नफा:
- OEE, सायकल वेळ आणि WIP सारख्या उत्पादन KPIs अचूकपणे परिभाषित आणि गणना करण्याची क्षमता
- AI सह डॅशबोर्ड डिझाइन, स्वतंत्र इव्हेंट सिम्युलेशन आणि परिस्थिती विश्लेषण कॉन्फिगर करण्याची क्षमता
- इनपुट गृहीतके आणि वास्तविक डेटासह सिम्युलेशन आणि डॅशबोर्ड आउटपुट सत्यापित करण्याची क्षमता
औद्योगिक अभियंते अंतर्ज्ञान नव्हे तर मोजमापावर आधारित निर्णय घेतात. योग्यरित्या परिभाषित केपीआय (मुख्य कामगिरी निर्देशक) उत्पादन प्रणालीची नाडी ठेवतात; दुसरीकडे, सिम्युलेशन, "काय तर?" वास्तविक प्रणाली न थांबवता. आत्मविश्वासाने प्रश्नाचे उत्तर देतो. AI दोन्हीमध्ये एक प्रवेगक आहे: ते KPI व्याख्या आणि डॅशबोर्ड डिझाइनचा मसुदा तयार करते, सिम्युलेशन मॉडेलचा सांगाडा तयार करते, परिस्थिती तुलनांचा अर्थ लावते. तथापि, KPIs आणि सिम्युलेशन दोन्ही "चुकीची व्याख्या" आणि "चुकीचे गृहितक" च्या सापळ्यांना बळी पडतात. या युनिटमध्ये, आम्ही पडताळणीच्या शिस्तीसह उत्पादन KPIs, डॅशबोर्ड डिझाइन आणि वेगळे इव्हेंट सिम्युलेशन समाविष्ट करू.
योग्य KPI योग्यरित्या परिभाषित करणे
चुकीच्या पद्धतीने मोजलेले KPI हे KPI पेक्षा जास्त धोकादायक आहे कारण ते चुकीचा आत्मविश्वास देते. सर्वात सामान्य उत्पादन KPIs:
KPI
वर्णन
लक्ष द्या
ओईई
उपयोगिता × कार्यप्रदर्शन × गुणवत्ता
तीन घटकांची स्वतंत्रपणे गणना करणे आवश्यक आहे
सायकल वेळ
तुकड्यांमधील वेळ
चातुर्य सह मिसळणे
वितरण वेळ (आधी वेळ)
ऑर्डर → वितरण
सायकलपेक्षा वेगळे
WIP
अर्ध-तयार उत्पादन प्रक्रियेत आहे
लिटलच्या कायद्याने बांधील
कचरा/भंगार प्रमाण
चुकीचे / एकूण
रिझर्व्ह रिवर्क
वेळेवर वितरण (OTD)
वेळेवर / एकूण ऑर्डर
आंशिक वितरण परिभाषित करा
OEE उदाहरण: जर उपलब्धता 90% असेल, कामगिरी 95% असेल, गुणवत्ता 98% असेल:
OEE = ०.९० × ०.९५ × ०.९८ = ०.८३७९ ≈ ८३.८%
ही तीन संख्या जोडणे आणि त्यांची सरासरी काढणे ही एक सामान्य चूक आहे; OEE गुणाकार आहे, म्हणून प्रत्येक घटक परिणाम संयुग करतो.
लिटल्स लॉ WIP-थ्रूपुट-फ्लो टाइम संबंध स्थापित करतो आणि खूप शक्तिशाली आहे:
WIP = थ्रूपुट × फ्लो टाइम उदाहरण: ओळीवर सरासरी 30 तुकडे (डब्ल्यूआयपी) आहेत, जर आउटपुट 6 तुकडे/तास फ्लो टाइम = WIP/आउटपुट = 30 / 6 = 5 तास
टीप: जेव्हा तुमच्याकडे AI असेल तेव्हा KPI ची गणना करा, त्याची व्याख्या देखील प्रिंट करा. "ओईई म्हणजे काय, तुम्ही त्याची गणना कोणत्या सूत्राने केली?" विचारा AI कधीकधी OEE ऐवजी फक्त उपलब्धता देते किंवा गुणवत्ता घटक वगळते; व्याख्या पाहिल्याशिवाय नंबरवर विश्वास ठेवू नका.
KPI डॅशबोर्ड डिझाइन
चांगला डॅशबोर्ड जास्त संख्या दाखवत नाही; योग्य प्रश्नांची उत्तरे देतो. AI कोणत्या KPI ला कोणत्या प्रेक्षकांसाठी अर्थपूर्ण आहे आणि त्यांचे गट कसे करावे हे स्पष्ट करण्यात मदत करते.
भूमिका: तुम्ही उत्पादन विश्लेषणाचा अनुभव असलेले औद्योगिक अभियंता आहात. कार्य: CNC दुकानासाठी प्रशासक डॅशबोर्ड डिझाइन करा. निर्दिष्ट करा:1. 6 KPI पर्यंत (प्रत्येकसाठी व्याख्या आणि सूत्र).2. प्रत्येक KPI साठी लक्ष्य मूल्य प्रस्ताव आणि “चांगले/लक्ष/वाईट” थ्रेशोल्ड.3. कोणत्या चार्टवर कोणता KPI प्रदर्शित केला जाईल (ट्रेंड, इंडिकेटर, चार्ट).4. 3 व्यवस्थापन डॅशबोर्डचे प्रश्न उत्तर देतात. नियम: KPI महागाई टाळा; स्पष्ट करा की प्रत्येक निर्देशक निर्णय घेतो. तयार केलेले लक्ष्य मूल्य देऊ नका, "ते क्षेत्रानुसार समायोजित केले पाहिजे" असे म्हणा.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
मला उत्पादन मंडळ बनवा.
लक्ष्यित प्रेक्षक, डेटा स्रोत आणि उद्देश नसल्यास, AI सामान्य सूची टाकेल; निर्णय होत नाही.
शक्तिशाली सूचना:
शिफ्ट सुपरवायझरसाठी एक बोर्ड तयार करा, जो दररोज सकाळी 5 मिनिटांत वाचला जाईल. उद्देशः कालच्या शिफ्टमध्ये कुठे नुकसान झाले, आज कशाकडे लक्ष दिले पाहिजे. कमाल 5 KPI, प्रत्येक परिभाषा + सूत्र + थ्रेशोल्डसह. माझ्या डेटा स्रोत, MES वरून प्रति तास उत्पादन, डाउनटाइम आणि अपव्यय रेकॉर्ड. जास्त तपशील टाळा.
दुसरा प्रॉम्प्ट वापरकर्ता, वापराचा क्षण आणि डेटा स्रोत स्पष्ट करतो; परिणाम प्रत्यक्षात वापरला जाणारा बोर्ड आहे.
डिस्क्रिट इव्हेंट सिम्युलेशन (डीईएस)
सिम्युलेशन हा वास्तविक प्रणालीमध्ये व्यत्यय न आणता प्रयोग करण्याचा एक मार्ग आहे: जेव्हा तुम्ही नवीन मशीन जोडता तेव्हा रांगेचे काय होते, जेव्हा शिफ्ट बदलते तेव्हा आउटपुटवर कसा परिणाम होतो? डिस्क्रिट इव्हेंट सिम्युलेशन (डीईएस) सिस्टीमला "इव्हेंट" (भाग आगमन, प्रक्रिया समाप्त) च्या क्रमानुसार मॉडेल करते. मूलभूत इनपुट: आंतर-आगमन वेळ वितरण, सेवा वेळ वितरण, संसाधनांची संख्या, रांगेची शिस्त.
भूमिका: तुम्ही सिम्युलेशनमध्ये अनुभवी औद्योगिक अभियंता आहात. कार्य: Python SimPy सह खालील प्रणालीचे मॉडेल तयार करण्यासाठी एक फ्रेमवर्क लिहा:- भाग सरासरी दर 4 मिनिटांनी येतात (घातांक वितरण)- सिंगल मशीन, प्रक्रिया वेळ सरासरी 3.5 मिनिटे (घातांक) - रांग FIFOW मला आउटपुट म्हणून मोजण्याची आवश्यकता आहे: सरासरी मशीनची लांबी, प्रतिक्षेत कोड, सरासरी कोडसह. टिप्पण्या वितरण गृहीतके सुरुवातीला लिहा. तसेच: परिणाम सत्यापित करण्यासाठी मी कोणती विश्लेषणात्मक तपासणी करू शकतो (उदा. M/M/1 टेल सूत्रांशी तुलना)?
येथे शेवटची ओळ गंभीर आहे: चांगल्या सिम्युलेशनची तुलना शक्य असल्यास विश्लेषणात्मक तपासणीशी केली जाते. वरील साधी प्रणाली M/M/1 रांग आहे; सिम्युलेशन परिणाम सैद्धांतिक मूल्यांसह धारण केला पाहिजे जसे की उपयोग दर ρ = 3.5/4 = 0.875 आणि सिस्टममधील सरासरी संख्या L = ρ/(1−ρ) = 0.875/0.125 = 7.
खबरदारी: सिम्युलेशन आउटपुट इनपुट गृहीतके जितके चांगले आहे ("कचरा आत, कचरा बाहेर"). AI काहीवेळा वितरणाची पडताळणी न करता गृहीत धरते किंवा एकल रनचा परिणाम कठोर सत्य म्हणून सादर करते. एकाधिक धावा (प्रतिकृती) चालवा, आत्मविश्वास मध्यांतरांची गणना करा आणि वास्तविक डेटासह इनपुट वितरण सत्यापित करा.
मिनी केस: खोट्या गृहितकांसह अनुकरण
असेंबली लाईनवर, व्यवस्थापनाला वाटते की दुसरे पॅकिंग स्टेशन जोडल्याने रांग नष्ट होईल. औद्योगिक अभियंता डेनिझ AI सह DES मॉडेल तयार करतात. पहिला निकाल "दुसरे स्टेशन 70% ने रांग कमी करते" असे म्हणते. पण जेव्हा डेनिज इनपुट वितरण तपासतो तेव्हा तो पाहतो की वास्तविक आगमन डेटा घातांकीय नाही, परंतु लंच ब्रेक दरम्यान केंद्रित असलेली "स्फोटक" रचना आहे. जेव्हा आम्ही योग्य वितरणासह मॉडेल पुन्हा चालवतो, तेव्हा असे दिसून येते की दुसरे स्टेशन वास्तविक अडथळे सोडवत नाही आणि समस्या ब्रेक प्लॅनिंगमध्ये आहे. सिम्युलेशन अनावश्यकपणे गुंतवणुकीची शिफारस करून बचत करते. धडा: एआयने त्वरीत मॉडेल तयार केले परंतु चुकीच्या गृहीतकाने चुकीचा निर्णय सुचवला; योग्य डेटा टाकणारी व्यक्ती होती.
सामान्य चुका
- KPI ची चुकीची व्याख्या: OEE घटक जोडणे किंवा चक्र आणि लीड टाइम गोंधळात टाकणे.
- KPI महागाई: डॅशबोर्डवर डझनभर निर्देशक टाकणे जे निर्णय पूर्ण करत नाहीत.
- एका धावेवर विसंबून राहणे: सिम्युलेशन एकदा चालवणे आणि निकाल निश्चित आहे असे गृहीत धरणे; प्रतिकृती नाही.
- इनपुट वितरण प्रमाणित न करणे: डीफॉल्ट (घातांक, इ.) वितरणाची वास्तविक डेटाशी तुलना न करणे.
- विश्लेषणात्मक तपासणीला बायपास करणे: साध्या सिस्टीममध्ये सैद्धांतिक रांगेतील सूत्रासह सिम्युलेशन क्रॉस-चेक करत नाही.
सारांशात
- केपीआयची शक्ती योग्य व्याख्येतून येते; OEE हे उत्पादन आहे, Little's Law WIP-flow-output ला जोडतो.
- एक चांगला डॅशबोर्ड योग्य प्रश्नांची उत्तरे देतो, जास्त संख्येने नाही; वापरकर्ता, उदाहरण आणि डेटा स्रोत स्पष्ट असणे आवश्यक आहे.
- डीईएस वास्तविक प्रणाली खंडित न करता परिस्थितींचा प्रयत्न करते; इनपुट वितरण परिणामाची गुणवत्ता निर्धारित करते.
- प्रतिकृती (आत्मविश्वास मध्यांतर) आणि शक्य असल्यास, विश्लेषणात्मक सूत्राद्वारे अनुकरण प्रमाणित करा.
- एआय त्वरीत मॉडेल आणि बोर्ड तयार करते; ही व्यक्ती आहे जी गृहितके अचूकपणे मांडते आणि निकालाचा अर्थ लावते.
अर्ज कार्य
उत्पादन/सेवा प्रणाली निवडा. प्रथम तुमच्याकडे 5 KPIs किंवा त्यापेक्षा कमी असलेल्या शिफ्ट डॅशबोर्डची एआय डिझाईन आहे; प्रत्येक KPI ची व्याख्या आणि सूत्र दाखवा आणि OEE उपस्थित असल्यास तीन घटकांचा गुणाकार झाल्याचे सत्यापित करा. नंतर AI ला साध्या रांगेत प्रणाली (सिंगल सर्व्हर) साठी SimPy स्केलेटन प्रिंट करा आणि शीर्षस्थानी इनपुट वितरण गृहितके मुद्रित करा. गंभीर पडताळणी: सिस्टमला M/M/1 रांग म्हणून विचारात घ्या आणि सिम्युलेशन परिणामाशी तुलना करून वापर दर ρ आणि सरासरी क्रमांक L ची मॅन्युअली गणना करा. शेवटी, एक परिस्थिती बदल सुचवा (दुसरा सर्व्हर जोडून) आणि इनपुट वितरणाच्या वास्तववादावर प्रश्नचिन्ह उपस्थित करून AI च्या निकालावर टीका करा.