Trung tâm kiến thức
Mục lục

Q: AI thực sự có thể làm gì trong sản xuất tinh gọn, và có trường hợp triển khai thực tế nào để tham khảo không?

A: Đóng góp của AI cho sản xuất tinh gọn không phải thay thế chính tinh gọn mà là biến những phần của tinh gọn dựa vào người ngồi canh, phán đoán theo kinh nghiệm và rà soát sau sự việc thành cảm nhận thời gian thực, cảnh báo sớm và tối ưu hóa tự động. Nói cách khác, tinh gọn trả lời “có nên làm không và theo chuẩn nào”, còn AI trả lời “chúng ta có đang làm chính xác không, có bị trôi không, và lần tới nên điều chỉnh thế nào”.

1. Có hệ thống hay không, khác biệt bắt đầu từ tốc độ phát hiện vấn đề

Tinh gọn truyền thống dựa vào tổ trưởng đi dây chuyền, bảng họp hàng ngày và đề xuất cải tiến của nhân viên, nên vấn đề thường mất hàng giờ thậm chí hàng ngày mới được thấy. Trên một dây chuyền có thị giác AI và tính toán biên, bất thường hiện ra trong vài giây. Giả sử một nhà máy điện tử làm đầu nối: độ lệch chiều cao bấm đầu cosse trước đây dựa vào kiểm tra chiếc đầu và lấy mẫu, và phế phẩm sinh ra giữa các lần lấy mẫu chỉ có thể bỏ đi sau đó. Khi thêm mô hình kiểm tra thị giác, mỗi chiếc được phán đoán trực tuyến và cảnh báo nổi lên ngay khi xu hướng trôi xuất hiện, nên công nhân có thể điều chỉnh máy trước khi lô khuyết tật xảy ra. Triết lý tinh gọn không thay đổi; chỉ là tốc độ phản hồi của nguyên tắc “tự động dừng khi bất thường” trong tự động hóa được tăng lên.

2. Lập lịch và chuyển đổi là lĩnh vực dễ tính ra lợi tức nhất

Không có hệ thống, sản xuất đa dạng chủng loại khối lượng nhỏ dựa vào nhân viên lập kế hoạch dùng Excel, thứ tự chuyển đổi theo kinh nghiệm, và thiết bị chờ đợi song hành với tồn kho tích tụ. Với APS cộng thuật toán heuristic hoặc học tăng cường, thời gian chuyển đổi, cấp liệu vật tư và ưu tiên giao hàng đều vào hàm mục tiêu, và trình tự thu được thường táo bạo hơn cách làm thủ công trong việc chèn và gộp đơn. Giả sử một công ty phụ tùng ô tô làm chi tiết dập với hàng chục quy cách và trước đây đổi khuôn năm sáu lần mỗi ngày; sau khi AI lập lịch gom cụm đơn theo khuôn và vật liệu, số lần chuyển đổi giảm mà giao hàng đúng hạn vẫn giữ. Một lưu ý: hiệu quả của AI lập lịch phụ thuộc rất nhiều vào chất lượng dữ liệu nền. Nếu quy trình công nghệ, thời gian chuẩn và trạng thái thiết bị không chính xác, thuật toán có hào nhoáng đến đâu cũng không tạo được phương án dùng được.

3. Con đường phân tích nguyên nhân gốc chất lượng hoàn toàn khác

Trước đây SPC nhìn biểu đồ kiểm soát và chỉ hành động khi vượt giới hạn, đó là phản hồi bị động. AI thực hiện phân tích tương quan đa biến, mô hình hóa nhiệt độ, áp suất, nhịp độ, lô vật tư đầu vào và tổ vận hành cùng nhau để tìm ra những tổ hợp mắt người không thấy. Trong một ca giả định tại nhà máy điện tử, hiện tượng gia tăng thỉnh thoảng của khuyết tật hàn nguội trên một mẫu cho thấy từng tham số đều trong dải; phân tích độ quan trọng đặc trưng chỉ ra giao điểm “độ ẩm môi trường cao kết hợp thời gian gia nhiệt trước ngắn”, và vấn đề hội tụ sau khi điều chỉnh cửa sổ đó. Giá trị của cách tiếp cận này là biến “hỏi tại sao năm lần” của tinh gọn từ truy vết thủ công thành xếp hạng giả thuyết dựa trên dữ liệu.

4. Bảo trì thiết bị chuyển từ định kỳ sang theo tình trạng

TPM trong tinh gọn nhấn mạnh bảo trì tự chủ và bảo trì có kế hoạch, nhưng thay linh kiện theo lịch hoặc quá sớm (lãng phí) hoặc quá muộn (dừng máy). Thêm cảm biến rung động, dòng điện và nhiệt độ, dùng mô hình phát hiện bất thường để dự đoán xu hướng có thể giảm thời gian dừng ngoài kế hoạch. Giả sử một công ty ép nhựa: đường cong suy giảm của bơm thủy lực được mô hình bắt sớm, và cửa sổ sửa chữa được xếp vào khoảng chuyển đổi thay vì chờ nó hỏng lúc nửa đêm. Logic này không xung đột với tinh gọn; nó đẩy bảo trì từ phản ứng và định kỳ sang dự đoán.

5. Cộng tác người - máy trong cải tiến công việc cũng đang thay đổi

Nhận diện lãng phí thao tác trước đây dựa vào xem lại video và kỹ sư công nghiệp cầm đồng hồ bấm giây; nay phân tích hành vi qua video có thể tự động đếm quãng đường đi, thời gian chờ và tỷ lệ tay nhàn rỗi, cho việc so sánh trước và sau có căn cứ thực tế. Nhưng cần rõ: AI cung cấp các điểm lãng phí ứng viên, còn phương án cải tiến thực tế vẫn phụ thuộc vào con người ở xưởng.

Lời khuyên tổng thể: để AI thực sự hiệu quả trong tinh gọn, trước tiên hãy bù phần thu thập dữ liệu và quản trị dữ liệu chủ, rồi chọn một kịch bản có điểm đau tập trung và ranh giới rõ để thử nghiệm, như kiểm tra thị giác trực tuyến hoặc lập lịch chuyển đổi, và chỉ mở rộng sau khi có kết quả kiểm chứng được. Giá trị của những giải pháp kiểu này không nằm ở thuật toán tiên tiến đến đâu mà ở việc có kết nối được với MES, ERP và thiết bị dây chuyền hiện có hay không - những nhà cung cấp đã xây dựng chuyên môn sâu từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng với hàng chục triệu thiết bị đầu cuối được triển khai ở thị trường trong và ngoài nước, thường có kinh nghiệm triển khai kỹ thuật đáng giá hơn thuật toán đơn điểm. Tinh gọn là bộ xương và AI là hệ thần kinh; đừng đảo ngược thứ tự.

Chủ đề: AI-FAQ