Hurda ve yeniden işleme ekonomisi: aşırı redin gerçek maliyeti.

İyi bir hatta aşırı red gerçekte neye mal olur?

Aşırı red, hatasız parçaları çöpe atmanın maliyetidir ve gözden kaçması kolaydır çünkü parçalar meşru hurda gibi görünür. Bir muayene sistemi uygun bir parçayı hatalı biçimde reddettiğinde; malzemeyi, o parçaya çoktan yatırılmış işçiliği ve parçanın temsil ettiği üretim çıktısını kaybedersiniz; hem de hiç var olmayan bir kusur uğruna. Gerçekten sağlam ürün üreten bir hatta bu, gösterecek hiçbir şeyi olmayan saf kayıptır. Kalite maliyeti diline çevirirseniz, bir değerlendirme faaliyetinin ürettiği iç hata maliyetidir; bu kalemleri önleme, değerlendirme ve hata başlıkları altında ayıran çerçeve ASQ'nun kalite maliyeti kaynaklarında tanımlanır.

Gizli kalır çünkü bir yanlış red ile gerçek bir kusur aynı hurda kutusuna düşer. Redlerin ne kadarının aslında iyi olduğunu biri ölçmedikçe kimse reddedilen bir parçayı sorgulamaz; dolayısıyla fazla sıkı ayarlanmış bir muayene sistemi, kaliteyi koruyormuş gibi görünürken verimi sessizce silebilir. Bunu görmenin tek yolu iki hata türünü ayırıp her birini maliyetlendirmektir. Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir; bu yazının konusu ise çoğu muayene iş gerekçesinin atladığı sayıdır: yanlış redleriniz size neye mal oluyor.

Yüksek bir yanlış-red oranı verimi nasıl aşındırır?

Yüksek bir yanlış-red oranı verimi doğrudan aşındırır, çünkü verim geçen hatasız parçaların oranıdır ve hatayla reddedilen her hatasız parça ondan düşer. Hiçbir kusurun kaçmadığından emin olmak için bir muayene sisteminin eşiğini daha sıkıya çekin; daha fazla gerçek kusur yakalarsınız, ama sınırda kalan hatasız parçaları da daha fazla reddedersiniz ve bu redler doğrudan kalite oranınızdan ve OEE'nizden düşer.

Etki, yeniden işleme yoluyla katlanır. Birçok yanlış red doğrudan hurdaya atılmaz; yeniden muayene edilir, yeniden işlenir veya elle karara bağlanır; bu da başlangıçta zaten hatasız olan parçaları yeniden kontrol etmek için operatör zamanı harcar. Bu işçilik, birincinin üzerine yığılan ikinci bir maliyettir ve yanlış-red oranıyla birlikte büyür. Bir hat kaçış hedefini tutturup yine de aşırı red yaparak para kaybedebilir; bu yüzden "her şeyi yakalıyoruz" başlığı şu takip sorusunu hak eder: hangi yanlış-red oranında.

Hassasiyet neden hurda üzerinde doğrudan bir kaldıraçtır?

Hassasiyet, reddedilen parçaların gerçekten kusurlu olan oranıdır; dolayısıyla hurda israfına birebir eşlenen metriktir: hassasiyeti yükseltin, attığınız şeyin daha büyük bir kısmı gerçekten kötüydü demektir, bu da kutuda daha az sağlam ürün anlamına gelir. Duyarlılık (recall) müşterinizi kaçışlardan korurken, hassasiyet veriminizi yanlış redlerden korur; iyi bir muayene sistemi birini diğeri için feda etmek yerine ikisini birden aynı anda tutmak zorundadır.

Asıl iş o dengedir. Bir güven skoru veren bir muayene sistemi, çalışma noktasını tek bir sabit eşiğe değil sizin kalite maliyetinize göre ayarlamanıza olanak tanır; böylece sınırda parçalar bir tahmin üzerine hurdaya atılmak yerine ikinci bir bakış için yönlendirilebilir. İkisini birden tutmanın nasıl göründüğüne bir referans olarak, Adente Vision canlı bir kapak muayene hattında %99,65 F1'e ulaştı; yüksek bir F1, sistemin düşük kaçış oranını bir yanlış red duvarıyla satın almadığını ima eder, çünkü hangi hata türü yüksek çalışırsa F1 düşer. Kendi rakamınız parçalarınıza bağlıdır ve uygulamaya özgü bir ölçüm gerektirir, ama ilke geçerlidir: yalnızca duyarlılığın peşinden koşun, bedelini hassasiyet ve veriminiz öder.

Aşırı red ile yetersiz red karşılaştırması: maliyet nereye düşer

İki muayene hatası maliyetlerini farklı yerlere gönderir; ikisini yan yana görmek, bir hattın birini düzeltirken diğerini sessizce kötüleştirmesini önleyen şeydir. Aşırı red (bir yanlış red) tesisinizin içinde verimi yok eder; yetersiz red (bir kaçış) maliyeti montaja, sahaya veya müşteriye doğru aşağı akışa gönderir.

Hurda, yeniden işleme ve verim kaybı rakamları parçaya ve prosese göre büyük ölçüde değişir; bunlar bir Adente rakamı değil, bir sektör aralığıdır; tabloyu kendi maliyetlerinizle doldurun. Aşağı akış çarpanı, kalite literatürünün ondan-bir kuralını yansıtır: bir kusur kat ettiği her aşamada düzeltilmesi kabaca on kat daha pahalı olur.

Yanlış redleri kaçışlara karşı nasıl dengeliyorsunuz?

Çalışma noktasını varsayılan bir eşiğe değil hattınızdaki her hatanın gerçek maliyetine göre ayarlayarak dengelersiniz. Hattınızdan bir kaçış bir geri çağırmayı tetikliyorsa ve bir yanlış red bir hurdaya atılmış parçaya mal oluyorsa, ikisi eşit değildir; güven eşiği de sistemin sevkiyattaki gelen değerinde durmak yerine bu asimetriyi yansıtmalıdır. Güven skoru, bunu bilinçli şekilde ayarlamanızı sağlayan şeydir.

Gri bölgeyi tahmin etmek yerine yönlendirin. Güven eşiğinin üzerindeki parçalar geçer, açıkça altındakiler reddedilir, sınırda parçalar ise bir sınıfa zorlanmak yerine ikinci bir kontrole veya bir insan incelemesine gidebilir. Bu, kaçış oranını hurdaya atılan hatasız parçalarla ödemeden düşük tutar ve çalışma noktasının, sayılar önünüzdeyken verilmiş, kalite maliyetinize dair bir iş kararı olması anlamına gelir.

Yapay zeka muayenesinden önce ve sonra neyi ölçmelisiniz?

Her iki hata oranını da önce ve sonra ölçün, yoksa değişimin kendini ödediğini kanıtlayamazsınız. Mevcut yönteminizde yanlış-red oranını (veya denetimde iyi çıkan hurdayı) ve kaçış oranını (müşterinize giden PPM) kaydedin, ardından yeni muayene sistemi çalışırken aynı ikisini ölçün. Yanlış redlerde artış olmadan kaçışlarda bir düşüş gerçek bir kazançtır; daha fazla yanlış redle satın alınmış bir kaçış düşüşü, kaldırılmış değil kaydırılmış bir maliyettir.

Karşılaştırmanın adil olması için parçaları ve koşulları öncesi ve sonrasında tutarlı tutun; verim rakamının dürüst olması için hurda denetiminde yanlış redleri gerçek kusurlardan ayırın. İki hata ve asimetrik maliyetleri için, yanlış-negatif oranı üzerine kardeş yazıya bakın; few-shot ve anomali tespitinin ardındaki yöntem için, yapay zeka görsel muayenesi üzerine temel rehbere bakın; ve verim geri kazanımının ünitenin yürüttüğü görevler arasında nerede durduğunu görmek için, gerçek uygulamalara göz atın.