Giriş: Üretim Planlamasında İnceliğe duyulan Büyü

Üretim işlemleri, birçok iş istasyonuyla aynı doğrusal yolu takip eden iş akışlarına bağlı olarak, basitleştirilmiş kullanım alanlarının ve doğrudan doğrulanan en yaygın üretim düzenleri arasında, [[0) akış mağazası [Döneticileri ile aynı doğrusal yolu takip eden, tüm işler değişkenliğe, akışa ve akışa adapte olmak için aynı zamanda hesaplamalı karmaşık bir problemdir.

Nesnelerin İnterneti (IoT) sensörleri, işletme sistemleri ve tedarik zinciri ağları, büyük veri analizlerini uygulayarak, üreticilerin tahmin edici ve ön işlemeye yönelik olarak reaktif planlamanın ötesine geçebilir.Bu makale, büyük veri analizlerinin akış mağaza planlama hızını nasıl artırdığını ve uygulamadaki teknik ve teknolojileri inceler.

Akış Mağaza Scheduling

Bir akış mağazası, m serisinde düzenlenen makinelerden oluşur.Her iş aynı sırayla her makinede işlenmelidir, ancak makineler ve işlerde işlem süreleri değişebilir. zamanlama hedefi, bir performans metrik akışı en yaygın olarak en basit şekilde belirlemektir. [İş siparişi:2).[değiştir | kaynağı değiştir] [Dönergesel zaman), NP-aslında toplam sabit akış süresi, ortalama zaman, veya makine boş zaman.

Yaygın olarak kullanılan çözüm yaklaşımları kuralları (en kısa işlem süresi veya en erken tarih gibi), yapıcı heuristics (iki makineli vakalar için Johnson'ın algoritması gibi), ve metaheuristics (genetic algoritmaları, simdisyon, tabu arama) ve bu yöntemler kabul edilebilir zaman nedeniyle makul çözümler sunarken, genellikle doğrulanmış verilerle bozulmaz ve çevresel koşullara güvenir.

Geleneksel Scheduling Yaklaşımlarının Sınırları

Geleneksel akış mağazası planlama yüksek hacimli veya yüksek değişkenlik ortamlarda pahalı olan birkaç zayıf sergilemektedir:

  • [FONT:0]Rezisyon yeteneğinin Lack:[Dönetici:[Dönetici:0) Bir değişimin başlangıcında üretilen bir program, makine yavaşlığı, acil sipariş veya malzeme eksikliği gibi gerçek zamanlı olaylara ayarlanamaz.
  • [Dörtler üzerinde Genel: 0]Dörtücükler, genellikle 10 dakika sürebilir bir iş, bazen dalgalanma gecikmelerine neden olabilir.
  • [FONT:0) Makine koşulunu dahil etmek için Inability to include machine condition:) Geleneksel modeller aynı ve her zaman mevcut gibi makineleri tedavi eder.Görüntüyü gösteren sensör verilerini görmezden gelirler, sıcaklık anomalileri veya titreşim imzalarını tahmin ederler.
  • [FONT:0)Poor entegrasyon upstream/downstream data: Programı genellikle envanter seviyelerinden izolasyonda çalışır, tedarikçi zaman verir veya müşteri sipariş değişiklikleri, suboptimal global performansa yol açar.

Bu kısıtlamalar, sürekli olarak taze veriler, model belirsizlikleri olan ve uyarlanabilir programları önerebilecek veri odaklı yöntemlere ilgi gösterir. Big data Analytics, bu yöntemler için teknolojik arka kemiği sağlar.

Akış Dükkanı'nda Büyük Veri Analitiğinin Rolü

Büyük veri analizi, büyük, çeşitli, yüksek seviyeli veri kümelerinin analizlerini ve karar vermelerini ifade eder. Akış mağaza planlama bağlamında, ilgili veri kaynakları çok büyüktür:

  • Makine sensörleri (sıcak, vibrasyon, güç tüketimi, yük, hız)
  • Üretim günlükleri (başlangıç/zamanlar, miktarlar üretilir, sayar).
  • Kalite denetim sonuçları sonuçları
  • Bakım kayıtları ve iş emirleri
  • Tedarik zinciri verileri (yapım malzemesi kullanılabilirliği, tedarikçi performansı)
  • Müşteri siparişleri (geçer tarihler, öncelik, değişim talepleri)
  • İnsan kaynakları (operability, beceri seviyeleri)

Analytics bu ham verileri dört anahtar alanda harekete geçirilebilir bir zekaya dönüştürür: veri entegrasyonu, tahmin edici modelleme, önscriptive optimizasyon ve gerçek zamanlı adaptasyon.

Data Collection and Integration

Etkili analiz birleşik bir veri hattı ile başlar. Üretim yürütme sistemleri (MES), işletme kaynakları planlama (ERP) sistemleri ve IoT platformları, merkezileştirilmiş bir veri veya depoya veri beslemektedir.Gerekli bir veri hattı için her olay (örneğin, iş başlangıç, makine boş tutma, kalite kontrol) ve iş için bağlantı kurmak için verileri merkezileştirilmiş bir şekilde çalıştırabilir. Gelişmiş veri entegrasyonu araçları verileri kenar cihazları ve toplu veri depolama sistemlerinden akışla çalıştırılabilir.

Modern platformlar, doğrulayıcılar için ([Döneticiler) farklı veri kaynakları API'leri birbirine bağlayan özel bir geri dönüş oluşturmalarını sağlar ve verileri analitik motorlara planlamayı kolaylaştırır. (Daha fazla bağlantı endüstriyel veriler için, bkz.)

Scheduling için Predictive Analytics for Scheduling

Tahmin edici analitik, gelecekteki devletlerin tahmin edilmesi için tarihsel ve gerçek zamanlı veriler kullanır. Akış mağazası planlamalarında Anahtar uygulamalar şunları içerir:

  • [FONT:0) Zaman tahmini gerektirir:[Dönetici:0] Tarihsel sensör ve süreç verileri üzerinde eğitilmiş makine öğrenme modelleri, sabit ortalamalardan daha yüksek doğrulukla iş bazlı işleme süreleri tahmin edebilir. Örneğin, bir regresyon modeli, her makinede bir işi tahmin etmek için araç aşınması ve ısı sıcaklığı kullanabilir.
  • [FONT:0]Makine sağlığı ve geri kalan faydalı yaşam (RUL): ) Titreşim ve sıcaklık kalıpları önümüzdeki başarısızlık saatlerini veya günlerini önceden tahmin edebilir. RUL tahminlerini programcıya entegre etmek, kırılgan makinelerde planlamaktan veya planlı boş pencereler sırasında grup koruyucu bakımdan kaçınmasını sağlar.
  • [FONT:0)Kaliteli veri tahminleri:[Dönetici: 0,3) Makine ayarları ve iş özellikleri ile ilgili geçmiş kusurları analiz ederek, modeller hangi işlerin reddedildiğini tahmin edebilir.
  • [FONT:0)Demand ve sipariş değişkenliği: Müşteri sipariş tarihinde eğitilmiş Zaman serisi tahmin modelleri yakın vadeli talepler, zamanlamanın rezerv kapasiteye veya ayarlama önceliklerine izin verebilir.

A study published in theETHFLT:0)Journal of Manufacturing Systems), tahmin edici bir analitik yaklaşımın % 12 oranında azaltıldığını ve makine boş zamanlarını statik işleme süreleri kullanan standart bir genetik algoritma ile karşılaştırdığını gösterdi. (SeeurFLT:2Journal of Manufacturing Systems for related research.)

Prescriptive Analytics ve Optimizasyon

Tahmin edici analitik cevaplar “What will be”, prescriptive Analytics adresleri “Yapılması gereken şey”, arsa dükkanı planlama, önsözlü modeller, yakın optimize dizileri oluşturmak için optimizasyon algoritmaları ile ilgili tahmin edilebilir.The agent detects the current state (queue levels, machine status, because dates) and take actions (selecting the next job), RL agent will be training in the sameformistic performance.The agent detects.The agent detects the current state (queue levels, machine status, because dates) and take actions (selecting the next job), o zaman performansa dayalı olarak performans programları üzerinde zaman boyunca performans gösterir.

Başka bir yükselen yaklaşım, mağaza katındaki verileri sürekli olarak etkileyen fiziksel akış mağazasının kullanımlarıdır ve en iyi diziyi önerebilir. Çünkü ikiz daha önce pratik olmayan analizleri “ne-if” analizini yapabilir.

Gerçek- AdaptTimeasyon ve Dinamik Yeniden Yapın

Geleneksel zamanlama, planlama ufukünün başlangıcında sabit bir sıra oluşturur. Büyük veri analizi, [[0) Bu makineyi başarısız olana kadar veya denetim altına alınıncaya kadar, sistem mevcut taahhütlere etkisini sürekli olarak güncelleyebilir ve revize edilmiş bir dizi önerebilir.Bu gerçek zamanlı olarak elektronik olarak, otomatik olarak maliyetlerin artmasını sağlamak için programcı, saatte 100 $ 'a kadar olan maliyetin aşılmasına olanak sağlar.

Big Data-Driven Scheduling

  • [FONT:0)Enhanced Balance:[Dönetici:[Dönetici: 0) Veriye dayalı işlem süreleri ve makine kullanılabilirliği, planlı ve gerçek programlar arasındaki boşluğu azaltır. Bu, acele siparişlerinin frekansı, aşırı zaman ve genişleyen nakliye.
  • [FONT:0)Increased Flexability:[Dönetici: [Dönetici:0) Dinamik rescheduling, üretim sistemini önemli insan müdahalesi olmadan kesintiye uğratmaya olanak sağlar.
  • [FONT:0) Geliştirilmiş Verimlilik: [Dönetici:0]) Paragrafi zaman ayırın ve şişenck makinelerinden kaçınarak, genel ekipman etkinliği (OEE) geliştirir. Bir otomotiv parçaları üreticisi büyük bir veri odaklı bir programcı uygulama yaptıktan sonra% 15 artış bildirdi.
  • [FONT:0]Cost Tasarrufları: [Dönetici:[Dönetici:0) Daha iyi zamanlama, envanter tutma maliyetlerini azaltır (daha kısa akış süreleri ile), daha düşük enerji tüketimi ( makine ısı-up döngülerinin azaltılması için grup işleri) ve makine ömrünü genişletir (daha yüksek oranda önleyici bakım planlamayı önler).
  • [FONT:0)Data-Driven Sürekli İyileştirme:[Döneticileri) Tarihsel analiz, yüksek yetimli veya sık geç teslimatlarla belirli bir makine gibi - sistematik süreç iyileştirmelerine izin verebilir.

Uygulama Challenges

Onun vaadine rağmen, akış mağaza planlama için büyük veri analizi bir eklenti ve oyun çözümü değildir. Üreticiler birkaç zorlukla ilgilenmeli:

Data Quality ve Müsaitlik Durumu

Sensör verileri, farklı makine markaları ve vintageler arasında gürültülü, eksik veya tutarsız olabilir. Kapsamlı veri yönetimi olmadan, analitik modeller güvenilmez çıktılar üretecektir. Temizlik, etiketleme ve veri mühendisliği yeteneğinde önemli ölçüde artış gerektirir.

Bütünleşme Kompleksi

Mevcut MES ve ERP sistemleri gerçek zamanlı veri akışına destek olmak veya harici analitik için API'leri ortaya çıkarmak için tasarlanamaz. Sensörler ve kenar bilişim ile birlikte miras ekipmanların optimizasyonu maliyet ve karmaşıklığı da beraberinde getiriyor.Ayrıca, mevcut planlama iş akışına entegre etmek genellikle özel ortalama veya doğrudan sistemler arasında bir platform gerektirir.

Skill Gaps

Gelişmiş analitik modelleri geliştirmek ve korumak, hem üretim süreçlerini ve makine öğrenimini anlayan veri bilim insanları, yazılım mühendisleri ve endüstriyel mühendisler gerektirir. Birçok üretici bu tür çapraz işlevli yetenek eksikliğiyle karşı karşıyadır. Uzman analitik firmalarla ortak olmak veya mevcut personele yatırım yapmak genellikle gereklidir.

Değişim Yönetimi

Üretim yöneticileri ve mağaza-floor operatörleri, sistem planlarını onaylayan veya değiştirebilecek olan “kara kutu” algoritmalarının yanı sıra, önerilerinizi açıklayan şeffaf modeller gerektirir. Başarılı kabul, önerilerinizi açıklayabilecek ve eğitim için.İnsan-in-the-loop yaklaşımlar, sistemin onları onayladığı veya değiştirebileceği yer, güven yaratabilir.

Maliyet ve ROI Justification

Kapsamlı bir büyük veri analizi platformu, donanım (sensors, kenar cihazları, sunucular), yazılım (veri platformları, analitik araçlar), ve devam eden operasyonel maliyetler için. Küçük ve orta işletmeler için, ROI'nin maliyetinin hemen olmayabilir. Ancak, giriş için bariyer daha düşük. Birçok satıcı, bir üretim hattında pilotla başlayan ölçeklenebilir çözümler sunuyor.

Gerçek-Dünya Örnekleri

[FONT:0)Automotive Engine Assembly: [Dönetici:[Dönetici: 0) Bir büyük otomotiv üreticisi, makinenin ilk araç işleme hattını gösterdiğinde dijital ikizi otomatik olarak geri taşıdı. Gerçek zamanlı yük verileri takviyeli bir öğrenme programı ile entegre ederek, hattı% 30 azalttı ve% 11 arttı. Sistem otomatik olarak araç işleme hattının erken belirtileri gösterdiğinde otomatik olarak yeniden yüklenmiş işleri geri aldı.

[[Döneticileri Üretim: [Dönetici: 0,3] Bir sözleşme elektronik üreticisi, bildirimde bulunan ve müşterileri için SMT (surface-sol teknolojisi) hattını her 15 dakika boyunca optimize etti.

[[DÜŞÜNÜ:0)GÜŞÜŞÜŞÜŞÜŞÜŞÜŞÜŞÜŞÜŞÜŞÜŞÜNÜ: 0,5.Üye ait bir içecek bottling bitkisinde, büyük veri analizi, ürün çalışması arasındaki değişimleri planlamak için sipariş edilen sistem, temizlik ve bakım için en uygun zaman ve ürün atıklarını azalttı.

Gerçek dünya uygulamaları hakkında daha fazla okuma için, Deloitte Industry 4.0 kaynak merkezi) ayrıntılı vaka çalışmaları sağlar.

Future Yol Tarifi

Büyük veri analizinin akıtılması ile birlikte:0) Ahşap zeka (AI)) ve [[Döneticileri ) daha fazla akış depolama alanı planlama araçlarına izin verecek. Edge cihazlar yerel olarak işlem yapabilir, gecikmeli ve makine yapılandırmalarına olanak sağlar.

Başka bir umut verici avenue, arsadağın tüm değeri akışı optimize edilir - sadece tek bir üretim hattı ile bu uyumlu değildir.Bu, planlama kararına göre, bakım, kalite ve lojistik kararlarının akıllı bir merkezi sistem tarafından koordine edildiği yer.

Büyük veri analizi olgunları olarak, akış mağaza planlama problemi – saf bir şekilde bir araya gelen bir çözüm meydan okuması – sürekli olarak, gerekli veri altyapısına yatırım yapan üreticiler ve analitik yeteneklere karşı, verimlilik ve maliyet kontrolüne önemli bir rekabetçi kenar kazanacaklar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Akış alışveriş planlama, üretim operasyonlarının temel taşıdır, ancak karmaşık öğrenme ve dijital ikizler aracılığıyla optimizasyona yönelik karmaşıklık, günümüzün talep edilen üretim ortamları için statik yaklaşımlar yetersiz hale getirmeleri için yetersizdir. Büyük veri analizi, gelişmiş verimlilikteki avantajlara yol açıyor - Endüstri 4.0 girişimleri hızlandığında, büyük veri odaklı bir şekilde hızlandırıcı bir şekilde optimize edilmesi gereken bir avantaj haline gelecektir.