Digital Lean Six Sigma Across Vietnam's Electronics-Semiconductor Manufacturing Chain: Longitudinal Evidence from High-Mix Semiconductor-Equipment Contract Manufacturing
यह अध्ययन वियतनाम के हाई-मिक्स सेमीकंडक्टर-इक्विपमेंट कॉन्ट्रैक्ट मैन्युफैक्चरिंग के लिए अनुदैर्ध्य उत्पादन डेटा (लॉन्गीटुडिनल प्रोडक्शन डेटा) का विश्लेषण करके एक डिजिटल लीन सिक्स सिग्मा आर्किटेक्चर विकसित और अनुभवजन्य रूप से मान्य करता है, जो चक्र समय (साइकिल टाइम) और शेड्यूल अनुपालन में महत्वपूर्ण उत्पाद-परिवार विषमता को प्रकट करता है, जिससे टाइमस्टैम्प अखंडता और इवेंट-हिस्ट्री पुनर्निर्माण पर आधारित एक प्लांट-रेडी नियंत्रण प्रणाली स्थापित होती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
दुनिया के इलेक्ट्रॉनिक्स बनाने वाले विशाल, गूँजते हुए कारखानों में, गति और सटीकता केवल लक्ष्य नहीं हैं; वे लाभ और हानि के बीच का अंतर हैं। ये सुविधाएं, विशेष रूप से वियतनाम के तेजी से बढ़ते इलेक्ट्रॉनिक्स क्षेत्र में, जटिल मशीनें और उपकरण असेंबल करती हैं जो स्मार्टफोन से लेकर डेटा केंद्रों तक सब कुछ संचालित करते हैं। इन परिचालनों को सुचारू रूप से चलाने के लिए, इंजीनियर दो शक्तिशाली, लंबे समय से चले आ रहे विचारों पर भरोसा करते हैं। पहला प्रवाह (flow) के बारे में है: यह सुनिश्चित करना कि पुर्जे असेंबली लाइन के माध्यम से बिना अटके, बिना प्रतीक्षा किए या बिना किसी अराजक ढेर के आगे बढ़ते रहें। दूसरा निरंतरता (consistency) के बारे में है: यह सुनिश्चित करना कि लाइन से निकलने वाली हर एक वस्तु बिल्कुल एक ही तरह से बनाई गई हो, ताकि आज बनी मशीन एक महीने बाद बनी मशीन की तरह ही अच्छी तरह काम करे। दशकों से, कारखानों ने इन क्षेत्रों में समस्याओं को ठीक करने के लिए 'लीन सिक्स सिग्मा' नामक एक संरचित पद्धति का उपयोग किया है, जो एक नदी के प्रवाह और एक स्केलपेल (शल्य चिकित्सा चाकू) की सटीकता का संयोजन करती है। हालाँकि, जैसे-जैसे कारखाने अधिक स्मार्ट और अधिक जुड़े हुए होते जा रहे हैं, इन नए, उच्च-तकनीकी वातावरणों में पुराने नियमों को लागू करना कठिन होता जा रहा है। डेटा अब इतना जटिल और विविध है कि पुराने तरीके कभी-कभी समस्या के वास्तविक कारण को चूक सकते हैं या गलत अलार्म पैदा कर सकते हैं।
वर्ल्डक्वांट यूनिवर्सिटी की एक शोधकर्ता, एनगोक हुयी माई द्वारा किया गया एक हालिया अध्ययन यह बताता है कि वियतनाम के इलेक्ट्रॉनिक्स उद्योग के लिए इन विधियों को कैसे अपडेट किया जाए, विशेष रूप से एक ऐसे कारखाने पर ध्यान केंद्रित करते हुए जो उच्च-स्तरीय सेमीकंडक्टर उपकरण असेंबल करता है। यह वह कारखाना नहीं है जो स्वयं छोटे सिलिकॉन चिप्स बनाता है, बल्कि यह उन विशाल, जटिल मशीनों का निर्माण करता है जिनका उपयोग उन चिप्स के परीक्षण और पैकेजिंग के लिए किया जाता है। यहाँ चुनौती अनूठी है: कारखाना एक "हाई-मिक्स, लो-वॉल्यूम" वातावरण में काम करता है, जिसका अर्थ है कि यह कई अलग-अलग प्रकार की मशीनें बनाता है, लेकिन प्रत्येक की बहुत कम संख्या में। यह विविधता पैटर्न खोजने को कठिन बनाती है क्योंकि प्रत्येक उत्पाद परिवार का व्यवहार अलग होता है। शोधकर्ता यह देखने के लिए निकल पड़े कि क्या सुधार की एक आधुनिक, डिजिटल संस्करण वास्तव में इस अव्यवस्थित, वास्तविक दुनिया के परिवेश में काम कर सकती है, जिसके लिए उन्होंने सच्चाई खोजने हेतु उत्पादन रिकॉर्ड के एक साल के डेटा का उपयोग किया।
यह करने के लिए, शोधकर्ता केवल उच्च-तकनीकी सेंसर या आर्टिफिशियल इंटेलिजेंस पर निर्भर नहीं रहे। इसके बजाय, वे स्रोत की ओर वापस गए: 128 दैनिक वर्कबुक और स्प्रेडशीट जिन्होंने लगभग पांच महीनों की अवधि में 562 अद्वितीय मशीनों की प्रगति को ट्रैक किया था। ये रिकॉर्ड अक्सर अस्त-व्यस्त थे, जहाँ तारीखों के स्थान पर कभी-कभी "हो गया" (done) शब्द लिखा होता था या विभिन्न फाइलों में विरोधाभासी जानकारी दिखाई देती थी। शोधकर्ता ने बड़ी सावधानी से प्रत्येक मशीन के इतिहास का पुनर्निर्माण किया, केवल सटीक, सत्यापित तारीखों को रखकर जब एक मशीन ने अंतिम असेंबली शुरू की और जब उसने अंतिम गुणवत्ता जांच पास की। इस सावधानीपूर्वक पुनर्निर्माण ने उन्हें प्रत्येक मशीन को बनाने में लगने वाले वास्तविक समय को देखने की अनुमति दी, जिससे अधूरे डेटा के शोर को हटाया जा सका।
निष्कर्षों ने एक स्पष्ट और महत्वपूर्ण सत्य प्रकट किया: आप सभी उत्पादों के साथ एक जैसा व्यवहार नहीं कर सकते। जब शोधकर्ता ने अंतिम अनुमोदन से लेकर असेंबली शुरू होने तक लगने वाले समय को देखा, तो उत्पाद परिवारों के बीच का अंतर बहुत गहरा था। मशीनों के कुछ परिवारों को पूरा करने में केवल एक दिन का मध्यमान (median) लगा, जबकि अन्य को चार दिन का। अधिक आश्चर्यजनक रूप से, निर्माण की गति हमेशा डिलीवरी की विश्वसनीयता से मेल नहीं खाती थी। मशीनों का एक परिवार, जिसे बहुत तेज़ी से बनाया गया था, वास्तव में अपने निर्धारित समय सीमा के लिए सबसे अधिक देरी वाला था। दूसरा परिवार, जिसे बनाने में अधिक समय लगा, लगभग हमेशा समय पर था। इस खोज ने इस सामान्य धारणा को उलट दिया कि तेज़ निर्माण समय का अर्थ स्वतः ही बेहतर डिलीवरी रिकॉर्ड होता है। इसने दिखाया कि एक मशीन को जल्दी बनाया जा सकता है लेकिन फिर भी वह अपनी समय सीमा चूक सकती है यदि शेड्यूल गलत तरीके से सेट किया गया हो या सामग्री देर से आई हो, जबकि एक धीमी मशीन पूरी तरह से विश्वसनीय हो सकती है यदि उसका शेड्यूल यथार्थवादी हो।
अध्ययन ने यह भी देखा कि क्या कारखाना समय के साथ बेहतर हो रहा है, जिसे "लर्निंग कर्व" (सीखने की प्रक्रिया) के रूप में जाना जाता है। कई उद्योगों में, कार्यकर्ता और मशीनें किसी कार्य को दोहराते समय तेज़ और अधिक कुशल हो जाते हैं। हालाँकि, इस विशिष्ट कारखाने में, डेटा ने अध्ययन की अवधि के दौरान सबसे जटिल मशीनों के लिए ऐसा कोई सुधार नहीं दिखाया। उन्हें बनाने में लगने वाला समय स्थिर रहा, जिससे पता चलता है कि कारखाना अपने प्रारंभिक शिक्षण चरण को पार कर चुका था और अब एक जटिल कार्य के प्राकृतिक, रोजमर्रा के उतार-चढ़ाव से जूझ रहा था। शोधकर्ता ने पाया कि देरी को प्रभावित करने वाले सबसे बड़े कारक कौशल की कमी नहीं, बल्कि मशीन का विशिष्ट प्रकार और सामग्री की उपलब्धता थी। जब पुर्जों की कमी दर्ज की गई, तो वह हमेशा डेटा में मापने योग्य देरी में परिवर्तित नहीं हुई, जिससे पता चलता है कि गायब पुर्जों को ट्रैक करने का कारखाने का वर्तमान तरीका इतना विस्तृत नहीं है कि वह ठीक से बता सके कि रुकावट कहाँ हो रही है।
इन निष्कर्षों के आधार पर, यह शोध पत्र इन कारखानों के प्रबंधन का एक नया तरीका प्रस्तावित करता है, जो "एक ही नियम सबके लिए" (one-size-fits-all) के दृष्टिकोण से दूर जाता है। सभी मशीनों के लिए एक ही लक्ष्य समय निर्धारित करने के बजाय, कारखाने को मशीनों के प्रत्येक परिवार के लिए अलग लक्ष्य निर्धारित करने चाहिए, यह पहचानते हुए कि कुछ मशीनें स्वाभाविक रूप से अधिक जटिल होती हैं। सिस्टम को न केवल मशीनों की कुल संख्या, बल्कि फर्श पर मौजूद मशीनों की आयु को भी ट्रैक करना चाहिए, ताकि यह पहचाना जा सके कि कोई विशिष्ट कार्य कहाँ अटक रहा है। महत्वपूर्ण रूप से, अध्ययन का तर्क है कि सबसे महत्वपूर्ण कदम अधिक सॉफ्टवेयर स्थापित करना नहीं है, बल्कि यह सुनिश्चित करना है कि एकत्र किया गया डेटा भरोसेमंद हो। यदि तारीखें और स्थिति अपडेट सटीक नहीं हैं, तो कोई भी उन्नत विश्लेषण समस्या को ठीक नहीं कर सकता। शोधकर्ता का सुझाव है कि कारखानों को पहले अपने रिकॉर्ड को साफ करने पर ध्यान केंद्रित करना चाहिए, यह सुनिश्चित करते हुए कि प्रत्येक मशीन का शुरुआत से अंत तक एक स्पष्ट, अपरिवर्तनीय इतिहास हो।
यह दृष्टिकोण वियतनाम के बढ़ते इलेक्ट्रॉनिक्स उद्योग के लिए एक व्यावहारिक मार्ग प्रदान करता है। यह समझते हुए कि विभिन्न मशीनों को अलग-अलग प्रबंधन रणनीतियों की आवश्यकता होती है और अपने डेटा की सटीकता को प्राथमिकता देकर, कारखाने गलत समस्याओं के पीछे भागने के झंझट से बच सकते हैं। अध्ययन यह दावा नहीं करता है कि उसने हर समस्या को हल कर लिया है या तुरंत सफलता का कोई जादुई सूत्र ढूंढ लिया है। इसके बजाय, यह एक स्पष्ट, साक्ष्य-आधारित मानचित्र प्रदान करता है कि शुरुआत कैसे की जाए। यह दिखाता है कि उच्च-तकनीकी विनिर्माण की दुनिया में, सबसे शक्तिशाली उपकरण अक्सर डेटा पर एक सरल, ईमानदार नज़र है, जिसे इस तरह व्यवस्थित किया गया हो जो प्रत्येक उत्पाद की अनूठी प्रकृति का सम्मान करता हो। भविष्य का निर्माण करने वाले कारखानों के लिए सबक यह है कि गति और निरंतरता सब कुछ एक जैसा करने से नहीं, बल्कि यह समझने से आती है कि प्रत्येक हिस्सा एक-दूसरे से कितना अलग है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।