نمودارهای مطالعهٔ کار، اندازه‌گیری کار، زمان استاندارد و منحنی‌های یادگیری

اندازه‌گیری کار (work measurement / زمان‌سنجی) آن شاخه از مطالعهٔ کار است که تعیین می‌کند یک کارگر واجد شرایط، با آهنگ کاری عادی، در شرایط تعریف‌شده و با اضافات مجازِ تعریف‌شده، چه مدت باید صرف انجام یک کار مشخص کند — پاسخ همان زمان استاندارد (standard time) است. این، نیمهٔ کمّی مطالعهٔ کار (work study) است؛ نیمهٔ دیگر یعنی بررسی روش / مطالعهٔ روش (method study)، نخست بهترین شیوهٔ انجام کار را طراحی می‌کند. ترتیب این دو ثابت و کنکوری است: ابتدا مطالعهٔ روش، روش را تثبیت می‌کند و سپس اندازه‌گیری کار آن را زمان‌سنجی می‌کند — پیش از تعیین استاندارد نهایی، روش را تثبیت می‌کنید؛ زمان‌سنجی پایه می‌تواند به تشخیص مشکلات روش موجود کمک کند. منحنی یادگیری (learning curve) همتای پویای همین ایده است: می‌گوید استاندارد ابدی نیست، زیرا زمان هر واحد با انباشته‌شدن تجربهٔ تجمعی به شکلی قابل پیش‌بینی کاهش می‌یابد.

۱. خاستگاه و صاحب نظریه

سامانه‌های زمان‌های از پیش تعیین‌شده (predetermined motion-time systems) مانند MTM، Work-Factor و MOST، به‌جای آنکه مدل یک شخص باشند، قراردادهای مهندسیِ متأخرترند: جدولی از زمان‌های حرکات پایهٔ استاندارد منتشر می‌کنند تا بتوان استاندارد را از روی شرح روش و پیش از آنکه شغل فیزیکاً موجود باشد تعیین کرد.

۱.۱ نمودارهای مطالعهٔ روش: واحد تحلیل را انتخاب کنید

مطالعهٔ روش، روش موجود را ثبت و نقادانه بررسی می‌کند و روش بهبودیافته می‌سازد. ابزار ثبت را بر پایهٔ توالی، مسیر فیزیکی، دو دست یا حرکت بنیادی انتخاب کنید؛ ترسیم نمودار به‌خودی‌خود زمان استاندارد تعیین نمی‌کند.

سایمو به سنت حرکت‌سنجی/ریزحرکت‌سنجی فرانک و لیلیان گیلبرت (Frank and Lillian Gilbreth) تعلق دارد. مشاهدهٔ تفصیلی، اغلب با ثبت مبتنی بر فریم، اعمالی مانند دست‌درازی، گرفتن، جابه‌جایی، جای‌گذاری و رهاکردن را تفکیک می‌کند. مقیاس زمانیِ هم‌تراز، هم‌پوشانی حرکات و انتظار یک دست را نشان می‌دهد؛ لازم نیست دو دست حرکت یکسان داشته باشند. نمودار معمول دو دست نیز می‌تواند توالی و هم‌پوشانی را نمایش دهد، اما ارزش متمایز سایمو زمان‌بندی حرکات بنیادی با تفکیک ریزتر است.

سناریوی مستقل. در مونتاژ یک شیر کوچک، دست چپ بدنه را نگه می‌دارد و دست راست واشر را جست‌وجو می‌کند، به آن می‌رسد، می‌گیرد و جای‌گذاری می‌کند. سایمو، جست‌وجو را از حرکات مولد جدا و نگه‌داشتن طولانی دست چپ را روی همان خط زمانی مشخص می‌کند. سینی قطعات در دسترس و ابزار نگه‌دارنده ممکن است جست‌وجو را حذف و دست چپ را آزاد کند؛ پیش از تعیین استاندارد، توالی اصلاح‌شده را بررسی کنید. اگر مسئله رفت‌وآمد میان مخزن‌های قطعات بود، دیاگرام جریان روی نقشه مناسب بود؛ اگر بازرسی‌ها و انتظارهای اضافی کل فرایند مطرح بود، نمودار فرایند جریان. تصمیم دربارهٔ مجاورت انبار و مونتاژ، نمودار رابطهٔ بین فعالیت‌ها را می‌طلبد.

۲. پنج روش اندازه‌گیری کار

انتخاب را بر پایهٔ تکرارپذیری، امکان مشاهده و اطلاعات لازم انجام دهید. گزارش تعمیر موتور حفاری، عیب‌یابی، تعویض قطعه و انتظار را برای خرابی‌های متفاوت جدا ثبت می‌کند. گزارش، همان کار مشخص را ثبت می‌کند؛ استاندارد تاریخی، زمان‌های تأییدشدهٔ کارهای قبلیِ قابل‌مقایسه را بازاستفاده می‌کند. کرنومتر برای اجزای تعمیر تکرارپذیر و MTM/MOST برای توالی حرکات تعریف‌شده مناسب‌اند. نمونه‌گیری تصادفی همچنان برای سهم زمان تعمیر، انتظار یا رفت‌وآمد در کار نامنظم مفید است، اما مستقیماً زمان هر تعمیر را نمی‌دهد. زمان سپری‌شدهٔ گزارش، خودبه‌خود عادی یا استاندارد نیست: پیش از بازاستفاده، روش، آهنگ و تأخیرها را بررسی کنید.

۳. زنجیرهٔ زمان استاندارد

هر محاسبهٔ اندازه‌گیری کار همان سه مرحله را طی می‌کند — و هر پرسش کنکوری روی درز میان دوتای آن‌ها ساخته می‌شود.

$\text{Observed time} \;\xrightarrow{\;\times\, R\;}\; \text{Normal time} \;\xrightarrow{\;\times\,(1+A)\;}\; \text{Standard time}$

مرحلهٔ ۱ — زمان مشاهده‌شده / منتخب (observed / selected time). میانگین زمان‌های ثبت‌شدهٔ چرخه‌ها، پس از کنارگذاشتن قرائت‌های غیرعادی:

$OT=\frac{\sum_{i=1}^{n} x_i}{n}$

مرحلهٔ ۲ — زمان عادی / نرمال (normal time). زمان مشاهده‌شده پس از تصحیح بابت آهنگ کارِ همان کارگری که تحت نظر بوده است، با استفاده از ضریب عملکرد / راندمان کاری (performance rating) یعنی $R$، که در آن $R=100\%$ آهنگ عادی است (سیستم وستینگهاوس، مهارت، تلاش، شرایط و ثبات را ارزیابی می‌کند):

$NT = OT \times R$

ضریب عملکرد ضرب می‌شود. کارگر تند ($R=115\%$) زمان مشاهده‌شده را به آنچه یک کارگر عادی نیاز دارد بزرگ‌تر می‌کند؛ کارگر کند ($R=90\%$) آن را کوچک‌تر می‌کند. زمان عادی هیچ استراحتی در خود ندارد — محتوای کاریِ صرفاً «آهنگ‌تصحیح‌شده» است.

مرحلهٔ ۳ — زمان استاندارد (standard time). اضافات مجاز (allowances) را بازمی‌گردانیم — زمان غیرمولدی که انسان به‌ناچار به آن نیاز دارد.

دو قرارداد وجود دارد که اعداد متفاوتی می‌دهند — صورت مسئله را با دقت بخوانید:

$\textbf{(a) job-time basis: } ST = NT\,(1+A) \qquad\qquad \textbf{(b) workday basis: } ST = \frac{NT}{1-A}$

قرارداد (a) اضافهٔ مجاز را درصدی از زمان کار (زمان عادی) می‌گیرد و پیش‌فرض متون مدیریت تولید ایرانی و پرسش‌های کنکور است. قرارداد (b) آن را درصدی از کل زمان در دسترس روز کاری می‌گیرد و همواره زمان استاندارد بزرگ‌تری به دست می‌دهد.

کاربردهای پایین‌دستی $ST$:

$\text{standard output per shift}=\frac{\text{available minutes}}{ST}, \qquad \text{workers (or machines) required}=\left\lceil \frac{D \times ST}{\text{available time}}\right\rceil$

۴. نمونه‌برداری از کار با جزئیات

نمونه‌برداری از کار، نسبت $p$ از زمانی را که یک اپراتور یا ماشین در هر وضعیت (کار / بیکاری / آماده‌سازی) می‌گذراند، از روی $n$ مشاهدهٔ آنیِ تصادفی برآورد می‌کند. تبدیل آن به استاندارد زمانی از آنجا ممکن می‌شود که کسر مولدِ یک بازهٔ مشاهدهٔ طولانی را در اختیار تحلیلگر می‌گذارد:

$NT=\frac{T_{\text{total}}\times p \times R}{N_{\text{output}}}, \qquad ST = NT\,(1+A)$

که در آن $T_{\text{total}}$ کل زمان مطالعه، $p$ کسر مشغولیِ نمونه‌گیری‌شده (بهره‌برداری / درصد اشتغال)، $R$ ضریب عملکرد و $N_{\text{output}}$ تعداد واحدهای تولیدشده در آن بازه است.

تعداد مشاهدات لازم برای دقت مطلق $e$ در سطح اطمینان $z$ برابر است با

$n=\frac{z^{2}\,\hat p\,(1-\hat p)}{e^{2}}$

و حجم نمونهٔ متناظر در مطالعهٔ کرنومتری، برای دقت نسبی $a$ از میانگین با انحراف معیار نمونهٔ $s$، عبارت است از

$n=\left(\frac{z\,s}{a\,\bar{x}}\right)^{2}$

به شکل هر دو رابطه توجه کنید: دقت، مشاهدات را به‌صورت درجه‌دو گران می‌کند — نصف‌کردن خطا چهار برابر شدن حجم نمونه را می‌طلبد.

۵. منحنی یادگیری

مدل یادگیری زمان واحد (قرارداد کرافورد / Crawford): هر بار که تولید تجمعی دو برابر شود، زمان (یا هزینهٔ) واحد منفرد به کسر ثابت $\phi$ از مقدار پیشین خود کاهش می‌یابد — $\phi$ همان نرخ یادگیری (learning rate) است که به‌صورت درصد، مثلاً $80\%$، بیان می‌شود.

$T_n = T_1\,n^{-b}, \qquad b=\frac{-\log \phi}{\log 2}=\frac{\log(1/\phi)}{\log 2}, \qquad T_{2n}=\phi\,T_n$

که در آن $T_1$ زمان نخستین واحد، $n$ شمارهٔ نوبت تولید (واحد) و $b>0$ ضریب یادگیری (learning coefficient) است — شیب/توان منحنی، یعنی شدت یادگیری.

زمان تجمعی برای اتمام $n$ واحد نخست — یعنی زمان تحویل واحد $n$-ام — و میانگین تجمعی چنین‌اند:

$D_n=\sum_{i=1}^{n} T_i = T_1\sum_{i=1}^{n} i^{-b}, \qquad \bar{T}_n=\frac{D_n}{n}$

در قرارداد میانگین تجمعی رایت (Wright)، همان قانون توانی بر میانگین اعمال می‌شود: $\bar T_n=T_1n^{-b}$، پس $D_n=T_1n^{1-b}$. جمع زمان‌های واحد را برای آن قرارداد به کار نبرید؛ مثال‌های عددی زیر از زمان واحد استفاده می‌کنند.

دو جهت حرکت، که هر دو کنکوری‌اند:

• $T_1$ و $T_{n-1}$ عوامل مقیاس ضربی‌اند: افزایش هرکدام، همهٔ زمان‌های بعدی و تاریخ تحویل را بالا می‌برد. رابطه مستقیم است.
• $b$ با علامت منفی در توان نشسته است: افزایش آن باعث می‌شود هر واحد بعدی سریع‌تر افت کند، پس شدت یادگیری با زمان واحدهای بعدی رابطهٔ معکوس دارد، برخلاف مقیاس مثبتِ زمان اولیه.
• $n$ برای دو ساعتِ متفاوت در جهت‌های مخالف عمل می‌کند: زمان هر واحد یعنی $T_n$ با رشد $n$ کاهش می‌یابد، حال آنکه زمان تجمعی/تحویل یعنی $D_n$ فقط می‌تواند افزایش یابد.

یادگیری در جایی مصداق دارد که کار کاربر (نیروی‌کار‌بَر / labour-intensive)، تکراری، بی‌وقفه و با سری تولید به‌اندازهٔ کافی بلند باشد — در عملیات با آهنگ ماشین یا بسیار خودکار ضعیف یا غایب است، و تغییر طراحی، تعدیل نیرو یا وقفه‌های طولانی تولید می‌تواند آن را مختل کند یا بخشی از یادگیری انباشته را از بین ببرد.

۶. نحوهٔ به‌کارگیری

۱. نخست روش را تثبیت کن (مطالعهٔ روش)، اجزای کار و کارگر واجد شرایط را تعریف کن. ۲. روش را بر اساس چرخه و اطلاعات انتخاب کن: اجزای تکرارپذیر ← کرنومتر؛ سهم فعالیت‌ها/چند منبع ← نمونه‌گیری از کار؛ زمان کار کاملِ متغیر ← گزارش؛ حرکات مشخص ← زمان‌های از پیش تعیین‌شده؛ استاندارد موجودِ قابل‌مقایسه ← دادهٔ تاریخی. ۳. برای دقت موردنیاز، مشاهدات کافی جمع کن (از فرمول‌های حجم نمونه استفاده کن — هرگز چشمی برآورد نکن). ۴. آهنگ کار را ارزیابی کن و ضرب کن ← زمان عادی. ۵. اضافات مجاز را با قراردادی که مسئله ایجاب می‌کند بیفزا ← زمان استاندارد. ۶. استاندارد را به آنچه مدیریت واقعاً می‌خواهد تبدیل کن: تولید هر شیفت، نیروی انسانی موردنیاز، ظرفیت، مبنای پرداخت تشویقی، بهای تمام‌شدهٔ هر واحد. ۷. اگر سری تولید جدید و بلند است، استاندارد را بابت یادگیری تعدیل کن: $T_1$ و $\phi$ را اعلام کن، $T_n$ و $D_n$ را برآورد کن و واحد میانگین را قیمت بگذار، نه نخستین واحد را.

۷. مثال کوتاه حل‌شده

(الف) از یک مطالعهٔ نمونه‌برداری تا زمان استاندارد. تحلیلگری یک ایستگاه بسته‌بندی را به مدت ۴۰ ساعت مشاهده می‌کند. مشاهدات تصادفی نشان می‌دهد اپراتور ۷۵ ٪ از زمان مشغول بوده است؛ آهنگ کار او ۱۱۰ ٪ ارزیابی می‌شود؛ در این بازه ۳۰۰ کارتن تولید شده و اضافهٔ مجاز ۱۵ ٪ است.

$T_{\text{total}} = 40 \times 60 = 2400\ \text{min}, \qquad T_{\text{work}} = 2400 \times 0.75 = 1800\ \text{min}$

$NT=\frac{2400 \times 0.75 \times 1.10}{300}=\frac{1980}{300}=6.6\ \frac{\text{min}}{\text{carton}}$

$ST = 6.6 \times (1+0.15) = 7.59\ \frac{\text{min}}{\text{carton}}$

با قرارداد روز کاری، همین داده‌ها $ST = 6.6/(1-0.15)=7.76$ دقیقه می‌دهند — عددی متفاوت و به همان اندازه «درست»، و دقیقاً به همین دلیل باید قرارداد را از متن مسئله بیرون کشید. با داشتن استاندارد، یک شیفت ۸ ساعته $\lfloor 480/7.59\rfloor = 63$ کارتن می‌دهد، و تقاضای ۵۰۰ کارتن در روز به $\lceil 500 \times 7.59/480\rceil = \lceil 7.9\rceil = 8$ اپراتور نیاز دارد.

(ب) یک منحنی یادگیری از ابتدا تا انتها. نخستین واحد از یک مونتاژ دست‌ساز $T_1 = 100$ ساعت طول می‌کشد و منحنی ۸۰ ٪ است، پس $b = \log(1/0.8)/\log 2 = 0.322$.

$T_2 = 100(0.8)=80,\quad T_4=100(0.8)^2=64,\quad T_8=100(0.8)^3=51.2\ \text{h}$

$T_5 = 100 \times 5^{-0.322} \approx 100 \times 0.596 = 59.6\ \text{h}$

$D_5 = 100+80+70.2+64+59.6 = 373.8\ \text{h}, \qquad \bar{T}_5 = \frac{373.8}{5}=74.8\ \text{h}$

توجه کنید که واحد پنجم ۵۹٫۶ ساعت می‌برد، در حالی که میانگین پنج واحد نخست ۷۴٫۸ ساعت است — قیمت‌دادن بر مبنای واحد نخست یا بر مبنای میانگین، در حالی که خریدار دربارهٔ واحد نهایی (مارژینال) می‌پرسد، خطای کلاسیک برآورد هزینه است.

خواندن منحنی از انتها به ابتدا. اگر $T_1 = 100$ ساعت باشد و واحد شانزدهم $40.96$ ساعت ببرد، آنگاه $16 = 2^4$ و $\phi^4 = 0.4096$، پس $\phi = \sqrt[4]{0.4096} = 0.80$ — یعنی یک منحنی یادگیری ۸۰ ٪.

۸. اشتباه نشود با… / Confused with

درون زنجیرهٔ زمان استاندارد

ایده‌های اندازه‌گیریِ هم‌جوار

درون منحنی یادگیری

نکتهٔ کنکوری: حرکات ریز هم‌زمان دست‌ها ← سایمو؛ علائم کل فرایند ← نمودار فرایند جریان؛ مسیر روی نقشه ← دیاگرام جریان. پیش از دست‌زدن به محاسبات، هر درصدی را که در صورت سؤال آمده به عملیات خودش نگاشت کنید — بهره‌برداری $p$ زمان بیکاری را حذف می‌کند (ضرب)، ضریب عملکرد $R$ کندی را حذف می‌کند (ضرب) و اضافهٔ مجاز استراحت را بازمی‌گرداند (ضرب در $1+A$)؛ زمان عادی تقریباً همیشه به‌عنوان گزینهٔ فریب در فهرست گزینه‌ها نشسته است. در سؤالات منحنی یادگیری، نخست تصمیم بگیرید کدام ساعت مدنظر است — زمان هر واحد (با $n$ کاهش می‌یابد) یا زمان تحویل/تجمعی (با $n$ افزایش می‌یابد) — و سپس به یاد داشته باشید که $T_1$ و $T_{n-1}$ همواره زمان را بالا می‌برند و در شمارهٔ واحد ثابت، ضریب یادگیریِ بزرگ‌تر از طریق توان منفی، زمان واحدهای بعدی را پایین می‌آورد.