Home / Blog / Internet Rzeczy / Lesson Learned Explained: Poprawa KPI w Branży FMCG dzięki automatyzacji i analizie danych z półautomatycznych linii produkcyjnych
_Lesson Learned Explained: Poprawa KPI w Branży FMCG dzięki automatyzacji i analizie danych z półautomatycznych linii produkcyjnych
autor
Jakub Kaczyński
Industrial Portfolio Director
10 października 2024
Czas czytania: 3 minuty
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: Wdrożenie programu ciągłej innowacji w sektorze obronnym
W dynamicznym świecie lotnictwa i przemysłu zbrojeniowego, jeden z naszych klientów postanowił podjąć wyzwanie: jak skutecznie zwiększyć wykorzystanie nowoczesnych technologii i utrzymać konkurencyjność? Odpowiedzią miało być wdrożenie Programu Ciągłej Innowacji, jako fundamentu nowego modelu biznesowego. Kluczowym elementem tego programu było regularne testowanie technologii, aby wprowadzać na rynek innowacyjne produkty.
Lesson Learned Explained: Zaawansowana cyfryzacja produkcji, AR/VR oraz HoloLens w branży farmaceutycznej
Firma z sektora farmaceutycznego postawiła sobie za cel zwiększenie swojej innowacyjności poprzez aktywne testowanie nowoczesnych technologii. Kluczowym wyzwaniem było umiejętne oraz efektywne zintegrowanie nowinek technologicznych z obszarem produkcji, aby zbierać i analizować dane w czasie rzeczywistym. Firma chciała pokazać, że jest w „ścisłym peletonie” cyfryzacji produkcji, co miało również na celu zwiększenie jej konkurencyjności na rynku.
Lesson Learned Explained: Integracja systemów i modelowanie danych dla poprawy jakości produkcji półprzewodników
Przedsiębiorstwo z sektora przemysłu elektronicznego, specjalizujące się w wytwarzaniu półprzewodników, postawiło sobie za główny cel wprowadzenie usprawnień wpływających pozytywnie na jakość produktów końcowych. Kluczowym elementem było monitorowanie i identyfikacja korelacji, które pozwolą przewidywać jakość wyrobów schodzących z linii produkcyjnej. Wykorzystano do tego dane pochodzące z maszyn oraz stacji kontroli jakości, które następnie podlegały dogłębnej analizie. Dzięki temu firma mogła lepiej zrozumieć, jakie czynniki wpływają na końcową jakość ich produktów.
Lesson Learned Explained: Monitorowanie i poprawa stabilności produkcji oraz wzrost jakości wyrobów – branża motoryzacyjna
Firma z branży motoryzacyjnej potrzebowała rozwiązania do monitorowania produkcji, by poprawić jakość wyrobów końcowych. Kluczowym elementem było zidentyfikowanie problemów poprzez analizę danych jakościowych w korelacji z danymi produkcyjnymi. Szczególną uwagę poświęcono strefie formowania i chłodzenia odlewów, gdzie jakość produktów była szczególnie zmienna.
Lesson Learned Explained: Pełna wizualizacja danych w procesie wytwarzania komponentów dla automatyki
Globalna firma z branży produkcji akcesoriów elektrycznych, wykorzystywanych w automatyce, stanęła przed wyzwaniem poprawy kluczowych wskaźników wydajności (KPI), w szczególności zwiększenia dostępności i efektywności gniazd produkcyjnych. Każde gniazdo robocze obejmowało wiele etapów montażu i produkcji na różnych stanowiskach oraz lokalizacjach, co wymagało skoordynowanego podejścia do zarządzania pracą, materiałami oraz odpowiedniego planowania.
Lesson Learned Explained: Cyfryzacja procesów raportowania w branży produkcji opakowań szklanych
Klient, lider w sektorze produkcji opakowań szklanych, zgłosił potrzebę wdrożenia zintegrowanego systemu zarządzania danymi produkcyjnymi, który miałby na celu wyeliminowanie przestarzałych, manualnych metod raportowania.
Lesson Learned Explained: Jak właściwe zbieranie i przechowanie danych okazało się kluczowe w predyktywnym utrzymaniu ruchu
W przemyśle lotniczym i obronnym, który charakteryzuje się szczególnie wysokimi wymaganiami w zakresie precyzji i niezawodności, kluczowe wskaźniki efektywności w utrzymaniu ruchu, przewidywania awarii czy monitorowanie stanu maszyn, mają kluczowe znaczenie.
Jak zwiększyć efektywność produkcji bez inwestycji w park maszynowy?
Nie musisz wymieniać maszyn na nowe, aby Twoja produkcja stała się bardziej "inteligentna" oraz wydajniejsza. Twój park maszynowy jest kopalnią danych, a kluczem do sukcesu jest cyfryzacja.
7 sposobów jak widoczność danych zwiększa efektywność produkcji
XXI wiek to czas kiedy dane odgrywają coraz większą rolę, a trend ten zauważalny jest również w branży produkcyjnej. Gromadzenie ich to jednak za mało. Dopiero dzięki dostępowi do danych operacyjnych i zapewnieniu ich widoczności w czasie rzeczywistym, firmy mogą monitorować linie produkcyjne, identyfikować wąskie gardła i podejmować oparte na danych decyzje, również z wykorzystaniem sztucznej inteligencji (AI) i uczenia maszynowego (ML).