Dobički:
- Sposobnost določitve, kje uporabiti AI v ciklih vitke proizvodnje in izboljšanja procesov
- Sposobnost pospeševanja zemljevida toka vrednosti, analize odpadkov in korakov DMAIC s strukturiranimi pozivi
- Sposobnost uporabe discipline potrjevanja priporočil AI s terenskimi podatki in opazovanjem gemba
Industrijski inženiring je v bistvu disciplina "delati bolje": proizvajati več vrednosti z enakimi viri, narediti odpadke vidne, zmanjšati variabilnost. Umetna inteligenca ne vstopa v to disciplino kot nov kalkulator ali čarobna rešitev, ampak kot močan partner pri razmišljanju in pisanju. Ob pravilni uporabi zmanjša preslikavo toka vrednosti, razvrščanje odpadkov, študije vzrokov in poročila o izboljšavah z ur na minute. Če se uporablja nepravilno, ustvari predloge, ki še nikoli niso bili na tem področju, ki so "popolni na papirju", vendar jih ni mogoče izvesti v resnici. V tej enoti se boste naučili, kam umestiti umetno inteligenco v cikel vitke proizvodnje in kako potrditi njen rezultat.
Kje je umetna inteligenca pri izboljšanju procesov?
Razdelimo projekt izboljšave na tri plasti: zbiranje podatkov, analiza/odločanje, poročanje/komunikacija. AI pomaga pri različni teži v teh plasteh.
plast
Vloga AI
moška vloga
zbiranje podatkov
Oblikuje anketo/obrazec in organizira podatke
Meri in opazuje na terenu (gemba)
analiza/odločitev
Ustvarja hipoteze, predlaga metode, pripravlja osnutke izračunov
Preveri s podatki, sprejme odločitev
Poročanje
A3, predstavitev, pisec osnutka besedila povzetka
Nadzoruje natančnost in ton
Upoštevati je treba, da AI ne more ustvariti podatkov sam. Samo meritve na terenu podajo dejanski čas cikla stroja, minute, ko operater čaka, kako dolgo traja menjava matrice. Umetna inteligenca te neobdelane podatke, ki jih prinesete, organizira, interpretira in pretvori v hipotezo o izboljšavi.
Nasvet: vedno vprašam AI, "katere podatke potrebujem?" Vprašajte se tudi: Vzpostavitev pravilnega merilnega načrta pred začetkom izboljšave je veliko cenejša od kasnejšega izvajanja analize z napačnimi podatki.
Sedem odpadkov (Muda) in klasifikacija z AI
Označevanje odpadkov (muda) je v središču vitke proizvodnje. Klasičnih sedem odpadkov: prekomerna proizvodnja, čakanje, nepotreben transport, prekomerna obdelava, popis, nepotrebno gibanje in napake. Pogosto je kot osmina dodan »neizkoriščen človeški potencial«. Umetna inteligenca zelo hitro razčleni procesno pripoved v te kategorije.
Vloga: Ste industrijski inženir z izkušnjami na področju vitke proizvodnje. Naloga: Naslednjo pripoved postopka razdelite na 7 kategorij odpadkov (muda). Za vsako določitev: (1) vrsta odpadka, (2) dokazni stavek, (3) metrika, ki jo moram izmeriti, (4) možno hitro izboljšanje. Opis procesa: """Na tekočem traku operater v vsakem ciklu prehodi 6 metrov, da prevzame del. Pred lakirnico se oblikuje vrsta v povprečju 40 minut. Približno v eni izmeni bo predelanih 12 delov. V vmesnem skladišču se naberejo 3 dni polizdelkov.
Moč tega poziva je v tem, da je rezultat merljiv. Ni dovolj reči "obstaja nepotrebno gibanje"; Moralo bi biti mogoče reči "upravljavec prehodi 6 metrov na cikel, skupaj Y metrov v X ciklih na dan." Umetna inteligenca pokaže dokazno izjavo in metriko za merjenje, izmerite jo na polju in vstavite številko.
Šibek poziv / močan poziv
Šibek poziv:
Poimenujte odpadke v tej proizvodni liniji.
To ustvari seznam brez kategorij, brez dokazov in brez mere; Najverjetneje se ponavljajo običajne fraze »lahko je presežna zaloga, lahko je čakalna doba«.
Močan poziv:
Razdelite te procesne podatke v 7 kategorij odpadkov, navedite izjavo o dokazih za vsako, meritev, ki jo moram izmeriti, in ocenjen vpliv. Učinek razvrstite kot "nizek/srednji/visok" in napišite utemeljitev. Podatki: {{ ... }}
Razlika je v tem, da se rezultat lahko neposredno pretvori v akcijski načrt. Drugi poziv poda prednostno merljivo tabelo.
Pospeševanje cikla DMAIC z AI
Ogrodje Six Sigma DMAIC (Define-Measure-Analyze-Improve-Control) je pogost jezik pri projektih izboljšav. AI pomaga drugače na vsaki stopnji:
- Definirajte: osnutek definicije problema, obseg projekta (SIPOC) in izjava o namenu.
- Ukrep: načrt meritev, obrazec za zbiranje podatkov, logika velikosti vzorca.
- Analizirajte: seznam hipotez, ribje kosti (Ishikawa), možni vzroki.
- Izboljšaj: alternative rešitev, predlogi ECRS (Eliminate-Combine-Rearrange-Simplify).
- Nadzor: Osnutek načrta nadzora, standardna delovna navodila in spremljanje KPI.
Ustvarite okostje Ishikawa (riblja kost) za naslednjo težavo. Težava: "Hrapavost površine na CNC stroju je nad ciljno." Kategorije: stroj, metoda, material, človek, meritev, okolje (6M). Pod vsako kategorijo napišite 3-4 možne vzroke in navedite, katere podatke naj zberem za testiranje posameznega vzroka.
Zlato pravilo tukaj ostaja nespremenjeno: vsak temeljni vzrok, ki ga predlaga umetna inteligenca, je hipoteza, ne dokaz. Vzrok hrapavosti površine je lahko "obraba rezalnega orodja" ali pa tudi ne; Samo podatki o življenjski dobi orodja in eksperiment to potrjujejo.
Pozor: umetna inteligenca včasih sestavi verige razlogov, ki se zdijo zelo verjetni, vendar so v praksi napačni. Na primer, preprosto je reči "napaka operaterja" in je pogosto nepošteno. Odpravite sistemske vzroke (metode, opremo, meritve) s podatki, preden za glavni vzrok krivite ljudi.
Mini kovček: skrajšanje časa menjave plesni (SMED)
Menjave kalupov v delavnici za brizganje plastike trajajo v povprečju 55 minut, kar povzroča velike izgube pri majhnih serijah. Industrijski inženir Deniz snema postopek prehoda na videokaseto in izračuna čas korak za korakom (ti podatki prihajajo s terena). Nato AI poda seznam korakov in njihove čase:
Te korake menjave kalupa razvrstite kot "notranje" (lahko jih izvedete, ko je stroj ustavljen) in "zunanje" (lahko jih izvedete, ko stroj deluje) v skladu z metodo SMED. Označite notranje stopnice, ki jih lahko premaknete na zunanje in za vsako napišite predlog za predhodno pripravo. Koraki in trajanje: {{ seznam }}
Umetna inteligenca označuje korake, kot sta »prinašanje novega kalupa do stroja« in »priprava vijakov« kot prenosljive na zunanje opravilo, kar predlaga začasni voziček. Deniz preizkuša ta predlog na terenu; standardizira tisto, kar je resnično uporabno. Posledično se čas preklopa zmanjša s 55 minut na 32 minut. Kritična točka: umetna inteligenca je pospešila načrt, vendar sta terensko testiranje in standardizacija resnično skrajšala čas.
Pogoste napake
- Obhod Gembe: Izvedba izhoda AI brez opazovanja na terenu. Temelji na preprostem principu "pojdi in poglej".
- Zanašanje na izmišljene številke: AI včasih proizvede neobstoječe številke, na primer "čas cikla je približno 45 sekund." Vsaka številka mora biti podprta z meritvijo.
- Obtoževanje temeljnega vzroka na ljudeh: sprejeti prvo razlago, ki pride na misel, je "nepazljivost"; Brez raziskovanja sistemskih vzrokov.
- Zaklepanje ene same rešitve: misliti, da je prvi predlog AI edina možnost. Ustvarite vsaj 2-3 možnosti in jih primerjajte glede na omejitve.
- Pozabite na fazo nadzora: Izvedite izboljšavo in jo opustite brez vzpostavitve standardnega poslovanja in spremljanja KPI-jev; Postopek se vrne v prejšnje stanje.
Če povzamem
- AI ne proizvaja podatkov v industrijskem inženirstvu; Organizira podatke, ki jih prinesete, jih interpretira in spremeni v hipotezo izboljšave.
- Naj bo rezultat merljiv pri razvrščanju sedmih odpadkov: zahtevajte dokazno izjavo + metriko za merjenje.
- Uporabite AI kot generator osnutkov na vsaki stopnji DMAIC, vendar vedno preverite temeljne vzroke s podatki.
- Pri tehnikah, kot je SMED, AI pospeši načrt; Kar resnično skrajša čas, je testiranje na terenu in standardizacija.
- Preskakovanje Gemba, zanašanje na izmišljene številke in pozabljanje na fazo preverjanja so najdražje napake.
Aplikacijska naloga
Izberite proces iz svojega delovnega mesta (ali realen proizvodni/storitveni proces, ki ga poznate). Najprej opazujte polje 5-10 minut in zabeležite dejanske korake in predvidene čase. Nato naj umetna inteligenca analizira postopek z uporabo poziva za napajanje »7 razvrstitev odpadkov« v tej enoti. Za vsako odkritje odpadkov v rezultatu: (a) primerjajte s svojim opazovanjem, ali so dokazi dejansko točni, (b) določite vsaj eno metriko, ki bi jo bilo treba izmeriti, (c) izberite en predlog za hitro izboljšavo in ga ovrednotite z logiko »notranje/zunanje delo« ali »ECRS«. Nazadnje poiščite primer, ko se je ugotovitev, ki jo je ustvaril AI, izkazala za napačno (ali je ni bilo mogoče preveriti) na terenu in v enem stavku napišite, zakaj je bila napačna.