Uchoraji Mahiri wa Ramani ya Mtiririko wa Thamani (Intelligent Value Stream Mapping, iVSM) ni mfumo wa uchanganuzi wa uzalishaji unaotumia data za uzalishaji na hesabu ya bidhaa zilizohifadhiwa kuunda kiotomatiki ramani ya mtiririko wa thamani katika hali ya sasa, kutathmini utendaji wa mfumo kwa injini ya KPI, kutambua vikwazo vya uzalishaji na akiba, na kuunda ramani ya hali ya baadaye kupitia utaratibu wa kusaidia maamuzi unaotegemea kanuni. Katika utafiti huu, mfano wa awali uliotengenezwa kwa Python na kutumiwa kupitia Streamlit unatathmini kwa pamoja viashiria vinane vya utendaji na utambuzi: Lead Time, Inventory Time, Processing Time, Value Added Ratio, Demand Fulfilment Ratio, Flow Balance Index, Process Bottleneck Severity na Inventory Bottleneck Severity. Uthibitishaji ulifanywa kwa mkusanyiko wa data bandia uliotayarishwa kuwakilisha mfumo wa uzalishaji wenye hatua nyingi, wala si kwa data hai kutoka kiwanda halisi.

Katika hali iliyotumika kwa uthibitishaji, mfumo uliunda ramani ya hali ya sasa bila kuhitaji kukokotoa KPI au kuchora ramani ya VSM kwa mikono, ulibaini vikwazo katika michakato na akiba, na kubadilisha vigezo vya hali ya baadaye kulingana na kanuni. Kwa mujibu wa Jedwali 4, muda wa mzunguko wa shughuli za OP2 na OP4 ulipunguzwa kwa %20; Demand Fulfilment Ratio iliongezeka kutoka 2,0251 hadi 2,1287, huku Flow Balance Index ikipungua kutoka 0,8208 hadi 0,7446, Process Bottleneck Severity kutoka 1,8823 hadi 1,7355 na Inventory Bottleneck Severity kutoka 3,5996 hadi 3,2139. Matokeo hayo yanaonyesha kuwa mfano wa awali unaweza kuendesha kiotomatiki mnyororo wa data–uchanganuzi–uboreshaji katika hali iliyobainishwa ya data bandia; hata hivyo, utendaji katika mazingira halisi ya viwanda, suluhisho bora kabisa au uwezekano wa kuyatumia matokeo katika mazingira tofauti ya uzalishaji bado havijathibitishwa.

Uchoraji Mahiri wa Ramani ya Mtiririko wa Thamani (iVSM) ni nini?

Uchoraji Mahiri wa Ramani ya Mtiririko wa Thamani (iVSM) ni mfumo wa kusaidia maamuzi kwa kutumia data, unaounganisha mbinu ya jadi ya Value Stream Mapping na data za uendeshaji, ukokotoaji wa kiotomatiki wa KPI, utambuzi wa vikwazo na uundaji wa hali ya baadaye unaotegemea kanuni. iVSM iliyotumika katika utafiti huu si zana ya kuchora ramani pekee; inalenga kuunganisha data za uzalishaji na akiba katika mtiririko mmoja wa kazi ya uchanganuzi kuanzia uchambuzi wa hali ya sasa hadi tathmini ya hali ya baadaye.

Value Stream Mapping ya jadi hutatua tatizo gani?

Value Stream Mapping (VSM) ni mbinu ya Lean Manufacturing inayowakilisha mtiririko wa nyenzo na taarifa katika mifumo ya uzalishaji ndani ya muundo mmoja unaoonekana. Ramani ya hali ya sasa huonyesha kwa pamoja michakato ya uzalishaji, maeneo ya akiba, miunganisho ya wasambazaji na wateja, muda wa kusubiri na viashiria vya utendaji. Hivyo inawezekana kutambua vikwazo, akiba iliyozidi, ucheleweshaji na shughuli zisizoongeza thamani, kisha kubuni muundo bora wa hali ya baadaye.

Msingi wa utafiti huu ni kwamba VSM ya kawaida hutegemea kwa kiasi kikubwa kazi za mikono. Ukusanyaji wa data unaweza kuhitaji uchunguzi wa moja kwa moja, mahojiano, uchunguzi wa muda na vipimo vya mikono. Mara nyingi mtaalamu huandaa ramani ya hali ya sasa, ilhali ubunifu wa ramani ya hali ya baadaye hutegemea tafsiri na uzoefu wa mtaalamu huyo. Kadiri mazingira ya uzalishaji yanavyozalisha data nyingi zaidi za kidijitali, mbinu ya VSM isiyobadilika na inayofanywa kwa mikono inaweza kupoteza uhalisia wake kwa haraka.

Tofauti ya malengo kati ya VSM ya kidijitali na iVSM

Mbinu za kidijitali za Value Stream Mapping, hasa katika muktadha wa Industry 4.0, zinalenga kupunguza mzigo wa kukusanya na kuonyesha data kwa kutumia taarifa zinazotoka kwenye IIoT, mifumo ya kimtandao na kimwili, kompyuta ya wingu na miundombinu ya uchanganuzi. Kwa mujibu wa waandishi wa makala, ingawa mbinu nyingi katika maandiko yaliyopo zimepiga hatua katika ukusanyaji wa data kiotomatiki au uonyeshaji wa hali ya sasa, bado kuna suluhisho chache zinazounganisha tathmini ya KPI, ugunduzi wa fursa na hasa uundaji wa kiotomatiki wa hali ya baadaye ndani ya mfumo mmoja.

Katika ulinganisho wa maandiko uliofanywa na waandishi kwenye Jedwali 1, iVSM inayopendekezwa imewasilishwa kama safu pekee inayojumuisha maeneo yote matano: kuunda hali ya sasa kiotomatiki, injini ya KPI, ugunduzi wa fursa, uundaji wa hali ya baadaye na mfumo jumuishi. Ulinganisho huu ni tathmini ya maandiko iliyofanywa na utafiti wenyewe, na haupaswi kuchukuliwa kuwa ulinganisho huru dhidi ya kiwango cha sekta ya viwanda.

Je, iVSM ni modeli ya akili bandia au ujifunzaji wa mashine?

Mfano wa awali wa iVSM uliotumika katika utafiti huu haujaelezwa kuwa modeli ya ujifunzaji wa mashine au akili bandia zalishi; maamuzi kuhusu hali ya baadaye yanatolewa kwa kutumia kanuni za lazima na mbinu za makadirio zilizotokana na misingi ya Lean. Waandishi wanaeleza wazi kwamba injini ya sasa ya maamuzi haihakikishi suluhisho bora kabisa kwa maana ya kihisabati na inaweza kupanuliwa baadaye kwa mbinu zinazotegemea uigaji au uboreshaji wa kihisabati.

Muundo wa jumla wa mfumo

Mtiririko wa kazi wa iVSM huanza kwa kupata data na kukamilika kwa kutathmini tena hali ya baadaye. Mpangilio wa msingi katika utafiti chanzo ni huu: kuunda Current-State VSM, KPI Evaluation, Opportunity Detection, Improvement Rules, Future-State Generation na Future-State KPI Evaluation.

Muundo wa programu una tabaka tano kuu za utendaji: upatikanaji na uchakataji wa awali wa data; uundaji wa hali ya sasa; tathmini ya KPI; uundaji wa hali ya baadaye; na uonyeshaji wa taarifa pamoja na mwingiliano wa mtumiaji. Kiolesura cha mtumiaji cha mfano wa awali uliotengenezwa kwa Python kilitekelezwa kwenye Streamlit.

Ni data gani huingizwa katika mfumo?

Mfumo hutumia mikusanyiko miwili mikuu ya data. Wa kwanza ni inventory dataset, unaohifadhi viwango vya akiba vinavyobadilika kulingana na muda katika maeneo ya akiba yaliyopo kwenye mtiririko wa thamani. Wa pili ni production process dataset, unaohifadhi sifa za kiutendaji za michakato ya uzalishaji.

Katika chanzo, mkusanyiko wa data za uzalishaji umefafanuliwa kuwa unajumuisha Cycle Time (CT), Changeover Time (CO), Uptime, Working Days, Overall Equipment Effectiveness (OEE) na vigezo vingine vya uendeshaji vinapopatikana. Chanzo cha data kinaweza kuwa mifumo ya IoT au faili za CSV. Kabla ya uchanganuzi, uchunguzi wa uzalishaji na akiba hupitia uchakataji wa awali na ulinganishaji wa muda ili uweze kutumika katika kipindi kilekile cha uchunguzi.

Ramani ya hali ya sasa huundwaje kiotomatiki?

Mfano wa awali huunda VSM ya hali ya sasa kutokana na vigezo vya usanidi vinavyowekwa na mtumiaji na mikusanyiko ya data iliyoingizwa. Utekelezaji wa sasa katika utafiti huu unadhania mfumo wa uzalishaji wenye mfuatano wa hatua badala ya mtandao wa jumla wa uzalishaji:

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

Hapa \(OP_n\) inawakilisha operesheni ya uzalishaji na \(I_n\) inawakilisha eneo la akiba. Uhakiki wa muundo huthibitisha kwamba mtiririko wa thamani huanza kwa msambazaji na kuishia kwa mteja, na kwamba maeneo ya akiba na vituo vya operesheni vimepangwa kwa mfuatano sahihi. Kisha kila kipengele cha ramani huunganishwa na data husika za uzalishaji au akiba.

Ramani ya hali ya sasa iliyoundwa inajumuisha taarifa za msambazaji, maeneo ya akiba, shughuli za uzalishaji, taarifa za mteja, mtiririko wa nyenzo, mtiririko wa taarifa, viashiria vya utendaji na taarifa za mstari wa muda.

Mbinu na Matokeo ya Utafiti

Viashiria vya KPI katika iVSM hupima nini?

Mfumo wa KPI wa iVSM una ngazi mbili: Lead Time, Inventory Time, Processing Time na Value Added Ratio hupima utendaji wa jumla wa Lean, ilhali Demand Fulfilment Ratio, Flow Balance Index, Process Bottleneck Severity na Inventory Bottleneck Severity hutumika kutambua kiotomatiki upungufu wa uwezo, kutokuwa na uwiano wa mtiririko na vikwazo katika mchakato au akiba.

1. Lead Time

Lead Time (\(LT\)) inawakilisha muda wote unaohitajika kwa bidhaa kusafiri katika mtiririko wa thamani kutoka kwa msambazaji hadi kwa mteja. Mlinganyo wa chanzo ni huu:

\[ LT = PT + IT \]

Hapa \(LT\) ni Lead Time, \(PT\) ni Processing Time na \(IT\) ni Inventory Time. Chanzo kinafafanua muda katika mlinganyo huu kwa siku.

2. Inventory Time

Kwa kila eneo la akiba, Inventory Time imefafanuliwa kama ifuatavyo:

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

\(IT_i\) inawakilisha muda wa akiba katika eneo la \(i\); \(WIP_i\) inawakilisha wastani wa kiasi cha work-in-process katika eneo hilo; na \(CT_{i+1}\) inawakilisha wastani wa muda wa mzunguko wa operesheni inayofuata kuelekea mwisho wa mtiririko.

Jumla ya Inventory Time:

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

Chanzo hutumia mgawanyo kwa 24 katika fomula yake na kufafanua matokeo kwa siku. Hata hivyo, thamani za Cycle Time katika vielelezo vya uthibitishaji zinaonyeshwa kwa sekunde. Kwa kuwa maandishi hayaelezi kwa kina namna ubadilishaji wa sekunde kuwa siku ulivyofanywa wakati wa uchakataji wa awali wa data, Verianla haiweki dhana yoyote ya ziada kuhusu ubadilishaji huo.

3. Processing Time

Processing Time inafafanuliwa kuwa jumla ya muda wa mizunguko ya operesheni za uzalishaji katika mtiririko wa thamani:

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

\(CT_j\) ni thamani ya Cycle Time ya mchakato wa uzalishaji wa \(j\), huku \(m\) ikiwa idadi ya michakato ya uzalishaji. Kiashiria hiki kinawakilisha muda wenye tija ambao nyenzo zinachakatwa kweli.

4. Value Added Ratio

Value Added Ratio (VAR) hupima sehemu ya jumla ya Lead Time inayotumika kwa uchakataji wenye tija:

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

VAR inapoongezeka, sehemu ya muda wa uchakataji unaoongeza thamani katika muda wote huongezeka. Hata hivyo, \(PT\) na \(LT\) lazima zitathminiwe kwa kipimo kilekile cha muda.

5. Demand Fulfilment Ratio

Demand Fulfilment Ratio (DFR) hupima uwezo wa mfumo kukidhi mahitaji ya wateja:

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

\(TR_{system}\) inawakilisha kiwango cha throughput rate cha mfumo, na \(D\) inawakilisha kiwango cha mahitaji ya mteja. Kwa tafsiri ya chanzo, \(DFR<1\) inaonyesha kwamba uwezo hautoshi kukidhi mahitaji, \(DFR=1\) inaonyesha kwamba uwezo na mahitaji vinalingana kikamilifu, na \(DFR>1\) inaonyesha uwezo wa uzalishaji uliozidi mahitaji.

6. Flow Balance Index

Flow Balance Index (FBI) hupima mabadiliko ya thamani za throughput za operesheni katika mtiririko wa thamani kwa namna ya mgawo:

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

\(\sigma_{TR}\) ni mkengeuko sanifu wa thamani za throughput za operesheni, na \(\mu_{TR}\) ni wastani wake. FBI ya chini huonyesha mtiririko wa uzalishaji wenye uwiano zaidi; FBI ya juu huonyesha kutokuwa na uwiano mkubwa zaidi kati ya michakato.

7. Process Bottleneck Severity

Process Bottleneck Severity (PBS) hufafanuliwa ili kutathmini kiwango ambacho kila operesheni ya uzalishaji inaleta kizuizi ikilinganishwa na wastani wa mfumo:

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

\(\overline{CT}\) ni wastani wa Cycle Time wa michakato yote ya uzalishaji. Operesheni yenye \(PBS_j>1\) ni ya polepole kuliko wastani wa mfumo. Mchakato wenye thamani ya juu zaidi ya PBS hutambuliwa kuwa kikwazo kikuu cha mchakato.

8. Inventory Bottleneck Severity

Inventory Bottleneck Severity (IBS) hupima uzito wa kiasi wa kila eneo la akiba ikilinganishwa na wastani wa muda wa akiba:

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

\(\overline{IT}\) ni wastani wa Inventory Time wa maeneo ya akiba. Maeneo yenye \(IBS_i>1\) yanaweza kusababisha mrundikano usio na uwiano wa nyenzo na muda wa kusubiri. Thamani ya juu zaidi ya IBS hutambuliwa kuwa kikwazo kikuu cha akiba.

Fursa za kuboresha hutambuliwaje?

Opportunity Detection Layer hutegemea viashiria vinne vya KPI vya utambuzi. \(DFR<1\) huchukuliwa kuwa upungufu wa uwezo, \(FBI\) inayozidi kiwango kilichowekwa na mtumiaji huonyesha kutokuwa na uwiano wa mtiririko, \(PBS>1\) huonyesha kikwazo cha mchakato na \(IBS>1\) huonyesha kikwazo cha akiba. Mfumo pia huweka maeneo yenye thamani kubwa zaidi za PBS na IBS kama maeneo ya kipaumbele kwa uboreshaji.

Injini ya hali ya baadaye hufanyaje maamuzi?

Lengo la injini ya hali ya baadaye si kupata mpangilio bora kabisa wa uzalishaji kihisabati. Injini hutumia kanuni za maamuzi zilizofafanuliwa mapema kwa kuzingatia misingi ya Lean Manufacturing, na kubadili tatizo lililotambuliwa kuwa hatua maalumu ya kuboresha.

Katika chanzo, thamani ya Cycle Time ya hali ya baadaye kwa mchakato husasishwa kwa mlinganyo ufuatao:

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

\(r_{CT}\) ni kipengele cha kupunguza muda wa mzunguko kilichowekwa na mtumiaji.

Mlinganyo wa hali ya baadaye unaotumika kwa kiwango cha akiba:

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

\(r_{INV}\) ni kipengele cha kupunguza akiba. Baada ya vigezo kubadilishwa, injini ya KPI huendeshwa tena na hali ya baadaye iliyoundwa hulinganishwa na hali ya sasa kwa kutumia viashiria vilevile.

Mkusanyiko wa data za uthibitishaji

Ili kuthibitisha mfumo, mkusanyiko wa data bandia za uzalishaji uliundwa badala ya kutumia data za uwanjani kutoka kiwanda halisi. Mkusanyiko huo unawakilisha shughuli kadhaa za uzalishaji zilizounganishwa na maeneo ya akiba ya kati. Data za uzalishaji na akiba zilitengenezwa kwa kipindi maalumu cha uchunguzi; mabadiliko ya michakato na kutokuwa na uwiano wa akiba vilijumuishwa kwa makusudi ili kujaribu uwezo wa mfumo kutambua vikwazo.

Hali ya sasa katika ssenario ya uthibitishaji ina operesheni nne za uzalishaji. Mfumo uliunganisha kiotomatiki mtiririko wa nyenzo, mtiririko wa taarifa, maeneo ya akiba, michakato ya uzalishaji na viashiria vya utendaji katika VSM moja.

Matokeo ya hali ya sasa na hali ya baadaye yaliyoripotiwa katika Jedwali 4

Kupungua kwa thamani za Cycle Time kwa %20 kunaonyesha mabadiliko ya vigezo vya hali ya baadaye vya shughuli za OP2 na OP4 zilizochaguliwa kuwa vikwazo, kwa kutumia injini ya kanuni. Kupungua kwa PBS kutoka 1,8823 hadi 1,7355 na IBS kutoka 3,5996 hadi 3,2139 ni mabadiliko yanayoelekea kupunguza ukubwa wa vikwazo ndani ya hali ya chanzo. Kupungua kwa FBI kutoka 0,8208 hadi 0,7446 kunaonyesha kupungua kwa mabadiliko ya kiasi kati ya thamani za throughput za michakato.

Kuongezeka kwa DFR kutoka 2,0251 hadi 2,1287, kwa mujibu wa ufafanuzi wa fomula ya chanzo, kunamaanisha kuwa uwiano wa throughput ya mfumo kwa mahitaji ya wateja umeongezeka. Hata hivyo, chanzo tayari kinafafanua hali ya \(DFR>1\) kuwa uwezo wa uzalishaji unaozidi mahitaji. Kwa hiyo, ongezeko la DFR halipaswi kutafsiriwa bila kuzingatia muktadha kuwa matokeo ya mfumo yaliyo «bora kwa kila hali».

Viashiria vya jumla vya mtiririko katika vielelezo vya chanzo

Katika Current-State VSM ya ukurasa 20, jumla ya Lead Time imeonyeshwa kuwa takriban 0,62 siku, Inventory Time takriban 0,61 siku, Processing Time 12,8 sekunde na Value Added Ratio %0,02. Katika Future-State VSM, thamani hizo zimeonyeshwa kwa mpangilio huohuo kuwa takriban 0,45 siku, 0,45 siku, 10,5 sekunde na %0,03. Hizi ni thamani zinazoonyeshwa katika vielelezo vya chanzo; si thamani zilizokokotolewa upya na Verianla, kwa sababu data ghafi hazijatolewa.

Kutolingana kwa namba katika chanzo kunakopaswa kuhifadhiwa

Katika mfano wa skrini ya kuingiza vigezo vya hali ya baadaye, Cycle Time Reduction imeonyeshwa kama %20, Inventory Reduction kama %30 na FBI Threshold kama 0,20. Vilevile, katika kielelezo cha Future-State VSM, muda wa akiba wa I5 unaonekana kuwa takriban 0,35 siku. Hata hivyo, Jedwali 4 la chanzo linaripoti kipimo kilekile cha I5 kuwa kimetoka 0,5 siku hadi 0,4 siku, sawa na mabadiliko ya -%20. Chanzo hakielezi sababu ya tofauti hii. Kwa hiyo, haifai kuchagua mojawapo ya maonyesho hayo na kusahihisha jingine kimyakimya; tofauti hiyo inapaswa kutajwa kama kutolingana ndani ya chanzo.

Je, utafiti huu unathibitisha utendaji wa kiwanda halisi?

Hapana. Utafiti unaonyesha kwamba mfano wa awali wa iVSM unaweza kiutendaji kuunda VSM ya hali ya sasa, kukokotoa KPI, kuonyesha fursa na kuzalisha ssenario ya hali ya baadaye kutokana na data bandia za uzalishaji; hata hivyo, kwa sababu hakuna uthibitishaji wa uwanjani kwa kutumia data hai za kiwanda kinachoendesha shughuli zake kikamilifu, utendaji halisi wa viwanda, uwezo wa kupanuliwa na uwezekano wa kutumika kwa ujumla lazima uthibitishwe kwa njia tofauti.

Hitimisho yanayoungwa mkono na yasiyoungwa mkono na utafiti

Mapungufu ya mbinu za utafiti

Kikwazo cha kwanza ni kwamba uthibitishaji ulifanywa kwa mkusanyiko wa data za uzalishaji bandia au za uwakilishi. Waandishi wanaeleza kwamba tafiti za ziada za hali halisi zinahitajika katika mifumo halisi ya uzalishaji, sekta tofauti na kwa ushirikiano na washirika wa viwanda.

Kikwazo cha pili ni kwamba injini ya hali ya baadaye hutegemea kanuni za uboreshaji zenye matokeo yaliyobainishwa. Ingawa kanuni hizo zinaweza kuelezwa na kurudiwa, hazihakikishi suluhisho bora kabisa. Waandishi wanaeleza kwamba mbinu zinazotegemea uigaji na uboreshaji wa kihisabati zinaweza kuongezwa baadaye ili kutathmini ssenario nyingi.

Kikwazo cha tatu ni kwamba mfano wa sasa wa awali hudhania muundo wa uzalishaji wa hatua zinazofuatana. Utafiti huu haujaonyesha kwamba mitandao changamani ya uzalishaji yenye matawi, miunganiko au njia za kurudia hatua inaweza kuchakatwa kwa namna hiyohiyo.

Kikwazo cha nne ni kwamba utafiti unaonyesha hasa maboresho katika mtiririko wa nyenzo. Waandishi wanataja wazi kwamba maboresho ya Lean yanayohusu mtiririko wa taarifa bado yanahitaji kuendelezwa.

Kikwazo cha tano ni kwamba maelezo ya utekelezaji wa ubadilishaji wa vipimo katika baadhi ya milinganyo ya muda hayajafafanuliwa vya kutosha katika chanzo. Hasa, kuonyesha muda wa mzunguko kwa sekunde katika vielelezo huku Lead Time na Inventory Time zikiwasilishwa kwa siku kunahitaji hatua iliyoandikwa wazi ya kusawazisha vipimo ili matokeo yaweze kurudiwa na watafiti wengine.

Mchango wa kisayansi wa utafiti

Mchango mkuu wa utafiti si kubuni kipimo kimoja kipya cha Lean, bali kuunganisha hatua tofauti za VSM ya jadi katika mnyororo mmoja wa kiotomatiki wa kusaidia maamuzi. Mfumo unakusanya ndani ya mazingira moja ya programu hatua za kupokea data za uendeshaji, kuunda ramani ya hali ya sasa, kukokotoa KPI, kutambua vikwazo, kutumia kanuni za uboreshaji, kuunda ramani ya hali ya baadaye na kukokotoa KPI mpya.

Thamani ya kisayansi ya mbinu hii ipo katika jaribio la kubadilisha VSM kutoka mchoro tuli kuwa mchakato wa kusaidia maamuzi unaoweza kusasishwa kwa data, kufanya utambuzi na kutoa mapendekezo. Kutambua thamani yake halisi katika viwanda kutategemea uthibitishaji wa uwanjani utakaofanywa baadaye.

Maelezo ya Chanzo na Mbinu

Utafiti asilia: An Intelligent Value Stream Mapping Framework for Automated Current-State Analysis and Future-State Generation.

Waandishi: Osmano Morais na Clara Bento Vaz.

Mwandishi anayewajibika: Osmano Morais.

Taasisi: 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.

Aina ya chanzo: Rasimu ya utafiti kabla ya uhakiki wa kitaalamu (preprint); mfumo wa kusaidia maamuzi ya uzalishaji kwa kutumia data na mfano wa awali wa programu.

Platform: SSRN, abstract no. 7320840.

DOI: 10.2139/ssrn.7320840.

Mwaka: 2026. Siku na mwezi halisi havikuongezwa kwa sababu havikutajwa katika PDF iliyopakiwa.

Hali ya uchapishaji: PDF ina maneno “Preprint submitted to Elsevier”. Hakuna jarida maalumu la Elsevier lililotajwa.

Uhakiki wa kitaalamu: Chanzo kinaeleza wazi kwamba utafiti bado haujapitia tathmini ya wahakiki wa kitaalamu.

Leseni: Hakuna leseni iliyo wazi ya Creative Commons au leseni inayolingana ya kutumia tena kazi iliyobainika katika chanzo kilichopakiwa. Vielelezo vya chanzo havipaswi kunakiliwa moja kwa moja; uhusiano wa kisayansi na data za chanzo zinapaswa kuchorwa upya kwa namna asilia kwa ajili ya Verianla.

Ufadhili: UID/05757 – Research Centre in Digitalization and Intelligent Robotics (CeDRI) na SusTEC, LA/P/0007/2020 kupitia fedha za kitaifa.

Mgongano wa maslahi: Hakuna tamko tofauti la mgongano wa maslahi lililoripotiwa katika maandishi ya chanzo.

Upatikanaji wa data: Hakuna tamko tofauti kuhusu upatikanaji wa data lililoripotiwa katika maandishi ya chanzo. Mkusanyiko wa data uliotumiwa kwa uthibitishaji uliundwa kwa njia bandia.

Michango ya waandishi: Hakuna jedwali tofauti la michango ya CRediT katika chanzo.

Programu: Mfano wa awali wa programu wenye moduli na unaotegemea Python; kiolesura cha mtumiaji ni Streamlit.

Data kuu zinazoingizwa: Rekodi za akiba na data za michakato ya uzalishaji; data zinaweza kupatikana kutoka mifumo ya IoT au faili za CSV.

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

Utaratibu mkuu wa kufanya maamuzi: Uundaji wa hali ya baadaye kwa kanuni zenye matokeo yaliyobainishwa na zinazoegemea Lean. Utafiti haudai kwamba algoriti ya uboreshaji wa kihisabati hupata kiwango bora kabisa cha kimataifa.

Mipaka ya uthibitishaji: Mkusanyiko wa data bandia au za uwakilishi za uzalishaji ulitumika; hakuna uthibitishaji wa uwanjani uliofanywa katika mazingira halisi ya kiwanda kinachofanya kazi kikamilifu.

Jambo la kuzingatia ndani ya chanzo: Thamani ya %30 katika sehemu ya Inventory Reduction na muda wa I5 wa takriban 0,35 siku unaoonekana kwenye Future-State VSM haviendani na 0,4 siku na -%20 vilivyoripotiwa katika Jedwali 4. Chanzo hakielezi tofauti hii.