הקדמה: הגידול צריך לעדיפות בייצור שדללינג

פעולות ייצור תלויות בסידור מדויק של משרות על פני מספר רב של יצירות כדי לעמוד במטרות הייצור, עלויות השליטה, ולשמור על משלוח בזמן.בין הפריסה הנפוצה ביותר של הייצור הוא FLT:0flow ShopFLT:1, שבו כל העבודות עוקבות באותה נתיב ליניארי באמצעות סדרה של מכונות או תחנות.למרות הפשטות לכאורה שלה, זרימת התזמון היא בעיה מורכבת חישובית המשפיעה ישירות באמצעות שימוש, ולעתים קרובות על שיטות עיבוד סטטיות, על בסיס יעילות מודרנית.

הפיצוץ של נתונים מ- Internet of Things (IoT) חיישנים, מערכות ארגוניות ורשתות שרשרת האספקה פתח גבול חדש לאופטימיזציה של תזמון.על ידי יישום ניתוח נתונים גדול, יצרנים יכולים לעבור מעבר לתזמון חוזר לקראת קבלת החלטות חיזוית ופוסט-פרסומפרסטיבית. מאמר זה חוקר כיצד ניתוח נתונים גדול משפר את הדיוק של רכישת תזמון החנות, בוחן את הטכניקות והטכנולוגיות הכרוכות, ומשוחח על היתרונות והיישום.

הבנה של Flow Shop Scheduling

חנות זרימה מורכבת ממכונות (FLT:0)mFLT:1 , מסודרים בסדרה.כל עבודה חייבת להיות מעובדת על כל מכונה באותו סדר, אבל זמני עיבוד עשויים להשתנות בין מכונות ומשרות.המטרה של התזמון היא לקבוע את רצף של מקומות עבודה הממזערים את ביצועי הפרמטר - כמעט בדרך כלל FLT:2 ביצוע זמני עיבוד עשויים להשתנות על פני מכונות 3 (למשך זמן), אבל גם את מספר התזמון הממוצע, כלומר, הוא זרם יותר מאשר את כל זמן רגיל, בדרך כלל, בדרך כלל, בדרך כלל, בדרך כלל, בדרך כלל, בדרך כלל, הוא, בדרך כלל, בדרך כלל, בדרך כלל, כלומר, בדרך כלל, הוא, כמו גם את ה-זמנית, בדרך כלל, כמו גם את ה-זמנית, הוא, בדרך כלל, כלומר, בדרך כלל, בדרך כלל, את מספר האפשרויות, בדרך כלל, כמו גם את מספר קיבולת של זמן, יותר מאשר את ה-זמנית של זמן, בדרך כלל, בדרך כלל, בדרך כלל, בדרך כלל, בדרך כלל, הוא, יותר מאשר את הקיבולת של זמן, בדרך כלל, יותר מאשר את ה-זמנית של זמן, בדרך כלל, יותר מאשר את ה-זמנית של זמן, כמו גם את ה-זמנית של זמן, כמו גם את ה-

גישות פתרון נפוצות כוללות שליחת כללים (כגון זמן עיבוד קצר או תאריך מוקדם), היציסטיות קונסטרוקטיביות קונסטרוקטיביות (כמו אלגוריתם של ג'ונסון למקרים של שתי מכונות), ו metaheuristics (אלגוריתמים גנטיים, סימולציה של annealing, tabu Search) בעוד שיטות אלה מציעים פתרונות סבירים בזמן מקובל, הם בדרך כלל להסתמך על FLT:0קבועים או בממוצע נתונים LT:1 ועלולים להיות יציבים, זמני עיבוד דינמיים, כלומר, זמניים, זמניים, חומרים יציבים, כלומר, זמני עיבוד יציבים, סבירים, שיטות עיבוד יציבים, חומרים יציבים, סבירים, סבירים, סבירים, כלומר, שיטות עיבוד.

הגבלות של גישות מסורתיות

תזמון חנות זרימה מסורתי מציג כמה חולשות שהופכות יקרות בכולות גבוהה או בסביבות של יכולת גבוהה:

  • (ב) [15] ,0) להתאמה: לוח הזמנים שנוצר בתחילת שינוי אינו יכול להסתגל לאירועים בזמן אמת כגון אטה של מכונה, סדר דחוף או מחסור בחומר.
  • (FLT:0) הסתמכות על ממוצעים: FLT:1; השימוש בזמני עיבוד ממוצע מתעלם מהשחלות.עבודה שבדרך כלל לוקח 10 דקות עשויה לפעמים לקחת 25 דקות, מה שגורם לעיכובים.
  • (FLT:0) אי יכולת לשלב מצב מכונה: FLT:1 מודלים מסורתיים מתייחסים למכונות זהה ותמיד זמין.הם מתעלמים מנתוני חיישן המעידים על קיום, על נורמה טמפרטורה, או חתימות רטט החיזוי כשלון מתקרב.
  • (FLT:0) אינטגרציה עם נתונים של upstream /downstream:Build:cioFLT) 1 לוח זמנים לפעול לעתים קרובות בידוד מרמות מלאי, זמני להוביל הספק, או שינויים סדר לקוחות, המוביל לביצועים גלובליים תת-אופטימיים.

מגבלות אלה מניעות עניין בשיטות המונעות על נתונים, שיכולות תמיד לייעל נתונים טריים, חוסר ודאות מודל, וממליצות על לוחות זמנים הסתגלות. Big Data Analytics מספק את עמוד השדרה הטכנולוגי עבור שיטות כאלה.

התפקיד של Big Data Analytics ב- Flow Shop Scheduling

ניתוח נתונים גדול מתייחס לאיסוף, עיבוד וניתוח של נתונים גדולים, מגוונים, גבוהים בשפע כדי לחלץ תובנות ותמיכה בקבלת החלטות. בהקשר של תזמון חנות זרימה, מקורות הנתונים הרלוונטיים הם עצומים:

  • חיישני מכונות (temperature, רטט, צריכת חשמל, עומס ספיןדל, מהירות)
  • יומני ייצור (start/stop Time, כמות המיוצרת, דוחת ספירות)
  • תוצאות בדיקה איכות
  • רשומות תחזוקה והזמנות עבודה
  • נתוני שרשרת אספקה (רישו זמינות חומרית, ביצועי הספק)
  • הזמנות לקוח (תאריך מוקדם, עדיפות, בקשות לשינוי)
  • משאבי אנוש (זמינות, רמות מיומנות)

Analytics הופך את הנתונים הגולמיים האלה לאינטליגנציה מעשית על פני ארבעה תחומים מרכזיים: שילוב נתונים, מודלים חיזויים, אופטימיזציה טרום-פרסטיבית והסתגלות בזמן אמת.

איסוף נתונים ואינטגרציה

ניתוח יעיל מתחיל עם צינורות נתונים מאוחדים.ייצור מערכות (MES), תכנון משאבים ארגוני (ERP) ופלטפורמות IoT להאכיל נתונים לתוך אגם נתונים מרכזי או מחסן.עבור תזמון חנות זרימה, זה קריטי ל-Time-stamp כל אירוע (למשל, עבודה להתחיל, ניתוח מכונות idle, לבדוק איכות) ולקשר אותו ל- ID, ID, ומפעיל זיהוי מתקדם של נתונים יכול לטפל בזיהוי נתונים שלא ניתן לשחזר אותם ממערכות רעשים פגומים יותר, ברגע שלא ניתן לשלב אותם.

פלטפורמות מודרניות כמו FLT:0 (DirecteursFLT:1) מאפשרות ליצרנים לבנות קוהר מותאם אישית המחבר מקורות נתונים מגוונים באמצעות APIs, מה שהופך אותו קל יותר לנהל ולשרת נתונים לתזמון מנועי ניתוח (עבור יותר על חיבור נתונים תעשייתיים, ראה את ה-FLT:2DirectusFLT 3: 3).

Analytics צפוי לשבד

ניתוח חיזוי משתמש בנתונים היסטוריים ומציאותיים כדי לחזות מדינות עתידיות.יש יישומים מרכזיים בתזמון זרימה כוללים:

  • (FLT:0) דרישות תחזית זמן: מודלים של למידת מכונה 1 מכונות מאומן על חיישן היסטורי ונתוני תהליך יכול לחזות זמני עיבוד ספציפיים עבודה עם דיוק גבוה יותר מאשר ממוצעים קבועים.לדוגמה, מודל רגרסיה יכול להשתמש בכלי ללבוש נתונים, תכונות אצווה חומרי, וטמפרטורה מכוננת להעריך את הזמן עבודה תדרוש על כל מכונה.
  • (FLT:0) מקנה בריאות ולהישאר בחיים שימושיים (RUL): איור 1:1 ויברציה ודפוסי טמפרטורה יכולים לחזות שעות כישלונות מתקרבות או ימים מראש. integrating RUL תחזיות לתוך לוח הזמנים מאפשר לו להימנע ממשרות תזמון על מכונות פגיעות או למנוע תחזוקה קבוצתית במהלך חלונות idle מתוכננים.
  • (FLT:0)Quality מניבה תחזית: FLT:1 על ידי ניתוח פגמים בעבר ביחס הגדרות מכונה ומאפיינים עבודה, מודלים יכולים לחזות אילו משרות צפויות לייצר דחייה.הלוח הזמנים יכול לשנות את מקומות העבודה האלה למכונות מדויקות יותר או להתאים פרמטרים כדי להפחית את הסיכון הפגם.
  • (FLT:0)Demand and order variability:cioFLT:1) תחזיות זמן מודלים מאומן על סדר לקוחות ההיסטוריה יכולה לצפות משקעים לטווח קצר, המאפשר לוח הזמנים לקיבולת מילואים או להתאים סדרי עדיפויות.

מחקר שפורסם ב-[[1924]] בשנת [[1924]], הראה כי גישה אנליטית חיזויית הפחיתה את תוחלת ההקצנה ב-12% ותקופת ה-PC בהשוואה לאלגוריתם גנטי סטנדרטי שהשתמש בזמני עיבוד סטטיים (ראה FLT:2Journal of Manufacturing SystemsFLT:3 for Research).

Analytics ואופטימיזציה

בעוד ניתוח חיזוי תשובות "מה יקרה", ניתוח מרשם מתייחס "מה צריך לעשות" בתזמון קניות, מודלים מרשם משלבים קלטות חזו עם אלגוריתמים אופטימיזציה לייצר רצפים כמעט-אופטימיים.טכניקות למידה מכונה, כגון חיזוק למידה (RL) ורשתות עצביות עמוקות, יכול ללמוד מדיניות תזמון ישירות מהנתונים.לדוגמה, סוכן RL יכול להיות מאומנים בסביבה מדומה כדי להחליט על פעולות מהירות, כי הוא לוקח תאריכים קבועים על בסיס זמן, כי הוא מקבל ביצועים.

גישה מתפתחת נוספת היא השימוש בחנות הזרימה הפיזית המראה את מצבה האמיתי של הנתונים התאום הדיגיטליים מקומה של החנות, מדמה את ההשפעה של החלטות תזמון שונות, וממליץ על הרצף הטוב ביותר.כי התאום יכול לבדוק אלפי תרחישים בתוך שניות, הוא מאפשר "מה אם" ניתוח זה היה בלתי אפשרי בעבר.

הסתגלות בזמן אמת ודינמיקה

תזמון מסורתי יוצר רצף קבוע בתחילת אופק התכנון. Big Data Analytics מאפשר לנטרל את ה-FLT:0דינמית reschedulingFLT:1, שבו לוח הזמנים מעודכנת כל הזמן כהנתונים החדשים מגיע.לדוגמה, אם חיישן מזהה כי הטמפרטורה של מכונה זינקה 100,000 $, לוח הזמנים יכול מיד לשנות את העבודה כדי למנוע את זה עד שהוא נכשל או נבדק באופן דומה, אם זה יכול להעריך את עלויות זמן קריטי על גבי אלקטרוניקה קיים, אם זה יכול להעריך את הרזולוציה, אם יש צורך זמן אמתית, אם יש צורך לבצע שינוי קבוע, אם יש צורך לבצע שינוי קבוע, אז, אם יש צורך לבצע בדיקה, אז, אז, אם זה יכול להעריך את הרזולוציה גבוהה יותר, אם יש צורך לבצע שינוי מוקדם יותר, אם יש צורך לבצע שינוי אלקטרוניקה קיים, אז, אז, אז, אז, אז, אם זה יכול למדוד את עלויות זמן אמתית על פני זמן אמתית על פני זמן אמתית, אם יש צורך לבצע בדיקה, אם זה יכול להעריך את הרזולוציה של זמן קבוע, אם זה יכול למדוד את הרזולוציה של זמן, אם יש צורך לבצע בדיקה, אם זה יכול להעריך את עלויות זמן, אם זה יכול למדוד את הרזולוציה של זמן אמתית על פני זמן אמתית על גבי אלקטרוניקה קיים, אז,

היתרונות העיקריים של Big Data-Driven Scheduling

  • (FLT:0) אמינות מבוססת-הנדסה: 1) תחזיות מונחות נתונים של זמני עיבוד וזמינות מכונה להפחית את הפער בין לוחות זמנים מתוכננים ומציאותיים.זה מוריד את תדירות ההזמנות, עם הזמן, ומשלוח מתוכנן.
  • (FLT:0) חידושים דינמיים משוחררים: FLT1) מאפשר למערכת הייצור לספוג הפרעות ללא התערבות אנושית משמעותית.
  • (FLT:0) שיפור היעילות של הציוד: ההרחבה 1 (FLT:1) על ידי צמצום זמן idle והימנע ממכונות צוואר בקבוק, יעילות ציוד כוללת (OEE) משתפרת.
  • (FLT:0) חיסכון: תזמון טוב יותר מקטין את עלויות אחזקת מלאי (באמצעות זמני זרימה קצרים יותר), מוריד את צריכת האנרגיה (באמצעות איסוף משרות כדי להפחית את מחזורי ה-FLT) ומרחיב את חיי המכונה (על ידי מניעת עומסים ותזמון תחזוקה מונעת באופן יזום).
  • (FLT:0) Data-Driven Continuous שיפורים:FLT:1 ניתוח היסטורי יכול לזהות שורש גורם של יעילות תזמון - כגון מכונה מסוימת עם גמישות גבוהה או ספק עם משלוחים מאוחרים תכופים - שיפור תהליכים שיטתיים.

אתגרים

למרות הבטחתו, ניתוח נתונים גדול עבור תזמון קניות הוא לא פתרון Plug-and-play. יצרנים חייבים לנווט מספר אתגרים:

איכות נתונים וזמינות

נתוני חיישן יכולים להיות רועשים, לא שלמים, או בלתי עקביים על פני מותגי מכונה שונים ו- וינטג's.ללא ניהול נתונים קפדני, מודלים אנליטיים יפיקו פלטים לא אמינים.ניקוי, תוויות, וסינון נתונים מעשרות מקורות דורש השקעה משמעותית בתשתית ובכישרונות הנדסיים של נתונים.

מורכבות

מערכות MES ו- ERP קיימות עשויות לא להיות מיועדות לתמוך בסטרימינג נתונים בזמן אמת או לחשוף APIs לניתוח חיצוני.התכנת ציוד מורשת עם חיישנים ומחשוב קצה מוסיפה עלויות ומורכבות.בנוסף, שילוב מודלים חיזויים ופרוספקטיביים לתוך זרימת העבודה הקיימת לעתים קרובות דורשות מודעות ביניים מותאם אישית או פלטפורמה כמו Directus שיכולה לתזזזזת נתונים בין מערכות.

גליגל סקיל

פיתוח ותחזוקה של מודלים מתקדמים של ניתוח דורש מדענים, מהנדסי תוכנה ומהנדסים תעשייתיים אשר מבינים הן תהליכי ייצור והן למידת מכונה. יצרנים רבים להתמודד עם מחסור בכישרון רב-תפקודי כזה.שותף עם חברות ניתוח מיוחדות או השקעה במיומנות של צוות קיים הוא לעתים קרובות הכרחי.

שינוי ניהול

מנהלי ייצור ומפעילי חנויות עשויים להיות ספקנים באלגוריתמים "קופסא שחורה" שעולים על הניסיון שלהם.אימוץ מוצלח דורש מודלים שקופה שמסבירים את ההמלצות שלהם, כמו גם את הלכידות והאימון ההדרגתיים.

מחיר ו-ROI Justification

יישום פלטפורמה מקיפה של ניתוח נתונים כולל חומרה (רגישים, מכשירים קצה, שרתים), תוכנה (פלטפורמות נתונים, כלי ניתוח), ועלויות תפעוליות מתמשך. עבור ארגונים קטנים ובינוניים, ROI עשוי לא להיות מיידי.עם זאת, כמו העלות של מכשירי IoT מחשוב ענן ממשיך ליפול, המחסום להורדת פתרונות מדרגים רבים המציעים פתרונות החל עם טייס על קו אחד לפני התרחבות.

דוגמאות אמיתיות בעולם

(FLT:0) האסיפה קטר קטר: 1FLT 1 יצרנית רכב גדולה הטמיעה תאום דיגיטלי עבור קו הסימון ראש גלילי שלה.על ידי שילוב נתוני עומס בזמן אמת עם לוח זמנים של חיזוק, הקו הפחית את הניתוק ללא פגע עד 30% ולהגדיל את התפוקה על ידי 11% בתוך שישה חודשים.

(FLT:0) אלקטרוניקה יצרנית: 1FLT 1 יצרן חוזים אלקטרוניקה השתמש במודלים של זמן עיבוד חיזוי כדי לתקן את קו SMT (טכנולוגיית ה-SMT שלה) כל 15 דקות.על ידי חשבונאות עבור וריאציות ב- Solder paste מולטי ולחות מתחרה, לוח הזמנים החיזוי הפחית את זמן השחלות ומאפשר לחברה להציע חלונות הדוקים יותר ללקוחות שלה.

(FLT:0) עיבוד מזון: ההרחבה 1 (FLT:1) במפעל של טוטלינג, ניתוח נתונים גדול בשילוב נתוני רטט מכונה עם תחזית סדר כדי לקבוע שינויים בין פועלי המוצר.המערכת חזתה את התזמון האופטימלי לניקוי ותחזוקה, צמצום זמן השבתה ובזבוז המוצר.הצמח השיג ירידה של 5% בעלויות התפעוליות הכוללות.

לקריאה נוספת על יישום בעולם האמיתי, ה- 0 (Deloitte Industry 4.0 Resources CentersFLT:1) מספק מחקרים מפורטים.

כיוונים עתידיים

(ההתכנסות של ניתוח נתונים גדול עם FLT:0) אינטליגנציה מלאכותית (AI)FLT:1 ו-FLT:2edge ComputingFLT 3) תהווה עוד יותר את תזמון חנות הרכישות. Edge עם למידת מכונה על הסיפון יכול לעבד נתונים חיישן מקומי, צמצום השקיפות ומאפשר עדכונים בזמן אמת גם במתקנים מוגבלים עם קישוריות ענן.

שדרה מבטיחה נוספת היא שילוב של מאגר מידע מקיף שרשרת:0 (pLT:0) לתוך החלטת לוח הזמנים של הספק והמצב הלוגיסטיקה בזמן אמת, ניתן לייעל את זרם הנתונים המלא של שרשרת הערך - לא רק קו ייצור אחד.זה תואם את החזון של "מפעל אוטונומי", שבו, תחזוקה, איכות, והחלטות לוגיסטיות מתואמים על ידי מערכת ייצור אחת מרכזית.

ככל שניתוח נתונים גדול בוגר, בעיית תזמון החנות - על אתגר משולב גרידא - מבסס סביבת אופטימיזציה עשירה בנתונים, למידה מתמדת יצרנים להשקיע בתשתיות הנתונים והניתוחים הדרושים, יזכו לחוד תחרותית משמעותית בתגובתיות, יעילות ושליטה בעלויות.

מסקנה

תזמון קניות הוא אבן הפינה של פעולות הייצור, אך המורכבות והרגישויות שלה לשיבוש גורמים לגישות סטטיות לא מספיקות לסביבות הייצור התובעניות של היום. Big Data analytics מציע מערך רב עוצמה של כלים - החל ממודלים חיזוי של זמני עיבוד ובריאות מכונה לאופטימיזציה מוקדמת באמצעות חיזוק הלמידה והתאומים הדיגיטליים - אשר משפרים באופן דרמטי את הדיוק וההתאמה.