《JOURNAL OF MANUFACTURING SYSTEMS》：A data-driven framework for sub-bottleneck detection in sequential production systems based on the Steptime methodology
编辑推荐：
•提出了一种用于动态次瓶颈检测的数据驱动框架。•次瓶颈是具有最大循环时间缩减潜力的步骤时间（Steptime）。•该框架能够捕捉次瓶颈行为的循环间变化。•通过识别关键和等待GRAFCET分支来估算时间裕量。•案例研究揭示了541.8毫秒的上尾分布和双峰步骤时间。引言生产线的生
- •
提出了一种用于动态次瓶颈检测的数据驱动框架。
- •
次瓶颈是具有最大循环时间缩减潜力的步骤时间（Steptime）。
- •
该框架能够捕捉次瓶颈行为的循环间变化。
- •
通过识别关键和等待GRAFCET分支来估算时间裕量。
- •
案例研究揭示了541.8毫秒的上尾分布和双峰步骤时间。
引言
生产线的生产力提升是制造业持续追求的目标[1]。在实践中，这主要通过提高吞吐量，即生产线的生产速率来实现。在此背景下，吞吐瓶颈是影响生产绩效的主要制约因素之一，可能导致高达30%的吞吐量损失[2]。吞吐瓶颈通常被定义为限制系统生产速率的资源或工位。因此，瓶颈检测已成为制造业中广泛研究的课题，其方法从基于分析和仿真的方法到基于过程状态、队列状态和生产事件数据的数据驱动技术[3]、[4]、[5]、[6]。
尽管瓶颈检测已被广泛研究，但相对而言，一旦确定了瓶颈工位之后应如何进行——即诊断其潜在原因并选择改进领域——的关注较少。最近的综述明确指出瓶颈诊断与瓶颈检测的区别，并将其描述为识别和优先处理限制系统性能的根源的任务[7]。该方向的代表性贡献包括Pehrsson等人提出的基于仿真的多目标优化方法，用于自动识别和排序改进措施[8]；Subramaniyan等人开发的一种预测算法，根据瓶颈机器的主动状态预测持续时间，对吞吐瓶颈提出改进措施[9]；Tang等人将瓶颈识别与基于知识图谱的根本原因分析相结合[10]；以及Kumbhar等人提出的基于数字孪生的瓶颈检测、诊断和改进框架[11]。然而，这些代表性方法通常作用于机器、资源、工艺阶段或机器状态层面，而不是识别瓶颈工位内部应优先改进的具体内部子循环周期。
本文通过两项主要贡献来弥补这一差距。首先，它将次瓶颈的概念形式化为所选瓶颈工位内具有最大预期潜力减少工位循环时间并在该工位仍为有效吞吐约束时潜在提高生产率的子循环周期。
其次，它提出了一种基于步骤时间（Steptime）方法和次瓶颈评分算法的动态数据驱动次瓶颈识别框架。所提出的框架适用于根据IEC 60848标准中定义的GRAFCET方法论表示的顺序过程[12]。该构建基于先前工作中引入的步骤时间方法[13]。
作为次要贡献，本工作提出了一种自动识别关键分支的方法，即确定工位循环时间的并行分支，以及等待分支，即在顺序功能图规范语言（GRAFCET）AND结构中必须等待同步的其余分支。除了支持所提出的框架外，该方法能够在不影响工位循环时间的前提下，量化等待分支的执行时间裕量，前提是它们不会变得关键。这可能支持更高效的操作，并潜在地降低能耗。
所提出的次瓶颈识别框架在位于西班牙Arrasate的Fagor Arrasate S. Coop.公司的实际工业生产线中进行了评估。该生产线专门用于家用电器行业的钣金成型，特别是冰箱制造。
第2节简要回顾了当前的工业瓶颈分析和优化技术，从产线级方法逐步转向工位内部子循环分析。它还回顾了文献中报告的用于定义工位级子循环周期的方法。第3节介绍了次瓶颈的正式定义并描述了所提出的次瓶颈识别框架。第4节介绍了应用所提出的次瓶颈识别框架的工业生产线。第5节展示了将所提出框架应用于工业案例所得到的结果，这些结果在第6节中进行了讨论。最后，第7节给出了本研究的主要结论并讨论了未来工作。
各节摘要
相关工作
本节从两个互补的角度回顾了与本工作最相关的文献。2.1节论述了瓶颈分析和优化，从成熟的产线级方法入手，逐步将关注点聚焦到工位内部子循环分析。
2.2节回顾了文献中报告的用于定义工位级子循环周期的方法，因为任何后续工位级分析的有效性直接取决于这些周期的定义方式。
次瓶颈定义与识别框架
本工作中，引入了次瓶颈这一术语，用于定义所选瓶颈工位内具有最大预期潜力减少工位循环时间并在该工位仍为有效吞吐约束时潜在提高产线生产率的子循环周期。所提出的框架应用于已在产线级识别出吞吐瓶颈工位之后；它不替代产线级瓶颈检测。在生产中……
案例研究
为了评估其在真实工业环境中的适用性，所提出的次瓶颈检测框架被应用于西班牙Arrasate的Fagor Arrasate S. Coop.公司运营的一条工业生产线。该生产线专门用于家用电器行业的钣金成型，特别侧重于冰箱制造。该生产线由五个串联工位组成，能够制造九种不同型号的产品，每种……
结果
本节展示了工业案例三天运行期间获得的结果。由于生产线制造九种不同的产品型号，所提出的框架分别应用于每种型号。结果分为两部分。5.1节展示了次瓶颈识别框架的结果，而5.2节展示了关键和等待分支自动识别的结果。
讨论
结果表明，所提出的框架将瓶颈分析从工位级扩展到子循环周期级。传统瓶颈方法识别限制产线生产率的工位，而本方法识别在该工位内应优先处理以减少工位循环时间并在该工位仍为有效吞吐约束时潜在提高产线生产率的具体子循环周期，即该工位内的步骤时间（Steptime）。在此……
结论
本研究得出以下结论：
- •
所提出的框架通过形式化次瓶颈的概念——即将其定义为瓶颈工位内具有最大预期潜力减少工位循环时间并在该工位仍为有效吞吐约束时潜在提高生产率的步骤时间（Steptime）——将瓶颈分析从工位级扩展到子循环周期级。
- •
所提出的框架能够捕捉次瓶颈行为的循环间变化
CRediT作者贡献声明
Jon Zubieta：撰写——初稿、验证、软件、调查、形式化分析、概念化。Unai Izagirre：撰写——审阅与编辑、验证、形式化分析、概念化。Luka Eciolaza：撰写——审阅与编辑、验证、形式化分析、概念化。Asier Saez de Buruaga：验证、软件、形式化分析、概念化。Lander Galdos：撰写——审阅与编辑、验证、概念化。
利益冲突声明
作者声明，他们不存在任何已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文所报告的工作。
致谢
作者感谢巴斯克政府及其HAZITEK计划对"GIZAK-IA"项目的支持。Unai Izagirre和Luka Eciolaza是蒙德拉贡大学工业智能系统研究小组的成员（IT1676-22），由巴斯克政府科学、大学与创新部支持。作者还感谢Fagor Arrasate S. Coop.公司允许使用其一条生产线的工业数据……
Jon Zubieta|Unai Izagirre|Luka Eciolaza|Asier Saez de Buruaga|Lander Galdos
