Termelési adatvagyon a folyamatos fejlesztés szolgálatában

Hogyan turbózzuk fel adatokkal a PDCA ciklust?

Kalácska Eszter

Cikkünk célja egyrészt, hogy rávilágítson az adatalapú döntéshozatal fontosságára, másrészt alkalmazási példák és módszertanok bemutatásával szemléltesse az adatvezérelt működés hasznosítását, elsődlegesen gyártó vállalatok számára a folyamati hatékonyság, minőség- és szervezetfejlesztés területén.

Működése során szinte minden vállalat szembesül szűkös kapacitásokkal, legyen szó akár emberi erőforrásról, akár gépkapacitásról. A kapacitások optimális kihasználása mellett a gyártás minőségének irányítása, folyamatos fejlesztése is állandó kihívást jelent. A fejlesztéshez, megfelelő döntések meghozatalához információkra van szükség. Egyre több olyan eszköz vesz minket körül, amely képes hálózatba kapcsoltan működve adatokat továbbítani egy központi egységnek. A fejlett adatgyűjtési és elemzési technológiák segítségével a gyártási képességek költséghatékonyan és eredményesen fejleszthetők. A vállalatok sikerének egyik kulcsa lehet, hogy ezeket az információkat hogyan tudják akár operatív, akár stratégiai szinten hasznosítani.

Miért van szükség a valós idejű, releváns adatokra és hogyan tudjuk ezeket hasznosítani?

Az adatgyűjtés és elemzés gyakorisága jelentősen befolyásolja a beavatkozás lehetőségét. A valós idejű adatelemzést támogató technológiák megjelenése előtt csak olyan riportok készítésére volt lehetőség, amelyek múltbéli adatokat, főként aggregált formában tartalmaztak. Előfordulhatott, hogy a gyártás közbeni problémákra már csak akkor derült fény, miután az adott termék kiszállításra került, nem volt lehetőség beavatkozásra vagy megelőző intézkedések meghozatalára. Ezek elmaradása pedig jelentős költségekkel, illetve vevői elégedetlenséggel járhat. Ha a meghibásodásokat, leállásokat csak hosszabb idő elteltével vizsgáljuk meg, a problémák gyökérokainak feltárásánál több információ kimaradhat az értékelésből, így a megelőzésre sem tudunk megfelelő intézkedéseket hozni. Hiszen ki emlékszik arra egy hónap távlatából, hogy pontosan mi okozta az adott gép meghibásodását, vagy miért is keletkezett annyi selejt? A hatékony működéshez nem elegendő csak alkalmanként értékelni a folyamatainkat, azokat objektíven, előre meghatározott kulcs teljesítménymutatók alapján folyamatosan értékelnünk kell, problémák felmerülése esetén pedig minél hamarabb elvégezni a hibajavító intézkedéseket.

Plan – Probléma azonosítása és a megoldás tervezése

Csak azt tudjuk jól irányítani, amit mérni tudunk. Adatalapú működés hiányában a problémák azonosítása során főként intuíciókra, megérzésekre támaszkodhatunk. A fókusz megtalálásában ugyan támaszkodhatunk szakértői véleményekre, tapasztalatokra, azonban ez nem minden esetben elérhető. Ezzel szemben a megfelelő adatok, historikus információk birtokában objektíven azonosíthatók a legnagyobb veszteségeket okozó tényezők, legyen szó akár a gyártási költségekről, a termelési hatékonyságról vagy akár minőségi problémákról. Az adatvagyon birtokában feltárhatjuk a hatékony működést hátráltató tényezőket, azok hatásának mértékét és gyökérokait, értékelhetjük a fejlesztési potenciálokat.

Do – Intézkedések bevezetése

Ha azonosítottuk a problémát, meghatároztuk a szükséges intézkedéseket, kijelölhetjük azokat a KPI-okat, amelyekkel az intézkedések megvalósulását ellenőrizni tudjuk. A KPI-ok mellé rendelt célértékek segítenek a visszamérés értékelésében, valamint döntéstámogatóként alkalmazhatók a beavatkozás szükségességének megállapítására.

Check – Ellenőrzés és visszacsatolás

A kiválasztott kulcs teljesítménymutatók és kijelölt célok teljesülésének mérése elengedhetetlen kelléke a működés folyamatos fejlesztésének. A valós idejű adatgyűjtés, feldolgozás és elemzés eredménye a megfelelő vizualizáció segítségével lehetővé teszi a KPI-ok célértékeinek folyamatos ellenőrzését. Az edge computing koncepció révén adatfeldolgozás azok keletkezési helyén is megvalósítható, jelentős számítási kapacitást megtakarítva, hiszen ezáltal sokkal kisebb adatcsomagokat kell a központi adatgyűjtő- és feldolgozó egységbe továbbítani. Ezáltal a teljesen központosított adatgyűjtéshez képest gyorsabban és költséghatékonyabban aggragegálhatjuk mérési adatainkat. A valós idejű adatelemzés és vizualizáció érdekében ez a decentralizált feldolgozási módszertan megkerülhetetlen.

Act – Beavatkozás

A termelési folyamatok irányítása akkor tud sikeresen működni, ha a mért kulcs teljesítménymutatók alapján nem csak döntéseket hozunk, hanem be is avatkozunk a folyamatba. A valós idejű megfigyelés lehetővé teszi a szinte azonnali beavatkozást. A beavatkozás reakcióideje a folyamat automatizáltságának mértékétől függ. A teljesen automatizált folyamat természetesen nem minden esetben kivitelezhető, illetve a hatás-ráfordítás tekintetében sokszor nem minősül optimális megoldásnak. Ilyen esetekben a beavatkozás minél rövidebb időn belüli megvalósulását a probléma megoldásáért felelős személyek felé küldött automatikus értesítésekkel, eszkalációs folyamattal, valamint a döntéseket támogató információrendszerrel érdemes támogatni.

#1 alkalmazási példa – Termelési hatékonyság adatalapú, folyamatos fejlesztése

A gyártásban érintett gépek vezérlőegységei számos működési paraméter mérésére és rögzítésére lehetnek képesek. Többek között vizsgálható a gyártás ciklusideje, illetve a gyártott mennyiség. A hálózatba kapcsolt eszközök, termelő berendezések lehetővé teszik ezen paraméterek valós idejű megfigyelését. A termelt mennyiség összehasonlítható a tervezett mennyiséggel, elmaradás nem a műszak végén, vagy rosszabb esetben a tervezett kiszállítás előtt derül ki. A terv-tény összevetés vizualizálható, valamint a gyári layout-on megjeleníthető. Az esetleges elmaradásokat a termelési vezetők távolról is azonosíthatják, a beavatkozás célzottan, termelő berendezés szintjén valósulhat meg.

A gyártási ciklusidő nyomon követésével tájékozódhatunk az egyes gépek, berendezések vagy akár a dolgozók hatékonyságáról. A mért ciklusidőket az elvárttal összevetve azonosíthatjuk a nem hatékonyan működő területeket. A gyártási ciklusidő mérésével feltárhatjuk továbbá azokat a területeket, folyamatokat, amelyek az aktuálisan elvárttól nagyobb termelékenységgel is végezhetők. A tények, mért adatok becsatornázása a törzsadatkezelésbe lehetővé teszi a pontosabb erőforrástervezést.

#2 alkalmazási példa – Nem tervezett gépállások csökkentése prediktív karbantartással

A prediktív karbantartás módszertani háttere már régóta rendelkezésre áll, azonban elterjedését sokáig gátolta a hatékony adatgyűjtést támogató technológiák korlátozott rendelkezésre állása. A távoli megfigyelésre alkalmas szenzorok elterjedésével, valamint ezen eszközök árainak folyamatos csökkenésével egyre szélesebb körben válik elérhető technológiává a prediktív karbantartás.

Lényege, hogy az adott eszköz működését meghatározó kulcs paraméterek valós időben történő megfigyelésével, (rezgésdiagnosztika, hőmérséklet-mérés, energia-felvétel mérése stb.) a paraméterértékek alapján azonosíthatók a működésbeli anomáliák, valamint előre jelezhető az eszközök hátralévő hasznos élettartama. A prediktív karbantartás segítségével jelentősen csökkenthetők a nem tervezett gépállások. Bár a hibaelhárító karbantartási feladatok teljes mértékben nem szoríthatók vissza, a hátralévő hasznos élettartartam előrejelzése segítséget nyújthat a karbantartási feladatok optimális ütemezésében.

A prediktív karbantartás azokon a területeken bír különösen nagy jelentőséggel, ahol a nagyértékű termelőeszközök kiesése, nem tervezett állása számottevő költségekkel jár. A prediktív karbantartási programok bevezetése nem pusztán a karbantartási költségek 20-30%-os csökkentését is eredményezheti, de javítja a gépek rendelkezésre állását is, hozzájárulva ezzel a termelékenység növeléséhez, a gépkapacitások optimális kihasználáshoz is.

1. ábra Prediktív karbantartási ciklus folyamatábra, IFUA projektpélda

#3 alkalmazási példa – Adatvezérelt minőségirányítás

A gyártott termékek 100%-os minőségellenőrzése számos iparágban a termelési folyamat elengedhetetlen része, főként azon területeken, ahol a gyártmányok szigorú biztonsági követelményeknek kell megfelelnie. A valós idejű, adatalapú termékminőség-ellenőrzési folyamatok, mérések elvégzésével a nem megfelelőségek már a gyártás folyamatában azonosíthatók. A mérési eredmények alapján – gyártó berendezés vezérlésétől, valamint a termék kialakításától függően – automatikus utómunka, korrekció végezhető. Ezáltal a gyártóeszközből nem kerül ki olyan termék, amely nem felel meg a minőségi követelményeknek.

A gyártással párhuzamosan végzett minőségellenőrzésből származó adatok nem csak a termelés közbeni beavatkozást teszik lehetővé. A gép működési paramétereinek megfigyelésével feltárható az egyes beállítások minőségre gyakorolt hatása. Az elemzések eredménye felhasználható a gép beállítási, illetve kalibrálási paramétereinek finomhangolására is. Amennyiben modellezhető a gép működési paramétereinek minőségre gyakorolt hatása, a termelőeszközök kalibrálásán túlmenően a minőségellenőrzési és gyártási adatvagyon a selejt keletkezésének előrejelzéséhez is alkalmazható. Adott gépbeállítás vagy esetlegesen rendellenes üzemelés detektálásával párhuzamosan prognosztizálható a selejt keletkezésének valószínűsége.

Problémától a megoldásig – hogyan alakítsuk ki az adatvezérelt működést?

A nem megfelelően tervezett, az adatvezérelt működést célzó projektek útja jelentős költségekkel, redundáns adatrögzítéssel és rendszerekkel, valamint konfliktusokkal, munkatársi elégedetlenséggel van kikövezve. Összegyűjtöttünk néhány alapelvet, amire érdemes figyelnünk hasonló projektek során, hogy a bevezetés hatékony és gördülékeny legyen.

Azonosítsuk a problémapontokat

  • Vizsgáljuk meg a működés hatékonyságát hátráltató tényezőket és azok gyökérokait.
  • Mérjük fel ezen tényezők hatását és rangsoroljuk őket a hatás mértéke szerint. A sorrend segít a fókusz megtalálásában.
  • Értékeljük a probléma megoldásának megvalósíthatóságát. Foglalkozzunk azokkal a problémákkal, amelyek elemzéséhez szükséges adatokat mérni tudjuk.
  • Összpontosítsunk elsődlegesen azokra a területekre, ahol rövidebb időn belül tudunk eredményeket elérni.

Határozzuk meg, hogy mit, miért és hogyan akarunk mérni

  • Definiáljuk azokat a kulcs teljesítménymutatókat, amelyeket mérve megteremthetjük a beavatkozás lehetőségét, megelőzve ezzel azokat a problémákat, amelyeket korábban a leginkább kritikusként azonosítottunk.
  • Vizsgáljuk meg, hogy az adott KPI-okhoz milyen adatkörök mérésére van szükség.
  • Azonosítsuk a mérni kívánt adatok forrását – előfordulhat, hogy egy mutatóhoz több forrásból szükséges adatokat kinyerni
  • Határozzuk meg az adatok feldolgozásának helyét és módszertanát – összpontosítsunk a hatékony, redundanciát mellőző módszertanokra és eszközökre.

Alakítsuk ki a szervezeti integrációt

  • A mért KPI-okat építsük be a mindennapi döntéshozatalba: teremtsük meg a beavatkozás lehetőségét, ahol lehet.
  • Fordítsunk figyelmet a munkatársak bevonására, képzésére, az adatelemzési és értelmezési képességek fejlesztésére.
  • Ügyeljünk az adatminőség és elemzés folyamatos fejlesztésére, különös tekintettel a törzsadatokra és ezek változáskövetésére.
  • Bővítsük az alkalmazási területek körét, terjesszük ki az adatvezérelt döntéshozatalt a működés minél több területére.

Az IFUA Horváth faltól falig megoldásokat kínál a működési hatékonyságot hátráltató tényezők azonosításától, a szükséges kulcs teljesítménymutatók meghatározásán át az elemzési eredmények szervezeti integrációjáig. Ha szeretne tájékozódni, írjon Vári Attilának, az IFUA Horváth partnerének, az attila.vari@horvath-partners.com címre.