Dlaczego?

<strong>W TT PSC wierzymy, że aby osiągnąć rzeczywiste cele (r)Ewolucji technologicznej i prawdziwie zrozumieć czym jest Przemysł 4.0, liderzy branży przemysłowej powinni polegać na rzetelnych danych gromadzonych w czasie rzeczywistym.</strong> Na tym fundamencie można budować wiedzę i świadomość, a następnie identyfikować działania wymagające poprawy.<br><br>W serii <em>Lesson Learned Explained</em> przedstawiamy przykłady zrealizowanych projektów wraz z wyciągniętymi wnioskami. Mamy nadzieję, że ten materiał pomoże Ci uniknąć przynajmniej części pułapek na drodze do Cyfrowej Transformacji.

Wprowadzenie

W sektorze żywności i napojów (zwanym inaczej FMCG – Fast Moving Consumer Goods) osiąganie wysokich wskaźników KPI, takich jak dostępność, wydajność i jakość, ma kluczowe znaczenie dla efektywności operacyjnej i zachowania przewagi konkurencyjnej. Nasz klient, firma działająca w tej branży, napotkał trudności w utrzymaniu optymalnych wyników na półautomatycznych liniach produkcyjnych ( w tym przypadku pracownicy korzystają z narzędzi lub maszyn, jednak kluczowa jest tu obsługa człowieka, a narzędzia są jedynie pomocą). Zidentyfikowano konieczność wdrożenia zaawansowanych narzędzi do monitorowania procesów produkcyjnych oraz analizy danych, które pozwoliłyby na precyzyjne określenie pierwotnych przyczyn problemów z niskimi wskaźnikami KPI.

Wyzwanie

Pomimo wdrożenia systemu kalkulacji KPI opartego na rzeczywistych danych z maszyn (PLC), firma w dalszym ciągu borykała się z problemami związanymi z niską dostępnością i wydajnością. Pierwsze analizy wykazały, że wdrożone narzędzia monitorujące przestoje maszyn nie dostarczały wystarczających informacji do pełnego zrozumienia problemu.

Zidentyfikowano, że większa część przestojów miała miejsce podczas zmian nocnych, co wzbudziło podejrzenia o nieprawidłowe zarządzanie tą częścią harmonogramu produkcyjnego.

Rozwiązanie

Aby skutecznie rozwiązać problem, wdrożono kompleksowy zestaw działań obejmujący:

  • Integrację z maszynami i systemami korporacyjnymi: Zastosowano zaawansowane rozwiązania integracyjne, które umożliwiły bezpośrednie połączenie z maszynami (PLC) oraz systemami ERP, co pozwoliło na automatyczne zbieranie danych w czasie rzeczywistym.
  • Zaawansowaną wizualizację danych: Wdrożono intuicyjne panele kontrolne (dashboardy) umożliwiające szybki dostęp do kluczowych wskaźników wydajności, co przyczyniło się do efektywniejszej analizy i podejmowania decyzji w trybie natychmiastowym.
  • Historyzację sygnałów i obliczeń: Wszystkie zebrane dane były archiwizowane, co umożliwiło monitorowanie trendów długoterminowych oraz bardziej szczegółową analizę zmian w czasie.
  • Kontekstualizację danych: Dla lepszej interpretacji wyników, dane dotyczące przestojów maszyn zostały skorelowane z harmonogramem zmian roboczych, co ułatwiło identyfikację konkretnych źródeł problemów.

Efekt

Wdrożenie systemu automatycznego zbierania danych oraz zaawansowanej analizy KPI, pozwoliło na zidentyfikowanie kluczowego problemu: większość przestojów występowała podczas nocnych zmian, które nie były wcześniej odpowiednio raportowane.

Okazało się, że przestoje miały charakter „przypadkowy”, co sugerowało, że personel nocnej zmiany nie przestrzegał odpowiednich procedur operacyjnych, co negatywnie wpływało na wyniki produkcji.

Korekta

Po analizie danych, kierownictwo firmy podjęło odpowiednie działania naprawcze:

Środki dyscyplinarne: Jedna osoba odpowiedzialna za nadzór nad nocną zmianą została pociągnięta do odpowiedzialności dyscyplinarnej, co miało na celu wyeliminowanie przyszłych przypadków zaniedbań.

Dodatkowe szkolenie personelu: Przeprowadzono ponowne szkolenia dla pracowników nocnej zmiany, aby zapewnić pełne zrozumienie i przestrzeganie procedur operacyjnych oraz standardów jakościowych.

Wnioski

Klient pierwotnie zwrócił się z prośbą o wdrożenie rozwiązania, które umożliwi automatyczną kalkulację KPI, na podstawie rzeczywistych danych maszynowych, eliminując ręczne raportowanie. Jednak sama kalkulacja KPI okazała się niewystarczająca. Dopiero po skorelowaniu danych o przestojach z harmonogramem zmian roboczych, udało się zidentyfikować prawdziwe źródło problemu – nieefektywne zarządzanie nocną zmianą.

Dzięki wdrożeniu odpowiednich działań naprawczych firma znacząco poprawiła wskaźniki dostępności i wydajności maszyn, co przyczyniło się do wzrostu efektywności operacyjnej.

To kontekst i historia przekształcają dane w informacje. Ludzie powinni wykonywać pracę twórczą; algorytmy mogą nam pomóc wykonując tę precyzyjną i powtarzalną.

Interesuje cię cyfrowa transformacja w Twoim przedsiębiorstwie? Sprawdź inne przykłady wdrożeń i wyciągniętych z nich wniosków:

Lesson Learned Explained:  Jak właściwe zbieranie i przechowanie danych okazało się kluczowe w predyktywnym utrzymaniu ruchu