Critical Studies on Cycle Time Reduction Using Lean Tools in Aerospace Components Manufacturing Industries

एयरोस्पेस विनिर्माण की उच्च-दांव वाली दुनिया में, जेट इंजन या उपग्रह के लिए एक एकल भाग बनाना अत्यधिक सटीकता का एक कारनामा है। ये घटक, जो अक्सर टाइटेनियम या विशेष मिश्र धातुओं जैसी कठिन सामग्रियों से बने होते हैं, त्रुटिहीन होने चाहिए। एक छोटी सी त्रुटि सुरक्षित उड़ान और विनाशकारी विफलता के बीच का अंतर हो सकती है। इस कारण से, यह प्रक्रिया धीमी, अत्यधिक विनियमित और अविश्वसनीय रूप से जटिल है। उस कारखाने के विपरीत जो लाखों समान वस्तुओं का उत्पादन करता है, एयरोस्पेस संयंत्र अक्सर कई अलग-अलग, अत्यधिक विशिष्ट भागों के छोटे बैच बनाते हैं। यह "हाई-मिक्स, लो-वॉल्यूम" दृष्टिकोण यह सुनिश्चित करता है कि मशीनें औजार बदलने के लिए लगातार रुकती हैं, कर्मचारी लगातार माप की जांच करते हैं, और पुर्जे लाइन में प्रतीक्षा करते हुए काफी समय बिताते हैं। एक कच्चे धातु के ब्लॉक को एक तैयार, प्रमाणित भाग में बदलने में लगने वाले समय को 'साइकिल टाइम' कहा जाता है। निर्माताओं के लिए, इस समय को कम करना एक प्रमुख लक्ष्य है; इसका अर्थ है कि वे सुरक्षा मानकों से समझौता किए बिना अपने पुर्जों को तेजी से वितरित कर सकते हैं, अपनी महंगी मशीनों का अधिक कुशलता से उपयोग कर सकते हैं और लागत कम कर सकते हैं।

द दशकों से, कारखानों ने चीजों को तेज करने के लिए 'लीन मैन्युफैक्चरिंग' (Lean Manufacturing) नामक प्रबंधन सिद्धांतों के एक समूह का उपयोग किया है। इन सिद्धांतों को कार्यस्थल को व्यवस्थित करने के एक तरीके के रूप में समझें ताकि काम में कोई बाधा न आए। 'वैल्यू स्ट्रीम मैपिंग' (Value Stream Mapping) जैसे उपकरण एक मानचित्र की तरह कार्य करते हैं जो यह पता लगाते हैं कि पुर्जे अनावश्यक रूप से कहाँ प्रतीक्षा कर रहे हैं, जबकि 'सिंगल-मिनट एक्सचेंज ऑफ डाई' (Single-Minute Exchange of Die) श्रमिकों को घंटों के बजाय मिनटों में मशीन सेटअप बदलने में मदद करता है। हालांकि, एयरोस्पेस उद्योग ने पाया है कि ये पारंपरिक तरीके, हालांकि सहायक हैं, कभी-कभी एक सीमा तक पहुँचकर रुक जाते हैं। प्रक्रियाएं बहुत जटिल हैं और डेटा इतना विशाल है कि मानव प्रबंधक हर देरी को वास्तविक समय में ट्रैक नहीं कर सकते। यहीं पर तकनीक की नई लहर काम आती है। पुराने जमाने के संगठन के इन तरीकों को आधुनिक आर्टिफिशियल इंटेलिजेंस (AI) के साथ जोड़कर, शोधकर्ता अब उत्पादन को प्रबंधित करने का एक स्मार्ट तरीका बनाने की कोशिश कर रहे हैं। इसका लक्ष्य कंप्यूटरों का उपयोग केवल यह रिकॉर्ड करने के लिए नहीं, बल्कि यह अनुमान लगाने के लिए करना है कि आगे क्या होगा, जिससे कारखाने समस्याओं को देरी होने से पहले ही ठीक कर सकें।

शोधकर्ताओं की एक टीम ने, जिसका नेतृत्व सासिधरन टीपी, के मंजुनाथ और जयशिश कुमार पांडे ने किया, यह परीक्षण करने के लिए हाथ में लिया कि यह संयोजन वास्तव में कितनी अच्छी तरह काम करता है। उन्होंने भारत में एक विशिष्ट एयरोस्पेस घटक निर्माण संयंत्र पर ध्यान केंद्रित किया जो स्ट्रक्चरल ब्रैकेट और इंजन के पुर्जे बनाता है। शोधकर्ताओं ने केवल समाधान का अनुमान नहीं लगाया; उन्होंने एक चरण-दर-चरण ढांचा बनाया जिसने पहले सबसे महत्वपूर्ण कारणों की पहचान की कि उत्पादन धीमा क्यों होता है। उन्होंने उत्पादन प्रबंधकों और गुणवत्ता इंजीनियरों सहित विशेषज्ञों के एक पैनल से इनपुट लिया ताकि यह रैंक किया जा सके कि क्या सबसे अधिक महत्वपूर्ण है। परिणाम स्पष्ट थे: सबसे महत्वपूर्ण कारक कोई विशिष्ट मशीन या उपकरण नहीं था, बल्कि परिवर्तनों का समर्थन करने के लिए शीर्ष प्रबंधन की प्रतिबद्धता थी। इसके बाद, मशीनों की विश्वसनीयता और कर्मचारियों का प्रशिक्षण अगले सबसे महत्वपूर्ण स्तंभ थे। मजबूत नेतृत्व और कुशल, अच्छी तरह से रखरखाव किए गए उपकरणों के बिना, कोई भी सॉफ्टवेयर देरी को ठीक नहीं कर सकता था।

एक बार जब उन्हें पता चल गया कि उन्हें किस पर ध्यान केंद्रित करना है, तो टीम ने लीन टूल्स और आर्टिफिशियल इंटेलिजेंस के मिश्रण को एक वास्तविक उत्पादन लाइन पर लागू किया। उन्होंने कार्य के वर्तमान प्रवाह का मानचित्रण करके शुरुआत की, जिससे पता चला कि पुर्जे चरणों के बीच या भंडारण में काफी समय बिता रहे थे। फिर उन्होंने बेहतर शेड्यूलिंग और 'प्रेडिक्टिव मेंटेनेंस' (अनुमानित रखरखाव) जैसे सुधार पेश किए, जहाँ सिस्टम काम करने से पहले ही मशीन को ठीक करने के लिए श्रमिकों को सचेत करता है। महत्वपूर्ण रूप से, उन्होंने एक AI लेयर जोड़ी जो ऐतिहासिक डेटा देख सकती थी और सटीक भविष्यवाणी कर सकती थी कि एक नया भाग बनाने में कितना समय लगेगा। इसने कारखाने को बहुत अधिक सटीकता के साथ अपना शेड्यूल बनाने की अनुमति दी। टीम ने यह देखने के लिए चार अलग-अलग प्रकार के AI मॉडल का परीक्षण किया कि कौन सा इस भविष्यवाणी कार्य के लिए सबसे अच्छा है। उन्होंने पाया कि 'लॉन्ग शॉर्ट-टर्म मेमोरी' (Long Short-Term Memory) नामक एक मॉडल, जो घटनाओं के क्रम को समझने के लिए डिज़ाइन किया गया है, सबसे सटीक था। यह एक जटिल भाग के लिए आवश्यक समय की दो घंटे से भी कम के त्रुटि मार्जिन के साथ भविष्यवाणी कर सकता था, जो एक स्तर की सटीकता है जिसे मानव योजनाकार अकेले प्राप्त नहीं कर सकते थे।

इस छह महीने के परीक्षण के परिणाम चौंकाने वाले थे। नए सिस्टम के आने से पहले, एक पुर्जा बनाने के कुल समय में प्रतीक्षा और अक्षम आवाजाही के कई घंटे शामिल थे। जब लीन और AI ढांचे को लागू किया गया, तो उत्पादन के हर चरण में समय में उल्लेखनीय कमी आई। मशीनिंग चरण के लिए, जिसमें धातु को काटना और आकार देना शामिल है, का समय 42 घंटे से घटकर 31 घंटे हो गया। असेंबली चरण, जहाँ पुर्जों को जोड़ा जाता है, को 30 घंटे से घटाकर 22 घंटे कर दिया गया। यहाँ तक कि अंतिम निरीक्षण भी, जो सुरक्षा के लिए महत्वपूर्ण है, 24 घंटे से घटकर 17 घंटे हो गया। कुल मिलाकर, कारखाने ने उन पुर्जों के प्रतीक्षा करने या अनावश्यक रूप से घूमने के समय में भारी कमी देखी। मशीनों के वास्तव में काम करने का समय, जिसे उपयोग (utilization) कहा जाता है, भी नाटकीय रूप रूप से सुधरा। उदाहरण के लिए, मुख्य कंप्यूटर-नियंत्रित कटिंग मशीनें अध्ययन के अंत तक लगभग 72 प्रतिशत के उपयोग से बढ़कर 90 प्रतिशत हो गईं।

अध्ययन ने उपकरणों के समग्र स्वास्थ्य की भी जांच की, जिसे 'ओवरऑल इक्विपमेंट इफेक्टिवनेस' (Overall Equipment Effectiveness) नामक स्कोर द्वारा मापा जाता है। यह स्कोर बताता है कि मशीन कितनी बार चलती है, कितनी तेजी से चलती है और कितने अच्छे पुर्जे बनाती है। परिवर्तनों से पहले, यह स्कोर 68 प्रतिशत के आसपास रहता था। नया सिस्टम लागू होने के बाद, यह लगातार बढ़कर 88 प्रतिशत हो गया। इसका मतलब है कि कारखाना न केवल तेजी से काम कर रहा था, बल्कि वह अधिक स्मार्ट तरीके से काम कर रहा था, जिसमें ब्रेकडाउन कम थे और दोषपूर्ण पुर्जे कम थे जिन्हें दोबारा काम करने की आवश्यकता थी। शोधकर्ताओं ने पाया कि सबसे बड़ी बढ़त "प्रतीक्षा" समय को कम करने से आई, जो कारखाने में बर्बाद होने वाले कुल समय का लगभग एक चौथाई था। AI का उपयोग करके बाधाओं (bottlenecks) की भविष्यवाणी करने और लीन टूल्स का उपयोग करके वर्कफ़्लो को सुचारू बनाने से, कारखाने ने इस निष्क्रिय समय को काफी हद तक समाप्त कर दिया। 'ओवर-प्रोसेसिंग' का नुकसान, जहाँ पुर्जों को आवश्यकता से अधिक मशीन या निरीक्षण किया जाता है, भी काफी कम हो गया।

यह शोध विशेष रूप से मूल्यवान है क्योंकि यह सिद्ध करता है कि ये दो दुनियाएँ—पारंपरिक कारखाना संगठन और उन्नत कंप्यूटर विज्ञान—प्रभावी ढंग से एक साथ काम कर सकते हैं। अध्ययन ने दिखाया कि आप केवल एक नया कंप्यूटर प्रोग्राम स्थापित नहीं कर सकते और उम्मीद नहीं कर सकते कि समस्याएं गायब हो जाएंगी; मानवीय तत्व और कारखाने के भौतिक संगठन को पहले संबोधित किया जाना चाहिए। AI मॉडल सबसे अच्छा काम कर पाया क्योंकि इसे एक ऐसे कारखाने के डेटा से पोषित किया गया था जिसे पहले से ही कुशल होने के लिए व्यवस्थित किया गया था। शोधकर्ताओं ने पुष्टि की कि सुधार केवल एक भाग्यशाली मौका या प्रदर्शन में अस्थायी उछाल नहीं थे। गति और दक्षता में हुई वृद्धि अध्ययन के महीनों के दौरान स्थिर रही, जो सुझाव देती है कि काम करने का यह नया तरीका टिकाऊ है।

टीम ने निष्कर्ष निकाला कि जो एयरोस्पेस निर्माता तेजी से और अधिक कुशल बनना चाहते हैं, उनके लिए आगे का रास्ता इस एकीकृत दृष्टिकोण में निहित है। उन्होंने प्रदर्शित किया कि प्रबंधन सहायता और मशीन विश्वसनीयता को प्राथमिकता देकर, और फिर बुद्धिमान भविष्यवाणी उपकरणों को जोड़कर, कारखाने उस प्रदर्शन के स्तर को प्राप्त कर सकते हैं जो पहले पहुंच से बाहर था। अध्ययन ने यह दावा नहीं किया कि यह विनिर्माण की हर समस्या को हल करता है, न ही यह सुझाव दिया कि मानव श्रमिकों को बदला जाएगा। इसके बजाय, इसने दिखाया कि जब कुशल श्रमिकों को ऐसे उपकरणों का समर्थन मिलता है जो उत्पादन के भविष्य को देख सकते हैं, तो पूरा सिस्टम अधिक लचीला और सक्षम हो जाता है। एक ऐसे उद्योग के लिए जहाँ हर घंटा मायने रखता है और सुरक्षा गैर-परक्राम्य है, मानवीय विशेषज्ञता और मशीन इंटेलिजेंस का यह मिश्रण उड़ान के भविष्य का निर्माण करने का एक स्पष्ट, प्रमाणित तरीका प्रदान करता है।