複数の製品を実行する生産ラインでは、製品間の段取り替え時間は、どの製品から変更するか、どの製品に変更するかによって変動します。製品Aから製品Bへの切り替えは30分かかるかもしれませんが、BからAへの切り替えは異なる清掃や調整要件のため60分かかるかもしれません。これらの非対称な段取り替え時間は、ほとんどの製造業者が見逃す最適化の機会を作ります。
セットアップマトリックスはこれらのペアワイズ段取り替え時間を捉え、AIはこれを使用して、ある期間にスケジュールされたすべての製品にわたって合計段取り替え時間を最小化する生産シーケンスを見つけます。
セットアップマトリックス
セットアップマトリックスは、各行が変更元の製品で、各列が変更先の製品である表です。セルにはその特定の遷移の段取り替え時間が含まれます。20製品を実行するラインの場合、これは20×20マトリックスで、380の潜在的に異なる段取り替え時間があります(段取り替えが不要な対角線を除く)。
これらの時間は正当な理由で変動します。暗い色の製品から明るい色の製品への変更は、その逆よりも多くの清掃が必要です。小さな部品から大きな部品への変更は、その逆とは異なる治具調整が必要です。一部の製品ペアは工具を共有し、段取り替えを最小化しますが、他のものは完全な工具交換が必要です。
AIが最良のシーケンスを見つける方法
合計段取り替え時間を最小化するシーケンスを見つけることは、巡回セールスマン問題の変形であり、大量の製品では計算的に困難です。AI最適化アルゴリズムは、遺伝的アルゴリズム、シミュレーテッドアニーリング、アリコロニー最適化などの技術を使用して、ほぼ最適な解を素早く見つけます。
AIは段取り替え時間だけでなく、生産制約も考慮します。納期は、特定の製品が特定の時間までに生産されることを要求します。ロットサイズは、次の段取り替えの前に各製品の何個が生産されるかを決定します。機器の可用性とメンテナンスウィンドウは、特定のシーケンスがいつ実行可能かを制約します。
実際のデータからの学習
エンジニアリング推定に基づくセットアップマトリックスはしばしば不正確です。AIシステムは、生産中に記録された実際の段取り替え時間を分析することでマトリックスを改善します。特定の遷移が、おそらく治具調整が予想より厄介であるため、推定より一貫して長くかかることを発見し、それに応じてマトリックスを更新します。
AIはまた、段取り替え改善の機会を特定します。類似の遷移と比較して不釣り合いに長い遷移は、対象を絞ったSMED(シングルミニッツ・エクスチェンジ・オブ・ダイ)改善の取り組みから恩恵を受けるかもしれません。AIはこれらの機会を特定し、改善からの時間節約を定量化します。
キャンペーンスケジューリング
一部の生産ラインでは、類似の製品をキャンペーンにグループ化することで、合計段取り替えをさらに削減します。AIはセットアップ特性を共有する製品クラスターを特定し、それらをブロックでスケジュールします。各ブロック内では、シーケンスは最小段取り替えのために最適化されます。ブロック間では、主要な段取り替えが発生します。AIは、納期要件を満たしながら合計段取り替え時間を最小化するブロックサイズとシーケンスを見つけます。
製造業におけるAIスケジューリングの詳細については、FirmAdapt製造業分析ページをご覧ください。