توسعه مدل عملکرد یکپارچه و هوشمند کارخانه تولید مواد پلیمری دارویی

چکیده

ارزیابی عملکرد در کارخانه های تولید مواد پلیمری دارویی، در صورتی که به مجموعه ای از شاخص های پراکنده مانند بهره وری تجهیزات، میزان ضایعات، هزینه تولید و تحقق برنامه تولید محدود شود، نمی تواند تصویر کاملی از وضعیت واقعی سازمان ارائه دهد. در چنین رویکردی، ممکن است یک واحد با افزایش حجم تولید به اهداف خود برسد، در حالی که هم زمان مصرف انرژی، نرخ محصولات نامنطبق یا هزینه های دوباره کاری افزایش یافته باشد. ازاین رو، ارزیابی عملکرد به مدلی نیاز دارد که شاخص های عملیاتی را به کیفیت، وضعیت مالی و اهداف راهبردی کارخانه مرتبط سازد.

این مقاله با رویکرد مروری مفهومی، چارچوبی برای توسعه مدل عملکرد یکپارچه و هوشمند در کارخانه های تولید مواد پلیمری دارویی پیشنهاد می کند. مدل پیشنهادی از پنج لایه شامل عملکرد راهبردی، عملکرد عملیاتی، عملکرد فرایندی، عملکرد کیفیت و عملکرد مالی تشکیل شده است. این لایه ها به صورت یک نظام مرتبط و دارای روابط بازخوردی در نظر گرفته می شوند و یک زیرساخت داده مشترک، اطلاعات مورد نیاز همه آن ها را تامین می کند. شاخص هایی نظیر اثربخشی کلی تجهیزات، بازده تولید، ضایعات، انحرافات بچ، زمان چرخه، مصرف انرژی به ازای هر کیلوگرم محصول، بهره وری نیروی کار، تحویل به موقع، شکایت مشتریان، بهای تمام شده و حاشیه سود ناخالص در این چارچوب جای می گیرند. در ادامه، نقش تحلیل توصیفی، تشخیصی، پیش بینانه و تجویزی در تبدیل داده های تولید به تصمیم های مدیریتی بررسی می شود. نتیجه مقاله آن است که مدل عملکرد هوشمند زمانی ارزش واقعی ایجاد می کند که شاخص ها از نظر تعریف، مالکیت داده، تناوب اندازه گیری و ارتباط با تصمیم های مدیریتی استاندارد شده باشند و نتایج تحلیل نیز به اقدام اصلاحی قابل ارزیابی منجر شود.

واژگان کلیدی: مدیریت عملکرد، کارخانه هوشمند، صنعت ۴.۰، پلیمرهای دارویی، شاخص های کلیدی عملکرد، تحلیل داده، هوش مصنوعی، بهره وری، کیفیت، عملکرد مالی.

۱. مقدمه

عملکرد کارخانه تولید مواد پلیمری دارویی را نمی توان صرفا با مقدار محصول تولیدشده یا هزینه مستقیم تولید سنجید. در این نوع کارخانه ها، نتیجه اقتصادی تولید به مجموعه ای از عوامل وابسته است: ویژگی مواد اولیه، پایداری فرایند، وضعیت تجهیزات، مهارت کارکنان، انطباق محصول با مشخصات فنی، قابلیت ردیابی، میزان دوباره کاری و ضایعات و توانایی تحویل سفارش در موعد مقرر.

برای مثال، افزایش سرعت یک خط اکستروژن ممکن است ظرفیت اسمی تولید را بالا ببرد، اما اگر این تغییر به افزایش محصول نامنطبق، نوسان ویژگی های پلیمری یا نیاز به تنظیمات مکرر منجر شود، افزایش تولید الزاما به بهبود عملکرد کارخانه نمی انجامد. همین مسئله در خطوط اختلاط، پوشش دهی، خشک کردن و گرانول سازی نیز مطرح است. بهینه سازی یک متغیر به تنهایی ممکن است به بهبود یک شاخص و تضعیف شاخصی دیگر منجر شود.

مطالعات مدیریت عملکرد در تولید نشان می دهند که عملکرد یک سیستم تولیدی، پدیده ای چندبعدی است و باید در ارتباط با تصمیم های راهبردی، عملیاتی و کنترلی بررسی شود [۱]. پژوهش های جدیدتر در حوزه تولید هوشمند نیز بر اهمیت ترکیب داده های تولید، کنترل کیفیت، نگهداری و تحلیل عملکرد تاکید دارند [۲،۳].

با این حال، اتصال فناوری های دیجیتال به مدیریت عملکرد، به خودی خود تضمین نمی کند که تصمیم های بهتری گرفته شوند. اگر شاخص ها به درستی تعریف نشده باشند یا داده های تولید و کیفیت با یکدیگر سازگار نباشند، داشبوردهای پیشرفته نیز ممکن است تصویر گمراه کننده ای از وضعیت کارخانه ارائه کنند.

هدف این مقاله، پیشنهاد مدلی است که در آن شاخص های عملکرد از ابتدا بر مبنای یک ساختار یکپارچه طراحی شوند؛ ساختاری که بتواند ارتباط میان اهداف راهبردی، عملیات روزانه، رفتار فرایند، کیفیت محصول و پیامدهای مالی را روشن کند.

۲. رویکرد مقاله و مبانی مفهومی

این مقاله یک مرور مفهومی مبتنی بر ادبیات مدیریت عملکرد تولید، تولید هوشمند، تحلیل داده های صنعتی و مدیریت کیفیت دارویی است. مطالعات مرتبط با شاخص های عملکرد سیستم های تولیدی، تحلیل داده در کارخانه های هوشمند، کاربرد یادگیری ماشین در پیش بینی کیفیت و تحول دیجیتال در تولید دارویی، مبنای صورت بندی مدل پیشنهادی قرار گرفته اند [۱-۶].

هدف، ارائه یک مرور نظام مند با ادعای پوشش کامل پایگاه های اطلاعاتی نیست. در عوض، یافته ها و مفاهیم مرتبط با این حوزه ها در یک چارچوب متناسب با کارخانه تولید مواد پلیمری دارویی تلفیق می شوند.

فرض اصلی مدل آن است که شاخص های عملکرد باید به سه پرسش پاسخ دهند: کارخانه به چه اهدافی متعهد است؟ فرایندهای تولید تا چه اندازه این اهداف را محقق می کنند؟ و عملکرد واقعی چه پیامدی برای کیفیت، مشتری و سودآوری دارد؟

بر این اساس، شاخص عملکرد صرفا یک عدد برای گزارش ماهانه نیست، بلکه ابزاری برای توضیح وضعیت، تشخیص مسئله و هدایت تصمیم های اصلاحی است.

۳. معماری پنج لایه مدل عملکرد

۳.۱. عملکرد راهبردی

لایه راهبردی مشخص می کند که کارخانه از منظر رقابت پذیری، قابلیت اطمینان، کیفیت، پاسخ گویی به مشتری و پایداری اقتصادی باید به چه نتایجی دست یابد.

در کارخانه تولید مواد پلیمری دارویی، اهداف راهبردی می توانند شامل افزایش قابلیت تامین مواد مورد نیاز مشتریان، کاهش وابستگی به منابع پرریسک، بهبود ثبات کیفیت، افزایش سهم محصولات با ارزش افزوده بالاتر، تقویت قابلیت ردیابی و حفظ سودآوری در شرایط نوسان قیمت مواد اولیه باشند.

در این سطح، استفاده از شاخص هایی نظیر تحقق اهداف راهبردی، سهم فروش محصولات با حاشیه سود مطلوب، نرخ حفظ مشتریان کلیدی، قابلیت اطمینان تامین و روند بلندمدت هزینه عدم کیفیت قابل بررسی است.

نکته مهم آن است که هر هدف راهبردی باید به مجموعه ای از شاخص های قابل اندازه گیری و مسئول مشخص متصل شود. برای مثال، هدف «افزایش قابلیت اطمینان تامین» بدون تعریف شاخص هایی مانند تحویل کامل و به موقع، مدت توقف ناشی از کمبود مواد اولیه یا درصد سفارش های تامین شده طبق برنامه، قابل ارزیابی دقیق نیست.

۳.۲. عملکرد عملیاتی

عملکرد عملیاتی نشان می دهد که کارخانه تا چه اندازه توانسته است برنامه تولید و تعهدات خود را اجرا کند.

شاخص هایی مانند تحقق برنامه تولید، بهره وری نیروی کار، تحویل به موقع و کامل، زمان تعویض محصول، توقف های برنامه ریزی نشده و اثربخشی کلی تجهیزات یا OEE در این سطح قرار می گیرند.

OEE معمولا از حاصل ضرب سه مولفه دسترس پذیری، عملکرد و کیفیت به دست می آید. این شاخص برای شناخت اتلاف های مرتبط با توقف، کاهش سرعت و محصولات نامنطبق مفید است، اما به تنهایی معیار کاملی برای سنجش عملکرد کارخانه نیست.

برای مثال، OEE یک اکسترودر ممکن است افزایش یابد، اما اگر مصرف انرژی به ازای هر کیلوگرم محصول بالا برود یا محصول تولیدشده به دلیل عدم انطباق قابل فروش نباشد، نتیجه اقتصادی مطلوبی حاصل نشده است.

بنابراین، OEE باید در کنار شاخص هایی مانند بازده تولید، نرخ ضایعات، مصرف انرژی و کیفیت محصول تفسیر شود.

۳.۳. عملکرد فرایندی

در لایه فرایندی، تمرکز از نتیجه کلی تولید به رفتار واقعی عملیات تغییر می کند. هدف این است که مشخص شود چه عواملی موجب بهبود یا افت عملکرد شده اند.

در تولید پلیمر، متغیرهایی مانند دمای نواحی فرایندی، فشار، گشتاور، سرعت مارپیچ، نرخ خوراک دهی، زمان ماند، رطوبت مواد اولیه، زمان اختلاط، دمای خشک کن و شرایط پوشش دهی می توانند بر کیفیت و بهره وری اثر بگذارند.

شاخص های مناسب این سطح شامل زمان چرخه، نرخ توقف فرایندی، تعداد تغییرات تنظیمات، انحراف پارامترهای فرایند از محدوده مجاز، میزان مواد مصرف شده به ازای خروجی سالم و نرخ تکرار عیوب هستند.

برای نمونه، افزایش ضایعات در یک خط تولید ممکن است صرفا ناشی از عملکرد اپراتور نباشد. تغییر ویژگی های یک محموله مواد اولیه، نوسان دما یا نامناسب بودن شرایط راه اندازی نیز می تواند عامل موثر باشد. مدل عملکرد باید امکان بررسی این ارتباط ها را فراهم کند.

در این سطح، داده های زمانی تجهیزات و نتایج آزمایشگاه باید با شماره بچ، محصول، خط تولید و شرایط واقعی عملیات مرتبط شوند. بدون چنین ارتباطی، تحلیل علت افت عملکرد معمولا به حدس های کارشناسی محدود می شود.

۳.۴. عملکرد کیفیت

کیفیت در کارخانه تولید مواد پلیمری دارویی نباید صرفا به نتیجه آزمون نهایی محصول تقلیل یابد. کیفیت باید هم ویژگی های محصول و هم انضباط فرایند تولید را پوشش دهد.

شاخص های این لایه می توانند شامل نرخ انحراف بچ، درصد بچ های منطبق در بار اول، نرخ عدم انطباق، هزینه عدم کیفیت، زمان بررسی و بسته شدن انحرافات، نرخ تکرار عیب و تعداد شکایت های تاییدشده مشتریان باشند.

در محصولات پلیمری، ویژگی های بحرانی بسته به نوع محصول ممکن است شامل ویسکوزیته، رطوبت، اندازه ذرات، ترکیب، رفتار حرارتی، ویژگی های مکانیکی یا سایر مشخصات توافق شده باشد. بنابراین، یک مجموعه ثابت از شاخص های کیفی برای تمام گریدهای پلیمری مناسب نیست.

همچنین باید میان «تعداد انحرافات ثبت شده» و «عملکرد واقعی کیفیت» تفاوت گذاشت. افزایش تعداد انحرافات ثبت شده ممکن است در کوتاه مدت ناشی از بهبود نظام گزارش دهی باشد، نه لزوما افت کیفیت. در مقابل، کاهش تعداد انحرافات در سازمانی که کارکنان مشکلات را ثبت نمی کنند، نشانه بهبود واقعی نیست.

ازاین رو، شاخص های کیفیت باید همراه با شدت انحراف، میزان اثر بر محصول، زمان رسیدگی، تکرارپذیری و قابلیت ردیابی بررسی شوند.

۳.۵. عملکرد مالی

لایه مالی مشخص می کند که عملکرد عملیاتی و کیفی چه نتیجه ای برای هزینه و سودآوری کارخانه ایجاد کرده است.

بهای تمام شده به ازای هر کیلوگرم محصول، هزینه مواد اولیه، هزینه انرژی، هزینه نیروی کار مستقیم، هزینه ضایعات، هزینه دوباره کاری، هزینه نگهداری و حاشیه سود ناخالص از شاخص های این سطح هستند.

برای نمونه، کاهش نرخ ضایعات معمولا به کاهش مصرف مواد اولیه برای تولید مقدار مشخصی محصول سالم کمک می کند. بااین حال، ارزش مالی آن باید با توجه به قیمت مواد اولیه، هزینه بازیافت، هزینه دفع، ظرفیت آزادشده و احتمال فروش محصول محاسبه شود.

به همین ترتیب، کاهش زمان چرخه لزوما به کاهش بهای تمام شده منجر نمی شود، مگر اینکه بتواند مصرف منابع، اضافه کاری، توقف، هزینه سربار یا محدودیت ظرفیت را به طور واقعی کاهش دهد.

در این سطح باید از دوباره شماری منافع نیز جلوگیری شود. اگر هزینه ضایعات قبلا در بهای تمام شده ثبت شده باشد، نباید همان مبلغ بار دیگر به عنوان صرفه جویی مستقل به نتیجه مالی پروژه اضافه شود.

۴. زیرساخت داده؛ پیونددهنده تمام لایه ها

پنج لایه عملکردی زمانی یک مدل یکپارچه می سازند که بر مبنای داده های سازگار و قابل ردیابی عمل کنند. به همین دلیل، زیرساخت داده باید در معماری مدل به عنوان لایه ای مشترک در نظر گرفته شود.

این زیرساخت می تواند اطلاعات برنامه ریزی تولید، ERP، سیستم اجرای تولید یا MES، تجهیزات و PLCها، آزمایشگاه یا LIMS، سیستم مدیریت کیفیت، نگهداری و تعمیرات و اطلاعات فروش را به یکدیگر مرتبط کند.

در چنین ساختاری، هر داده باید تعریف مشخص، واحد اندازه گیری، زمان ثبت، منبع، مسئول و قواعد اعتبارسنجی داشته باشد. برای مثال، اگر دو واحد مختلف نرخ ضایعات را با دو مخرج متفاوت محاسبه کنند، مقایسه عملکرد آن ها قابل اعتماد نخواهد بود.

همچنین شماره بچ، کد محصول، کد خط تولید، زمان شروع و پایان عملیات و شناسه مواد اولیه باید به اندازه کافی استاندارد باشند تا داده های فرایندی، آزمایشگاهی و مالی بتوانند به یکدیگر متصل شوند.

مطالعات جدید تحلیل داده در تولید هوشمند نشان می دهند که یکپارچه سازی داده، قابلیت همکاری سیستم ها و آمادگی نیروی انسانی از موانع اصلی تبدیل ظرفیت تحلیلی به بهبود پایدار عملیات هستند [۲]. بنابراین، ایجاد داشبورد پیشرفته پیش از اصلاح کیفیت داده ها، ترتیب مناسبی برای تحول دیجیتال نیست.

۵. انتخاب و تعریف شاخص های کلیدی عملکرد

یک شاخص زمانی برای مدیریت مفید است که تعریف آن روشن باشد و بتوان بر اساس نتیجه آن تصمیم گرفت.

برای نمونه، بازده تولید می تواند نسبت مقدار محصول سالم به مقدار مواد ورودی تعریف شود؛ اما در عمل باید مشخص شود که مبنا وزن، تعداد، مقدار خشک یا مقدار معادل محصول است. همچنین باید تکلیف مواد بازیافتی، محصول بازکاری شده و مواد برگشتی روشن باشد.

برای هزینه به ازای هر کیلوگرم نیز باید مشخص شود که کدام هزینه ها در محاسبه قرار می گیرند: مواد مستقیم، دستمزد، انرژی، تعمیرات، سربار تولید یا هزینه های خارج از کارخانه. مقایسه هزینه دو محصول با ترکیب متفاوت، بدون توجه به این تعاریف، می تواند نتیجه نادرستی ایجاد کند.

برای هر KPI، حداقل این موارد باید تعیین شوند: تعریف عملیاتی، فرمول، واحد، منبع داده، تناوب گزارش دهی، مسئول شاخص، مقدار مبنا، هدف، حدود هشدار و اقدام مورد انتظار در صورت انحراف.

هدف گذاری نیز نباید صرفا بر اساس میانگین عملکرد گذشته انجام شود. در برخی موارد، تغییر ترکیب محصول، محدودیت تجهیزات یا الزامات کیفی، مقایسه مستقیم دوره ها را نامعتبر می کند. بهتر است اهداف با توجه به نوع محصول، ظرفیت واقعی خط، سطح ریسک و شرایط تولید تعریف شوند.

۶. از گزارش عملکرد تا تحلیل هوشمند

در یک کارخانه داده محور، تحلیل عملکرد را می توان در چهار سطح توسعه داد.

تحلیل توصیفی نشان می دهد چه اتفاقی افتاده است. برای مثال، داشبورد مشخص می کند که نرخ ضایعات یک خط در ماه جاری افزایش یافته یا تحویل به موقع کاهش پیدا کرده است.

تحلیل تشخیصی تلاش می کند علت رخداد را شناسایی کند. در این مرحله، رابطه میان تغییرات مواد اولیه، شرایط فرایند، توقف تجهیزات و نتایج کیفی بررسی می شود. تحلیل همبستگی می تواند سرنخ ارائه دهد، اما به تنهایی اثبات کننده رابطه علی نیست؛ بنابراین، بررسی مهندسی، آزمون فرضیه و در صورت امکان طراحی آزمایش نیز اهمیت دارد.

تحلیل پیش بینانه برآورد می کند که در صورت تداوم شرایط فعلی، چه پیامدی محتمل است. برای مثال، مدل می تواند احتمال افزایش ضایعات یا انحراف کیفیت را با توجه به الگوی داده های فرایندی پیش بینی کند.

تحلیل تجویزی گزینه های اقدام را مقایسه می کند. برای نمونه، سیستم می تواند اثر احتمالی کاهش سرعت خط، تغییر برنامه تولید یا انجام تعمیرات را بر کیفیت، ظرفیت، هزینه و تحویل سفارش ارزیابی کند.

این چهار سطح در ادبیات تحلیل صنعتی به عنوان طبقه بندی رایج انواع بینش و تصمیم یار مطرح شده اند [۲،۳]. بااین حال، رسیدن به تحلیل تجویزی الزاما به معنی استقرار هوش مصنوعی پیچیده نیست. در بسیاری از مسائل، قواعد مهندسی معتبر، تحلیل آماری و بهینه سازی ساده می توانند از یک مدل یادگیری ماشین غیرشفاف مفیدتر باشند.

همچنین استفاده از AI باید با اعتبارسنجی، نظارت انسانی و کنترل تغییرات مدل همراه باشد. اگر مواد اولیه، تجهیزات یا شرایط تولید تغییر کنند، دقت مدلی که قبلا عملکرد مناسبی داشته است ممکن است کاهش یابد.

۷. کاربرد مدل در یک کارخانه تولید مواد پلیمری دارویی

فرض کنیم در یک کارخانه تولید گرانول پلیمری، نرخ ضایعات طی چند هفته افزایش یافته است. در یک نظام سنتی، ممکن است واحد تولید به کاهش سرعت خط اقدام کند یا واحد کیفیت تعداد بیشتری نمونه درخواست کند. هر دو اقدام می توانند مفید باشند، اما بدون تحلیل مشترک، علت اصلی همچنان ناشناخته می ماند.

در مدل پیشنهادی، ابتدا شاخص ضایعات در لایه فرایندی شناسایی می شود. سپس اطلاعات مربوط به شماره بچ، تامین کننده مواد اولیه، شرایط راه اندازی، دمای فرایند، گشتاور، زمان توقف، نتایج آزمایشگاهی و مقدار محصول سالم به یکدیگر متصل می شوند.

تحلیل تشخیصی ممکن است نشان دهد که افزایش ضایعات با تغییر یک محموله مواد اولیه یا افزایش توقف های راه اندازی هم زمان بوده است. این مشاهده به تنهایی اثبات علت نیست، اما مسیر بررسی را محدود می کند. پس از تایید فنی، اقدام اصلاحی مناسب انتخاب می شود.

در ادامه، اثر اقدام بر نرخ ضایعات، بازده تولید، مصرف انرژی، زمان چرخه و هزینه هر کیلوگرم بررسی خواهد شد. اگر بهبود ضایعات با افزایش نامطلوب مصرف انرژی یا افت کیفیت همراه باشد، اقدام انجام شده باید دوباره ارزیابی شود.

این مثال نشان می دهد که ارزش مدل در داشتن تعداد زیادی KPI نیست؛ بلکه در پیوند دادن شاخص ها به یک مسئله مشخص، تحلیل علت و سنجش نتیجه اقدام اصلاحی است.

۸. الزامات پیاده سازی و موانع اجرایی

اجرای مدل در کارخانه های ایرانی باید با در نظر گرفتن وضعیت واقعی تجهیزات، کیفیت داده ها، مهارت کارکنان و محدودیت سرمایه گذاری انجام شود. طراحی یک سامانه پیچیده از ابتدا، بدون تعیین مسائل اولویت دار و منافع قابل اندازه گیری، می تواند منابع سازمان را درگیر کند بی آنکه عملکرد تولید بهبود محسوسی پیدا کند.

گام نخست، تعریف فرهنگ نامه شاخص ها و تعیین مسئولیت هر KPI است. گام دوم، ارزیابی کیفیت داده و ایجاد ارتباط میان سوابق تولید، کیفیت، نگهداری و هزینه است. گام سوم، طراحی داشبوردی محدود برای چند مسئله بااهمیت است. پس از اثبات ارزش این مرحله، می توان تحلیل های پیشرفته تر و مدل های هوش مصنوعی را اضافه کرد.

یکی از موانع مهم، تعارض اهداف واحدهاست. اگر واحد تولید صرفا بر حجم تولید ارزیابی شود، ممکن است افزایش سرعت را حتی به بهای افزایش ضایعات دنبال کند. اگر واحد کیفیت تنها بر تعداد انحرافات بسته شده تمرکز کند، ممکن است سرعت بستن پرونده ها جایگزین حل پایدار مسئله شود. مدل یکپارچه باید این تعارض ها را آشکار کند و مسئولیت مشترک را برای شاخص های میان وظیفه ای تعریف کند.

در کنار آن، دسترسی مبتنی بر نقش، امنیت سایبری، ثبت تغییرات، کنترل صحت داده و قابلیت ممیزی باید از ابتدای طراحی در نظر گرفته شوند. در محیط تولید مواد مورد استفاده در زنجیره دارویی، داده عملکرد صرفا ابزار گزارش دهی مدیریتی نیست؛ بخشی از شواهد مورد استفاده برای ارزیابی کیفیت و قابلیت اطمینان عملیات نیز محسوب می شود.

۹. بحث

مدل پیشنهادی سه ویژگی متمایز دارد. نخست، شاخص ها را از اهداف و مسائل عملکردی استخراج می کند، نه اینکه فهرستی از KPIهای رایج را بدون توجه به نیاز کارخانه انتخاب کند. دوم، پنج لایه عملکرد را با زیرساخت داده مشترک پیوند می دهد. سوم، تحلیل هوشمند را به تصمیم و اقدام عملیاتی مرتبط می سازد.

بااین حال، این مدل هنوز یک چارچوب مفهومی است و نباید به عنوان مدلی که اثربخشی آن در کارخانه های پلیمر دارویی ایران به صورت تجربی اثبات شده است معرفی شود. اعتبارسنجی آن مستلزم اجرای پایلوت، جمع آوری داده های واقعی و بررسی تغییر شاخص ها پیش و پس از مداخله است.

برای ارزیابی تجربی می توان یک یا دو خط تولید را انتخاب کرد و ابتدا خط مبنا را تعیین کرد. سپس، پس از اصلاح تعریف شاخص ها و یکپارچه سازی داده ها، اقدام های اصلاحی اجرا و تغییرات عملکرد در یک دوره زمانی مناسب بررسی شوند. در صورت امکان، مقایسه با خط مشابه یا استفاده از تحلیل سری زمانی می تواند به تفکیک اثر مداخله از تغییرات عمومی تولید کمک کند.

۱۰. نتیجه گیری

توسعه مدل عملکرد یکپارچه و هوشمند برای کارخانه تولید مواد پلیمری دارویی مستلزم عبور از مدیریت مبتنی بر شاخص های پراکنده است. در مدل پیشنهادی، عملکرد راهبردی، عملیاتی، فرایندی، کیفیت و مالی در یک ساختار مرتبط قرار می گیرند و زیرساخت داده مشترک، امکان تحلیل و ردیابی ارتباط میان آن ها را فراهم می کند.

شاخص هایی مانند OEE، بازده تولید، ضایعات، انحرافات بچ، زمان چرخه، انرژی به ازای هر کیلوگرم، بهره وری نیروی کار، تحویل به موقع، شکایت مشتری، بهای تمام شده و حاشیه سود ناخالص زمانی ارزش مدیریتی پیدا می کنند که تعریف استاندارد داشته باشند و به تصمیم مشخصی متصل شوند.

هوش مصنوعی می تواند این نظام را از گزارش وضعیت به سمت تشخیص، پیش بینی و پیشنهاد اقدام توسعه دهد، اما نتیجه آن به کیفیت داده، شناخت فرایند، اعتبارسنجی مدل و مسئولیت پذیری مدیریتی وابسته است.

در نهایت، هدف یک کارخانه هوشمند صرفا افزایش تعداد داشبوردها یا تولید گزارش های سریع تر نیست. هدف آن است که کارخانه بتواند رابطه میان کیفیت، بهره وری و سودآوری را بهتر بفهمد، مسئله را زودتر شناسایی کند و اثر تصمیم های اصلاحی را با داده های واقعی بسنجد. این همان مبنایی است که می تواند مدیریت عملکرد را از یک فعالیت گزارش دهی دوره ای به بخشی از نظام روزانه تصمیم گیری صنعتی تبدیل کند.

منابع

1. Battesini M, ten Caten CS, Pacheco DAJ. Key factors for operational performance in manufacturing systems: Conceptual model, systematic literature review and implications. J Manuf Syst. 2021;60:265-282. doi:10.1016/j.jmsy.2021.06.005.
2. Sahoo S, Lo CY. Smart manufacturing powered by recent technological advancements: A review. J Manuf Syst. 2022;64:236-250. doi:10.1016/j.jmsy.2022.06.008.
3. Wang J, Xu C, Zhang J, Zhong RY. Big data analytics for intelligent manufacturing systems: A review. J Manuf Syst. 2022;62:738-752. doi:10.1016/j.jmsy.2021.03.005.
4. Tercan H, Meisen T. Machine learning and deep learning based predictive quality in manufacturing: A systematic review. J Intell Manuf. 2022;33:1879-1905. doi:10.1007/s10845-022-01963-8.
5. Gao RX, Krüger J, Merklein M, Möhring HC, Váncza J. Artificial intelligence in manufacturing: State of the art, perspectives, and future directions. CIRP Ann. 2024;73(2):723-749. doi:10.1016/j.cirp.2024.04.101.
6. Fitzgerald L, Niarchou E, Jones I, et al. Emerging digital innovations in pharmaceutical manufacturing quality: A systematised review. J Pharm Innov. 2026;21:46. doi:10.1007/s12247-025-10272-5.
7. Ramesh K, Indrajith MN, Prasanna YS, Deshmukh SS, Parimi C, Ray T, et al. Comparison and assessment of machine learning approaches in manufacturing applications. Ind Artif Intell. 2025;3:2. doi:10.1007/s44244-025-00023-3.
8. Chaudhary NK, Kribs JD. Data-driven analytics in smart manufacturing: A review of methods, applications, and adoption constraints. Int J Adv Manuf Technol. 2026;144:3061-3076. doi:10.1007/s00170-026-17610-y.
9. International Society for Pharmaceutical Engineering. Pharma 4.0: The roadmap to pharmaceutical smart manufacturing. Tampa: ISPE; 2017.
10. International Organization for Standardization. ISO 22400-2:2014. Automation systems and integration—Key performance indicators (KPIs) for manufacturing operations management—Part 2: Definitions and descriptions. Geneva: ISO; 2014.