全国统一咨询热线: 400-889-8319
13828769299

制造企业精益生产水平评价方法

2019-03-12 16:49
引言:国内很多制造型企业在推行精益生产时效果并不令人满意,主要表现为精益化不足和精益化过度,而要做到恰到好处的精益化,准确了解企业自身精益生产水平就显得非常重要。把模糊理论和神

  精益生产是优秀的管理方式,其应用广度涉及到全世界的各行各业。自20世纪80年代引进我国学习与推广,应用精益生产的企业越来越多,制造型企业就成了企业精益化的主体,然而推行、实施效果却差强人意。大部分表现为精益化不足,对精益生产没有一个长期全面的规划,仅仅是停留在套用精益工具和方法的阶段;另一个极端就是过度精益化,为推行精益生产组建新的大型组织和团队,反而降低整体效率,制定的制度相当提前,与当前实际状况不匹配等。究其原因,管理者们并不准确清楚其本身精益生产处在何种水平。如何做到恰到好处的精益化,既不多也不少,准确地了解企业自身精益生产水平就显得相当重要。

  

  在精益评价方面,国内学者做了一些研究,从生产性和经营性的角度对丰田生产方式的应用效果进行评价;从现金流角度,采用DEA方法对丰田生产方式的实施水平进行评估;从多维角度入手对精益生产进行评价研究,并将精益应用于除生产外其他环节;从精益的应用效果视角重新创立评估指标,而且也采用了新的评估方式。国际上做精益评价研究工作较多,如Vinodh等使用多级模糊的方法对制造业组织进行精益评估,该方法可以作为一个测试套件定期评估一个组织的精益性;针对评估方法的不精确性和模糊性等问题,Vinodh等提出一种基于模糊逻辑的精益评估方法,设计精益评估的概念模型,该模型能有效地评估企业的精益程度并具有实际意义。

  

  综上所述,评价精益生产水平需要确定的因素众多,而且这些因素多数具有模糊性,同时利用好专家的评价经验知识也极其重要,现有研究在解决这两方面并没有做到两全。而模糊神经网络不仅拥有神经网络自学习特性,也有解决模糊语言能力的特点。本研究把神经网络和模糊理论联合起来,提出了基于模糊神经网络的精益生产水平评价方法。这一方法能够很好地解决上述问题,为精益生产有效推进、公司经济效益快速提升提供了极大帮助。

  

   精益指标体系的建立

  

  对于精益生产水平的评价,传统的方法是由有经验的专家来进行评价,在这种情况下,专家的经验就成了评价标准,但实际生产中更多时候测评人员并没有那么专业,显然这种评价方法存在一定的主观性和偏差,所以构建出体系化的、客观的评价指标体系对作出真实有效的测评相当重要。以系统工程为出发点,结合精益生产核心思想构建出评价指标体系须符合以下几个原则:

  

  (1)系统性原则,要能够全方位地、客观地表现出评价对象本身以及对象与对象的相互协调性,指标体系中的每个指标都应满足系统的特点,并且满足统一、完整的要求;

  

  (2)科学性原则,选取指标应适中,指标过大不能全面反映评价目标的信息,指标过小会扩大评价的困难;

  

  (3)可操作性原则,在全面反映评价对象所需信息的基础上且能快捷地收集数据,采用较少的评价指标,使整个评价指标体系具有较高的使用价值和可操作性;

  

  (4)可持续性原则,精益生产的推行是长期、持久的,只有对精益生产水平的不断评价才能改善企业的精益生产状况,确保精益生产水平的提高,增加企业经济效益。

  

  遵循以上4个原则,通过查找国内外相关文献,并和连云港大陆集团相关专家进行讨论,本文以生产管理、全体员工、技术、生产策略4个方面作为精益生产水平的影响因素,对精益生产水平评价指标体系建立如表1所示。

  

  表1 精益生产指标

  

  

  

   模糊神经网络评价模型的建立

  

  1 、评价模型的基本原理

  

  表1中每一个指标对企业的精益生产水平影响都不同,无法用精确的数学模型对其作出定性或定量分析,所以运用模糊理论,把各个指标关于精益生产水平的影响进行合理表达;对于不同指标与精益生产水平表现出的非线性关系,利用神经网络算法强大的非线性映射功能,能够很好地解决各指标到精益水平的映射问题。因此将模糊理论以及神经网络算法应用到精益水平评价模型中。

  

  评价模型构建的基本思想是:对指标模糊化,求得相应隶属度;运用梯度下降方法来修正网络系数,控制实际得到的结果与期望得到的结果误差最小;数据经过反模糊化后,网络直接输出精益生产水平的评价结果。网络训练完成以后,输入精益指标到评价模型,就可以得到所需结果。

  

  2、 模糊神经网络的结构

  

  T-S模型具有很强的自适应能力,采用此模型来表示模糊规则:

  

  

  

  

  

  依照计算过程我们可以得到一种五层的网络结构,如图1所示。

  

  

  

  图1 模糊神经网络结构

  3、模糊神经网络的学习算法

  

  模糊神经网络算法的工作方式是按照误差变化,运用梯度下降的方法来改变系统的参数。

  

  (1)计算网络输出误差。计算公式为:

  

 

 

  

  综合以上内容,算法的学习步骤如下:第一对输入变量做预处理,主要是对其做归一化;第二对网络进行初始化,主要是初始化网络相关系数、结构、参数;第三把输入的数据做模糊处理;第四计算指标隶属度;第五求解出模糊规则的相关适应度;第六适应度的反模糊化;第七计算网络输出;第八按照误差对网络参数与系数修改调整。
 

  

   实例分析

  

  所建立的评价标准等级如表2所示。

  

  表2 精益生产评价标准等级

  

  

  通过对开展精益活动的12家制造型企业进行调研,采用专家评分的方法,以100分为量化标准对所有指标量化,每个指标数据和专家得出的水平级别在表3中给出,选择1到10列数据为训练数据,最后两组为测试数据。

  

  表3 开展精益活动企业的评价指标数据

  

  

  

  

  

  模糊神经网络共有5层,16个输入1个输出,学习的误差为0.001,学习的速率为0.4,训练的次数为1 000次,用此参数训练该网络,结果如表4所示。

  

  表4 模糊神经网络训练结果

  

  

  

  从图2中可以看出,除第4个学习样本出现一点误差外,其余的期望输出值和训练结果基本吻合,误差极小,表明所建立的模糊神经网络学习效果较好。

  

  

  图2 模糊神经网络训练结果分析

  

  在训练完成后,输入测试样本集,得到综合评价结果,如表5所示,可知利用模糊神经网络求解得到的测试结果与期望结果基本一致,测试所得输出等级与专家划分等级相同。说明文中所建立的模糊神经网络的性能良好,所构建的精益评价指标体系是有效的,可以比较全面地反映制造型企业精益生产水平。

  

  表5 开展精益活动企业的综合评价结果

  

  

  

  为了进一步验证模糊神经网络的性能,计算输出结果的准确率,公式为:1-|测试结果-期望结果|/期望结果,用测试数据分别运用模糊评价方法和神经网络评价方法来作对比,结果如表6所示。从表6能够看出,只运用模糊和神经网络评价方法的测试结果很显然低于运用模糊神经网络方法,表明模糊理论和神经网络的融合能够发挥各自的优势,提高测试结果的精度。

  

  表6 开展精益活动企业综合评价的准确率比较 %

  

  

 

  

  精益评价是研究精益生产的重要部分之一。分析了精益指标的创建规则,建立了系统的精益生产水平评价指标体系,通过模糊神经网络建立精益生产指标到精益生产水平之间的非线性映射关系,构建了精益生产水平评价模型,以便继承使用专家的经验和知识。实例分析表明,模糊神经网络模型的训练结果与期望输出值的误差非常小,表明模型拥有很高的预测精度且测试结果良好。通过单独用模糊评价方法和神经网络评价方法计算测试结果的准确率,进一步验证了模糊神经网络的优势。该方法能够准确地测评精益生产水平,为管理者准确了解企业本身精益生产水平提供了强有力的测评工具,对精益生产的推广以及提升有非常大的推动效果。

相关文章

培训服务

MORE>