Mga nadagdag:
- Kakayahang tukuyin kung saan gagamitin ang AI sa lean manufacturing at process improvement cycles
- Kakayahang mapabilis ang value stream map, waste analysis at DMAIC na mga hakbang gamit ang structured prompts
- Kakayahang ilapat ang disiplina sa pagpapatunay ng mga rekomendasyon ng AI gamit ang data ng field at pagmamasid sa gemba
Ang inhinyerong pang-industriya ay mahalagang disiplina na "paggawa ng mas mahusay": paggawa ng higit na halaga gamit ang parehong mga mapagkukunan, ginagawang nakikita ang basura, binabawasan ang pagkakaiba-iba. Ang artificial intelligence ay pumapasok sa disiplinang ito hindi bilang isang bagong calculator o magic solution, ngunit bilang isang malakas na pag-iisip at kasosyo sa pag-draft. Kapag ginamit nang tama, binabawasan nito ang value stream mapping, pag-uuri ng basura, pag-aaral ng sanhi ng ugat, at mga ulat ng pagpapabuti mula oras hanggang minuto. Kapag ginamit nang hindi tama, gumagawa ito ng mga mungkahi na hindi pa nakikita ang field, na "perpekto sa papel" ngunit hindi maipapatupad sa katotohanan. Sa unit na ito, matututunan mo kung saan ilalagay ang AI sa lean manufacturing cycle at kung paano i-validate ang output nito.
Saan Nakatayo ang AI sa Pagpapabuti ng Proseso?
Hatiin natin ang isang proyekto sa pagpapabuti sa tatlong layer: pangongolekta ng data, pagsusuri/pagpasya, pag-uulat/komunikasyon. Tumutulong ang AI sa iba't ibang timbang sa mga layer na ito.
layer
Ang papel ng AI
tungkulin ng tao
pangongolekta ng datos
Nagdidisenyo ng survey/form at nag-aayos ng data
Pagsukat at pagmamasid sa bukid (gemba)
pagsusuri/pagpasya
Bumubuo ng mga hypotheses, nagmumungkahi ng mga pamamaraan, mga draft na kalkulasyon
Nagbe-verify gamit ang data, gumagawa ng desisyon
Pag-uulat
A3, presentation, summary text draft writer
Kinokontrol ang katumpakan at tono
Ang bagay na dapat tandaan ay ang AI ay hindi makakabuo ng data mismo. Tanging ang field measurement ang nagbibigay ng aktwal na cycle time ng isang makina, ang mga minutong hinihintay ng operator, kung gaano katagal ang isang die change. Inaayos, binibigyang-kahulugan at ginagawa ng AI ang hilaw na data na ito na dinadala mo sa isang hypothesis ng pagpapabuti.
Tip: Palagi kong tinatanong ang AI "anong data ang kailangan ko?" Itanong din: Ang pagtatatag ng tamang plano sa pagsukat bago simulan ang pagpapabuti ay mas mura kaysa sa pagsasagawa ng pagsusuri na may maling data sa ibang pagkakataon.
Pitong Basura (Muda) at Klasipikasyon ayon sa AI
Ang paggawa ng basura (muda) na nakikita ay nasa puso ng payat na produksyon. Ang klasikong pitong basura: labis na produksyon, paghihintay, hindi kinakailangang transportasyon, labis na pagproseso, imbentaryo, hindi kinakailangang paggalaw, at mga pagkakamali. Kadalasan ang "untapped human potential" ay idinaragdag bilang ikawalo. Napakabilis ng AI sa paghahati-hati ng isang prosesong salaysay sa mga kategoryang ito.
Tungkulin: Isa kang inhinyero na pang-industriya na may karanasan sa pagmamanupaktura. Gawain: Hatiin ang sumusunod na proseso salaysay sa 7 kategorya ng basura (muda). Para sa bawat pagpapasiya: (1) uri ng basura, (2) ebidensyang pangungusap, (3) sukatan na kailangan kong sukatin, (4) posibleng mabilis na pagpapabuti. Paglalarawan ng proseso: """Sa linya ng pagpupulong, lumalakad ang operator ng 6 na metro sa bawat cycle upang kunin ang bahagi. Isang pila ang bubuo sa harap ng paint booth sa average na 40 minuto. Humigit-kumulang sa isang shift 12 bahagi ang muling ipoproseso. 3 araw ng mga semi-finished na produkto ay naipon sa intermediate warehouse.
Ang kapangyarihan ng prompt na ito ay ginagawa nitong masusukat ang output. Hindi sapat na sabihing "may hindi kinakailangang paggalaw"; Posibleng sabihin na "ang operator ay naglalakad ng 6 na metro bawat ikot, kabuuang Y na metro sa X na mga siklo bawat araw." Itinuturo ng AI ang pahayag ng ebidensya at ang sukatan na susukatin, sukatin mo ito sa field at isaksak ang numero.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Pangalanan ang basura sa linya ng produksyon na ito.
Ito ay gumagawa ng isang listahan na walang mga kategorya, walang ebidensya, at walang sukat; Malamang, ang mga karaniwang parirala na "maaaring may labis na stock, maaaring may panahon ng paghihintay" ay paulit-ulit.
Napakahusay na prompt:
Hatiin ang data ng prosesong ito sa 7 kategorya ng basura, ibigay ang pahayag ng ebidensya para sa bawat isa, ang sukatan na dapat kong sukatin, at ang tinantyang epekto. Uriin ang epekto bilang "mababa / katamtaman / mataas" at isulat ang katwiran. Data: {{ ... }}
Ang pagkakaiba ay ang output ay maaaring direktang isalin sa isang plano ng aksyon. Ang pangalawang prompt ay nagbibigay ng priyoridad, nasusukat na talahanayan.
Pinapabilis ang DMAIC Cycle gamit ang AI
Ang balangkas ng DMAIC ng Six Sigma (Define-Measure-Analyze-Improve-Control) ay isang karaniwang wika sa mga proyektong pagpapabuti. Iba-iba ang tulong ng AI sa bawat yugto:
- Tukuyin: Draft na kahulugan ng problema, saklaw ng proyekto (SIPOC), at pahayag ng layunin.
- Pagsukat: Plano ng pagsukat, form ng pangongolekta ng data, lohika ng laki ng sample.
- Pag-aralan: Listahan ng mga hypotheses, fishbones (Ishikawa), posibleng mga sanhi ng ugat.
- Pagbutihin: Mga alternatibong solusyon, mga suhestyon sa ECRS (Eliminate-Combine-Rearrange-Simplify).
- Control: Draft control plan, standard work instruction at monitoring KPI.
Gumawa ng Ishikawa (herringbone) skeleton para sa sumusunod na problema. Problema: "Ang pagkamagaspang sa ibabaw ng CNC machine ay higit sa target." Mga Kategorya: Makina, Paraan, Materyal, Tao, Pagsukat, Kapaligiran (6M). Sumulat ng 3-4 na posibleng dahilan sa ilalim ng bawat kategorya at isaad kung anong data ang dapat kong kolektahin upang subukan ang bawat dahilan.
Ang ginintuang tuntunin dito ay nananatiling pare-pareho: bawat ugat na sanhi na iminungkahi ng AI ay isang hypothesis, hindi ebidensya. Ang sanhi ng pagkamagaspang sa ibabaw ay maaaring o hindi maaaring "pagputol ng tool wear"; Tanging ang data ng buhay ng tool at eksperimento ang nagpapatunay nito.
Pag-iingat: Ang AI kung minsan ay gumagawa ng mga kadena ng mga dahilan na tila napaka-maaaring mangyari ngunit mali sa batayan. Halimbawa, madaling sabihin ang "error ng operator" at kadalasan ay hindi patas. Tanggalin ang mga sistematikong sanhi (paraan, kagamitan, mga sukat) na may data bago isisi ang ugat na sanhi sa mga tao.
Mini Case: Pagpapaikli ng Oras ng Pagbabago ng Amag (SMED)
Ang mga pagbabago sa amag sa isang plastic injection workshop ay tumatagal ng average na 55 minuto, at ito ay lumilikha ng malaking pagkalugi sa maliliit na batch. Kino-video ng inhinyero ng industriya na si Deniz ang proseso ng pagbabago at kinakalkula ang mga sunud-sunod na oras (nagmumula ang data na ito sa field). Pagkatapos ay binibigyan nito ang AI ng listahan ng mga hakbang at ang kanilang mga oras:
Uriin ang mga hakbang sa pagpapalit ng amag na ito bilang "internal" (maaaring gawin habang nakahinto ang makina) at "external" (maaaring gawin habang tumatakbo ang makina) ayon sa pamamaraan ng SMED. Markahan ang mga panloob na hakbang na maaaring ilipat sa mga panlabas na hakbang at sumulat ng isang paunang mungkahi sa paghahanda para sa bawat isa. Mga hakbang at tagal: {{ list }}
Ang AI ay nagmamarka ng mga hakbang tulad ng "pagdadala ng bagong amag sa makina" at "paghahanda ng mga bolts" bilang portable sa panlabas na trabaho, na nagmumungkahi ng isang pansamantalang cart. Sinusubukan ni Deniz ang panukalang ito sa larangan; istandardize nito kung ano ang tunay na naaangkop. Bilang resulta, bumababa ang oras ng pagpapalit mula 55 minuto hanggang 32 minuto. Ang kritikal na punto: Pinabilis ng AI ang plano, ngunit ito ay pagsubok sa larangan at standardisasyon na talagang nagbawas ng oras.
Mga Karaniwang Pagkakamali
- Pag-bypass sa Gemba: Pagpapatupad ng output ng AI nang hindi sinusunod ito sa field. Ito ay batay sa simpleng "go and see" na prinsipyo.
- Pag-asa sa mga ginawang numero: Ang AI minsan ay gumagawa ng mga hindi umiiral na numero, tulad ng "tagal ng pag-ikot ay humigit-kumulang 45 segundo." Ang bawat numero ay dapat suportahan ng pagsukat.
- Sinisisi ang ugat ng dahilan sa mga tao: Ang pagtanggap sa unang paliwanag na nasa isip ay "kawalang-ingat"; Hindi sinisiyasat ang mga sistematikong sanhi.
- Pag-lock sa isang solong solusyon: Iniisip na ang unang mungkahi ng AI ay ang tanging opsyon. Bumuo ng hindi bababa sa 2-3 alternatibo at ihambing ang mga ito ayon sa mga hadlang.
- Paglimot sa yugto ng kontrol: Paggawa ng pagpapabuti at pag-iwan dito nang hindi nagtatatag ng karaniwang negosyo at pagsubaybay sa mga KPI; Ang proseso ay bumalik sa dati nitong estado.
Sa buod
- Ang AI ay hindi gumagawa ng data sa industriyal na engineering; Inaayos nito ang data na dinadala mo, binibigyang-kahulugan ito at ginagawa itong hypothesis ng pagpapabuti.
- Gawing masusukat ang output kapag inuuri ang pitong basura: humingi ng pahayag ng ebidensya + sukatan na susukatin.
- Gamitin ang AI bilang draft generator sa bawat yugto ng DMAIC, ngunit palaging i-verify ang mga ugat na sanhi gamit ang data.
- Sa mga diskarte tulad ng SMED, pinapabilis ng AI ang plano; Ang talagang nakakabawas sa oras ay ang field testing at standardization.
- Ang paglaktaw sa Gemba, pag-asa sa mga ginawang figure, at paglimot sa yugto ng pagsusuri ay ang pinakamahal na pagkakamali.
Gawain ng aplikasyon
Pumili ng isang proseso mula sa iyong sariling lugar ng trabaho (o isang makatotohanang proseso ng produksyon/serbisyo na alam mo). Una, obserbahan ang field sa loob ng 5-10 minuto at tandaan ang mga aktwal na hakbang at tinantyang oras. Pagkatapos ay ipasuri sa AI ang proseso gamit ang power prompt na "7 waste classification" sa unit na ito. Para sa bawat pagtuklas ng basura sa output: (a) ihambing sa iyong obserbasyon kung ang ebidensiya ay talagang tumpak, (b) tukuyin ang hindi bababa sa isang sukatan na dapat sukatin, (c) pumili ng isang mabilis na mungkahi sa pagpapabuti at suriin ito gamit ang lohika ng "loob/sa labas ng trabaho" o "ECRS". Sa wakas, maghanap ng isang halimbawa kung saan ang isang pagpapasiya na ginawa ng AI ay naging mali (o hindi ma-verify) sa field at isulat sa isang pangungusap kung bakit ito mali.