← 返回实验室

AI产线节拍瓶颈定位定制:工位时序与缓存水位

在装配线上,节拍损失很少来自单机速度,更多来自工位间等待、缓存水位与换型残留的叠加。我们与一家汽车零部件工厂做了一轮小规模实验:不改动现有 PLC 逻辑,只采集扫码枪时间戳、工位完成信号和缓存区在位计数,重建每个工件从上线到下线的完整时间链。

方法上,把工件流转看作带时间标注的有向图,先按规则剔除停机、返修与人工干预样本,再用轻量模型分别估计各工位的净加工时间与等待时间,得到节拍损失的归因分布。当某工位等待占比持续高于阈值,系统给出缓存容量或派工顺序的调整建议,经工程师确认后再小批量验证,不直接改动产线逻辑。

要点:

  • 进展:在 3 条产线、约 6 周数据上,工位级等待时间的估计结果与现场记录的瓶颈工位大体一致,单轮分析约 10 分钟完成。
  • 下一步:把换型残留时间与在制品水位并入同一模型,尝试输出可直接执行的缓存配置建议。

评论

更多研究动态

查看全部实验室 →