Tento článek blogu navazuje na svou předešlou část “Dosažení magických zisků ve výrobní efektivitě měřením celkové efektivity zařízení (OEE) – 1. část”. Ten se zaměřil na otázku, jak dosáhnout efektivity výroby pomocí OEE a další metriky nazvané ztrátové nasazení. Konverzaci posuneme hlouběji diskusí o tom, jak dosáhnout prediktivního povědomí o efektivitě výroby.
Když výrobní společnosti oslovují ICONICS a naše partnery v oblasti systémových integrátorů, kromě toho, že hledají zlepšení ve svém OEE, chtějí také známku toho, že jejich výkon či efektivita se může pokazit ještě předtím, než k tomu opravdu dojde. Chtějí nějaký druh prediktivního povědomí. Součástí projektu efektivity výroby není jen najít vhled do současných provozních výzev ke zlepšení efektivity, ale jít dále a dosáhnout prediktivního povědomí o této účinnosti. Pro detailnější nastínění nejprve vysvětlím OEE.
Rychlé osvěžení celkové účinnosti zařízení (OEE)
Ve většině snah o efektivitu výroby, jak již bylo vysvětleno v první části tohoto článku začínáme s celkovou účinností zařízení (OEE). Výchozím bodem je tedy měření dat pro lepší zaměření našeho úsilí. Jen pro osvěžení paměti se OEE skládá z monitorování dostupnosti stroje (což je doba provozuschopnosti versus prostoje), vynásobené jeho výkonem (což je rychlost procesu nebo stroje ve srovnání s navrženou rychlostí daného stroje), vynásobená kvalitou produktu vyrobeného tímto strojem (což jsou dobré díly versus špatné – prodejné díly versus odpad). Součet doby provozuschopnosti stroje, výkonu stroje a jeho kvality nám říká celkovou efektivitu stroje.
Poměrně často se v některých odvětvích k OEE přidává ještě čtvrtý pilíř, který zohledňuje použitý materiál. Jedná se o materiál, který byl dodán jako balené nebo paletizované zboží v porovnání se surovinou, která vstoupila do procesu. Tento čtvrtý pilíř často vstupuje do hry například v potravinářském a nápojovém průmyslu nebo u čehokoli, co souvisí s plasty a obaly ve výrobě, kde kromě toho, že víme, zda je linka k dispozici, chceme také znát výkon linky. Chceme znát kvalitu produktu a efektivitu, s jakou jsme použili materiál, ze kterého byl produkt vyroben. Pokud to vezmeme dále, můžeme naše scóre OEE porovnat s jednotlivými náklady. Podíváme se na náklady za provoz linky z hlediska nákladů na kapitálové vybavení, náklady na materiál, na pracovní sílu a spotřební materiál. Je důležité dívat se nejen na efektivitu linky, ale také na cenu práce k dosažení optimální produkce.
Po zvážení těchto metrik by další úrovní v projektu efektivity výroby bylo hledání způsobu, jak dosáhnout prediktivní analýzy pro zlepšení našeho výkonu, využití surovin, doby provozuschopnosti stroje, kvality výrobku a tak dále. Abychom pochopili, jak se dostat do tohoto bodu, je důležité mít určité znalosti o konceptu DIKW nebo procesu přeměny dat na informace a následně ze znalostí na moudrost.
Po cestě Dat, Informací, Znalostí, Moudrosti (DIKW)
Koncept zvaný DIKW (Data, Information, Knowledge, Wisdom) nám umožňuje uvažovat o našem projektu sběru dat či analýzy dat tak, že začneme nákladově efektivním a organizovaným sběrem nezpracovaných dat systému a poté je převedeme na informace aplikováním korelace. Pokud například vezmeme data a spojíme je s danou linkou nebo strojem, stanou se tato data informacemi, které jsou spojeny s aktivem. Pokud tato data spojíme s danou směnou, operátorem, šarží nebo typem produktu, vzali jsme tato efektivně uspořádaná nezpracovaná data a převedli je na informace tím, že jsme je přiřadili k produktu či stroji, ze kterého pocházejí. Dalším krokem je přemýšlet o dosažení znalostí, což znamená vzít informace a vykreslit je tak, abychom se z nich mohli poučit. Řekněme například, že máme dva produkty: červený a modrý produkt. Můžeme se podívat na graf, který nám ukazuje srovnání naší efektivity při provozu modrého produktu a při provozu červeného. Můžeme získat nějaké znalostí tím, že se na tyto informace podíváme. Uvidíme například, že proces spuštění jednoho produktu je efektivnější než proces u toho druhého. Tyto procesní body dat, informací a znalostí jsou tam, kde je dnes většina závodů. Abychom dosáhli moudrosti, což je ono prediktivní chápání toho, co přijde dál, musíme projít základ, který je založen na datech, která máme před sebou.
K dosažení moudrosti potřebujete dva klíče, které vám pomohou dostat se od poznání k moudrosti. Nejprve potřebujete vhled. Někteří lidé mohou mít sklon skočit rovnou do umělé inteligence (AI) a strojového učení (ML) jako nástrojů pro získání vhledu, jak se dostat od znalosti k moudrosti. Ale než se ponoříme příliš do tématu Al a ML, doporučujeme udělat krok zpět. Zvažte zkušenosti a znalosti, které máte již na dosah ruky, abyste se dostali k prediktivnímu povědomí. Využijte zkušenosti a znalosti vašich zaměstnanců, než se rozhodnete použít umělou inteligenci a strojové učení navíc. Jejich odborné znalosti a know-how vám pomohou předvídat - požadavky na údržbu, ztrátu výkonu a kvality. Dalším klíčem je umět přesně měřit (a sledovat) dopad vaší investice. Pokud investujete do času a technologie, abyste přeskočili ze svého současného systému založeného na znalostech do systému založeného na moudrosti, je nezbytné, abyste dokázali prokázat návratnost této investice. Způsobem, jak změřit tento dopad, je vrátit se zpět a podívat se na změnu OEE vaší efektivity. Měl váš přechod od znalostí k moudrosti ve skutečnosti pozitivní dopad na OEE, a proto oprávnil investici, která byla provedena? Tyto úvahy a tento přístup mohou vést k prediktivnímu povědomí o účinnosti: prediktivní údržba, prediktivní výkon i kvalita. Představuji si, že v tomto bodě chcete vidět, jak na to, zde je tedy několik příkladů.
Můžete se podívat na Dosažení magických zisků ve výrobní efektivitě (relace z naší webové série Transform 360 ). V tomto webovém vysílání prezident společnosti Data Acuity Inc. Jim Desrosiers, odborník na projekty OEE a efektivitu výroby jasně vysvětluje, jak vytvořit prediktivní povědomí o efektivitě výroby a uvádí příklady pro dosažení prediktivní údržby, výkonu a kvality. Pokud jste webcast ještě neviděli, klidně tak udělejte a vraťte se k tomuto článku… Nyní, když víte, že můžete dosáhnout zvýšení efektivity výroby spolu s prediktivním povědomím, možná vás zajímá, jak takový project zahájit. Zde je několik tipů:
Co je třeba zvážit, když se pustíte do projektu efektivity výroby
1. Začněte nahoře (spotřeba dat), ne dole (zdroj dat).
Inženýři mají tendenci se zaměřovat na jednotlivé problémy, jeden technický detail za druhým. Pokud však začínáte s projektem efektivity výroby, je důležité odložit tuto přirozenou tendenci soustředit se vždy na jeden detail a místo toho jít na úplně vyšší úroveň, až ke konečnému výsledku projektu, abyste zvážili spotřebu dat nebo jak se tato data měla zobrazovat, nikoli zdroje dat, které máte k dispozici. Budete tedy přemýšlet o obrazovkách, zprávách a webových stránkách, které se snažíte dát dohromady a které vám poskytnou náhled na vaši efektivitu a povedou k prediktivnímu povědomí. Pak můžete pracovat směrem ke zdroji dat, který vás tam dostane.
2. Uspořádejte své úsilí spíše podle oblasti předmětu a pracovních rolí než podle přirozené tendence organizovat je podle stávajících nástrojů.
Pokud máte nedostatek pracovních sil v oddělení údržby, je důležité zaměřit své úsilí na tyto oblasti a pracovní role, na rozdíl od toho, co je aktuální sada nástrojů před vámi. Na konci dne jsou vaši lidé vaším nejcennějším majetkem, a proto je důležité zajistit, aby vaše úsilí zahrnovalo jejich odborné znalosti a zároveň získání jejich důvěry a koupě stroje byla vybíraná i s ohledem na zefektivnění jejich práce.
3. Pochopte dlouhodobé možnosti, ale postupujte vpřed realistickým a vysoce sebevědomým prvním krokem.
Obvykle chcete zvážit typy spotřeby dat, kterých byste chtěli dosáhnout, abyste dosáhli vyšší efektivity ve vašem závodě během počátečního období projektu, které je obvykle tři až pět let. Je nesmírně cenné soustředit se zezačátku na jeden malý projekt. Zvažte proto, kam se chcete dostat, mějte tyto znalosti na paměti, když následně navrhujete systém. Abyste mohli udělat první krok, musíte zformovat malý projekt s vysokou šancí na úspěch, abyste mohli začít.
4. Zamyslete se nad datovými strukturami, které berou v úvahu budoucí korelace.
Pokud jste přemýšleli o spotřebě dat, kterou potřebujete pro svůj projekt, o grafice a hlášeních, které chcete implementovat v průběhu tří až pětiletého plánu při vytváření svého prvního menšího kroku, možná budete chtít začít budovat datové struktury, datové tabulky, aby obsahovaly vhodné informace o kvalitě a výkonu, které vám pomohou s těmito datovými korelacemi.
5. Zvažte určitou úroveň agilního projektového řízení/Agile Project Management.
Nemusí to být formální agilní struktura, ale stačí mít na paměti, že když uvažujete o počátečním rozsahu práce nebo počátečním návrhu projektu, s největší pravděpodobností se může směr projektu změnit. Při shromažďování dat a analýze dat se naučíte, jaké jsou skutečné ztráty efektivity, a pak možná budete muset odbočit a vydat se jinou cestou. Proto je nezbytné být připraven a být schopen se rychle přizpůsobit díky agilní struktuře projektu.
6. Pokud je čas, proveďte formalizované hodnocení
Provedení formalizovaného posouzení před vybudováním systému dat o efektivitě výroby může být obrovskou úsporou času. Chápeme, že v reálném světě může být těžké odložit si čas a rozpočet na formalizované hodnocení. Téměř vždy potřebujeme vzít ten první projekt, abychom se dostali do pohybu. Ale pokud máte čas, použijte jej k posouzení.
7. Použijte postupný přístup k nasazení.
Musíte být připraveni na to, že projekty efektivity výroby obvykle nejsou „jednorázovým“ projektem. Tyto projekty budou žít svým vlastním životem s iterativními procesy evoluce a zlepšování. Proto je velmi rozumné (a myslíme si, že i chytré!) přistupovat k projektu postupně, dokončit první fázi, aby se zobrazily nějaké výsledky a pak přejít k druhé fázi, aby se výsledky prokázaly více. Tímto způsobem může projekt efektivity výroby růst a posouvat se kupředu a poskytovat výnosy po neomezenou dobu.
8. Sledujte návratnost investic.
Je nesmírně důležité sledovat dopad vaší práce, abyste se ujistili, že vaše návratnost převýšila náklady nebo investice do projektu sběru dat. Sledujte tedy návratnost investic.
Promluvte si s odborníky, až budete připraveni zahájit svůj projekt efektivity výroby
Cílem této dvoudílné blogové série bylo poskytnout vám přehled o přínosech, které můžete očekávat od projektu efektivity výroby a o tom, co je třeba zvážit před zahájením takového projektu. Nemusíte na to však být sami. Existují odborníci s desítkami let zkušeností a nesmírným množstvím znalostí v oboru, kteří vám pomohou a povedou vás. Jsou to společnosti jako ICONICS a Data Acuity. Hodnotu, kterou vám i vaší společnosti mohou přinést můžete plně pochopit, když se podíváte na Dosažení magických zisků ve výrobní efektivitě. V tomto webcastu vysvětluje supervizor prodeje řešení ICONICS Jotham Kildea klíčové prvky úspěšného projektu efektivity výroby a technologii i zkušenosti, které může ICONICS do takového projektu přinést, zatímco prezident společnosti Data Acuity Jim Desrosiers vysvětluje všechna, JAK a PROČ u projektů efektivity výroby. Zahrnuje také příklad použití u našeho zákazníka Catania Oils a další příklady.
Vzhledem k tomu všemu skutečně neexistuje žádný důvod, proč nepokračovat ve svém projektu efektivity výroby a nezlepšit tak svou provozní efektivitu. Dobrá obchodní praxe je založena na neustálém zlepšování efektivity a nyní je čas začít pracovat na dosažení těchto zisků.