收益：
- 能够准确定义和计算 OEE、周期时间和 WIP 等生产 KPI
- 能够使用 AI 配置仪表板设计、离散事件模拟和场景分析
- 能够使用输入假设和真实数据验证模拟和仪表板输出
工业工程师根据测量而不是直觉做出决策。正确定义的 KPI（关键绩效指标）可以保持生产系统的脉搏；另一方面，模拟则问“如果会怎样？”无需停止真实系统。自信地回答问题。人工智能是两者的加速器：它起草 KPI 定义和仪表板设计、构建模拟模型的骨架、解释场景比较。然而，KPI 和模拟都容易陷入“错误定义”和“错误假设”的陷阱。在本单元中，我们将涵盖生产 KPI、仪表板设计和离散事件模拟以及验证规则。
正确定义正确的 KPI
错误计算的 KPI 比没有 KPI 更危险，因为它会带来错误的信心。最常见的生产 KPI：
关键绩效指标
描述
注意
整体设备效率
可用性 × 性能 × 质量
三个部分必须分别计算
周期时间
片段之间的时间
巧妙地混合
交货时间（交货时间）
订单→发货
与循环不同
在制品
半成品在制品
受利特尔定律约束
废物/废料比率
错误/总计
预留返工
准时交货 (OTD)
准时/总订单
定义部分交付
OEE 示例：如果可用性为 90%，性能为 95%，质量为 98%：
综合效率=0.90×0.95×0.98=0.8379≈83.8%
一个常见的错误是将这三个数字相加并求平均值； OEE 是乘法，因此每个组件都会对结果进行复合。
利特尔定律建立了 WIP-吞吐量-流量时间关系并且非常强大：
WIP = 吞吐量 × 流通时间 示例：生产线上平均有 30 件（WIP），如果产量为 6 件/小时 流通时间 = WIP / 产量 = 30 / 6 = 5 小时
提示：当您让 AI 计算 KPI 时，还要打印其定义。 “什么是OEE，用什么公式计算的？”问。人工智能有时只提供可用性而不是 OEE 或跳过质量部分；在没有看到定义之前不要相信这个数字。
KPI仪表板设计
一个好的仪表板不会显示很多数字；回答正确的问题。人工智能有助于概述哪些 KPI 对哪些受众有意义以及如何对受众进行分组。
角色：您是一名具有生产分析经验的工业工程师。任务：为 CNC 车间设计管理仪表板。指定：1。最多 6 个 KPI（每个 KPI 的定义和公式）。2。每个 KPI 的目标价值主张和“好/关注/坏”阈值。3。哪个KPI将显示在哪个图表上（趋势、指标、图表）。4．仪表板回答 3 个管理问题。规则：避免 KPI 膨胀；说明每个指标都服务于一个决策。不要给出一个虚构的目标值，说“应该根据行业进行调整”。
弱提示/强提示
弱提示：
给我做一个生产板。
如果没有目标受众、数据来源和目的，AI会转出一个笼统的列表；没有做出任何决定。
强力提示：
为值班主管设计一个黑板，每天早上花 5 分钟阅读。目的：昨天班次亏损在哪里，今天要注意什么。最多 5 个 KPI，每个 KPI 都有定义 + 公式 + 阈值。来自我的数据源 MES 的每小时生产、停机时间和浪费记录。避免过多的细节。
第二个提示明确了用户、使用时刻、数据来源；结果是实际使用的板。
离散事件模拟 (DES)
模拟是一种在不破坏真实系统的情况下进行实验的方法：添加新机器时队列会发生什么情况，轮班发生变化时输出如何受到影响？离散事件仿真 (DES) 将系统建模为一系列“事件”（零件到达、流程完成）。基本输入：到达间隔时间分布、服务时间分布、资源数量、队列规则。
角色：你是一位在仿真方面经验丰富的工业工程师。任务：编写一个框架，用Python SimPy对以下系统进行建模：- 零件平均每4分钟到达一次（指数分布）- 单机，处理时间平均3.5分钟（指数）- 队列先进先出我需要测量的输出：平均等待、队列长度、机器利用率。用注释解释代码；在开头写下分布假设。另外：我可以做哪些分析检查来验证结果（例如与 M/M/1 尾部公式进行比较）？
这里的最后一行至关重要：如果可能的话，将良好的模拟与分析检查进行比较。上面的简单系统是一个M/M/1队列；模拟结果应与理论值相符，例如利用率ρ = 3.5/4 = 0.875，系统中的平均数量L = ρ/(1−ρ) = 0.875/0.125 = 7。
注意：模拟输出仅与输入假设一样好（“垃圾输入，垃圾输出”）。人工智能有时会假设分布而不验证它，或者将单次运行的结果呈现为硬事实。运行多次运行（复制），计算置信区间，并使用真实数据验证输入分布。
迷你案例：错误假设的模拟
在装配线上，管理层认为增加第二个包装站会消除队列。工业工程师 Deniz 使用 AI 构建 DES 模型。第一个结果是“第二站减少了 70% 的队列”。但当 Deniz 检查输入分布时，他发现真正到达的数据不是指数的，而是具有集中在午休时间的“爆炸”结构。当我们使用正确的分布再次运行模型时，结果发现第二站并没有解决真正的瓶颈，问题出在休息计划中。模拟可以节省不必要的投资推荐。教训：人工智能快速建立了模型，但提出了错误的决策和错误的假设；是输入正确数据的人。
常见错误
- 错误定义 KPI：添加 OEE 组件或混淆周期和交货时间。
- KPI膨胀：在仪表板上放置几十个不为决策服务的指标。
- 依赖一次运行：运行模拟一次并假设结果是确定的；不是复制。
- 不验证输入分布：不将默认（指数等）分布与真实数据进行比较。
- 绕过分析检查：不将模拟与简单系统中的理论排队公式进行交叉检查。
综上所述
- KPI的力量来源于正确的定义； OEE 是产品，利特尔定律连接着 WIP-流程-输出。
- 一个好的仪表板可以回答正确的问题，而不是大量的数字；用户、实例、数据源必须清晰。
- DES 在不破坏真实系统的情况下尝试场景；输入的分布决定了结果的质量。
- 通过复制（置信区间）以及（如果可能）通过分析公式验证模拟。
- AI快速建模型、建板；这是正确提出假设并解释结果的人。
应用任务
选择生产/服务系统。首先，你让 AI 设计一个包含 5 个或更少 KPI 的轮班仪表板；显示每个 KPI 的定义和公式，并验证如果 OEE 存在，这三个组成部分是否相乘。然后让 AI 打印一个简单排队系统（单服务器）的 SimPy 骨架，并在顶部打印输入分布假设。关键验证：将系统视为M/M/1队列，手动计算系统中的利用率ρ和平均数量L，并与仿真结果进行比较。最后，建议更改场景（添加第二台服务器），并通过质疑输入分布的真实性来批评人工智能的结果。