അനുകരണത്തെ പകർപ്പ് (ആത്മവിശ്വാസ ഇടവേള) വഴിയും സാധ്യമെങ്കിൽ, വിശകലന ഫോർമുല വഴിയും സാധൂകരിക്കുക.
• AI വേഗത്തിൽ മോഡലും ബോർഡും നിർമ്മിക്കുന്നു; അനുമാനങ്ങൾ ശരിയായി സ്ഥാപിക്കുകയും ഫലം വ്യാഖ്യാനിക്കുകയും ചെയ്യുന്ന വ്യക്തിയാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു പ്രൊഡക്ഷൻ/സർവീസ് സിസ്റ്റം തിരഞ്ഞെടുക്കുക. ആദ്യം നിങ്ങൾക്ക് 5 KPI-കളോ അതിൽ കുറവോ ഉള്ള ഒരു ഷിഫ്റ്റ് ഡാഷ്‌ബോർഡ് AI രൂപകൽപ്പന ചെയ്യുക; ഓരോ കെപിഐയുടെയും നിർവചനവും ഫോർമുലയും കാണിക്കുകയും OEE ഉണ്ടെങ്കിൽ മൂന്ന് ഘടകങ്ങളും ഗുണിച്ചിട്ടുണ്ടോയെന്ന് പരിശോധിക്കുകയും ചെയ്യുക. ലളിതമായ ക്യൂയിംഗ് സിസ്റ്റത്തിനായി (സിംഗിൾ സെർവർ) AI ഒരു SimPy അസ്ഥികൂടം പ്രിൻ്റ് ചെയ്ത് മുകളിൽ ഇൻപുട്ട് വിതരണ അനുമാനങ്ങൾ പ്രിൻ്റ് ചെയ്യുക. നിർണ്ണായക പരിശോധന: സിസ്റ്റത്തെ ഒരു M/M/1 ക്യൂ ആയി കണക്കാക്കുക, കൂടാതെ ഉപയോഗ നിരക്ക് ρ, സിസ്റ്റത്തിലെ ശരാശരി സംഖ്യ L എന്നിവ സ്വമേധയാ കണക്കാക്കുക, സിമുലേഷൻ ഫലവുമായി താരതമ്യം ചെയ്യുക. അവസാനമായി, ഇൻപുട്ട് വിതരണത്തിൻ്റെ യാഥാർത്ഥ്യത്തെ ചോദ്യം ചെയ്തുകൊണ്ട് ഒരു സാഹചര്യം മാറ്റം നിർദ്ദേശിക്കുക (രണ്ടാമത്തെ സെർവർ ചേർക്കുക) കൂടാതെ AI യുടെ ഫലത്തെ വിമർശിക്കുക.