कई उत्पादों को चलाने वाली उत्पादन lines पर, उत्पादों के बीच changeover time इस पर निर्भर करता है कि आप किस उत्पाद से बदल रहे हैं और किस में बदल रहे हैं। Product A से Product B पर switch करने में 30 मिनट लग सकते हैं, लेकिन B से A पर switch करने में 60 मिनट लग सकते हैं अलग cleaning या adjustment requirements के कारण। ये असममित changeover times एक optimization अवसर पैदा करते हैं जिसे अधिकांश निर्माता miss कर देते हैं।
एक setup matrix इन pairwise changeover times को capture करता है, और AI इसका उपयोग एक अवधि के लिए scheduled सभी उत्पादों में कुल changeover time को कम करने वाली उत्पादन sequence खोजने के लिए करता है।
Setup Matrix
Setup matrix एक table है जहाँ प्रत्येक row वह उत्पाद है जिससे आप बदल रहे हैं और प्रत्येक column वह उत्पाद है जिसमें आप बदल रहे हैं। Cell में उस विशिष्ट transition के लिए changeover time होता है। 20 उत्पादों को चलाने वाली line के लिए, यह एक 20x20 matrix है जिसमें 380 संभावित अलग changeover times हैं (diagonal को छोड़कर जहाँ कोई changeover की आवश्यकता नहीं है)।
ये times अच्छे कारणों से बदलती हैं। Dark-colored उत्पाद से light-colored उत्पाद पर बदलने के लिए reverse से अधिक cleaning की आवश्यकता होती है। छोटे part से बड़े part पर बदलने के लिए reverse से अलग fixture adjustments की आवश्यकता होती है। कुछ उत्पाद जोड़े tooling साझा करते हैं, changeover को न्यूनतम बनाते हैं, जबकि अन्य को पूर्ण tool changes की आवश्यकता होती है।
AI सबसे अच्छी Sequence कैसे ढूंढता है
कुल changeover time को कम करने वाली sequence खोजना Traveling Salesman Problem का एक variant है, जो बड़ी संख्या में उत्पादों के लिए computationally कठिन है। AI optimization algorithms genetic algorithms, simulated annealing, और ant colony optimization जैसी techniques का उपयोग करके जल्दी near-optimal solutions खोजते हैं।
AI केवल changeover times पर ही नहीं बल्कि उत्पादन constraints पर भी विचार करता है। Due dates की आवश्यकता है कि कुछ उत्पाद एक विशिष्ट time से पहले उत्पादित हों। Lot sizes यह निर्धारित करते हैं कि अगले changeover से पहले प्रत्येक उत्पाद की कितनी units उत्पादित की जाती हैं। Equipment availability और maintenance windows constrain करते हैं कि कब कुछ sequences feasible हैं।
वास्तविक डेटा से सीखना
Engineering estimates पर आधारित Setup matrices अक्सर inaccurate होती हैं। AI systems उत्पादन के दौरान recorded वास्तविक changeover times का विश्लेषण करके matrix में सुधार करते हैं। वे खोजते हैं कि कुछ transitions लगातार अनुमानित से अधिक समय लेते हैं, शायद इसलिए कि fixture adjustment अपेक्षा से अधिक मुश्किल है, और तदनुसार matrix update करते हैं।
वे changeover सुधार के लिए अवसरों की भी पहचान करते हैं। समान transitions की तुलना में अनुपातहीन रूप से लंबे transitions targeted SMED (Single Minute Exchange of Die) सुधार प्रयासों से लाभान्वित हो सकते हैं। AI इन अवसरों की पहचान करता है और सुधार से time savings को quantify करता है।
Campaign Scheduling
कुछ उत्पादन lines के लिए, समान उत्पादों को campaigns में grouping करना कुल changeover को और कम करता है। AI उन उत्पाद clusters की पहचान करता है जो setup विशेषताएं साझा करते हैं और उन्हें blocks में schedule करता है। प्रत्येक block के भीतर, sequence न्यूनतम changeover के लिए optimized है। Blocks के बीच, एक major changeover होता है। AI उन block sizes और sequences को ढूंढता है जो delivery requirements को पूरा करते हुए कुल changeover time को कम करते हैं।
Manufacturing में AI scheduling पर अधिक जानकारी के लिए, FirmAdapt manufacturing analysis page पर जाएँ।