Zyski:
- Umiejętność określenia, gdzie zastosować sztuczną inteligencję w cyklach odchudzonej produkcji i doskonalenia procesów
- Możliwość przyspieszenia mapy strumienia wartości, analizy odpadów i etapów DMAIC za pomocą uporządkowanych podpowiedzi
- Umiejętność zastosowania dyscypliny walidacji zaleceń AI za pomocą danych terenowych i obserwacji gemba
Inżynieria przemysłowa to zasadniczo dyscyplina, w której można „robić lepiej”: wytwarzać większą wartość przy użyciu tych samych zasobów, uwidoczniać odpady i ograniczać zmienność. Sztuczna inteligencja wkracza do tej dyscypliny nie jako nowy kalkulator czy magiczne rozwiązanie, ale jako potężny partner w myśleniu i projektowaniu. Przy prawidłowym użyciu zmniejsza mapowanie strumienia wartości, klasyfikację odpadów, badania przyczyn źródłowych i raporty dotyczące ulepszeń z godzin do minut. Niewłaściwie użyte generuje sugestie, które nigdy nie miały zastosowania w praktyce, są „idealne na papierze”, ale nie da się ich zastosować w rzeczywistości. W tej części dowiesz się, gdzie umieścić sztuczną inteligencję w cyklu odchudzonej produkcji i jak zweryfikować jej wyniki.
Jakie miejsce zajmuje sztuczna inteligencja w doskonaleniu procesów?
Podzielmy projekt doskonalenia na trzy warstwy: zbieranie danych, analiza/decyzja, raportowanie/komunikacja. AI pomaga przy różnej wadze w tych warstwach.
warstwa
Rola sztucznej inteligencji
rola mężczyzny
zbieranie danych
Projektuje ankietę/formularz i porządkuje dane
Pomiary i obserwacje w terenie (gemba)
analiza/decyzja
Generuje hipotezy, sugeruje metody, przygotowuje obliczenia
Weryfikuje dane, podejmuje decyzję
Raportowanie
A3, prezentacja, streszczenie tekstu, autor projektu
Kontroluje dokładność i ton
Należy zauważyć, że sztuczna inteligencja nie jest w stanie sama generować danych. Tylko pomiar w terenie podaje rzeczywisty czas cyklu maszyny, minuty oczekiwania operatora i czas wymiany matrycy. Sztuczna inteligencja porządkuje, interpretuje i przekształca te surowe dane w hipotezę ulepszeń.
Wskazówka: zawsze pytam AI: „Jakich danych potrzebuję?” Zapytaj także: Ustalenie prawidłowego planu pomiarów przed rozpoczęciem doskonalenia jest znacznie tańsze niż późniejsze przeprowadzenie analizy z błędnymi danymi.
Siedem odpadów (Muda) i klasyfikacja według AI
Uwidocznienie odpadów (muda) leży u podstaw odchudzonej produkcji. Klasyczne siedem marnotrawstw: nadprodukcja, czekanie, niepotrzebny transport, nadmierne przetwarzanie, zapasy, niepotrzebne przemieszczanie się i błędy. Często jako ósmy dodawany jest „niewykorzystany potencjał ludzki”. Sztuczna inteligencja bardzo szybko dzieli narrację procesu na te kategorie.
Rola: Jesteś inżynierem przemysłowym z doświadczeniem w Lean Manufacturing. Zadanie: Podziel następującą narrację procesu na 7 kategorii odpadów (muda). Dla każdego oznaczenia: (1) rodzaj odpadu, (2) zdanie dowodowe, (3) metryka, którą muszę zmierzyć, (4) możliwa szybka poprawa. Opis procesu: """Na linii montażowej operator w każdym cyklu przechodzi 6 metrów, aby odebrać część. Przed kabiną lakierniczą ustawia się kolejka, która średnio trwa 40 minut. Na jednej zmianie zostanie ponownie przetworzonych około 12 części. W magazynie pośrednim gromadzą się półprodukty przez 3 dni.
Siła tego podpowiedzi polega na tym, że sprawia, że wynik jest mierzalny. Nie wystarczy powiedzieć, że „jest niepotrzebny ruch”; Powinno być możliwe stwierdzenie: „operator przechodzi 6 metrów na cykl, łącznie Y metrów w X cyklach dziennie”. Sztuczna inteligencja wskazuje dowód i metrykę do zmierzenia, mierzysz to w terenie i podpinasz liczbę.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Nazwij odpady powstające na tej linii produkcyjnej.
Daje to listę bez kategorii, bez dowodów i bez miar; Najprawdopodobniej powtarzają się popularne zwroty „może być nadmiar zapasów, może wystąpić okres oczekiwania”.
Potężny monit:
Podziel dane dotyczące procesu na 7 kategorii odpadów, przedstaw dowody dla każdej z nich, miernik, który powinienem zmierzyć oraz szacowany wpływ. Sklasyfikuj wpływ jako „niski/średni/wysoki” i zapisz uzasadnienie. Dane: {{ ... }}
Różnica polega na tym, że wyniki można bezpośrednio przełożyć na plan działania. Drugi monit wyświetla hierarchiczną, mierzalną tabelę.
Przyspieszenie cyklu DMAIC dzięki AI
Framework DMAIC (Define-Measure-Analize-Improve-Control) firmy Six Sigma jest powszechnym językiem w projektach usprawniających. Sztuczna inteligencja pomaga inaczej na każdym etapie:
- Zdefiniuj: Wstępną definicję problemu, zakres projektu (SIPOC) i oświadczenie o celu.
- Środek: Plan pomiarów, formularz gromadzenia danych, logika wielkości próbki.
- Przeanalizuj: Lista hipotez, ości (Ishikawa), możliwe przyczyny źródłowe.
- Ulepszanie: alternatywy rozwiązań, sugestie ECRS (eliminuj-połącz-przestaw-uprość).
- Kontrola: Projekt planu kontroli, standardowa instrukcja pracy i monitorowanie KPI.
Utwórz szkielet Ishikawy (w jodełkę) dla następującego problemu. Problem: „Chropowatość powierzchni na maszynie CNC jest powyżej wartości docelowej.” Kategorie: Maszyna, Metoda, Materiał, Człowiek, Pomiar, Środowisko (6M). W każdej kategorii zapisz 3–4 możliwe przyczyny i wskaż, jakie dane powinienem zebrać, aby przetestować każdą przyczynę.
Złota zasada pozostaje niezmienna: każda pierwotna przyczyna sugerowana przez sztuczną inteligencję jest hipotezą, a nie dowodem. Przyczyną chropowatości powierzchni może, ale nie musi, być „zużycie narzędzia tnącego”; Potwierdzają to jedynie dane dotyczące trwałości narzędzia i eksperymenty.
Uwaga: sztuczna inteligencja czasami tworzy łańcuchy powodów, które wydają się bardzo prawdopodobne, ale w praktyce są błędne. Na przykład łatwo jest powiedzieć „błąd operatora” i często jest to niesprawiedliwe. Wyeliminuj przyczyny systemowe (metody, sprzęt, pomiary) za pomocą danych, zanim zrzucisz winę na ludzi za pierwotną przyczynę.
Mini Case: Skrócenie czasu wymiany formy (SMED)
Zmiany form w warsztacie wtrysku tworzyw sztucznych trwają średnio 55 minut, co powoduje duże straty w małych partiach. Inżynier przemysłowy Deniz nagrywa proces przezbrojenia i oblicza czasy poszczególnych kroków (dane te pochodzą z pola). Następnie przekazuje AI listę kroków i ich czasy:
Klasyfikuj te etapy wymiany formy jako „wewnętrzne” (można je wykonać, gdy maszyna jest zatrzymana) i „zewnętrzne” (można je wykonać, gdy maszyna pracuje) zgodnie z metodą SMED. Zaznacz wewnętrzne stopnie, które można przenieść na zewnętrzne i napisz do każdego z nich wstępną propozycję przygotowania. Kroki i czas trwania: {{ lista }}
Sztuczna inteligencja oznacza etapy takie jak „wniesienie nowej formy do maszyny” i „przygotowanie śrub” jako przenośne do pracy zewnętrznej, sugerując prowizoryczny wózek. Deniz testuje tę propozycję w terenie; standaryzuje to, co naprawdę ma zastosowanie. W rezultacie czas przezbrojenia skraca się z 55 minut do 32 minut. Punkt krytyczny: sztuczna inteligencja przyspieszyła plan, ale to testy w terenie i standaryzacja naprawdę skróciły czas.
Typowe błędy
- Omijanie Gemby: wdrażanie wyników AI bez obserwowania ich w terenie. Opiera się na prostej zasadzie „idź i zobacz”.
- Poleganie na wymyślonych liczbach: sztuczna inteligencja czasami generuje nieistniejące liczby, np. „czas cyklu wynosi około 45 sekund”. Każda liczba musi być poparta pomiarem.
- Obwinianie ludzi za pierwotną przyczynę: przyjęcie pierwszego wyjaśnienia, które przychodzi na myśl, to „nieostrożność”; Nie badałem przyczyn ogólnoustrojowych.
- Zablokowanie jednego rozwiązania: myślenie, że pierwsza sugestia AI jest jedyną opcją. Wygeneruj co najmniej 2-3 alternatywy i porównaj je zgodnie z ograniczeniami.
- Zapomnienie o fazie kontroli: Dokonanie ulepszenia i pozostawienie go bez ustalenia standardowych biznesowych i monitorowania KPI; Proces powraca do poprzedniego stanu.
Podsumowując
- Sztuczna inteligencja nie generuje danych w inżynierii przemysłowej; Porządkuje przyniesione przez Ciebie dane, interpretuje je i przekształca w hipotezę ulepszeń.
- Spraw, aby wyniki były mierzalne podczas klasyfikacji siedmiu odpadów: poproś o przedstawienie dowodów + miernik do zmierzenia.
- Używaj sztucznej inteligencji jako generatora projektu na każdym etapie DMAIC, ale zawsze weryfikuj przyczyny źródłowe za pomocą danych.
- W technikach takich jak SMED sztuczna inteligencja przyspiesza plan; Tym, co naprawdę skraca czas, są testy w terenie i standaryzacja.
- Pomijanie Gemby, poleganie na zmyślonych liczbach i zapominanie o fazie sprawdzania to najdroższe błędy.
Zadanie aplikacji
Wybierz proces z własnego miejsca pracy (lub znany Ci realistyczny proces produkcji/usługi). Najpierw obserwuj pole przez 5-10 minut i zanotuj rzeczywiste kroki i szacowany czas. Następnie poproś sztuczną inteligencję o przeanalizowanie procesu za pomocą monitu o moc „7 klasyfikacji odpadów” w tym urządzeniu. Dla każdego wykrycia marnotrawstwa w wynikach: (a) porównaj ze swoimi obserwacjami, czy dowody są rzeczywiście dokładne, (b) zidentyfikuj co najmniej jeden wskaźnik, który powinien zostać zmierzony, (c) wybierz jedną sugestię szybkiej poprawy i oceń ją za pomocą logiki „praca wewnętrzna/zewnętrzna” lub „ECRS”. Na koniec znajdź przykład, w którym ustalenie dokonane przez sztuczną inteligencję okazało się błędne (lub nie mogło zostać zweryfikowane) w terenie i napisz jednym zdaniem, dlaczego było błędne.