ਲਾਭ:
- ਉਤਪਾਦਨ KPIs ਜਿਵੇਂ ਕਿ OEE, ਸਾਈਕਲ ਸਮਾਂ ਅਤੇ WIP ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਗਣਨਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- AI ਨਾਲ ਡੈਸ਼ਬੋਰਡ ਡਿਜ਼ਾਈਨ, ਡਿਸਕ੍ਰੀਟ ਇਵੈਂਟ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਦ੍ਰਿਸ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਕੌਂਫਿਗਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਇਨਪੁਟ ਧਾਰਨਾਵਾਂ ਅਤੇ ਅਸਲ ਡੇਟਾ ਦੇ ਨਾਲ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਡੈਸ਼ਬੋਰਡ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰ ਮਾਪ ਦੇ ਅਧਾਰ 'ਤੇ ਫੈਸਲੇ ਲੈਂਦੇ ਹਨ, ਨਾ ਕਿ ਸੂਝ ਦੇ ਅਧਾਰ 'ਤੇ। ਸਹੀ ਢੰਗ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ KPIs (ਮੁੱਖ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕ) ਇੱਕ ਉਤਪਾਦਨ ਪ੍ਰਣਾਲੀ ਦੀ ਨਬਜ਼ ਨੂੰ ਰੱਖਦੇ ਹਨ; ਸਿਮੂਲੇਸ਼ਨ, ਦੂਜੇ ਪਾਸੇ, "ਕੀ ਜੇ?" ਅਸਲ ਸਿਸਟਮ ਨੂੰ ਰੋਕੇ ਬਿਨਾਂ. ਭਰੋਸੇ ਨਾਲ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। AI ਦੋਵਾਂ ਵਿੱਚ ਇੱਕ ਐਕਸਲੇਟਰ ਹੈ: ਇਹ KPI ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਡੈਸ਼ਬੋਰਡ ਡਿਜ਼ਾਈਨ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਸਿਮੂਲੇਸ਼ਨ ਮਾਡਲ ਦਾ ਪਿੰਜਰ ਬਣਾਉਂਦਾ ਹੈ, ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਤੁਲਨਾ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, KPIs ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਦੋਵੇਂ "ਗਲਤ ਪਰਿਭਾਸ਼ਾ" ਅਤੇ "ਗਲਤ ਧਾਰਨਾ" ਦੇ ਜਾਲ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲ ਹਨ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਤਸਦੀਕ ਦੇ ਅਨੁਸ਼ਾਸਨ ਦੇ ਨਾਲ ਉਤਪਾਦਨ KPIs, ਡੈਸ਼ਬੋਰਡ ਡਿਜ਼ਾਈਨ ਅਤੇ ਵੱਖਰੇ ਇਵੈਂਟ ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ।
ਸਹੀ KPI ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ
ਇੱਕ ਗਲਤ ਢੰਗ ਨਾਲ ਗਣਨਾ ਕੀਤੀ KPI ਕਿਸੇ ਵੀ KPI ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਖ਼ਤਰਨਾਕ ਹੈ ਕਿਉਂਕਿ ਇਹ ਝੂਠਾ ਭਰੋਸਾ ਦਿੰਦਾ ਹੈ। ਸਭ ਤੋਂ ਆਮ ਉਤਪਾਦਨ KPIs:
ਕੇ.ਪੀ.ਆਈ
ਵਰਣਨ
ਧਿਆਨ
ਓ.ਈ.ਈ
ਉਪਯੋਗਤਾ × ਪ੍ਰਦਰਸ਼ਨ × ਗੁਣਵੱਤਾ
ਤਿੰਨ ਭਾਗਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਗਿਣਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
ਚੱਕਰ ਦਾ ਸਮਾਂ
ਟੁਕੜਿਆਂ ਵਿਚਕਾਰ ਸਮਾਂ
ਕੁਸ਼ਲਤਾ ਨਾਲ ਮਿਲਾਉਣਾ
ਡਿਲਿਵਰੀ ਸਮਾਂ (ਲੀਡ ਟਾਈਮ)
ਆਰਡਰ → ਡਿਲੀਵਰੀ
ਚੱਕਰ ਤੋਂ ਵੱਖਰਾ
ਡਬਲਯੂ.ਆਈ.ਪੀ
ਅਰਧ-ਮੁਕੰਮਲ ਉਤਪਾਦ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਹੈ
ਲਿਟਲ ਦੇ ਕਾਨੂੰਨ ਦੁਆਰਾ ਬੰਨ੍ਹਿਆ ਹੋਇਆ ਹੈ
ਕੂੜਾ/ਸਕ੍ਰੈਪ ਅਨੁਪਾਤ
ਗਲਤ/ਕੁੱਲ
ਰਿਜ਼ਰਵ ਮੁੜ ਕੰਮ
ਸਮੇਂ 'ਤੇ ਡਿਲੀਵਰੀ (OTD)
ਸਮੇਂ 'ਤੇ / ਕੁੱਲ ਆਰਡਰ
ਅੰਸ਼ਕ ਡਿਲੀਵਰੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ
OEE ਉਦਾਹਰਨ: ਜੇਕਰ ਉਪਲਬਧਤਾ 90% ਹੈ, ਕਾਰਗੁਜ਼ਾਰੀ 95% ਹੈ, ਗੁਣਵੱਤਾ 98% ਹੈ:
OEE = 0.90 × 0.95 × 0.98 = 0.8379 ≈ 83.8%
ਇੱਕ ਆਮ ਗਲਤੀ ਇਹ ਹੈ ਕਿ ਇਹਨਾਂ ਤਿੰਨ ਨੰਬਰਾਂ ਨੂੰ ਜੋੜਨਾ ਅਤੇ ਉਹਨਾਂ ਦਾ ਔਸਤ ਕਰਨਾ; OEE ਗੁਣਾ ਹੈ, ਇਸਲਈ ਹਰੇਕ ਭਾਗ ਨਤੀਜੇ ਨੂੰ ਮਿਸ਼ਰਿਤ ਕਰਦਾ ਹੈ।
ਲਿਟਲਜ਼ ਲਾਅ WIP-ਥਰੂਪੁਟ-ਫਲੋ ਟਾਈਮ ਰਿਸ਼ਤਾ ਸਥਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ:
WIP = ਥ੍ਰੂਪੁੱਟ × ਫਲੋ ਟਾਈਮ ਉਦਾਹਰਨ: ਲਾਈਨ 'ਤੇ ਔਸਤਨ 30 ਟੁਕੜੇ (ਡਬਲਯੂਆਈਪੀ) ਹਨ, ਜੇਕਰ ਆਉਟਪੁੱਟ 6 ਟੁਕੜੇ/ਘੰਟੇ ਦਾ ਪ੍ਰਵਾਹ ਸਮਾਂ = WIP / ਆਉਟਪੁੱਟ = 30 / 6 = 5 ਘੰਟੇ ਹੈ
ਸੁਝਾਅ: ਜਦੋਂ ਤੁਹਾਡੇ ਕੋਲ AI ਇੱਕ KPI ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਸਦੀ ਪਰਿਭਾਸ਼ਾ ਵੀ ਛਾਪੋ। "ਓਈਈ ਕੀ ਹੈ, ਤੁਸੀਂ ਕਿਸ ਫਾਰਮੂਲੇ ਨਾਲ ਇਸਦਾ ਹਿਸਾਬ ਲਗਾਇਆ?" ਪੁੱਛੋ AI ਕਈ ਵਾਰ OEE ਦੀ ਬਜਾਏ ਸਿਰਫ ਉਪਲਬਧਤਾ ਦਿੰਦਾ ਹੈ ਜਾਂ ਗੁਣਵੱਤਾ ਵਾਲੇ ਹਿੱਸੇ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ; ਪਰਿਭਾਸ਼ਾ ਦੇਖੇ ਬਿਨਾਂ ਨੰਬਰ 'ਤੇ ਭਰੋਸਾ ਨਾ ਕਰੋ।
KPI ਡੈਸ਼ਬੋਰਡ ਡਿਜ਼ਾਈਨ
ਇੱਕ ਚੰਗਾ ਡੈਸ਼ਬੋਰਡ ਬਹੁਤ ਸਾਰੇ ਨੰਬਰ ਨਹੀਂ ਦਿਖਾਉਂਦਾ; ਸਹੀ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। AI ਇਹ ਦੱਸਣ ਵਿੱਚ ਮਦਦਗਾਰ ਹੈ ਕਿ ਕਿਸ KPIs ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਕਿਸ ਦਰਸ਼ਕਾਂ ਲਈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਕਿਵੇਂ ਸਮੂਹ ਕਰਨਾ ਹੈ।
ਭੂਮਿਕਾ: ਤੁਸੀਂ ਉਤਪਾਦਨ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਅਨੁਭਵ ਦੇ ਨਾਲ ਇੱਕ ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰ ਹੋ। ਕੰਮ: ਇੱਕ CNC ਦੁਕਾਨ ਲਈ ਇੱਕ ਐਡਮਿਨ ਡੈਸ਼ਬੋਰਡ ਡਿਜ਼ਾਈਨ ਕਰੋ। ਨਿਸ਼ਚਿਤ ਕਰੋ: 1. 6 KPIs ਤੱਕ (ਹਰੇਕ ਲਈ ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਫਾਰਮੂਲਾ) 2. ਹਰੇਕ KPI ਲਈ ਟੀਚਾ ਮੁੱਲ ਪ੍ਰਸਤਾਵ ਅਤੇ "ਚੰਗਾ/ਧਿਆਨ/ਬੁਰਾ" ਥ੍ਰੈਸ਼ਹੋਲਡ।3। ਕਿਹੜਾ KPI ਕਿਸ ਚਾਰਟ (ਰੁਝਾਨ, ਸੂਚਕ, ਚਾਰਟ) 'ਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਹੋਵੇਗਾ। 3 ਪ੍ਰਬੰਧਨ ਡੈਸ਼ਬੋਰਡ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦੇ ਹਨ। ਨਿਯਮ: ਕੇਪੀਆਈ ਮਹਿੰਗਾਈ ਤੋਂ ਬਚੋ; ਸਮਝਾਓ ਕਿ ਹਰੇਕ ਸੂਚਕ ਇੱਕ ਫੈਸਲਾ ਦਿੰਦਾ ਹੈ। ਇੱਕ ਬਣਾਇਆ ਗਿਆ ਟੀਚਾ ਮੁੱਲ ਨਾ ਦਿਓ, ਕਹੋ "ਇਸ ਨੂੰ ਸੈਕਟਰ ਦੇ ਅਨੁਸਾਰ ਐਡਜਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ"।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੈਨੂੰ ਇੱਕ ਉਤਪਾਦਨ ਬੋਰਡ ਬਣਾਉ.
ਜੇ ਕੋਈ ਟੀਚਾ ਦਰਸ਼ਕ, ਡੇਟਾ ਸਰੋਤ ਅਤੇ ਉਦੇਸ਼ ਨਹੀਂ ਹੈ, ਤਾਂ AI ਇੱਕ ਆਮ ਸੂਚੀ ਨੂੰ ਡੰਪ ਕਰ ਦੇਵੇਗਾ; ਕੋਈ ਫੈਸਲਾ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਸ਼ਿਫਟ ਸੁਪਰਵਾਈਜ਼ਰ ਲਈ ਇੱਕ ਬੋਰਡ ਡਿਜ਼ਾਇਨ ਕਰੋ, ਜਿਸ ਨੂੰ ਹਰ ਰੋਜ਼ ਸਵੇਰੇ 5 ਮਿੰਟ ਵਿੱਚ ਪੜ੍ਹਿਆ ਜਾਵੇਗਾ। ਉਦੇਸ਼: ਕੱਲ੍ਹ ਦੀ ਸ਼ਿਫਟ ਵਿੱਚ ਕਿੱਥੇ ਨੁਕਸਾਨ ਹੋਇਆ, ਅੱਜ ਕਿਸ ਵੱਲ ਧਿਆਨ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ. ਅਧਿਕਤਮ 5 KPIs, ਹਰੇਕ ਪਰਿਭਾਸ਼ਾ + ਫਾਰਮੂਲਾ + ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਾਲ। ਮੇਰੇ ਡੇਟਾ ਸਰੋਤ, MES ਤੋਂ ਘੰਟਾਵਾਰ ਉਤਪਾਦਨ, ਡਾਊਨਟਾਈਮ ਅਤੇ ਬਰਬਾਦੀ ਦੇ ਰਿਕਾਰਡ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਵੇਰਵਿਆਂ ਤੋਂ ਬਚੋ।
ਦੂਜਾ ਪ੍ਰੋਂਪਟ ਉਪਭੋਗਤਾ, ਵਰਤੋਂ ਦੇ ਪਲ ਅਤੇ ਡੇਟਾ ਸਰੋਤ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਦਾ ਹੈ; ਨਤੀਜਾ ਇੱਕ ਬੋਰਡ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ.
ਡਿਸਕ੍ਰੀਟ ਇਵੈਂਟ ਸਿਮੂਲੇਸ਼ਨ (DES)
ਸਿਮੂਲੇਸ਼ਨ ਅਸਲ ਸਿਸਟਮ ਵਿੱਚ ਵਿਘਨ ਪਾਏ ਬਿਨਾਂ ਪ੍ਰਯੋਗ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ: ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਨਵੀਂ ਮਸ਼ੀਨ ਜੋੜਦੇ ਹੋ ਤਾਂ ਕਤਾਰ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ, ਜਦੋਂ ਇੱਕ ਸ਼ਿਫਟ ਬਦਲਦੀ ਹੈ ਤਾਂ ਆਉਟਪੁੱਟ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦਾ ਹੈ? ਡਿਸਕ੍ਰਿਟ ਈਵੈਂਟ ਸਿਮੂਲੇਸ਼ਨ (ਡੀਈਐਸ) ਸਿਸਟਮ ਨੂੰ "ਈਵੈਂਟਸ" (ਅੰਸ਼ਕ ਆਗਮਨ, ਪ੍ਰਕਿਰਿਆ ਮੁਕੰਮਲ) ਦੇ ਕ੍ਰਮ ਵਜੋਂ ਮਾਡਲ ਬਣਾਉਂਦਾ ਹੈ। ਬੁਨਿਆਦੀ ਇਨਪੁਟਸ: ਅੰਤਰ-ਆਗਮਨ ਸਮਾਂ ਵੰਡ, ਸੇਵਾ ਸਮੇਂ ਦੀ ਵੰਡ, ਸਰੋਤਾਂ ਦੀ ਗਿਣਤੀ, ਕਤਾਰ ਅਨੁਸ਼ਾਸਨ।
ਰੋਲ: ਤੁਸੀਂ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਅਨੁਭਵੀ ਇੱਕ ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰ ਹੋ। ਕੰਮ: ਹੇਠ ਦਿੱਤੇ ਸਿਸਟਮ ਨੂੰ Python SimPy ਨਾਲ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਇੱਕ ਫਰੇਮਵਰਕ ਲਿਖੋ:- ਪਾਰਟਸ ਔਸਤਨ ਹਰ 4 ਮਿੰਟ ਵਿੱਚ ਆਉਂਦੇ ਹਨ (ਘਾਤ ਅੰਕੀ ਵੰਡ)- ਸਿੰਗਲ ਮਸ਼ੀਨ, ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਾਂ ਔਸਤ 3.5 ਮਿੰਟ (ਘਾਤ-ਅੰਕ)- ਕਤਾਰ FIFOW ਮੈਨੂੰ ਆਉਟਪੁੱਟ ਦੇ ਤੌਰ 'ਤੇ ਮਾਪਣ ਦੀ ਲੋੜ ਹੈ: ਔਸਤ, ਮਸ਼ੀਨ ਦੀ ਲੰਬਾਈ ਦੀ ਉਡੀਕ, ਔਸਤਨ ਕੋਡ ਦੀ ਲੰਬਾਈ ਦੇ ਨਾਲ। ਟਿੱਪਣੀਆਂ; ਸ਼ੁਰੂ ਵਿੱਚ ਵੰਡ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਲਿਖੋ। ਇਹ ਵੀ: ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਮੈਂ ਕੀ ਵਿਸ਼ਲੇਸ਼ਣੀ ਜਾਂਚ ਕਰ ਸਕਦਾ ਹਾਂ (ਜਿਵੇਂ ਕਿ M/M/1 ਟੇਲ ਫਾਰਮੂਲੇ ਨਾਲ ਤੁਲਨਾ)?
ਇੱਥੇ ਆਖਰੀ ਲਾਈਨ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਇੱਕ ਵਧੀਆ ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਤੁਲਨਾ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਜਾਂਚ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜੇਕਰ ਸੰਭਵ ਹੋਵੇ। ਉਪਰੋਕਤ ਸਧਾਰਨ ਸਿਸਟਮ ਇੱਕ M/M/1 ਕਤਾਰ ਹੈ; ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜਾ ਸਿਧਾਂਤਕ ਮੁੱਲਾਂ ਜਿਵੇਂ ਕਿ ਉਪਯੋਗਤਾ ਦਰ ρ = 3.5/4 = 0.875 ਅਤੇ ਸਿਸਟਮ L = ρ/(1−ρ) = 0.875/0.125 = 7 ਵਿੱਚ ਔਸਤ ਸੰਖਿਆ ਦੇ ਨਾਲ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
ਸਾਵਧਾਨ: ਸਿਮੂਲੇਸ਼ਨ ਆਉਟਪੁੱਟ ਸਿਰਫ ਇਨਪੁਟ ਧਾਰਨਾਵਾਂ ("ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ") ਜਿੰਨਾ ਵਧੀਆ ਹੈ। AI ਕਈ ਵਾਰ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਵੰਡ ਨੂੰ ਮੰਨ ਲੈਂਦਾ ਹੈ ਜਾਂ ਇੱਕ ਸਿੰਗਲ ਰਨ ਦੇ ਨਤੀਜੇ ਨੂੰ ਸਖ਼ਤ ਸੱਚ ਵਜੋਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਕਈ ਰਨ (ਰਿਪਲੀਕੇਸ਼ਨ) ਚਲਾਓ, ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲਾਂ ਦੀ ਗਣਨਾ ਕਰੋ, ਅਤੇ ਅਸਲ ਡੇਟਾ ਨਾਲ ਇਨਪੁਟ ਵੰਡਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
ਮਿੰਨੀ ਕੇਸ: ਝੂਠੀਆਂ ਧਾਰਨਾਵਾਂ ਦੇ ਨਾਲ ਸਿਮੂਲੇਸ਼ਨ
ਅਸੈਂਬਲੀ ਲਾਈਨ 'ਤੇ, ਪ੍ਰਬੰਧਨ ਸੋਚਦਾ ਹੈ ਕਿ ਦੂਜਾ ਪੈਕਿੰਗ ਸਟੇਸ਼ਨ ਜੋੜਨਾ ਕਤਾਰ ਨੂੰ ਖਤਮ ਕਰ ਦੇਵੇਗਾ। ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰ ਡੇਨੀਜ਼ AI ਨਾਲ ਇੱਕ DES ਮਾਡਲ ਬਣਾਉਂਦਾ ਹੈ। ਪਹਿਲਾ ਨਤੀਜਾ ਕਹਿੰਦਾ ਹੈ "ਦੂਜਾ ਸਟੇਸ਼ਨ ਕਤਾਰ ਨੂੰ 70% ਘਟਾਉਂਦਾ ਹੈ"। ਪਰ ਜਦੋਂ ਡੇਨਿਜ਼ ਇਨਪੁਟ ਵੰਡ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਹ ਦੇਖਦਾ ਹੈ ਕਿ ਅਸਲ ਆਗਮਨ ਡੇਟਾ ਘਾਤਕ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ "ਵਿਸਫੋਟਕ" ਬਣਤਰ ਹੈ ਜੋ ਦੁਪਹਿਰ ਦੇ ਖਾਣੇ ਦੇ ਬ੍ਰੇਕ ਦੇ ਦੌਰਾਨ ਕੇਂਦਰਿਤ ਹੁੰਦਾ ਹੈ। ਜਦੋਂ ਅਸੀਂ ਸਹੀ ਵੰਡ ਦੇ ਨਾਲ ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਚਲਾਉਂਦੇ ਹਾਂ, ਤਾਂ ਇਹ ਪਤਾ ਚਲਦਾ ਹੈ ਕਿ ਦੂਜਾ ਸਟੇਸ਼ਨ ਅਸਲ ਰੁਕਾਵਟ ਨੂੰ ਹੱਲ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਅਤੇ ਸਮੱਸਿਆ ਬਰੇਕ ਦੀ ਯੋਜਨਾਬੰਦੀ ਵਿੱਚ ਹੈ. ਸਿਮੂਲੇਸ਼ਨ ਬੇਲੋੜੇ ਨਿਵੇਸ਼ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨ ਤੋਂ ਬਚਾਉਂਦਾ ਹੈ। ਸਬਕ: AI ਨੇ ਮਾਡਲ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਬਣਾਇਆ ਪਰ ਗਲਤ ਧਾਰਨਾ ਦੇ ਨਾਲ ਗਲਤ ਫੈਸਲੇ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ; ਇਹ ਉਹ ਵਿਅਕਤੀ ਸੀ ਜਿਸਨੇ ਸਹੀ ਡੇਟਾ ਪਾ ਦਿੱਤਾ.
ਆਮ ਗਲਤੀਆਂ
- KPI ਦੀ ਗਲਤ ਪਰਿਭਾਸ਼ਾ: OEE ਭਾਗਾਂ ਨੂੰ ਜੋੜਨਾ ਜਾਂ ਚੱਕਰ ਅਤੇ ਲੀਡ ਟਾਈਮ ਨੂੰ ਉਲਝਾਉਣਾ।
- KPI ਮਹਿੰਗਾਈ: ਡੈਸ਼ਬੋਰਡ 'ਤੇ ਦਰਜਨਾਂ ਸੂਚਕਾਂ ਨੂੰ ਲਗਾਉਣਾ ਜੋ ਫੈਸਲੇ ਨੂੰ ਪੂਰਾ ਨਹੀਂ ਕਰਦੇ ਹਨ।
- ਇੱਕ ਦੌੜ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ: ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਇੱਕ ਵਾਰ ਚਲਾਉਣਾ ਅਤੇ ਇਹ ਮੰਨਣਾ ਕਿ ਨਤੀਜਾ ਨਿਸ਼ਚਿਤ ਹੈ; ਨਕਲ ਨਹੀਂ।
- ਇਨਪੁਟ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਕਰਨਾ: ਡਿਫੌਲਟ (ਘਾਤਕ, ਆਦਿ) ਵੰਡ ਦੀ ਅਸਲ ਡੇਟਾ ਨਾਲ ਤੁਲਨਾ ਨਹੀਂ ਕਰਨਾ।
- ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਜਾਂਚ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ: ਸਧਾਰਨ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਸਿਧਾਂਤਕ ਕਤਾਰ ਫਾਰਮੂਲੇ ਨਾਲ ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਕਰਾਸ-ਚੈਕਿੰਗ ਨਹੀਂ ਕਰਨਾ।
ਸੰਖੇਪ ਵਿੱਚ
- ਕੇਪੀਆਈ ਦੀ ਸ਼ਕਤੀ ਸਹੀ ਪਰਿਭਾਸ਼ਾ ਤੋਂ ਆਉਂਦੀ ਹੈ; OEE ਉਤਪਾਦ ਹੈ, ਲਿਟਲਜ਼ ਲਾਅ WIP-ਫਲੋ-ਆਉਟਪੁੱਟ ਨੂੰ ਜੋੜਦਾ ਹੈ।
- ਇੱਕ ਚੰਗਾ ਡੈਸ਼ਬੋਰਡ ਸਹੀ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਬਹੁਤ ਸਾਰੇ ਨੰਬਰ ਨਹੀਂ; ਉਪਭੋਗਤਾ, ਉਦਾਹਰਣ, ਅਤੇ ਡੇਟਾ ਸਰੋਤ ਸਪਸ਼ਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
- DES ਅਸਲ ਪ੍ਰਣਾਲੀ ਨੂੰ ਤੋੜੇ ਬਿਨਾਂ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ; ਇੰਪੁੱਟ ਵੰਡ ਨਤੀਜੇ ਦੀ ਗੁਣਵੱਤਾ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ।
- ਪ੍ਰਤੀਕ੍ਰਿਤੀ (ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ) ਦੁਆਰਾ ਅਤੇ, ਜੇ ਸੰਭਵ ਹੋਵੇ, ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਫਾਰਮੂਲੇ ਦੁਆਰਾ ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ।
- ਏਆਈ ਜਲਦੀ ਮਾਡਲ ਅਤੇ ਬੋਰਡ ਬਣਾਉਂਦਾ ਹੈ; ਇਹ ਉਹ ਵਿਅਕਤੀ ਹੈ ਜੋ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਰੱਖਦਾ ਹੈ ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ.
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਉਤਪਾਦਨ/ਸੇਵਾ ਸਿਸਟਮ ਚੁਣੋ। ਪਹਿਲਾਂ ਤੁਹਾਡੇ ਕੋਲ 5 KPIs ਜਾਂ ਘੱਟ ਦੇ ਨਾਲ ਇੱਕ ਸ਼ਿਫਟ ਡੈਸ਼ਬੋਰਡ ਡਿਜ਼ਾਈਨ ਕਰਨ ਵਾਲਾ AI ਹੈ; ਹਰੇਕ KPI ਦੀ ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਫਾਰਮੂਲਾ ਦਿਖਾਓ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰੋ ਕਿ ਜੇਕਰ OEE ਮੌਜੂਦ ਹੈ ਤਾਂ ਤਿੰਨ ਭਾਗਾਂ ਨੂੰ ਗੁਣਾ ਕੀਤਾ ਗਿਆ ਹੈ। ਫਿਰ AI ਨੂੰ ਇੱਕ ਸਧਾਰਨ ਕਤਾਰ ਸਿਸਟਮ (ਸਿੰਗਲ ਸਰਵਰ) ਲਈ ਇੱਕ ਸਿਮਪੀ ਸਕੈਲੇਟਨ ਪ੍ਰਿੰਟ ਕਰੋ ਅਤੇ ਸਿਖਰ 'ਤੇ ਇਨਪੁਟ ਵੰਡ ਧਾਰਨਾਵਾਂ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰੋ। ਨਾਜ਼ੁਕ ਤਸਦੀਕ: ਸਿਸਟਮ ਨੂੰ M/M/1 ਕਤਾਰ ਵਜੋਂ ਵਿਚਾਰੋ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜੇ ਨਾਲ ਤੁਲਨਾ ਕਰੋ, ਸਿਸਟਮ ਵਿੱਚ ਉਪਯੋਗਤਾ ਦਰ ρ ਅਤੇ ਔਸਤ ਨੰਬਰ L ਦੀ ਦਸਤੀ ਗਣਨਾ ਕਰੋ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਦ੍ਰਿਸ਼ ਤਬਦੀਲੀ ਦਾ ਸੁਝਾਅ ਦਿਓ (ਇੱਕ ਦੂਜਾ ਸਰਵਰ ਜੋੜਨਾ) ਅਤੇ ਇੰਪੁੱਟ ਵੰਡ ਦੇ ਯਥਾਰਥਵਾਦ 'ਤੇ ਸਵਾਲ ਚੁੱਕ ਕੇ AI ਦੇ ਨਤੀਜੇ ਦੀ ਆਲੋਚਨਾ ਕਰੋ।