Сивико предлага интегриране на индустриални роботи FANUC
април 24, 2020

Какво научих от програмата на MIT “Принципи на Производството”

MIT MicroMaster Degree Principles of Manufacturing

MIT MicroMaster Degree Principles of Manufacturing

Сивико ООД, която основах заедно с трима съдружници, е инженерна компания концентриранa върху решаването на сложни производствени проблеми. Разбирането на производствените процеси на нашите клиенти, правилното идентифициране на проблемите и предлагане на решения с максимален ефект е от първостепенно значение за качеството на нашата услуга. Затова, от край време се интересувам как работи производството и винаги съм търсил възможности да надградя знанията си.

Една такава възможност беше MicroMaster програмата “Принципи на Производството” (на английски: Principles of Manufacturing (PoM)), предлагана от Масачузетския технологичен институт (на английски: Massachusetts Institute of Technology, по-известен със съкращението MIT) и организирана от неговия отдел по машинно инженерство, който заема първо място в световната класация на университетите. Програмата се предлага онлайн на образователната платформа edx.org и е равна на един семестър от Магистърската програма по Advanced Manufacturing and Design, която се предлага на място в кампуса. Записах се в програмата през август 2019 г. и я завърших преди няколко седмици (Юни 2020). Изключително съм доволен от наученото и бих искал да споделя своя опит и основни неща, които научих. Мисля, че за хората интересуващи се от производство, информацията ще е полезна.

 

1. Какво означава Принципи на Производството?

1.1. Дефиниция на принципите на производството

Какво ще рече принципи на производството? Смятам, че това е важен въпрос, който трябва да бъде обяснен по-подробно, защото това е причината да бъде създадена програмата PoM. Ще дам дефиницията и на двата термина така както бяха обяснени в програмата.

Нека първо да започнем с дефиницията на това какво е принцип. Съществуват много различни дефиниции, но най-добрата е, че принципът е основна истина, която обяснява или контролира как нещо се случва или работи.

На второ място, да дефинираме какво е промишлено производство и как то се различава от други човешки дейности. Промишленото производството е масово производство, в което има непрекъснат поток от „нови“ материали, преминаващи през система от единични процеси. По този начин то се различава от занаятчийството или производството на единични прототипи. Освен това, то комбинира множество вериги за доставка от различни доставчици и трябва да създаде продукт с минимални вариации. Производството е мащабно начинание и изисква огромни капиталови инвестиции под формата на дълготрайни активи, материали и компоненти и човешки ресурси. Крайната цел на всяка фабрика е да отговори на клиентските нужди и да бъде финансово жизнеспособна във времето.

Принципите на производството следователно са основни истини, които обясняват как работи сложният свят на производството. Те представляват набор от елементи, общи за всички производствени индустрии, които гравитират около концепциите за поток и вариациите. Всички те са аналитични методи за моделиране и контрол на потока и вариациите на четири нива в предприятието:

  • На ниво обработка на част (компонент) където трябва надеждно и постоянно да се постигат изискваните спецификации на ниво компонент.
  • На ново фабрика (производствена система), при което има поток от „нови“ материали през система от процеси с ограничена скорост и предразположени към непредвидени спирания.
  • На ниво на пазара (верига на доставки), където има поток от материали и продукти през мрежа от производители и клиенти.
  • На ниво фирма (бизнес), което отчита финансовите и управленските аспекти на масовото производство

1.2. Принципите на производството подкрепят технологичното развитие

Тези принципи са фундаментални, тъй като са приложими за всяка индустрия и подкрепят технологичното развитие във всякакъв мащаб и на всяко ниво на технологична развитие. Освен това те могат да помогнат при всякакъв вид вземане на решения, тъй като се основават на данни и аналитика. Те биха могли да бъдат използвани за значително подобряване на операциите, без значение какво е технологичното състояние на производството.

Потокът от материали през променливи процеси и системи съществува още от първата индустриална революция насам. Дори в новата дигитална ера на Индустрия 4.0 принципите са същите. Без значение каква е технологията, в нашия физически свят винаги има и ще има поток от материали през променливи процеси и системи, където те се трансформират в крайния продукт. Всъщност една фирма не може да направи правилен преход в Индустрия 4.0 без да е добре запозната с принципите на производството. Технологии като дигитализация, индустриални системи за контрол (SCADA или MES), изкуствен интелект или машинно обучение работят добре, само когато производственият процес е добре разбран в детайли. Тогава всички събрани и анализирани данни имат смисъл и биха могли да бъдат превърнати в информирани решения и действия. За да има интелигентни фабрики, първо са нужни интелигентни хора.

1.3. Основни характеристики на производството

Преподавателите в MIT са дефинирали четири основни атрибута на представянето на производствения процес, които са ключови при оценката на ефективността на една производствена система:

  • Скорост – Показателят за скоростта предоставя мярка за това колко бързо се извършва процес. На ниво машина скоростта може да бъде отчетена като броя произведени части или операции, които могат да бъдат завършени за дадена единица време. Алтернативно, скоростта може да бъде представена време на производствен цикъл, или времето, което отнема за да бъде завършена една част или бъде произведен даден обем от някакъв материал. По-бързата скорост обикновено е по-привлекателна когато се сравняват процеси, ако не се вземат предвид страничните ефекти, които могат да страдат при увеличаване на скоростта, като по-къс полезен живот на използвания инструмент или по-лошо качество на специфицираните размери. Скоростта на даден процес зависи от физиката на процеса, както и от конкретния дизайн на частите, възможностите на оборудването и цялостната организация.
  • Разходи – разходите за производство на продукт често са основен компонент от продажната му цена; в резултат на това разбирането на разходите за всеки процес е от съществено значение за разбирането на влиянието на дизайна върху технологичността на производството. За оценка на разходите, свързани с определен процес, направените разходи могат да бъдат класифицирани в две категории: фиксирани разходи и променливи разходи.
  • Качество – Качеството, което потребителят възприема в завършен продукт, може да бъде повлияно от много фактори: трайност, естетическа привлекателност и т.н. Тези атрибути често са субективни и трудно може да се угоди на всички. От гледна точка на производствения процес, качеството може да бъде измерено като способността да се постига последователно поставените технически спецификации.
  • Гъвкавост – гъвкавостта в производството е лекотата, с която даден процес може да бъде пренастроен така, че да произведе различна част или дизайн. Няма общо-приет количествен показател за гъвкавост, но по-гъвкавият процес изисква по-ниски разходи и / или по-кратко време, за да се адаптира към новия дизайн на част от по-малко гъвкавия процес.

2. Курсове в програмата PoM

Програмата PoM се състои от осем онлайн курса и четири заключителни изпита, което представлява еквивалент на един семестър в MIT, на ниво магистърска степен. Те осигуряват фундаментална база за разбиране и анализ, характеризиране и контрол на потока и вариациите на различни нива на предприятието:

  • Контрол на производствения процес: Моделиране и контрол на временните и пространствените промени в единичните процеси.
  • Производствени системи: Моделиране и контролиране на потоци и вариации в производствените системи със стохастични елементи и променливи.
  • Верига за доставки за производство: управление и проектиране на оптимални вериги на доставките в производството.
  • Управление в производството: Разбиране на начините на употреба и потока от бизнес информация за започване, мащабиране и управление на производствено съоръжение.

В следващите раздели ще опиша впечатленията ми и основните моменти в тези курсове.

2.1. Контрол на производствения процес I и II

2.1.1. Статистически процесен контрол

Първата част на програмата е фокусирана върху моделиране и контрол на времевите и пространствените изменения в единичните процеси, използвайки статистически методи и най-вече статистически контрол на процесите (на английски: Statistical Process Control (SPC)). SPC е разработен за първи път от Walter Shewhart през 1924 г., докато работи по задача за подобряване на гласовата яснота на въглеродните трансмитери в телефонните апарати на AT&T. По това време, AT&T произвежда милиони телефонни апарати и проверката на всяко произведено устройство е практически невъзможно.

Shewhart забелязва, че повечето дефекти са следствие от вариации в производствения процес. Той установява, че потокът от „нови“ материали през производствените процесите носи със себе си случайни вариации, което може да доведе до изменения и в крайните физическите измерения и свойства на произведените части или продукти. Ако атрибутите на произведените части са в границите на поставените технически спецификации, тогава всичко е наред. Но ако са извън поставените граници, тогава частта или продукта е дефектен. Например, да си представим, че трябва да се произведе вал с диаметър 7 мм с възможен допуск от ±0,1 мм. Ако диаметърът е 7,1 мм или 6,9 мм, тогава това е в рамките на спецификацията и отклонението е приемливо. Но ако измерения диаметър е 6,89 мм или 7,11 мм, частта се категоризира като дефектна и трябва да бъде преработена или бракувана.

Има два основни източника на вариация – детерминистичен или случаен. Детерминистичното изменение има причина, която може да бъде идентифицирана и коригирана. Това може да е грешка на оператора, износване на инструмента, дефектна суровина, околен климат и т.н. Освен това има и чисто случайна вариация, чийто източник не може да бъде определен или дори да бъде определен, не може да бъде контролиран. Ако успеем да открием и коригираме  източника на детерминистичната вариация, ще остане на действа само случайната вариация. Това би означавало, че процесът е в статистически контрол и поддържането му в такъв контрол намалява брака и подобрява качеството на крайния продукт.

Когато даден процес е в статистически контрол, ако съберем данни от процеса (например измерваме средния диаметър от няколко бройки валове) и го представим като графика, в течение на времето на разпределението на данните ще започне да прилича на нормалното разпределение (още известно като Гаусово). Получената графика ще прилича на това нормално разпределение:

Normal distribution with different probability percentage for standard deviation levels

От горната фигура може да се види, че 68,2% от всички точки трябва да са в рамките на едно стандартно отклонение (отбелязано с гръцката буква σ – сигма) от средната стойност, или че 95,8% трябва да бъдат в рамките на две стандартни отклонения от средната стойност и т.н. Например , ако вземем предишния пример, в който измерваме диаметър на вал и сме установили, че средната му стойност в точно 7,00 mm, а стандартното отклонение е 0,05 mm, тогава 68,2% от всички измерени точки трябва да паднат между 6,95 mm и 7,05 mm.

След като опитно сме определили средната стойност и стандартното отклонение на стабилен процес без детерминистични изменения, можем да започнем да извършваме статистически контрол на процесите. По същество това означава, че с всяко записано измерване трябва да определим дали това, което виждаме, все още е част от очакваното нормално разпределение или се е появило някакъв нов детерминистичен източник на вариации. С други думи, всеки път, когато записваме нова точка от данни, ние трябва да определим дали е това, което очакваме да видим въз основа на параметрите на познатото нормално разпределение или нещо се е променило и процесът вече не е в статистически контрол.

Това става с помощта на контролна диаграма като показаната по-долу. Когато събраните точки от данни се начертаят във времето, получаваме следната графика:

Контролна графика за SPC

Сините точки представляват това, което очакваме да видим дали данните наистина следват очакваното нормално разпределение. Разпределението на точките трябва да е на случаен принцип според параметрите на нормалното разпределение и трябва да бъде в зададените контролни граници. Ако започнем да наблюдаваме необичайно поведение – например точки извън контролните граници или ясно разграничими тенденции – например 8 последователни точки в една посока, трябва да спрем производствения процес и да проверим дали има детерминистична причина за това изменение.

Червената пунктирана линия представляват контролните лимити. Честа практика е те да се поставят при ±3σ. Тогава, вероятността една точка да попадне над горната или под долната граница при процес в статистически контрол е само 0.2%. Поради тази причина, това обикновено се приема като сигнал, че процеса вече не е в статистически контрол. В този случай производството трябва да бъде спряно и да се проучи каква е причината за тази вариация.

SPC е инструмент, който е много полезен за оптимизиране на качеството на процеса при големи потоци от части и продукти, когато тестването на всички произведени части е или твърде скъпо, или невъзможно. SPC може да помогне за откриване на проблеми, преди те да доведат до големи количества произведени дефектни продукти или дори да предотвратят това.

2.1.2. Моделиране и минимизиране на вариациите

Докато първата част на курса е изцяло посветена на темата за SPC и пасивното наблюдение на съществуващите процеси, втората е посветена на активното моделиране и минимизиране на вариациите с цел подобряване на процеса. Курсът обхваща най-често срещаните техники за определяне на източниците за вариации и различни методи за постигане на оптимизация на процеса и стабилност. Също така дава насоки за провеждане на експерименти, за да се установят източниците имащи най-важна роля в качеството на крайния продукт. Няма да описвам подробно с тази част от курса, тъй като е много техническа, но определено тя дава добър поглед върху това, което може да се постигне, ако разполагаме с данни от производствения процес.

2.1.3. Мнение относно курса и приложение в нашата работа

За мен лично тези два курса бяха най-трудни, тъй като включваха много статистика и математика. Изучавал съм статистиката преди 15 години, но трябваше да отделя значително време в опресняване на тези знанията. Трябваше също да науча как да работя в Matlab на едно базово ниво. Определено ще използвам придобитите знания, тъй като междувременно станахме интегратор на софтуерния модул SPC от Американската фирма Sepasoft, което е естествено продължение на нашата работа с платформата Ignition. Разбирането и оценяването на случайността в производствения процес може да бъде полезно и в други аспекти на нашата работа, като например при проектирането на нови машини и оборудване или при калибриране на определен автоматизиран процес. В един от последните ни проекти, използвахме подобни техники за калибриране на машината.

2.2. Производствени системи I и II

Втората двойка курсове в програмата е свързана с моделиране и контрол на потоците в производствените системи със стохастични (случайни) елементи и входни параметри. Основната тема е, че потокът във фабрична система има променливост, която се причинява от ненадеждност на машините или оборудването, промени в скоростта, времената за настройка, размерите и нивата на буферите от складови наличности, блокиране на „глад“ (т.е. когато липсват входящи материали) на машини и др. Фабриките се разглеждат като случайни динамични системи. Фокусът на курса е върху количеството – по-специално как да се постигнат поставените производствени цели за производство на определено количество в определено време. Този курс беше една от причините да запиша програмата, тъй като е естествено е свързано концепцията за lean manufacturing, която винаги ми е била интересна.

Производствени системи I и II бяха трудни, но много интересна двойка курсове. Първия курс поставя теоретичната основа за моделиране на производствени системи като вероятност, стохастични процеси и теория на опашката (queueing theory). След това се разглеждат някои количествени модели на поточни линии с един модел част произвеждана от няколко ненадеждни машини подредени във производствена верига. Той също така обяснява понятието „тясно място”, влиянието на размерите на буферните запаси върху скоростта на производство и основните идеи, който открояват Toyota Production System. В крайна сметка, когато математическите модели не могат да се справят с цялата сложност на реалния свят, курса преминава към използването на симулации.

Учебник за този курс беше книгата Целта: процес на непрекъснато усъвършенстванеот Елияху М. Голдрат. Това е една от най-добрите бизнес книги, които съм чел и горещо я препоръчвам. Г-н Голдрат е известен и като изобретател на Теорията на ограниченията, която е популярна управленска концепция. Освен това, за първи път използвах и симулационен софтуер, наречен AnyLogic. Можете да опитате и вие – софтуера има и безплатна версия.

2.2.1. Ненадеждни машини

Голяма част от курса беше посветена на концепцията наречена ненадеждни машини, които са поставени в последователна верига от производствени процеси. Ненадеждната машина може неочаквано да спре работа заради повреда. Вероятността това да се случи се базира на съотношения между средна продължителност на работа до отказ и средна продължителност на ремонт. Така номиналната норма на производителност на машината намалява поради тази ненадеждност.

Между всяка машина има буфер със запас от полуфабрикати или материали. Когато една машина произведе или обработи дадена част, тя се съхранява в буфера надолу от нея в производствената верига. Ако буферът е пълен, машината е блокирана и не може да произвежда повече докато не се освободи място в буфера. Ако машината нагоре по веригата се повреди и буферът преди машината е празен, тогава машината „гладува“ и е принудена да спре производството докато не пристигнат части и материали, с които да започне работа.

Просто представяне на производствената верига изглежда по следния начин:

Производствена верига от ненадеждни машини и с буфери от материални запаси.

Има два основни извода от тази теоретична постановка, които имат важни практични последствия.

2.2.2. „Тесни места“

Рядко в реалния живот всички машини от производствената верига имат еднакви нива на производителност и надеждност. Това означава, че почти винаги има машина, която е или по-бавна или по-малко надеждна от останалите във веригата. Тази машина се нарича тясно място (в графиката по-долу това е Машина 2). Една производствена верига не може да произведе повече от това, което с което „тясното място“ може да се справи, тъй като то или блокира или лишава от входящи материали и части другите машини във веригата. Затова това, основен принцип е да се полагат усилия за оптимизация на ефективността на цялата верига, а не да целим да постигаме 100% производителност при всяка отделна машина, защото това ще доведе до натрупване на много неизползван запас от материали и продукти, а общата производителност на веригата изобщо няма да се промени. Вместо това фокусът трябва да е върху тясното място и трябва да се уверим, че правим всичко възможно то да работни на максималните си възможности. Машината, която е тясно място, никога не трябва се оставя да бездейства, никога не трябва да бъде блокирана или лишена от материали, а когато откаже работа, трябва да бъде ремонтирана възможно най-бързо.

Производствена верига от ненадеждни машини, с буфери от материални запаси и "тясно място"

Познаването на тесните места в едно производство е и полезно при приоритизиране на бъдещите инвестиции – естествено, най-добрата възвръщаемост идва в инвестициите в тесните места. Когато едно тясно място престане да бъде такова благодарение на повишен капацитет или ефективност, обикновено се появява ново такова на друго място в производството. Понякога тясното място може дори да не е физическо ограничение, а резултат от неправилни вътрешни политики или процедури. Концепцията за тесните места е мощен инструмент.

2.2.3. Ролята на запасите

Материални запаси имат огромно влияние върху производителността и е много добър показател за случващото се в производствената верига. Те действат като буфер между ненадеждните машини и позволяват на други машини от веригата да продължат да работят, докато някоя друга е отказала работа и се ремонтира. Ако в производствената верига изобщо липсват материални буфери, това означава, че когато една машина откаже или спре работа, всички останали машини във веригата ще трябва да спрат и работата. От друга страна, материалните запаси костват пари и място. Най-високата производителност се постига когато буферите са безкрайни, но е пределно ясно, че това е много непрактично. Въпреки това, стратегическото поставяне материални буфери с различни размери би могло да окаже огромно влияние върху производителността на цялата верига.

2.2.4. Полезността на данните

В тази статия не мога да покрия подробно всички методи изучавани в курса. Това, което мога да кажа със сигурност е, че той е отлично въведение в това как се проектират системи, за да се увеличи максимално скоростта на производството и да се минимизират разходите. За да се прилагат тези принципи в реалния свят, точната и актуална информация от производството може да бъде изключително полезна. Не случайно в последните години все повече се говори за възможностите за автоматизирано извличане и анализ на данни от производството. Например, ако човек има система за обща ефективност на оборудването (на английски: Overall Equipment Efficiency (OEE)), система за проследяване на материалния поток (на английски: Track and Trace system) или SCADA (на английски: Supervisory Control and Data Acquisition) като Ignition, той може да използва събраната информация за оптимизация на целия процес. Освен това, данните могат да бъдат използвани за да се правят симулации. Много по-евтино и по-бързо първо да се проиграят различни варианти чрез симулации, преди да бъдат инвестирани огромно количество време, труд и ресурси в реални проекти.

Успешно приложихме знанията и в наш проект: Оптимизация на палетизиращ робот. При него идентифицирахме тясното място, проучихме го и в крайна сметка подобрихме значително работата му. Въвеждането на буфер имаше огромен ефект върху скоростта на производството.

2.3. Вериги за доставки и планиране на капацитет

Третата част на PoM е свързана с управлението и дизайна на оптимални вериги за доставки в сферата на производството. Акцентът отново е в несигурността, но този път по отношение на търсенето, предлагането и логистиката. Основната задача управлението на складовите наличности и производствения капацитет, за да бъде постигнато търсеното ниво на обслужване.

В класа има две основни теми – управление на складовите наличности и планиране на капацитета и дизайна на мрежата от доставки. Някои използвани методи са много базови, като например „проблема при разпространение на вестници“ (на английски: newsvendor problem), докато други като модела за количество на икономическата поръчка (на английски: Economic order quantity model) или модела с гарантирано ниво на услугата (на английски: Guaranteed-Service Model) са по-сложни. Тези модели са широко използвани в индустрията и курсът предоставя реални примери от фирми като Procter & Gamble, HP и Intel, които са оптимизирали своите вериги за доставки и материални запаси като използват такива тези методи.

Втората тема в курса свързана с планиране на капацитета и дизайн на мрежата от доставки, кято лично ми е по-интересна. В нея се използва много оптимизационно моделиране като сметките се правят с помощта на инструменти като Excel Solver и Open Solver, които са свободно достъпни в Excel. Всъщност това, което наистина ми харесва при тези инструменти е, че могат да се използват при решаването на много различни оптимизационни задачи, а не само за моделиране на производствен капацитет. Подобни, но по-сложни и мощни инструменти за оптимизации се използват в американските компании от десетилетия. Все още не съм чувал за някой, който използва подобни инструменти в България. Може би тук няма толкова остра нужда, тъй като компаниите са по-малки, а дизайна на мрежи за доставки и планирането на капацитет е по-просто. Или може би не съм добре осведомен и такъв софтуер се използва. Наистина не знам.

Друга интересна тема в курса е как да се проектира една мрежа, така че да се постигне по-голяма гъвкавост. Абсолютна гъвкавост се постига когато всяка машина или оператор или фабрика (производствена единица) може да произвежда всеки един продукт. Това обаче е или твърде скъпо за постигане, или нереалистично. Вместо това, курса въвежда една методична рамка за оценка на ползите от гъвкавостта. Тя показва, че една ограничената гъвкавост, ако бъде разгърната по „правилния начин“, може да постигне ползите от абсолютната гъвкавост. „Правилният начин“ е да се проектира така системата, че производствените единици да могат да заместват поне една друга производствена единица в производството на даден продукт. Трябва да се направи възможно най-дълга затворена верига от връзки между производствени единици и продукти. По този начин може динамично да се променя производствения капацитет за даден продукт, което почти изцяло постига ползите от абсолютната гъвкавост.

Различен дизайн на връзката между машини и продукти води до различно ниво на гъвкавост.

Като цяло това беше предизвикателен курс, включващ много моделиране и изчисления. Въпреки това, курса беше много полезен, тъй като разбрах как световните лидери управляват своите вериги от доставки. Благодарен съм, че лекторите имаха много кратки и разбираеми обяснения на доста сложни теми. Този курс би бил много полезен за специалисти, занимаващи се с управление на материалните запаси, планиране на капацитет или управление на веригата на доставки.

2.4. Мениджмънт в промишленото производство

Последната част от PoM е фокусирана върху разбирането и използването на потоците от данни за стартиране, разрастване и управление на едно производствено предприятие. Човек може само да си представи колко много променили има в това ниво на вземане на решения. При него има постоянна промяна в потока от капитали, продажби, доставки на енергия и материали,  познанията ни за пазара, промени при конкуренцията, човешките ресурси и т.н. За това е изключително важно бизнес целите на фирмата да бъдат свързани с производствените цели.

В първата част на курса са обхванати теми като бизнес планиране, продажби и маркетинг, финансово счетоводство, планиране на проекти и интелектуална собственост и лицензиране. Тъй като цялата програма е насочена предимно към инженери, тематиката в този курс е широка и не навлиза в много подробности. Аз съм завършил магистратура по мениджмънт, така че за мен това беше най-лесният курс. Все пак успях да науча и някой нови нещата като например по-добри практики в писането на бизнес планове и дори го използвах в собствената ни компания. Доволен съм от резултата. Използваният от мен шаблон е създаден от Derby Management и може да бъде изтеглен безплатно от уебсайта им: тук.

Втората част на курса беше организирана във формата на бизнес казуси, които обхващат различни аспекти на управлението на бизнеса като лидерство и бизнес култура, маркетинг, операции, технологии и т.н. Това беше по-трудната част, но и доста интересно, тъй като казусите бяха добре направени и подбрани.

3. Усилия нужни за завършване на курса

Всичките осем курса продължиха 34 седмици и трябваше да отделя средно около 18 часа седмично. Следователно, ще трябва да инвестирате значително време, особено ако не сте добре запознати със статистиката и теорията на вероятностите. Ако това е така, съветвам Ви да предварително да изкарате курс по тези теми, преди да започнете PoM. Вие също трябва да сте добре запознати с Excel и да се чувствате комфортно да работите с алгоритми и математически модели. Не е необходимо да сте инженер, за да завършите този курс и не е необходимо да разбирате подробно определени производствени процеси.

За да преминете курса, ще трябва да всяка седмица да решавате домашни и да вземете изпит в края на курса. Ще получавате точки както за домашните, така и за изпити и ще трябва да имате поне 60% (оценка C), за да вземете курса. Аз лично получих четири A (90 – 100%) и четири B (76 – 89%), като при две от тях 1-2% не ми достигнаха за по-високата оценка.

Голям плюс на програмата са преподавателите. Всички те, освен че имат отличната теоретична подготовка и добър педагогичен подход, са работили и в множество реални проекти в производството. За това имат много практичен подход към всичко, което преподават.

4. Заключение

Вярвам, че MicroMaster програмата Principles of Manufacturing може да бъде полезна за много хора, професионално занимаващи се с промишлено производството. Въпреки че трябва да се инвестират доста усилия и време, мисля, че това напълно си заслужава. Представените принципи са наистина универсални и могат да се прилагат във всяка индустрия на всяко технологично ниво на развитие. Дори появата на новите технологии свързани с Индустрия 4.0 няма да промени това. Напротив, Индустрия 4.0 ще въведе нови технологии, които са съсредоточени значително върху извличането и анализа на данни. Данните са полезни само когато човек може да взема добре информирани решения въз основа на тях. Ако не сте запознати как работи вашият бизнес, тогава тези данни са безсмислени и такава инвестиция никога няма да се изплати. А ако разбирате как работи производството Ви, това ще Ви бъде от голяма полза от постигане на дългосрочни бизнес успехи.

Винаги сме се ангажирали с повишаване нивото на информираност за местната индустрия и подкрепяме организации като Lean Institute Bulgaria, Trakia Tech и Stoos Network Bulgaria, които също имат за цел да разпространяват добрите управленски практики и новите технологии. Има видима тенденция местните мениджъри и инженери да искат да увеличат своите знания и усъвършенстват своите умения. Надявам се тази тенденция да се засили още повече, защото имаме нужда най-вече от интелигентни хора, за да имаме интелигентни фабрики.

Svetoslav Vasilev
Svetoslav Vasilev
Светослав е управител и съдружник в Сивико. Притежава магистърска степен по Мениджмънт от Stockholm School of Economics, Швеция и CEMS, Сингапур и MicroMaster диплома за "Принципи на Производството" от MIT. САЩ. Има професионален опит в бизнес развитие, управление на проекти, анализ и дигитализация на процеси.

Comments are closed.