Dataopsamling i produktion til anvendelse for procesoptimeringer

Præsentationer af emnet: "Dataopsamling i produktion til anvendelse for procesoptimeringer"— Præsentationens transcript:

1 Dataopsamling i produktion til anvendelse for procesoptimeringer
Case: Holmris Group Udarbejdet af Tanya Sørensen, faglig leder, Teknologisk Institut

2 Om virksomheden Holmris Group består af 3 stærke brands:
Holmris A/S Labofa A/S Spaces by Holmris A/S Antal ansatte i Holmris Group: Ca. 200 Holmris A/S med fabrik i Bjerringbro har deltaget i casen Antal ansatte på fabrikken i Bjerringbro: Ca. 80

3 Om virksomheden Holmris A/S er et familieejet firma, som gennem 3 generationer har leveret møbler til det danske bolig- og projektmarked Siden 1994 har Holmris A/S specialiseret sig i kontormøbelinventar, og er nu blandt de mest innovative danske virksomheder indenfor dette område Holmris A/S arbejder løbende med nytænkende danske designere, som er med til at "rykke" tankegangen indenfor kontormøbler og dermed sikre, at Holmris A/S hele tiden er på forkant med nye ideer, funktionalitet og ergonomi

4 Udfordringer Holmris A/S har et ønske om høj leveringspræcision og korte leveringstider Holmris laver registreringer, hver gang der haves en hastetransport for at overholde leveringstiden, samt hvis der leveres for sent For hver registrering skal produktionschefen vurdere årsagen til forsinkelsen, hvilket der laves statistik på Årsagsregistreringen laves ikke i selve produktionen, hvorved datakvaliteten af analysen kan være usikker

5 Udfordringer Følgende hovedårsager anvendes i dag: Kundeservice
Maskinafdelingen Montage Indkøb Lager Lakafdeling Produktudvikling PTA Andet

6 Udfordringer Datakvalitet:
Årsagskoderne på tidligere slide indikerer, hvilke årsager som der menes at være skyld i for sen levering Dataene inkluderer ikke: Hvor produktionen har ”reddet” en levering med overarbejde Hvor produktionen har flyttet om på ordre, så maskinerne holdes i gang, trods manglende information fra fx PTA Årsager til hvorfor montage og maskinafdelingen er forsinket fx: Ordren er ikke beskrevet godt nok, hvorved maskinoperatøren skal anvende tid på opklaring sammen med kundeservice Materialer er ikke fundet frem, hvorved maskinoperatøren skal gå fra maskinen for at hente materialer

7 Udfordringer Fabrikken i Bjerringbro har en flaskehals, Homag 320, i maskinproduktionen Maskinen er bemandet med en person i hele produktionstiden I planlægningsafdelingen beregnes med en maskinrådighed (oppetid) på maskinen på timer per produktionsdøgn (produktionstid minus pauser), fredage 6,0 timer

8 Fokusområder Teknologisk Institut har fokuseret på følgende områder:
Indsamling af data til OEE beregning for flaskehals i produktion (Homag 320) Ud fra dataene at kunne beregne / definere: Hvilken OEE har Homag 320? Hvilke hovedårsager skyldes evt. lav OEE på Homag 320? Hvilken oppetid er realistisk at anvende i planlægningsafdelingen? Udvikle / rådgive i værktøjer, således at Holmris selv kan lave lignende analyser på andre anlæg eller områder i virksomheden

9 Dataopsamling Holmris A/S har kontaktet deres maskinleverandør og fået aktiveret dataopsamling i PLC på Homag 320 Teknologisk Institut deltager i en kort introduktion hos Holmris A/S sammen med Homag for at se dataopsamlingssystemet på maskinen Teknologisk Institut udarbejder en simpel manual til dataopsamling, hvilket indeholder valg af stopkoder, PLC på maskinen laver selve opsamlingen af tidsregistreringen Der er et ønske om at opsamle: Antal stop per stopkode Antal minutter per stop per fejlkode

10 Dataopsamling Uddrag fra manual - stopkoder:

11 Dataopsamling Resultater:
Der laves dataudtræk til Excel fra første uges kørsel Dataudtrækket viser: Sum over produktionstimer Sum over hver farvekode (ikke stopkode) Maskinleverandøren har været kontaktet for at undersøge, hvorfor det ikke er muligt at få de ønskede data ud Efter nærmere analyse har maskinleverandøren konstateres, at det ikke er mulighed at få de ønskede dataudtræk, det vil kræve en programændring

12 Dataopsamling Analyse af data fra de 2 første uger giver: Uge 49:
Kalendertid: 82,4 timer Planlagt oppetid (pauser fratrukket): 75,15 timer Nedetid – alle koder: 52,05 timer OEE: 31% Uge 50: Kalendertid: 101,4 timer Planlagt oppetid (pauser fratrukket): 94,15 timer Nedetid – alle koder: 66,95 timer OEE: 29%

13 Dataopsamling Delkonklusion:
Det er nødvendigt at finde en måde, hvorpå de ca. 70% manglende OEE analyseres Løsningsforslag: Der kan kun anvendes en stopkode per farvekode, hvis der skal laves en korrekt analyse på stopdata Aktion: Udarbejdelse af opdateret manual

14 Dataopsamling Ny manual:

15 Dataopsamling Analyse af data efter justering af dataopsamlingen:
Uge 51: Kalendertid: 76,9 timer Planlagt oppetid (pauser fratrukket): 71,4 timer Nedetid (per kode): 1. Programmering: 20,6 timer 2. Andet herunder håndtering: 18,6 timer 3. Rengøring, klargøring, vedligehold: 5,8 timer 4. Materialemangel: 0 timer 5. Dokumentationsmangel eller – fejl: 3,5 timer OEE: 32%

16 Dataopsamling Grafisk analyse af data:

17 Dataopsamling Tabsfaktorerne fra uge 51 kan desuden opdeles i:
Linjetab – forstyrrende aktiviteter grundet organisering 5%, stopkode 4 og 5 giver tab pga. udefra kommende forstyrrelser / mangler Tilgængelighed – dvs. hvor meget er maskinen tilgængelig 58%, dvs. maskinen kan kun udføre reel produktion 58% af den tilbageværende tid (-linjetab) grundet stopkode 1 og 3 Ydelse – hvor meget yder maskinen 55%, dvs. der er kun reel produktion 55% af den tilbageværende tid grundet stopkode 2 Kvalitet – relateret til tab pga. dårlig kvalitet Ikke medtaget i denne case grundet begrænset antal stopkoder

18 Dataopsamling Der udføres analyse på yderligere 4 uger for at få et realistisk billede af stopårsagerne baseret på de 5 definerede koder: Kalendertid: 375,5 timer Nedetid (per kode): 1. Programmering: 64,1 timer 2. Andet herunder håndtering og pauser: 107,9 timer 3. Rengøring, klargøring, vedligehold: 29,7 timer 4. Materialemangel: 0 timer 5. Dokumentationsmangel eller – fejl: 75,2 timer OEE: 25,7%

19 Dataopsamling Grafisk analyse af data:

20 Optimeringsmuligheder
Fra data ses, at hvis programmering og udfordringer med dokumentation løses off line, kan OEE øges til ca. 63% Yderligere forøgelse af OEE kan opnås ved pausekørsel, hvor der kan laves produktion i yderligere 7,5 timer per uge, hvorved OEE teoretisk stiger til 71% Holmris har på nuværende tidspunkt et behov for 95,6 timers faktisk produktion per uge, hvilket kan lade sig gøre med et daghold (148 timers / uge), hvis OEE øges til 65%

21 Status Holmris har ved projektets afslutning implementeret off line programmering og delvist løst udfordringerne med dokumentationen således, at der kun køres i 2 skift. Yderligere optimeringerne pågår

22 Udbytte af casen Holmris A/S har fået følgende udbytte af casen:
Simpelt analyseværktøj på Homag 320 anlægget, der beregner OEE på baggrund af de valgte koder, som kan anvendes på tilsvarende anlæg OEE beregninger for Homag 320 Analyse af hovedårsagerne til lav OEE Optimering af proces – et skift nedlagt