Tuotannonohjauksen epävarmuus ja tuotannonohjausjärjestelmän vaatimusmäärittely kokoonpanoteollisuuteen

Abstract

Viimeaikaiset globaalit ongelmat toimitusketjuissa ovat vaikeuttaneet yritysten toimintaa. Tuotannonohjauksesta on tullut vaikeampaa huonontuneen materiaalisaatavuuden ja lisääntyneiden sairaspoissaolojen takia. Tämän työn tavoitteena on tunnistaa tekijät, jotka lisäävät tuotannonohjauksen epävarmuutta, tuottaa vaatimusmäärittely kohdeyrityksen kokoonpanolinjan tuotannonohjausjärjestelmälle ja tunnistaa miten tekoälyä tai data-analytiikkaa voidaan hyödyntää kohdeyrityksen tuotannonohjauksessa.

Tietoa kohdeyrityksen tuotannonohjauksen nykytilasta ja järjestelmän käyttäjävaatimukset kerättiin puolistrukturoitujen ryhmähaastattelujen avulla. Vaatimusten pohjalta luotiin käyttötapaukset, jotka kuvaavat järjestelmän toiminnallisuuksia ja käyttöä. Työn osana rakennettiin koneoppimismalli, joka ennusti valmistustilausten työvaiheiden läpimenoaikaa. Malli todisti, että yrityksen datan pohjalle on mahdollista rakentaa tekoälymalleja. Lisäksi tutkit-tiin, miten kuljetusyhtiön tarjoamaa terminaalikirjausdataa voidaan hyödyntää rahdin seurannassa. Työssä rakennettu rahtiseurantaraportti mahdollistaa kuljetuksessa olevien toimitusten saapumisajan arvioimisen historiadatan pohjalta. Saapumisaika-arvio tehostaa tuotannonohjausta, koska komponenttipuutteen sattuessa aika-arviota voidaan hyödyntää tuotannonohjauksessa.

Tuotannonohjausjärjestelmälle oleellisinta on ajankohtainen tieto tuotannontekijöiden tilasta. Tällä hetkellä tuotannonohjauksen suurin epävarmuustekijä ovat komponenttipuutteet ja huono näkyvyys komponenttien saatavuudesta. Tekoälyä ja data-analytiikkaa voidaan hyödyntää tuotannonohjauksen epävarmuuden vähentämisessä esimerkiksi ennustamalla komponenttien saapumista, tunnistamalla etukäteen poikkeamat tuotannossa tai optimoimalla henkilöstön ohjaamista heidän osaamisensa perusteella.

Recent global supply chain problems have posed issues for companies’ operations. Production control has become more difficult due to impaired material availability and increased number of sick leaves. The objective of this work is to identify factors that increase the uncertainty in production control, to produce a requirements specification for a target company's assembly line’s production control system, and to identify how AI or data analytics can be used in the target company's production control.

Information on the current state of the target company's production control and the user requirements of the system were collected through semi-structured group interviews. Based on the requirements, use cases were created to describe the functionalities and use of the system. As part of the work, a machine learning model was built to predict the lead time of manufacturing operations. The model proved that it is possible to build AI models based on company data. In addition, we investigated how terminal logging data provided by a transport company can be used for freight tracking. The freight tracking report built in this work makes it possible to estimate the arrival time of shipments in transit based on historical data. In case of component shortages, the time estimation can be used for production control.

For a production control system, the most important thing is to have up-to-date information on the status of production factors. At present, the main uncertainties in production control are component shortages and poor visibility of component availability. Artificial intelligence and data analytics can be used to reduce uncertainty in production control, for example by predicting the arrival of components, identifying in advance any deviations in production or optimizing the management of personnel based on their skills.