Акылдуу нарк агымын карталоо (Intelligent Value Stream Mapping, iVSM) — өндүрүш жана запастар тууралуу маалыматтарды колдонуп, учурдагы абалдын нарк агымынын картасын автоматтык түзгөн, системанын иш көрсөткүчтөрүн KPI кыймылдаткычы аркылуу баалаган, өндүрүштөгү жана запастардагы тар жерлерди аныктаган жана эрежелерге негизделген чечим кабыл алууну колдоо механизми менен келечектеги абалдын картасын түзгөн өндүрүштү талдоо алкагы. Изилдөөдө Python тилинде иштелип чыгып, Streamlit аркылуу колдонулган прототип сегиз иш натыйжалуулугу жана диагностикалык көрсөткүчтү — Lead Time, Inventory Time, Processing Time, Value Added Ratio, Demand Fulfilment Ratio, Flow Balance Index, Process Bottleneck Severity жана Inventory Bottleneck Severity — комплекстүү баалайт. Текшерүү иш жүзүндө иштеген өндүрүш ишканасынын түз маалыматтары менен эмес, көп баскычтуу өндүрүш системасын чагылдыруу үчүн түзүлгөн синтетикалык маалыматтар топтому менен жүргүзүлгөн.

Текшерүү сценарийинде алкак KPI көрсөткүчтөрүн кол менен эсептөөнү же VSM картасын кол менен чийүүнү талап кылбастан учурдагы абалдын картасын түзүп, процесстеги жана запастагы тар жерлерди аныктаган жана келечектеги абалдын параметрлерин эрежелер боюнча өзгөрткөн. 4-таблицага ылайык, OP2 жана OP4 операцияларынын цикл убакыттары %20 кыскартылган; Demand Fulfilment Ratio 2,0251ден 2,1287ге жогорулап, Flow Balance Index 0,8208ден 0,7446га, Process Bottleneck Severity 1,8823төн 1,7355ке жана Inventory Bottleneck Severity 3,5996дан 3,2139га төмөндөгөн. Бул натыйжалар прототип аныкталган синтетикалык сценарийде маалымат–талдоо–жакшыртуу чынжырын автоматташтыра аларын көрсөтөт; бирок чыныгы өнөр жай шартындагы натыйжалуулук, оптималдуу чечим же ар башка өндүрүш чөйрөлөрүнө жалпылоо мүмкүнчүлүгү азырынча далилденген эмес.

Акылдуу нарк агымын карталоо (iVSM) деген эмне?

Акылдуу нарк агымын карталоо (iVSM) — салттуу Value Stream Mapping ыкмасын операциялык маалыматтар, KPI көрсөткүчтөрүн автоматтык эсептөө, тар жерлерди аныктоо жана эрежелерге таянган келечектеги абалды түзүү менен айкалыштырган, маалыматка негизделген чечим кабыл алууну колдоо алкагы. Изилдөөдөгү iVSM жөн гана карта чийүүчү курал эмес; ал өндүрүш жана запас маалыматтарын учурдагы абалды талдоодон келечектеги абалды баалоого чейинки бирдиктүү аналитикалык иш жүрүшүндө байланыштырууну көздөйт.

Салттуу Value Stream Mapping кандай маселени чечет?

Value Stream Mapping (VSM) — өндүрүш системаларындагы материалдык жана маалымат агымдарын бирдиктүү көргөзмө алкакта чагылдырган Lean Manufacturing ыкмасы. Учурдагы абал картасы өндүрүш процесстерин, запас түйүндөрүн, жеткирүүчү жана кардар менен байланыштарды, күтүү убакыттарын жана натыйжалуулук көрсөткүчтөрүн бирге көрсөтөт. Мунун аркасында тар жерлерди, ашыкча запастарды, күтүүлөрдү жана нарк жаратпаган иштерди аныктап, жакшыраак келечектеги абалдын түзүлүшүн долбоорлоого болот.

Изилдөөнүн баштапкы жүйөсү — классикалык VSM кыйла деңгээлде кол эмгегине көз каранды. Маалымат чогултуу түз байкоону, маектешүүнү, убакытты изилдөөнү жана кол менен өлчөөнү талап кылышы мүмкүн. Учурдагы абал картасын көбүнчө адис түзөт; ал эми келечектеги абал картасын долбоорлоо адистин чечмелөөсүнө жана тажрыйбасына таянат. Өндүрүш чөйрөлөрүндө санариптик маалыматтар көбөйгөн сайын, статикалык жана кол менен аткарылуучу VSM ыкмасы актуалдуулугун тез жоготушу мүмкүн.

Санариптик VSM менен iVSMдин максаттарындагы айырма

Санариптик Value Stream Mapping ыкмалары, айрыкча Industry 4.0 алкагында, IIoT, киберфизикалык системалар, булут эсептөөлөрү жана аналитикалык инфраструктуралар берген маалыматтар аркылуу маалымат чогултуу менен көргөзмөлөштүрүүнүн түйшүгүн азайтууну көздөйт. Макаланын авторлорунун айтымында, учурдагы адабияттагы көп ыкмалар автоматтык маалымат чогултууда же учурдагы абалды көргөзмөлөштүрүүдө алдыга жылганы менен, KPI баалоону, мүмкүнчүлүктөрдү табууну жана өзгөчө келечектеги абалды автоматтык түзүүнү бир алкакта бириктирген чечимдер чектелүү.

Авторлордун 1-таблицадагы адабияттарды салыштыруусунда сунушталган iVSM учурдагы абалды автоматтык түзүү, KPI кыймылдаткычы, мүмкүнчүлүктөрдү аныктоо, келечектеги абалды түзүү жана бирдиктүү алкак деген беш багыттын бардыгын камтыган жалгыз катар катары берилген. Бул салыштыруу изилдөөнүн өзүнүн адабий сереби болуп саналат жана көз карандысыз өнөр жай стандарты менен салыштыруу катары чечмеленбеши керек.

iVSM жасалма интеллект же машиналык үйрөнүү моделиби?

Бул изилдөөдө колдонулган iVSM прототиби машиналык үйрөнүү же генеративдүү жасалма интеллект модели катары аныкталбайт; келечектеги абал боюнча чечимдер Lean принциптеринен алынган детерминисттик эрежелер жана эвристикалар аркылуу түзүлөт. Авторлор учурдагы чечим кыймылдаткычы математикалык оптималдуу чечимге кепилдик бербей турганын жана келечекте симуляцияга же оптималдаштырууга негизделген ыкмалар менен кеңейтилиши мүмкүн экенин ачык белгилешет.

Алкактын жалпы архитектурасы

iVSM иш жүрүшү маалыматтарды алуудан башталып, келечектеги абалды кайра баалоо менен аяктайт. Булак изилдөөсүндөгү негизги ырааттуулук төмөнкүдөй: Current-State VSM түзүү, KPI Evaluation, Opportunity Detection, Improvement Rules, Future-State Generation жана Future-State KPI Evaluation.

Программалык архитектура беш негизги функционалдык катмарды камтыйт: маалыматтарды алуу жана алдын ала иштетүү; учурдагы абалды түзүү; KPI баалоо; келечектеги абалды түзүү; көргөзмөлөштүрүү жана колдонуучу менен өз ара аракеттенүү. Python тилинде иштелип чыккан прототиптин колдонуучу интерфейси Streamlit платформасында ишке ашырылган.

Системага кандай маалыматтар киргизилет?

Алкак эки негизги маалымат топтомун колдонот. Биринчиси — нарк агымы боюнча запас түйүндөрүндөгү убакытка жараша өзгөргөн запас деңгээлдерин камтыган inventory dataset. Экинчиси — өндүрүш процесстеринин операциялык мүнөздөмөлөрүн камтыган production process dataset.

Булакта өндүрүш маалымат топтому Cycle Time (CT), Changeover Time (CO), Uptime, Working Days, Overall Equipment Effectiveness (OEE) жана бар болсо башка операциялык параметрлерди камтый турганы айтылат. Маалымат булагы IoT системалары же CSV файлдары болушу мүмкүн. Талдоодон мурун өндүрүш жана запас боюнча байкоолорду бир убакыт аралыгында колдонуу үчүн алар алдын ала иштетилип, убакыт боюнча шайкеш келтирилет.

Учурдагы абал картасы кантип автоматтык түзүлөт?

Прототип колдонуучу белгилеген конфигурация параметрлери жана импорттолгон маалымат топтомдору аркылуу учурдагы абалдын VSM картасын түзөт. Изилдөөдөгү азыркы ишке ашыруу жалпы өндүрүш тармагын эмес, ырааттуу өндүрүш түзүлүшүн божомолдойт:

\[ Supplier - I_1 - OP_1 - I_2 - OP_2 - \ldots - I_n - Customer \]

Бул жерде \(OP_n\) өндүрүш операциясын, ал эми \(I_n\) запас түйүнүн билдирет. Түзүмдүк текшерүү нарк агымы жеткирүүчүдөн башталып кардар менен аяктарын, запас жана операция түйүндөрү туура ыраатта жайгашканын текшерет. Андан соң картадагы ар бир элемент тиешелүү өндүрүш же запас маалыматына шайкеш келтирилет.

Түзүлгөн учурдагы абал картасы жеткирүүчү тууралуу маалыматты, запас түйүндөрүн, өндүрүш операцияларын, кардар маалыматын, материалдык агымды, маалымат агымын, натыйжалуулук көрсөткүчтөрүн жана убакыт сызыгы тууралуу маалыматты камтыйт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

iVSMдеги KPI көрсөткүчтөрү эмнени өлчөйт?

iVSMдин KPI системасы эки деңгээлдүү: Lead Time, Inventory Time, Processing Time жана Value Added Ratio жалпы Lean натыйжалуулугун өлчөсө, Demand Fulfilment Ratio, Flow Balance Index, Process Bottleneck Severity жана Inventory Bottleneck Severity кубаттуулуктун жетишсиздигин, агымдын тең салмаксыздыгын жана процесстеги же запастагы тар жерлерди автоматтык аныктоо үчүн колдонулат.

1. Lead Time

Lead Time (\(LT\)) буюмдун нарк агымы боюнча жеткирүүчүдөн кардарга жетиши үчүн керектүү жалпы убакытты билдирет. Булактагы теңдеме төмөнкүдөй:

\[ LT = PT + IT \]

Бул жерде \(LT\) — Lead Time, \(PT\) — Processing Time, ал эми \(IT\) — Inventory Time. Булак бул теңдемедеги убакыттарды күн менен аныктайт.

2. Inventory Time

Ар бир запас түйүнү үчүн Inventory Time төмөнкүдөй аныкталат:

\[ IT_i = \frac{WIP_i \times CT_{i+1}}{24} \]

\(IT_i\) \(i\) запас түйүнүнө тиешелүү запас убактысын; \(WIP_i\) ошол жердеги орточо work-in-process көлөмүн; \(CT_{i+1}\) болсо агымдын кийинки этабындагы операциянын орточо цикл убактысын билдирет.

Жалпы Inventory Time:

\[ IT = \sum_{i=1}^{n} IT_i \]

Булак формулада 24кө бөлүүнү колдонуп, натыйжаны күн менен берет. Ошол эле учурда текшерүү сүрөттөрүндөгү Cycle Time маанилери секунд менен көрсөтүлгөн. Маалыматтарды алдын ала иштетүү учурунда секунддарды күнгө айландыруу кандай жүргүзүлгөнү текстте кеңири баяндалбагандыктан, Verianla бул айландыруу тууралуу кошумча божомол жасабайт.

3. Processing Time

Processing Time нарк агымындагы өндүрүш операцияларынын цикл убакыттарынын суммасы катары аныкталат:

\[ PT = \sum_{j=1}^{m} CT_j \]

\(CT_j\) — \(j\) өндүрүш процессинин Cycle Time мааниси; \(m\) — өндүрүш процесстеринин саны. Бул көрсөткүч материал иш жүзүндө иштетилген өндүрүмдүү убакытты билдирет.

4. Value Added Ratio

Value Added Ratio (VAR) жалпы Lead Time убактысынын кайсы бөлүгү өндүрүмдүү иштетүүгө жумшалганын өлчөйт:

\[ VAR(\%) = \frac{PT}{LT} \times 100 \]

VAR жогорулаган сайын жалпы убакыттагы нарк жараткан иштетүү убактысынын үлүшү көбөйөт. Бирок \(PT\) жана \(LT\) бирдей убакыт бирдигинде бааланышы керек.

5. Demand Fulfilment Ratio

Demand Fulfilment Ratio (DFR) системанын кардардын суроо-талабын канааттандыруу кубаттуулугун өлчөйт:

\[ DFR = \frac{TR_{system}}{D} \]

\(TR_{system}\) системанын throughput rate көрсөткүчүн, \(D\) болсо кардардын суроо-талабынын ылдамдыгын билдирет. Булактын чечмелөөсүнө ылайык, \(DFR<1\) кубаттуулук талапка жетпесин, \(DFR=1\) кубаттуулук менен талап толук дал келерин, \(DFR>1\) ашыкча өндүрүш кубаттуулугун билдирет.

6. Flow Balance Index

Flow Balance Index (FBI) нарк агымындагы операциялардын throughput көрсөткүчтөрүнүн өзгөрмөлүүлүгүн коэффициент катары өлчөйт:

\[ FBI = \frac{\sigma_{TR}}{\mu_{TR}} \]

\(\sigma_{TR}\) операциялардын throughput көрсөткүчтөрүнүн стандарттык четтөөсү, \(\mu_{TR}\) болсо орточо мааниси. Төмөн FBI өндүрүш агымынын тең салмактуу экенин, жогорку FBI процесстер ортосундагы тең салмаксыздык күчтүү экенин билдирет.

7. Process Bottleneck Severity

Ар бир өндүрүш операциясы системанын орточо деңгээлине салыштырмалуу канчалык чектөө жаратарын баалоо үчүн Process Bottleneck Severity (PBS) аныкталат:

\[ PBS_j = \frac{CT_j}{\overline{CT}} \]

\(\overline{CT}\) бардык өндүрүш процесстеринин орточо Cycle Time мааниси. \(PBS_j>1\) болгон операция системанын орточо деңгээлинен жайыраак. Эң жогорку PBS көрсөткүчүнө ээ процесс негизги процесс тар жери катары аныкталат.

8. Inventory Bottleneck Severity

Inventory Bottleneck Severity (IBS) ар бир запас түйүнүнүн орточо запас убактысына салыштырмалуу салмагын өлчөйт:

\[ IBS_i = \frac{IT_i}{\overline{IT}} \]

\(\overline{IT}\) запас түйүндөрүнүн орточо Inventory Time мааниси. \(IBS_i>1\) болгон түйүндөр материалдын ченемсиз топтолушуна жана күтүүгө алып келиши мүмкүн. Эң жогорку IBS көрсөткүчү негизги запас тар жери катары белгиленет.

Жакшыртуу мүмкүнчүлүктөрү кантип аныкталат?

Opportunity Detection Layer төрт диагностикалык KPIга таянат. \(DFR<1\) кубаттуулук жетишсиздиги, колдонуучу белгилеген чектен жогору \(FBI\) агымдын тең салмаксыздыгы, \(PBS>1\) процесстеги тар жер, \(IBS>1\) запастагы тар жер катары чечмеленет. Система эң чоң PBS жана IBS маанилери бар түйүндөрдү артыкчылыктуу жакшыртуу талапкерлери катары да белгилейт.

Келечектеги абал кыймылдаткычы чечимди кантип кабыл алат?

Келечектеги абал кыймылдаткычынын максаты математикалык жактан эң мыкты өндүрүш конфигурациясын табуу эмес. Ал Lean Manufacturing принциптерине негизделген алдын ала аныкталган чечим эрежелерин колдонуп, аныкталган маселени белгилүү жакшыртуу аракетине айландырат.

Бир процесс үчүн келечектеги абалдын Cycle Time мааниси булакта төмөнкү теңдеме менен жаңыртылат:

\[ CT_{future} = CT_{current}(1-r_{CT}) \]

\(r_{CT}\) колдонуучу аныктаган цикл убактысын азайтуу коэффициенти.

Запас деңгээлине колдонулган келечектеги абал теңдемеси:

\[ WIP_{future} = WIP_{current}(1-r_{INV}) \]

\(r_{INV}\) запасты азайтуу коэффициенти. Параметрлер өзгөртүлгөндөн кийин KPI кыймылдаткычы кайра иштетилип, түзүлгөн келечектеги абал учурдагы абал менен ошол эле көрсөткүчтөр аркылуу салыштырылат.

Текшерүү маалыматтарынын топтому

Алкакты текшерүү үчүн чыныгы фабрикадан алынган өндүрүштүк маалыматтардын ордуна синтетикалык өндүрүш маалыматтарынын топтому түзүлгөн. Бул топтом аралык запас буферлери менен байланышкан бир нече өндүрүш операциясын чагылдырат. Өндүрүш жана запас маалыматтары белгилүү бир байкоо мезгили үчүн түзүлгөн; алкактын тар жерлерди табуу жөндөмүн сыноо максатында процесстеги өзгөрмөлүүлүк жана запас тең салмаксыздыктары атайын топтомго киргизилген.

Текшерүү сценарийиндеги учурдагы абал төрт өндүрүш операциясынан турат. Система материалдык агымды, маалымат агымын, запас түйүндөрүн, өндүрүш процесстерин жана натыйжалуулук көрсөткүчтөрүн бир VSM картасына автоматтык бириктирген.

4-таблицада берилген учурдагы жана келечектеги абалдын натыйжалары

Cycle Time маанилеринин %20 кыскарышы тар жер деп тандалган OP2 жана OP4 операцияларынын келечектеги абал параметрлери эрежелер кыймылдаткычы аркылуу өзгөртүлгөнүн чагылдырат. PBS көрсөткүчүнүн 1,8823төн 1,7355ке жана IBS көрсөткүчүнүн 3,5996дан 3,2139га төмөндөшү булак сценарийинде чектөөнүн оордугу азайганын билдирет. FBI көрсөткүчүнүн 0,8208ден 0,7446га төмөндөшү процесстердин throughput маанилери ортосундагы салыштырмалуу өзгөрмөлүүлүк азайганын көрсөтөт.

DFR көрсөткүчүнүн 2,0251ден 2,1287ге өсүшү булак формуласынын аныктамасына ылайык системанын throughput маанисинин кардар суроо-талабына катышы жогорулаганын билдирет. Бирок булак \(DFR>1\) абалын башынан эле ашыкча өндүрүш кубаттуулугу катары аныктайт. Ошондуктан DFRдин өсүшүн жагдайды эске албастан «бардык жагынан жакшыраак» системалык натыйжа катары чечмелөөгө болбойт.

Булактагы сүрөттөрдө берилген жалпы агым көрсөткүчтөрү

20-беттеги Current-State VSM картасында жалпы Lead Time болжол менен 0,62 күн, Inventory Time болжол менен 0,61 күн, Processing Time 12,8 секунд жана Value Added Ratio %0,02 деп көрсөтүлгөн. Future-State VSM картасында бул маанилер тиешелүүлүгүнө жараша болжол менен 0,45 күн, 0,45 күн, 10,5 секунд жана %0,03 болуп берилген. Булар булактагы сүрөттөрдө көрсөтүлгөн маанилер; чийки маалыматтар берилбегендиктен Verianla тарабынан кайра эсептелген эмес.

Булакта сакталууга тийиш болгон сандык дал келбестик

Келечектеги абалдын киргизүү экранындагы мисалда Cycle Time Reduction %20, Inventory Reduction %30 жана FBI Threshold 0,20 көрсөтүлөт. Ошол эле учурда Future-State VSM сүрөтүндө I5 запасынын убактысы болжол менен 0,35 күн деп көрүнөт. Бирок булактын 4-таблицасында ошол эле I5 көрсөткүчү 0,5 күндөн 0,4 күнгө өзгөрүп, -%20 катары берилет. Булак бул айырманын себебин түшүндүрбөйт. Демек, эки көрсөткүчтүн бирин тандап, экинчисин унчукпай оңдоого болбойт; ал булактын ичиндеги дал келбестик катары белгилениши керек.

Бул изилдөө чыныгы фабриканын натыйжалуулугун далилдейби?

Жок. Изилдөө iVSM прототиби иш жүзүндө учурдагы абалдын VSM картасын түзө, KPI эсептей, мүмкүнчүлүктөрдү белгилей жана синтетикалык өндүрүш маалыматтарынын негизинде келечектеги абал сценарийин жарата аларын көрсөтөт; бирок толук иштеп жаткан фабриканын түз маалыматтары менен талаалык текшерүү жүргүзүлбөгөндүктөн чыныгы өнөр жай натыйжалуулугу, масштабдуулугу жана жалпылоо мүмкүнчүлүгү өзүнчө тастыкталышы керек.

Изилдөө колдогон жана колдобогон тыянактар

Методологиялык чектөөлөр

Биринчи чектөө — текшерүү синтетикалык/өкүлчүлүктүү өндүрүш маалыматтары менен жүргүзүлгөн. Авторлор чыныгы өндүрүш системаларында, ар кайсы тармактарда жана өнөр жай өнөктөштөрү менен кошумча кейс изилдөөлөрү зарыл экенин белгилешет.

Экинчи чектөө — келечектеги абал кыймылдаткычы детерминисттик жакшыртуу эрежелерине негизделет. Бул эрежелерди түшүндүрүүгө жана кайталоого болгону менен оптималдуу чечимге кепилдик жок. Авторлор келечекте бир нече сценарийди баалоо үчүн симуляцияга жана оптималдаштырууга негизделген ыкмалар кошулушу мүмкүн экенин белгилешет.

Үчүнчү чектөө — азыркы прототип өндүрүштүн ырааттуу түзүлүшүн божомолдойт. Татаал бутакталган, бириккен же кайра кирүүчү өндүрүш тармактарын ушундай эле иштетүү мүмкүнчүлүгү бул изилдөөдө көрсөтүлгөн эмес.

Төртүнчү чектөө — изилдөө негизинен материалдык агымдагы жакшырууну көрсөтөт. Авторлор маалымат агымына байланышкан Lean жакшыртууларын дагы иштеп чыгуу керектигин ачык айтышат.

Бешинчи чектөө — айрым убакыт теңдемелеринде өлчөм бирдиктерин айландыруунун ишке ашырылышы булакта жетиштүү баяндалган эмес. Айрыкча сүрөттөрдө цикл убакыттары секунд менен, Lead Time жана Inventory Time күн менен берилгени натыйжаларды кайра алуу мүмкүнчүлүгү үчүн өлчөм бирдиктерин нормалдаштыруу кадамы ачык документтештирилишин талап кылат.

Изилдөөнүн илимий салымы

Изилдөөнүн негизги салымы бир гана жаңы Lean метрикасын иштеп чыгууда эмес, салттуу VSMдин ар кандай баскычтарын бир автоматтык чечим колдоо чынжырына бириктирүүдө. Алкак операциялык маалыматтарды алуу, учурдагы абалдын картасын түзүү, KPI эсептөө, тар жерлерди аныктоо, жакшыртуу эрежесин колдонуу, келечектеги абал картасын түзүү жана жаңы KPIларды эсептөөнү бир программалык чөйрөгө топтойт.

Бул ыкманын илимий баалуулугу VSMди статикалык чиймеден маалымат менен жаңыртылып, диагностика жүргүзүп жана сунуш бере алган чечим колдоо процессине айландыруу аракетинде жатат. Анын чыныгы өнөр жайлык маанисин аныктоо болсо келечектеги талаалык текшерүүлөргө көз каранды.

Булак жана Ыкма Жөнүндө Эскертүү

Түп нуска изилдөө: An Intelligent Value Stream Mapping Framework for Automated Current-State Analysis and Future-State Generation.

Авторлор: Osmano Morais жана Clara Bento Vaz.

Жооптуу автор: Osmano Morais.

Мекеме: CeDRI, SusTEC, Instituto Politécnico de Bragança, Campus de Santa Apolónia, Bragança, 5300-253, Portugal.

ORCID: Osmano Morais: 0009-0003-0948-6975; Clara Bento Vaz: 0000-0001-9862-6068.

Булактын түрү: Изилдөөнүн алдын ала басылмасы (preprint); маалыматка негизделген өндүрүш чечимин колдоо алкагы жана программалык прототип.

Platform: SSRN, abstract no. 7320840.

DOI: 10.2139/ssrn.7320840.

Жылы: 2026. Жүктөлгөн PDFте так күнү жана айы көрсөтүлбөгөндүктөн кошулган жок.

Жарыялануу абалы: PDFте “Preprint submitted to Elsevier” деген сөздөр жазылган. Белгилүү бир Elsevier журналы көрсөтүлгөн эмес.

Рецензиялоо: Булакта изилдөө али рецензиядан өтпөгөнү ачык айтылган.

Лицензия: Жүктөлгөн булактан ачык Creative Commons же ага тең колдонууга уруксат берген лицензия табылган жок. Булактын сүрөттөрүн дал өзүндөй көчүрүүгө болбойт; илимий байланыштар жана баштапкы маалыматтар Verianla үчүн өз алдынча кайра чийилиши керек.

Каржылоо: UID/05757 – Research Centre in Digitalization and Intelligent Robotics (CeDRI) жана SusTEC, LA/P/0007/2020 алкагындагы улуттук каражаттар.

Кызыкчылыктардын кагылышы: Булак текстинде кызыкчылыктардын кагылышы тууралуу өзүнчө билдирүү берилген эмес.

Маалыматтардын жеткиликтүүлүгү: Булак текстинде маалыматтардын жеткиликтүүлүгү тууралуу өзүнчө билдирүү берилген эмес. Текшерүүдө колдонулган маалыматтар топтому синтетикалык түрдө түзүлгөн.

Авторлордун салымы: Булакта өзүнчө CRediT салымдар таблицасы жок.

Программалык камсыздоо: Python негизиндеги модулдук прототип; колдонуучу интерфейси Streamlit.

Негизги кириш маалыматтары: Запас жазуулары жана өндүрүш процессинин маалыматтары; маалыматтар IoT системаларынан же CSV файлдарынан алынышы мүмкүн.

Негизги KPIлар: Lead Time, Inventory Time, Processing Time, Value Added Ratio, Demand Fulfilment Ratio, Flow Balance Index, Process Bottleneck Severity ve Inventory Bottleneck Severity.

Негизги чечим механизми: Детерминисттик, Lean багытындагы эрежелерге негизделген келечектеги абалды түзүү. Изилдөө оптималдаштыруу алгоритми глобалдык оптимум табарын ырастабайт.

Текшерүүнүн чеги: Синтетикалык/өкүлчүлүктүү өндүрүш маалыматтары колдонулган; толук иштеген өнөр жай ишканасында талаалык текшерүү жүргүзүлгөн эмес.

Булак ичиндеги көңүл буруучу жагдай: Inventory Reduction киргизүүсүндөгү %30 көрсөткүчү жана Future-State VSMдеги болжол менен 0,35 күндүк I5 убактысы 4-таблицада берилген 0,4 күн жана -%20 менен дал келбейт. Булак бул айырманы түшүндүрбөйт.