Akış alışveriş planlama, işlerin sabit bir şekilde bir dizi makineden geçmesi gereken üretim ve üretim sistemlerinin temel taşıdır.Ama, gerçek dünya üretim ortamları nadiren iş başında, işlem süresi, malzeme gecikmesi gibi ölçüleri en iyi şekilde optimize eder ve bu sorun, belirsiz grevler için en iyi optimize edilen maliyetlerden daha iyi anlaşılır ve en iyi şekilde anlaşılır bir şekilde geri bildirimde bulunamaz.
Bu makale, akış mağazasında belirsizlikleri ortadan kaldırmak için kapsamlı bir strateji sunuyor. Modern üretim kaynakları ve belirsizlik türlerini inceleyeceğiz ve her iki reaktif ve proaktif yaklaşımları ve detaylı uygulama en iyi uygulamaları inceleyeceğiz.Son olarak, üretim yöneticileri ve operasyonları araştırmacılar, esnek, uyarlanabilir ve modern üretime rağmen tutarlı performans sağlama konusunda pratik bir çerçeveye sahip olacaklar.
Akış Dükkanı'nda Uncertainty Anlamak
Bir akış mağazasındaki belirsizlik sistemin hemen hemen herhangi bir parçasından ortaya çıkabilir. Bu kaynakları tanımak, etkili bir karşıtlığı tasarlamanın ilk adımıdır.
Uncertainty türleri
[FONT:0) Zaman değişkenliği[[Dönetici:0] Belki de en yaygın kaynaktır. Makine hızları, operatör yeteneği, ham malzeme kalitesi, araç aşınması veya çevresel koşullara göre değişebilir. İyi donanımlı ekipman, insan faktörleri ve küçük kesintiler bile tahminlerden önemli ölçüde işlem süreleri işlemez.[Döneticileri değiştiremez)[Döneticileri otomatik olarak geri yüklemeleri engellemeye zorlayabilir veya otomatik olarak gecikmez.
Performansta Uncertainty Etkisi
Belirsizliklerin bir akış mağazası aracılığıyla dalgalanmasının sonuçları. Makespan, zaman biriktirildiği gibi dramatik bir şekilde artırabilir ve sıralar aşırı zaman, sürekli olarak, sürekli olarak, sürekli olarak, sürekli olarak, sürekli olarak, sürekli olarak, sürekli olarak teslim edilen nakliye ve boşanmış kapasite nedeniyle yükselir. Müşteri memnuniyeti, teslimat tarihleri kaçırıldığında veya yeniden teslim edilmesi gerekir. Ciddi durumlarda, tek bir kesinti, doğrudan bir krizden kaynaklanan bir kesintiye yol açan bir mücadeleyi tetikleyebilir.
Uncertainty
Belirsizlik ile uğraşmak için stratejiler iki geniş kategoriye girer: Uygulamalı (robust veya tahmin edici) uygulamadan önce programa dayanıklılık oluşturan yaklaşımlar ve reaktif (aible) meydana geldikten sonra kesintilere cevap veren yaklaşımlar.En etkili sistemler her ikisini birleştirir.
1. Esnek Scheduling ve Dynamic Rescheduling
Flexability, belirli olaylarla ilgili en az kesintiye maruz kalan bir programı değiştirmek için yeteneğidir.En yaygın kullanılan tekniklerden biri referans olarak daha uzun vadeli bir plan tutarken, [Dönetici yeniden dengeleyicisi], zamanlamanın belirli aralıklarla yeniden hesaplanması veya tetiklenen siparişler ile yeniden hesaplanmasıdır.Demek, daha fazla hesaplamak için kısa vadeli bir plan hazırlamak için kısa vadeli bir programdır.
[FONT=0]Buffer zaman eklenme[Döneticileri) başka bir esnek stratejidir.Sorunca veya kritik noktalar arasında, program, küçük tamponların stabiliteye dayalı olarak temellendirilmesine yardımcı olur.Bufferscading. Mathematical modeller, baskıya dayalı olarak en iyi şekilde belgelenir.
[FONT:0)Alternative routing esnekliği) ayrıca makine başarısız olursa, işler aynı işlemi gerçekleştiren alternatif bir makineye geri dönebilir, alışveriş zemin düzeni ve iş gücü izni sağlar. Cross-training operatörleri, istasyonlar arasında ihtiyaç duyulan adımlarla hareket etmesine izin vererek daha fazla esneklik sağlar.
2. Robust Scheduling Algorithms
Program ayarlandığından sonra belirsizlike tepki vermek yerine, sağlam zamanlama açıkça optimizasyon sürecine varılabilir. Hedef, olası bir gelecekteki senaryolar üzerinde “iyi” olarak kalan bir program üretmektir, hatta herhangi bir tek için en uygun değilse.
[[Dönetici programlama[Döneticiler tarafından bilinen dağıtımlarla rastgele değişkenler olarak işlem süreleri işliyor. objektif işlev daha sonra performans ölçümünün beklenen değeridir (örneğin, tahmin edilebilirlik süresine kadar), iki aşamalı ve çok aşamalı stochastic programları, belirsiz olmayan sistemlerin gecikme olasılığını azaltmak için daha güvenilir çözümler verebilir. Örneğin, stochastic akış mağazası programı, daha düşük maliyetle makinelerin daha erken sürelerini azaltılabilir.
[FONT=0)Fuzzy mantık[[DDDDDD), kesin dağıtımların bilinmediği bir alternatif sunuyor. Bunun yerine, işlem süreleri bulanık sayılarla (örneğin, 18 ve 25 kadar düşük) Fuzzy zamanlama algoritmaları daha sonra olasılık teorisine göre optimize edilir, parametre değerlerinin tam olarak hassas olduğu programlarda. Bu yaklaşım özellikle sınırlı tarihi verilerle ortamlarda yararlıdır.
[FONT=0)Metaheuristic algoritmaları[Dönetici algoritmaları [Dönetici algoritmaları (GA), parçacık swarm optimizasyonu (PSO), veya ekleme (SA) birçok değişkende bile kullanılabilir akış mağaza planlamalarına adapte edilebilir. Örneğin, sağlam bir GAd senaryoları değerlendirmek için, sağlam bir GAd'lar bir program oluşturabilir ve birçok uyarıda en kötü performans performansı en kötü şekilde seçebilir.
Araştırma, sağlam programların genellikle gerçek üretim ortamlarındaki belirsiz olmayanlar olduğunu göstermiştir.A study published in theETHFLT:0)IEEE Transactions on Otomasyon Science and Engineering), bu yöntemlerde daha fazla test edilen sağlam bir algoritmanın% 8'i azalttığını göstermiştir. (SeeFLT:2).
3. Güvenlik Araçları ve Buffer Yönetimi
Genellikle envanter yönetimi ile ilişkilendirilirken, güvenlik stokları ve tamponlar, alışveriş zamanlaması için eşit şekilde uygulanabilir. Zaman (buffer zaman) veya envanter (iş-in-progress) alt değişkenlerden koruyabilir.
[FONT:0]Time buffers[Döneticileri], kritik işler veya istasyonlar arasında yer alan kasıtlı boşluklar anlamına gelir. Constraints (TOC) onları doğru bir şekilde ifade eder: çok büyük bir tampon atıklar kapasitesi; sistemi korumak için kısıtlama (bottleneck) işlemine izin vermek için.
[FONT:0]Inventory buffers[[Dönetici] (WIP) makineler arasındaki sabit bir WIP seviyesi olarak hareket ederler.Eğer bir makine sabit diski kırılırsa, alt üst düzey makine sınırlı bir süre boyunca otobüsten çalışmaya devam edebilir.The CONWIP (konstant work-in-process) yaklaşımı, sabit bir WIP seviyesi altında kalırken otomatik olarak sistem sabit kalır. Kanban kartları, buffer seviyelerini kontrol etmek için başka bir klasik yoldur.
Lean Enterprise Institute'den pratik bir rehber, "buffer düşünce, herhangi bir üretim sisteminde varılabilirliği yönetmek için gerekli olduğunu, hatta "lean" olduğunu iddia edenlere bile. (Refer toETHFLT:0)Lean.org - Buffer)
4. Öngörücü Bakım ve Gerçek Zaman İzleme
Makine arızalarından gelen belirsizlik, bir makine başarısız olduğunda tahmin edilebilir. Bakım daha sonra başarısız bir kesintinin gerçekleşmesini sağlamak yerine proaktif bakım stratejileriyle azaltılabilir. [D:0]Örnek bakım bakımı), bu makineden kaçınmak veya ekstra tampon zaman içinde inşa etmek için sensör analiz eder. Bakım o zaman, daha sonra yapılan bir araştırma sırasında planlanan beklenmedik bir kesintinin riskini azaltır.
[FONT:0]Real-time monitoring[[[Dönetici: 1) Sistem, işlem süreleri, makine durumu, kuyruk uzunluğu ve operatör performansına ilişkin verileri toplar. Bu veriler, ortaya çıkan erken uyarıları sağlayan paniğe işaret eder. Örneğin, bir makinenin işleme süresi bu seviyedeki küçük ve orta ölçekli işletmelere yol açabilir.
Uygulama ve En İyi Uygulamalar
Belirsizlik yönetimi stratejilerinin benimsenmesi doğru algoritmayı seçmekten daha fazlasını gerektirir. Etkili uygulama kültürel, organizasyonel ve teknolojik faktörlere bağlıdır.
Data Collection and Analysis
Herhangi bir sağlam yöntem, her iş ve makineden elde edilen verileri elde ederek, tarihsel veriler işleme süreleri, kesintiler veya tedarik süreleri ile ilgili daha ileri tekniklere sahiptir. Organizasyonlar, her iş ve makineden granular verileri toplamaya başlamalı ve sonlandırmak için başlamalıdır. Basit yöntemler çalıştırma grafikler ve histogramlar sonraki tüm düzeltme kalıpları için temel haline gelebilir.
Personel Eğitimi ve Değişim Yönetimi
Yeni planlama araçları ve süreçleri sadece insanları kullanarak mantığı ve sınırlamalarını anlamaları etkilidir. Operatörler, programcılar ve üretim yöneticileri tasarım aşamasında dinamik rescheduling arabirimleri üzerinde eğitime ihtiyaç duyuyorlar, önerilen buffer boyutların arkasındaki rasyonel geri bildirimlerde ve sistemin daha iyi işler için nasıl yardımcı olacağını açıklayın.
Sürekli İyileştirme ve KPI Takip
Belirsizlik yönetimi, belirsizlikle ilgili bir zaman düzeltme değildir. Ürün, süreçler ve tedarik zincirleri geliştikçe, optimal stratejiler de değişir. Düzenli bir inceleme döngüsü (örneğin, aylık veya çeyrek olarak) bu tür performans göstergelerinin (KPIs) incelendiği yer: zamanlama değişiklikleri olmadan tamamlanma süresiz (percentage) sabit kullanım oranları, makine frekansı ve müşteri teslimat performansı.Bu diskleri ayarlayarak bu ölçümleme işlemine ihtiyaç duyar.
Sürekli gelişim için pratik bir çerçeve, [[GİRELİĞİ:0)APICS sözlüğü) ve [[Dönemli Zincir Konseyi'nin SCOR modeli) tarafından sağlanır. (SeeFLT:4).
Teknoloji Yatırımları
Dinamik rescheduling ve sağlam algoritmaları genellikle temel tabloların veya mirasın ERP sistemlerinin ötesinde yazılım gerektirir. Gelişmiş planlama ve planlama (APS) sistemleri karmaşık kısıtlamalarla, çoklu hedefler ve gerçek zamanlı veri için özelleştirilmiş olabilir. Birçok ticari APS platformları şimdi mevcut olan dayanıklı zamanlama, ölçeklenebilirlik ve IIoT sensörleri ile entegrasyon için modüller içerir.
Bulut tabanlı çözümler esnek ve düşük maliyetli sunar. Ancak, veri gecikmesi, manuel tamponlarla basit bir tablodan yararlanabilir, yüksek hacimli bir makinede zamanlama mantığın sıklıkla kesintiye uğraması, sofistike APS'ye ihtiyaç duyacaktır.
Örnek: Bir Otomotiv Kurulu Linete Stratejileri Kombine Etmek
Bu stratejilerin birlikte nasıl çalıştığını göstermek için, siparişlerin son derece geç gönderilmesine yol açan orta büyüklükte bir otomotiv parçası tedarikçiyi düşünün. Tarihsel olarak, ortalama işleme süreleri temelinde deterministic programlar kullandılar. Makine arızaları (haftada iki tane kurtarma) ve beklenmedik operatör yokluğu, sık sık sık sık sık sık sık sık program revizyonları yol açtı, şirketin% 28'ine yol açtı.
- [FONT:0)Data collection:[Dönetici: [Dönetici:0)[[Dönetici:0)Data collection:[Döneticileri izlemek için her makinede sensörler kurdular.
- [FONT:0)Buffer eksiyon:[Dönetici:[Dönetici:0)[Dönetici:0) Buffer eklenme:[Dönetici:[Dönetici: 0))) Diğer istasyonlarda toplam işlem süresinin% 10'u (prone makinesi) ve% 5'i kullanarak rafine edildi.
- [FONT:0)Robust scheduling:[Dönetici:[Dönetici:0)[Dönetici:0)))))[En kötü davayı en aza indirmek için algoritma kuruldu (min-max pişmanlık).
- [FONT:0]Dynamic rescheduling: APS her dört saat boyunca programı tekrar hesapladı ve bir makine başarısızlığı 15 dakikadan fazla sürdü.
- [FONT:0) Tahmin edici bakım: [Dönetici: [Dönetici: ] Başarısız makinedeki titreşim ve sıcaklık sensörleri önceden altı saat boyunca tahmin edilen bir makine öğrenme modelini besledi. Bakım gece değişimleri veya öğle yemeği molaları sırasında planlandı.
Altı ay içinde geç kargolar% 9'a düştü, güvenilir veriler ve çalışan tarafından% 40 oranında azaltılabilir ve aşırı zaman maliyetleri% 15 azaldı. Anahtar proaktif (buffers, sağlam algoritma, tahmin edilebilir bakım) ve reaktif (dinamik rescheduling) önlemleri, güvenilir veriler ve çalışan tarafından desteklenen ölçümler ile azaltıldı. Bu örnek, tek bir stratejinin yeterli olduğunu gösteriyor - en iyi sonuçlar özelleştirilmiş tekniklerden geliyordu.
Uncertainty Management
Akış mağaza planlama alanı hızla yapay zeka, gerçek zamanlı veri işleme ve tedarik zinciri entegrasyonunda ilerlemeler tarafından geliştirilmektedir.
[FONT:0]Kendi öğrenme zamanlama sistemleri[Döneticileri) [Döneticileri) [Döneticileri) kullanarak sürekli olarak programlamayı öğrenmelerini sağlamak için takviye etmek (CFONTD) kullanır.Internal methods ile kıyasla% 12 oranında tasarruf sağlar.(Ücretsiz frekanslar, tekrarlama kuralları, belirli fabrika dinamikleri için en iyi şekilde çalışır.)
[FONT:0] Dijital ikizler [[Döneticileri], akış dükkanlarının yöneticilerinin fiziksel fabrikanın sanal bir aynasında belirsizlik senaryolarını simüle etmeye izin vermesine izin verir.Bir program uygulamadan önce, yüzlerce simüle edilen kesintiye maruz kalma konusunda sağlamlığını test edebilirler.
[FONT:0]Blockchain ve akıllı sözleşmeler[Dönetici: 1) tedarik zincirinde belirsizliğe yol açıyor. Bir tedarikçinin teslimatı gecikdiğinde, akıllı bir sözleşme etkilenen akış mağaza operasyonlarının otomatik yeniden boyutlandırılması, manuel müdahaleyi azaltmayı tetikliyor.
[FONT:0]İnsan merkezli planlama[[[Dönetici:0) İnsan faktörlerinin, işle ilgili yavaşlamalardan kaçınmaları için iş yüklerinin önemli bir belirsizlik kaynağı olduğunu kabul eder.
Bu eğilimler, belirsizliğin sadece yönetilmediği bir geleceğe doğru işaret ediyor, ancak sürekli iyileşme için tahmin ediliyor ve sömürülüyor. Bugün sağlam, uyarlayıcı bir zamanlamaya yatırım yapan fabrikalar giderek daha öngörülemeyen bir dünyada gelişmek için en iyi konumda olacaklar.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Belirsizlik, akış mağaza planlamanın doğal bir parçasıdır, ancak değişken koşullarda yüksek verimlilik ve müşteri memnuniyetine ihtiyaç duymaz.Sürücük bir şekilde, proaktif ve reaktif stratejilerin belirlenmesi - tek bir gümüş mermi ile esnek planlama, sağlam algoritmaları, tahmin edici bakım, ve gerçek zamanlı izleme - değişken koşullardan korkmak için bir tehdit haline gelir. anahtar, yeni verilerle birlikte belirsizlik yönetimine sürekli bir süreç olarak davranarak ve tek bir gümüş mermiye güvenmek yerine birden çok teknik bir araya getirmektir.