Comments 6
Спасибо за содержательную статью! Но, как всегда, есть но.
Очень хотелось бы узнать побольше про само производство. Тип станков, операций. И предполагаемую бизнес-цель заказчика.
Спасибо за интерес к статье. К сожалению, более детально раскрывать информацию о конкретном производстве, типах станков и выполняемых операциях я не могу без согласования с заказчиком.
В самом общем виде речь идёт о типовых для машиностроения процессах — различных видах механической обработки, а также операциях сборки.
Что касается бизнес-цели: повысить точность и скорость расчёта трудоёмкости, чтобы оперативно и с приемлемой погрешностью формировать стоимость заказов.
Главный вывод, который мы сделали в этом проекте: в задачах промышленной аналитики качество данных и их понимание важнее выбора «правильного» алгоритма. Машинное обучение способно ошибаться реже человека, но только если человек не ошибается при вводе данных.
Но и это еще не все. Как правило, все ошибки нормирования связаны не столько с операцией, сколько с технологическим процессом. Поясню.
Возьмем, к примеру плазменную/лазерную резку. Скорость перемещения головки задается, длина реза - тоже известна. Что здесь предсказывать, что может пойти не так?
На самом же деле, "учетчики" забывают, что лист нужно доставить, положить, убрать и т.д. А если раскрой не оптимальный - например из большого листа вырезать маленькую деталь, а лист прибирать - трудозатраты улетят в космос.
С учетом этого модельные расчёты никогда не сойдутся, ибо будут зависеть от шустрости и трезвости такелажника.
Согласен. Подобные системы в любом случае для бизнеса логично внедрять, если они и стоят дешевле человека, и ошибаются меньше (или хотя бы так же). А в реальном производстве существуют обстоятельства, которые либо можно учесть как дополнительные параметры на входе, либо, как правило, даже и нельзя учесть - можно только заложить + к расчетам. В любом случае задача ближайшая - повторить логику нормировщика.
Спасибо за статью! Скажите, пожалуйста, какой сейчас статус проекта? Какие практические результаты получены? Перешло ли производство на автоматизированное нормирование?
Решали ли Вы еще задачу и материального нормирования?
Сервис тестируется, то есть выдает прогнозы, накапливает статистику, модели дообучаются. По поводу автоматизированного нормирования я писал в выводах - пока это умный справочник для сверки цифр, так он пока и используется. Материальное нормирование (я подразумеваю под этим определение минимально необходимого, но достаточного количества сырья, материалов, топлива или энергии для производства единицы продукции или выполнения определенного объема работ) мы не решали, запроса не было. Но задача нужная, интересная, ее тоже можно решать основываясь на накопленной статистики и корреляции данных, если есть такая зачада, можем взяться)
Как мы пытались научить ML считать трудоёмкость в промышленности — и что из этого вышло