電氣設備交貨周期優化的精益改善分析方法

摘 要：【目的】在制造企業進行“智改數轉”時需要以流程優化為前提的背景下，針對電氣設備交貨周期過長的情況，設計了一種系統的精益改善分析方法。【方法】首先，對全生產周期內不同階段的耗時因素進行建模；其次，基于多色集合理論提出了一種影響因素權重矩陣與影響力評估方法，以找出關鍵影響因素；最后，結合企業現狀和改善目標確定精益改善路徑并實施。【結果】利用此方法對N公司旗下T產品的生產流程進行精益改善，使其交貨周期從19～25 d縮短為16～20 d，滿足了T產品在3周內完成交貨的精益改善目標。【結論】該精益改善實例印證了所提出方法的實用性與可行性。

關鍵詞：交貨周期；精益改善；多色集合；價值流

中圖分類號：TH186" " "文獻標志碼：A" " "文章編號：1003-5168（2024）02-0148-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.02.028

Lean Improvement Analysis Method for Lead Time Optimization of Electrical Equipment

ZHENG Kun1 DU Zhonglin1 GU Xinyan1 ZHOU Yang2 SUN Huiyu1

（1. School of Automotive and Rail Transit， Nanjing Institute of Technology， Nanjing 211167， China

2. NARI Technology Nanjing Control Systems Co.， Ltd.， Nanjing 211106， China）

Abstract： [Purposes] Under the background that manufacturing enterprises need to take process optimization as the premise when carrying out intelligent and digital transformation， a systematic lean improvement analysis method are designed in view of the long lead time of electrical equipment. [Methods] Firstly， the time consuming factors in different stages of the whole production cycle are modeled. Then， based on polychromatic sets theory， an influence factor weight matrix and influence evaluation method are proposed to find out the key influence factors. Finally， lean improvement paths are determined and implemented according to the current situation of enterprises and improvement targets. [Findings] Lean improvement of the production process of T products of N Company" was realized by this method， and the lead time was shortened from 19～25 days to 16～20 days， meeting the lean improvement target of T products being delivered within 3 weeks. [Conclusions] The example of lean improvement proves the practicability and feasibility of the proposed method.

Keywords： lead time; lean improvement; polychromatic sets; value stream mapping

0 引言

制造業是事關國家經濟繁榮與否的支柱性產業［1］，然而傳統的大規模生產模式已無法適應日益趨于“多品種、小批量、定制化”的市場需求。為此國家引導進行了“智改數轉”。然而大量企業的數字化實踐未能達到預期目的，劉檢華［1］認為一些企業帶著傳統的信息化建設思維，實現生產線上單點單環節的數字化應用問題，卻忽視了以數據為支撐的系統改造工程。姜曉丹［2］等人認為部分制造企業的數字化轉型缺乏全局的戰略性規劃，數據要素價值難以真正被發揮出來。當生產業務邏輯存在諸多問題尚未解決時就生搬硬套數字化，則其產生的價值效益會存在一定局限性，根源就在于缺乏對生產和管理的改善。

將精益改善作為“智改數轉”的前置條件，才能更好地激發出數字化轉型的價值。很多制造企業的重點改善目標之一是縮短交貨周期。齊二石［3］等人探究了工業工程與精益管理之間的聯系，并給出了一種結合數字化技術的智能精益管理框架，應用于航空制造企業以優化交貨周期。Sisay G［4］等人使用價值流映射來識別浪費，通過最小化在制品數量與優化生產布局來縮短交貨周期。李秀紅［5］等人利用“準時交付OTD（On Time Delivery）分析法”從生產現場5S管理的角度進行了精益改善。以上精益改善主要是對車間內生產活動的優化，而少有對生產全周期中其他環節的改善，但往往這些環節才是造成交貨周期延誤的關鍵，因此需要形成從生產系統全局性高度去分析的精益改善方法。

本研究以電氣設備制造為研究對象，針對交貨周期過長的問題，從客戶訂單到產品交付的全生產周期角度出發，設計了一種系統的精益改善分析方法。首先，建立了一種影響因素機理模型，分析了各因素的影響階段和方式；其次，利用多色集合理論提出了一種影響因素權重矩陣與影響力評估方法，用以快速確定主要影響因素；最后，利用價值流圖描述企業生產現狀，并結合分析方法和企業的具體需求，確定優先實施的精益改善方案。通過電氣設備制造企業N公司的精益改善實例，印證該方法的實用性與可行性。

1 影響電氣設備交貨周期的因素機理模型

構建高可信度的因素機理模型的前提是厘清業務流程，這也將為后續的影響力評估方法和改善方案提供底層的設計邏輯。

1.1 電氣設備生產流程模型

電氣設備主要涉及鈑金部件生產、線束生產和輔助部件生產。由客戶發起產品訂單，設計部門形成設計物料清單BOM（Bill of Materials）后下發給工藝部門進行工藝路線規劃并形成制造BOM，采購部門根據制造BOM進行物料采購并存入倉庫，待物料齊套后進行制造、組裝，最終將成品發送給客戶。電氣設備生產流程模型如圖1所示。

1.2 基于準時交付OTD的影響因素機理模型

根據OTD原則，為快速形成整體性的分析思維，結合電氣設備生產流程，建立了一種基于OTD的影響因素機理模型，如圖2所示。

1.2.1 產品選型階段。客戶需求因素R定義為一個一元組，見式（1）。

[R=Rr] （1）

式中：Rr為客戶需求。

客戶需求的產品定制化程度越高，對于設計及制造階段的要求就越高，耗時也就越長。

產品研發因素D定義為一個二元組，見式（2）。

[D=Dd ， Dt] （2）

式中：Dd為模塊化程度；Dt為工藝合理性。

產品的模塊化程度越高，則其設計難度越低，從而設計耗時就越短。制造工藝方法越合理，則其制造耗時越少，同時不同的工藝路線決定了不同的制造BOM，一定程度上也影響了備料階段的物料采購耗時和制造前的工裝準備耗時。

1.2.2 總體生產控制。生產控制因素C定義為一個二元組，見式（3）。

[C=Cs ， Cp] （3）

式中：Cs為供應鏈協同；Cp為排產合理性。

供應鏈協同是供應商共同參與企業產品設計、工藝和備料的能力。排產越合理則設備利用率越高，同時減少因生產任務沖突造成的生產中斷。

1.2.3 車間生產階段因素。生產流程因素P定義為一個二元組，見式（4）。

[P=Pe ， Pt] （4）

式中：Pe為設備效能，Pt為流程透明。

設備效能指不同設備的加工時間和加工質量，這是確定物料批次策略的重要前提。流程透明是各道工序環節中有無及時的信息反饋，便于生產管理人員及時做出生產調整。

生產布局因素L定義為一個一元組，見式（5）。

[L=Ll] （5）

式中：Ll為生產布局。

生產布局包括車間內部生產功能區域劃分、產線布置和物流路線規劃。合理的生產布局能提高各功能區域之間的關聯性，使物料流動更加順暢，也易于實現車間的精細化管理。

物料流因素M定義為一個二元組，見式（6）。

[M=Mb ， Ms] （6）

式中：Mb為車間物料策略；Ms為供應鏈物料。

車間物料策略需要根據相鄰兩道工序的加工時間制定合適的物料轉運批次和批量，盡可能實現物料的連續流動。供應鏈物料流對生產活動影響至關重要，物料供應不準時將嚴重制約制造和組裝階段的生產活動。

生產人員因素W定義為一個二元組，見式（7）。

[W=Wq ， Wa] （7）

式中：Wq為人員技能素養；Wa為人員生產配置。

人員技能素養包含人員的生產操作技能、質量管理技能、團隊協作能力等方面，其技能素養越高則生產效率越高。人員生產配置主要是通過調節人員的工作時長和通過班組配合來完成，可以一定程度上快速壓縮制造、組裝的時間，縮短交貨周期。

1.2.4 突發擾動事件。突發擾動因素E定義為一個四元組，見式（8）。

[E=Wo ， Et ， Ew ， Em] （8）

式中：Eo為緊急訂單插單；Et為工裝設備故障；Ew為生產人員影響；Em為物料流動阻滯。

緊急訂單插單會導致原定生產計劃出現紊亂，對物料、工裝、設備、人員等多個方面都有較大影響。工裝設備故障是生產工具損壞而造成的停產維修。生產人員影響涉及因員工操作失誤帶來的不合格品返工，因人事變動帶來的生產效率改變，以及因人員安全事故帶來的生產中斷。物料流動阻滯包含供應鏈無法及時供貨、廠內物料流動停滯等。

2 影響因素權重矩陣與影響力評估方法

為分析主要影響因素，需要對各因素影響力做合理評價，從而構建影響交貨周期的因素權重矩陣。

2.1 基于多色集合理論的影響因素權重矩陣

多色集合理論［6］可以表示研究對象和其內部元素的性質，并使用“圍道”這一概念來代替純數學理論中“顏色”的概念。圍道是對諸如性質、屬性、參數、特征、指標等技術概念的抽象表述。對于集合[A=a1 ， a2 ， … ， an]，元素ai的個人顏色可以表示為[Fai=f1 ， f2 ， … ， fm]，其中fj為元素ai的第j個個人顏色。[Fa=i=1nFai]表示所有元素的個人顏色，[FA=F1 ， F2 ， … ， Fm]表示集合的統一顏色，其中Fj為集合A的第j個統一顏色。在多色集合理論中用圍道布爾矩陣描述統一顏色和元素個人顏色之間的關系，其數學表達式［7］見式（9）和式（10）。

[C=A×FA=c11…c1j…c1m????ci1…cij…cim????cn1…cnj…cnm] （9）

[cij=1，fj∈Fai0，fj?Fai] （10）

為建立影響因素權重矩陣CIP，將常規因素中各個子影響因素視為多色集合的元素ai，將主要流程的需求時間視為多色集合的統一顏色，則F（ai）表示各影響因素ai的個人顏色，且每一個統一顏色Fj都與個人顏色fj同名，即Fj=fj。例如，模塊化程度因素用元素a1表示，則[Fa1=F1 ， F2 ， F3 ， F4 ， F5 ， F6]，用布爾矢量表示為[Fa1=1，1，1，1，0，1]。為更直觀呈現矩陣關系，將對應的布爾矢量中的1和0分別用“●”和“空白”替換，組成了影響因素圍道布爾矩陣，見表1。

2.2 影響力評估方法

2.2.1 影響力評分方法。影響力評分是由精益團隊根據生產的實際現狀，按照相對客觀的評分規則評判出來的。所有影響因素的影響力評分均為3個等級，即3分、2分、1分，分值越高表示當前生產中該因素導致了此階段耗時越多。

2.2.2 影響力評估域權重。影響域權重用βu來表示，子域權重用βuv來表示，它們內部的關系見式（11），具體的權重數值需要根據生產現狀來確定，權重分配見表2。

[β1+β2+β3=100%β11+β12=100%β21=100%β31+β32+β33=100%] （11）

式中：β1為研發權重；β2為備料權重；β3為生產權重；β11為設計權重；β12為工藝權重；β21為備料（子域）權重；β31為制造權重；β32為緩存權重；β33為組裝權重。

2.2.3 影響力分值計算。根據生產現狀，對權重矩陣CIP中的每一個元素進行評分，則可以計算每個影響因素對整體交貨周期的影響力值[Scorei]，其值越大即表示對交貨周期影響越大，計算方法見式（12）。

[Scorei=j=1ncijβuβuv] （12）

式中：cij表示第i個影響因素對第j個流程階段的耗時影響評分；βu表示第u個影響域權重；βuv表示第u個影響域權重中的第v個影響子域權重。

3 優化交貨周期的精益改善分析實例

N公司是一家電氣設備制造企業，低壓配電柜是其主要產品類型之一。N公司希望其交貨周期可以控制在3周（21 d）以內，而當前交貨周期通常需要4周，影響了公司的業務發展。

3.1 繪制產品當前價值鏈

通過價值流圖對當前流程可視化，明確低壓配電柜生產從訂單到成品中賦予價值的全部活動。在N公司的所有產品中，系列型號為T（以下簡稱T）的低壓配電柜是其主力產品，對N公司的生產效益影響最大，選擇其作為研究對象，繪制了T的當前價值流，如圖3所示。

從圖3可知，T從申請領料、加工到交付整個過程中，裝配物料耗時19～25 d，機加物料耗時18～22 d，配線物料耗時16～20 d。說明T的生產周期內存在諸多非增值活動，尤其是裝配物料流動的時間階梯改善空間較大，因此迫切需要對T的生產過程進行精益改善。

3.2 改善方向與改善優先級確定

依據前述影響力評估方法，結合調研的生產現狀數據，經過精益專家討論，分配各權重如下：β1為20%；β2為20%；β3為60%；β11為40%；β12為60%；β21為100%；β31為40%；β32為20%；β33為40%。然后，精益專家對各影響因素進行評分，并計算影響力分值。具體的影響力評分結果見表3。

影響因素中“模塊化程度”和“人員生產配置”的各流程階段影響評分都是1分，說明生產現狀在這兩方面相對較好，可不作為接下來的待改善因素。同時，受制于企業不同的階段性期望目標和改善方案實施能力，需要將改善建議的總體實施難度拆分為實施周期、復雜程度和實施成本三項，并根據N公司的客觀條件進行難度系數分配與難度評分。難度系數分為1、2、3三個等級，系數越大表示越困難；難度評分范圍在1～10分，評分越高表示越困難，評分值由精益團隊和N公司共同評定。總體實施難度評分計算公式見式（13）：

[y=k1x1+k2x2+k3x3] （13）

式中：y為總體實施難度評分；k1為實施周期難度系數；x1為實施周期評分；k2為復雜程度難度系數；x2為復雜程度評分；k3為實施成本難度系數；x3為實施成本評分。

而對于N公司而言，前期的改善建議既要便于實施且見效要快，同時實現改善經費充裕，因此k1賦值為2，k2賦值為3，k3賦值為1，改善建議實施難度評分見表4。將表3的影響力評分結果與表4的改善建議實施難度評分聯系起來，就形成改善建議綜合指標，如圖4所示。

優先實施的改善建議應當具有總體實施難度較低且目標因素影響力較大的特點，即為綜合指標圖中所標注的“1”象限區域。因此，以下為優先實施的四個改善建議。

“ABC件采購周期優化”是解決當前交貨周期過長的最直接手段，并可為其他改善方向提供前置條件。通過形成標準化的采購制度，使采購過程更加規范、透明和高效。預期可針對性地使得T的裝配物料采購耗時縮短1～2 d。

“布局重構，提升流程關聯性”可使生產車間里的各相關工序和功能區之間的配合更加緊密，減少前后工序之間不必要的物流運輸浪費。

“生產過程流程標準化，覆蓋盲點信息”可促進生產及物流作業標準，減少會造成浪費的不合理生產動作；過程透明使各環節的生產及物流狀態數據可相對及時呈現，為企業的管理決策提供數據支撐。預期可使得T的鈑金件生產環節耗時縮短0.5 d。

“減少批次，優化物流策略”需要設計合理的轉運批次及批量，目標是最小化在制品的數量，力爭實現單件流。預期可使得T的臨時庫存等待耗時縮短0.5～1 d。

3.3 未來價值流

未來價值流是經過精益改善后所期望達到的價值流。通過前述精益改善方案的實施，與原始狀態相比，預期T的整體交貨周期從19～25 d縮短為16～20 d，滿足了N公司交貨周期在3周內的要求。同時，初步實現了生產及物流透明，打通了業務與生產之間的數據脈絡，為企業未來的數字化轉型提供了可能。未來價值流如圖5所示。

從圖5可知，裝配物料時間階梯仍然是最長的，且瓶頸依舊在采購環節。為此可以在產品模塊化的基礎上，將需求量較大的標準零部件進行一定批量的庫存，以緩解單次大批量采購的供貨壓力。同時，要堅持長期的持續精益改善。

4 結語

本研究以制造企業在進行“智改數轉”前需要流程優化為研究背景，針對電氣設備交貨周期過長的情況，提出了一種優先縮短交貨周期的精益改善分析方法，包括建立了一種影響電氣設備交付周期的因素機理模型，利用多色集合理論提出了一種影響因素權重矩陣與影響力評估方法，并結合價值流圖和企業需求明確改善方向。以N公司的T產品低壓配電柜的生產制造為實例，利用提出的方法快速找到了N公司產品交付周期的痛點所在，并進而形成了優先實施的精益改善路徑，驗證了本研究方法的實用性與可行性，也為其他電氣設備制造企業縮短交付周期的精益改善實踐提供了經驗借鑒。

參考文獻：

［1］劉檢華，李坤平，莊存波，等.大數據時代制造企業數字化轉型的新內涵與技術體系［J］.計算機集成制造系統，2022，28（12）：3707-3719.

［2］姜曉丹，劉連臣，吳澄，等.新一代信息技術環境下現代服務業的數字化和智能化演進［J］.計算機集成制造系統，2021，27（11）：3049-3056.

［3］齊二石，霍艷芳，劉洪偉.面向智能制造的工業工程和精益管理［J］.中國機械工程，2022，33（21）：2521-2530.

［4］ GEBEYEHU S G， ABEBE M， GOCHEL A. Production lead time improvement through lean manufacturing［J］.Cogent Engineering， 2022， 9（1）.

［5］李秀紅.T公司準時交貨率的改善研究［D］.廣州：華南理工大學，2020.

［6］閆軍，王璐璐，常樂.多色集合在倉配一體化倉庫貨位分配建模中的應用［J］.包裝工程，2019，40（23）：203-208.

［7］YANG Z，WANG L，CAIY，et al.A polychromatic sets theory based algorithm for the input/output scheduling problem in AS/RSs［J］. Evolutionary Intelligence， 2019，12（3）.