Uchambuzi wa Data, Dashibodi za KPI na Uigaji

Faida:

• Uwezo wa kufafanua kwa usahihi na kukokotoa KPI za uzalishaji kama vile OEE, muda wa mzunguko na WIP
• Uwezo wa kusanidi muundo wa dashibodi, uigaji wa matukio tofauti na uchanganuzi wa hali na AI
• Uwezo wa kuthibitisha uigaji na matokeo ya dashibodi na mawazo ya ingizo na data halisi

Wahandisi wa viwanda hufanya maamuzi kulingana na kipimo, sio angavu. KPIs zilizofafanuliwa vizuri (Viashiria Muhimu vya Utendaji) huweka mapigo ya mfumo wa uzalishaji; Simulation, kwa upande mwingine, inauliza "nini kama?" bila kusimamisha mfumo halisi. anajibu swali kwa kujiamini. AI ni kichapuzi katika zote mbili: inatayarisha ufafanuzi wa KPI na muundo wa dashibodi, huunda kiunzi cha kielelezo cha kuiga, hufasiri ulinganisho wa hali. Hata hivyo, KPI na uigaji huathiriwa na mitego ya "ufafanuzi usio sahihi" na "mawazo yasiyo sahihi". Katika kitengo hiki, tutashughulikia KPI za uzalishaji, muundo wa dashibodi na uigaji wa matukio tofauti kwa nidhamu ya uthibitishaji.

Kufafanua KPI Sahihi kwa Usahihi

KPI iliyohesabiwa kimakosa ni hatari zaidi kuliko kutokuwa na KPI hata kidogo kwa sababu inatoa imani ya uwongo. KPI za uzalishaji zinazojulikana zaidi:

KPI

Maelezo

Tahadhari

OEE

Utumiaji × Utendaji × Ubora

Vipengele vitatu lazima vihesabiwe tofauti

Muda wa mzunguko

Muda kati ya vipande

kuchanganya na busara

Wakati wa utoaji (wakati wa kuongoza)

Agizo → utoaji

tofauti na mzunguko

WIP

bidhaa iliyokamilika nusu katika mchakato

amefungwa na sheria ya Little

Uwiano wa taka / chakavu

Si sahihi / jumla

Hifadhi rework

Uwasilishaji kwa wakati (OTD)

Kwa wakati / agizo kamili

Bainisha utoaji wa sehemu

Mfano wa OEE: Ikiwa Upatikanaji ni 90%, Utendaji ni 95%, Ubora ni 98%:

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

Kosa la kawaida ni kuongeza nambari hizi tatu na wastani; OEE ni kuzidisha, kwa hivyo kila sehemu inachanganya matokeo.

Sheria ya Little inaanzisha uhusiano wa wakati wa WIP-throughput-flow na ina nguvu sana:

WIP = Upitishaji × Muda wa mtiririko Mfano: kuna wastani wa vipande 30 (WIP) kwenye mstari, ikiwa pato ni vipande 6/saa Muda wa mtiririko = WIP / Pato = 30/6 = saa 5

Kidokezo: Unapokuwa na AI kukokotoa KPI, chapisha pia ufafanuzi wake. "OEE ni nini, umehesabu kwa formula gani?" uliza. AI wakati mwingine inatoa tu upatikanaji badala ya OEE au kuruka sehemu ya ubora; Usiamini nambari bila kuona ufafanuzi.

Ubunifu wa Dashibodi ya KPI

Dashibodi nzuri haionyeshi nambari nyingi; Hujibu maswali sahihi. AI inasaidia katika kubainisha ni KPI zipi zinazoleta maana kwa hadhira gani na jinsi ya kuziweka katika vikundi.

Jukumu: Wewe ni mhandisi wa viwanda na uzoefu katika uchanganuzi wa uzalishaji. Kazi: Tengeneza dashibodi ya msimamizi kwa ajili ya duka la CNC. Bainisha:1. Hadi KPI 6 (ufafanuzi na fomula kwa kila moja).2. Pendekezo la thamani inayolengwa na vizingiti "vizuri/makini/vibaya" kwa kila KPI.3. KPI gani itaonyeshwa kwenye chati ipi (mwelekeo, kiashirio, chati).4. Maswali 3 ya usimamizi kwenye dashibodi.Kanuni: Epuka mfumuko wa bei wa KPI; Eleza kwamba kila kiashirio kinatoa uamuzi. Usipe thamani inayolengwa, sema "inapaswa kurekebishwa kulingana na sekta".

Uhamasishaji dhaifu / Uhamasishaji Wenye Nguvu

Agizo dhaifu:

Nitengeneze bodi ya uzalishaji.

Ikiwa hakuna hadhira inayolengwa, chanzo cha data na madhumuni, AI itatupa orodha ya jumla; Hakuna uamuzi unaofanywa.

Agizo lenye nguvu:

Tengeneza ubao kwa msimamizi wa zamu, ambayo itasomwa kwa dakika 5 kila asubuhi. Kusudi: hasara ilikuwa wapi katika mabadiliko ya jana, ni nini kinachopaswa kuzingatiwa leo. Upeo wa KPI 5, kila moja ikiwa na ufafanuzi + fomula + kizingiti. Uzalishaji wa kila saa, rekodi za muda wa chini na upotevu kutoka kwa chanzo changu cha data, MES. Epuka maelezo mengi.

Kidokezo cha pili hufafanua mtumiaji, wakati wa matumizi, na chanzo cha data; Matokeo yake ni bodi ambayo inatumika kweli.

Uigaji wa Tukio Hususa (DES)

Uigaji ni njia ya kufanya majaribio bila kutatiza mfumo halisi: nini kinatokea kwa foleni unapoongeza mashine mpya, matokeo huathirije mabadiliko ya mabadiliko? Uigaji wa matukio ya kipekee (DES) hutolea mfano mfumo kama mfuatano wa "matukio" (sehemu ya kuwasili, kumaliza mchakato). Pembejeo za kimsingi: usambazaji wa wakati wa kuwasili, usambazaji wa wakati wa huduma, idadi ya rasilimali, nidhamu ya foleni.

Jukumu: Wewe ni mhandisi wa viwanda mwenye uzoefu katika uigaji.Kazi: Andika mfumo wa kuiga mfumo ufuatao kwa kutumia Python SimPy:- Sehemu hufika kila baada ya dakika 4 kwa wastani (usambazaji wa kielelezo)- Mashine moja, muda wa usindikaji wastani wa dakika 3.5 (kipeo kikubwa)- Weka foleni FIFONinachohitaji kupima kama matokeo: kusubiri wastani, urefu wa foleni; eleza matumizi ya msimbo andika mawazo ya usambazaji mwanzoni.Pia: ni ukaguzi gani wa uchanganuzi ninaoweza kufanya ili kuthibitisha matokeo (k.m. kulinganisha na fomula za mkia za M/M/1)?

Mstari wa mwisho hapa ni muhimu: simulation nzuri inalinganishwa na ukaguzi wa uchambuzi ikiwa inawezekana. Mfumo rahisi hapo juu ni foleni ya M/M/1; Matokeo ya uigaji yanapaswa kudumu na maadili ya kinadharia kama vile kiwango cha matumizi ρ = 3.5/4 = 0.875 na nambari ya wastani katika mfumo L = ρ/(1−ρ) = 0.875/0.125 = 7.

Tahadhari: Uigaji wa matokeo ni mzuri tu kama mawazo ya ingizo ("takataka ndani, takataka nje"). AI wakati mwingine huchukua usambazaji bila kuithibitisha au inatoa matokeo ya kukimbia moja kama ukweli mgumu. Endesha mikimbio nyingi (marudio), hesabu vipindi vya uaminifu, na uthibitishe usambazaji wa pembejeo kwa data halisi.

Kisa Kidogo: Uigaji na Dhana za Uongo

Kwenye mstari wa kusanyiko, wasimamizi wanafikiri kuongeza kituo cha pili cha upakiaji kutaua foleni. Mhandisi wa viwanda Deniz anaunda muundo wa DES kwa kutumia AI. Matokeo ya kwanza yanasema "kituo cha pili kinapunguza foleni kwa 70%". Lakini Deniz anapokagua usambazaji wa pembejeo, anaona kwamba data halisi ya kuwasili sio kubwa, lakini ina muundo "ulipuaji" ambao huzingatia wakati wa mapumziko ya chakula cha mchana. Tunapoendesha mfano tena na usambazaji sahihi, inageuka kuwa kituo cha pili hakitatui kizuizi halisi, na shida iko katika mipango ya mapumziko. Uigaji huokoa kupendekeza uwekezaji bila lazima. Somo: AI iliunda kielelezo haraka lakini ilipendekeza uamuzi usiofaa kwa dhana mbaya; Ni mtu aliyeweka data sahihi.

Makosa ya Kawaida

• Kufafanua vibaya KPI: Kuongeza vipengele vya OEE au mzunguko unaochanganya na muda wa kuongoza.
• Mfumuko wa bei wa KPI: Kuweka kadhaa ya viashirio kwenye dashibodi ambavyo havitoi uamuzi.
• Kutegemea kukimbia moja: Kuendesha simulation mara moja na kudhani matokeo ni hakika; si replication.
• Kutoidhinisha usambazaji wa ingizo: Kutolinganisha usambazaji chaguomsingi (kielelezo, n.k.) na data halisi.
• Kukwepa ukaguzi wa uchanganuzi: Sio kukagua kwa usawa uigaji na fomula ya kupanga foleni ya kinadharia katika mifumo rahisi.

Kwa muhtasari

• Nguvu ya KPI inatokana na ufafanuzi sahihi; OEE ndio bidhaa, Sheria ya Kidogo inaunganisha pato la WIP.
• Dashibodi nzuri hujibu maswali sahihi, sio nambari nyingi; Mtumiaji, mfano, na chanzo cha data lazima kiwe wazi.
• DES inajaribu matukio bila kuvunja mfumo halisi; Usambazaji wa pembejeo huamua ubora wa matokeo.
• Thibitisha uigaji kwa kurudia (muda wa kujiamini) na, ikiwezekana, kwa fomula ya uchanganuzi.
• AI hujenga mfano na bodi haraka; Ni mtu anayeweka mawazo kwa usahihi na kutafsiri matokeo.

Jukumu la maombi

Chagua mfumo wa uzalishaji/huduma. Kwanza unayo muundo wa AI dashibodi ya kuhama na KPIs 5 au chini; Onyesha ufafanuzi na fomula ya kila KPI na uthibitishe kuwa vipengele vitatu vinazidishwa ikiwa OEE iko. Kisha AI ichapishe kiunzi cha SimPy kwa mfumo rahisi wa kupanga foleni (seva moja) na uchapishe mawazo ya usambazaji wa pembejeo hapo juu. Uthibitishaji muhimu: zingatia mfumo kama foleni ya M/M/1 na ukokote mwenyewe kiwango cha matumizi ρ na wastani wa nambari L kwenye mfumo, linganisha na matokeo ya simulizi. Mwishowe, pendekeza mabadiliko ya hali (kuongeza seva ya pili) na ukosoae matokeo ya AI kwa kuhoji uhalisia wa usambazaji wa pembejeo.