Waarom stopwatches de heropleving van de productie bedreigen

Ik sneed bijna 25 jaar geleden mijn tanden op de fabrieksvloer van General Motors (GM), waarbij ik zowel in het lichaam winkel, die werd geregeerd door robots, en de algemene vergadering, die werd gedomineerd door mensen. Ik leerde heel snel dat gegevens van robots gemakkelijk toegankelijk waren via ethernet, maar gegevens over mensen moesten handmatig worden gegenereerd door industriële ingenieurs met stopwatches, die dezelfde tijdstudies uitvoerden die Frederick Taylor introduceerde rond de tijd van het Model T. Het contrast was toen al grimmig:het moderne industriële tijdperk botste op een dataverzamelingsmethode die al zo'n 75 jaar oud was.

Een kwart eeuw later loop ik nog steeds op verzamelplaatsen en zie jonge ingenieurs tijdstudies uitvoeren. De tools zijn veranderd - ze gebruiken eerder een iPhone in plaats van een Casio - maar de activiteit blijft identiek, wat me van streek maakt. Tijdstudies (en bewegingsstudies) waren baanbrekende technieken. Ze maakten van de Amerikaanse productie de beste ter wereld. Maar ze zijn ook diep gebrekkig. In het tijdperk van het industriële internet der dingen (IIoT) kunnen tijdstudies het niet bijhouden.

Focus op time-to-market en productiviteit

Het lijdt geen twijfel dat de Amerikaanse maakindustrie aan een opmars bezig is en zich in het snelste tempo sinds 2004 uitbreidt. In 2017 kwamen 171.000 banen in de maakindustrie terug naar de Verenigde Staten als gevolg van reshoring en buitenlandse directe investeringen. De drijvende kracht achter deze heropleving, misschien wel de belangrijkste van de vele redenen, is markttoegang.

"Reshoring heeft alles te maken met time-to-market", zegt Ben Smith, senior adviseur bij adviesbureau AT Kearney. “Het is niet alleen een kwestie van een oude fabriek in Pittsburgh vinden en de lichten weer aandoen. Moderne fabrikanten zouden heel goed de voorkeur kunnen geven aan 15 kleine fabrieken verspreid over het land voor een betere markttoegang, wat betekent dat de fabrieksmanagers hun focus verleggen van kosten naar productiviteit."

De conventionele wijsheid is dat de productiviteit zal worden verhoogd door het IIoT. Volgens Accenture is het IIoT misschien wel de grootste aanjager van productiviteit en groei in het komende decennium. GE Digital is van mening dat het IIoT verantwoordelijk zal zijn voor prestatieverbeteringen ter waarde van ongeveer $ 8,6 biljoen op jaarbasis.

Een probleem is dat de meeste waarde die een fabriek creëert niet van zijn machines komt, maar van mensen. Uit een onderzoek van de Boston Consulting Group bleek dat mensen nog steeds tot 90 procent van de taken op de fabrieksvloer uitvoeren. U kunt uw machines dus optimaliseren totdat de koeien thuiskomen, maar u optimaliseert slechts 10 procent van wat er in uw fabriek gebeurt.

Time to Market hobbels tegen Time to Data

"Op een bepaalde productielijn wordt slechts een klein percentage van de taken door machines uitgevoerd", zegt Peter Marcotullio, vice-president van commercieel onderzoek en ontwikkeling bij SRI International. "Als je machines instrumenteert, leg je maar een fractie van het proces vast."

Ik begrijp de aantrekkingskracht van het IIoT. Kijk naar de grootte van de dataset. In de tijd die het u zou kosten om een ​​tijdstudie uit te voeren of een gestandaardiseerd werkschema in te vullen, heeft u mogelijk 50 gigabyte aan machinegegevens voor uw voorspellende analyse-engine. Het is eenvoudig om de algehele effectiviteit van apparatuur (OEE) tot op drie decimalen nauwkeurig te berekenen. Als time-to-market van essentieel belang is, moet time-to-data belangrijk zijn.

Maar er is geen rechte lijn tussen het optimaliseren van apparatuur en het verbeteren van de algehele productiviteit van de fabriek. Als je kijkt naar de bijdrage van machines als percentage van de waardecreatie, dan zie je dat het IIoT het grote geheel mist. Enkele van de meest cruciale beslissingen die een fabrieksmanager neemt - alles van dagelijkse personeelsbezetting en outputprognoses tot taakkosten en offertes - vereisen gegevens van mensen. Gegevens van mensen bepalen de boven- en onderkant, en daarom maak ik me zoveel zorgen als ik mensen zelfs nu nog tijd-en-bewegingsonderzoeken zie uitvoeren.

Een onvolledige en onbetrouwbare dataset

Er zijn twee problemen met tijdstudies:de omvang van de dataset en het vertrouwen dat het verdient. Ten eerste zijn tijdstudies onvolledig. Een monteur krijgt een schouderklopje als hij of zij met 10 monsters per station terugkeert van de lijn. Maar 10 monsters zijn niet significant genoeg om de variabiliteit van operators te verklaren. Maakt het uit of de monsters op maandagochtend of vrijdagmiddag worden genomen? Op betaaldag of de dag erna? Er zijn niet genoeg gegevens om correlaties en causaliteit vast te stellen.

Dit leidt tot het tweede probleem:de betrouwbaarheid van gegevens. Werner Heisenberg toonde aan dat alleen al het observeren een waargenomen systeem kan verstoren. Wat geldt voor de kwantumfysica, geldt net zo goed voor werkstations. Sommige arbeiders bewegen sneller om indruk te maken op een waarnemer; anderen lopen langzaam hun werk om de standaard op te vullen waarvan ze weten dat ze die voor zichzelf creëren. Deze moeilijkheid wordt nog versterkt door meetuitdagingen. Een waarnemer moet bijvoorbeeld consequent bepalen wanneer een activiteit begint en eindigt.

Tijdstudies resulteren in metingen die op zijn best dubieus zijn. Dit heeft invloed op de conclusies die men daaruit trekt. Het schaadt ook de operators net zoveel als het bedrijf, want als de time-to-market gegevens vereist en gegevens niet gemakkelijk van mensen kunnen komen, dan indexeren fabrikanten te veel op machines. Mensen verliezen hun baan.

Wat ontbreekt er in de moderne fabriek?

Er zijn veel manieren om uw dataset over mensen uit te breiden:regelmatige Gemba-wandelingen, geïnstrumenteerde lichtgordijnen en andere poka-yoke-systemen die gegevens verzamelen, en talloze fysieke haken in het Manufacturing Execution System (MES) om de cyclustijd te berekenen en productiviteit af te leiden. Maar deze gegevens worden niet geschaald. Gegevens over menselijke assemblageactiviteiten zijn in feite onzichtbaar voor analyses.

"Als een fabrikant een productieprobleem wil oplossen, verzamelen ze de werknemers en de managers om te brainstormen over ideeën", zegt Anik Bose, algemeen partner van ‎Benhamou Global Ventures. “Als ze het gebruik van bedrijfsmiddelen willen verbeteren, schakelen ze lean-experts in voor tijd-en-bewegingsstudies of vertrouwen ze op tweejaarlijkse bezoeken van ingenieurs. Voor nieuwe productintroducties sluiten ze de lijn om experimenten uit te voeren. Het is allemaal handmatig en ad hoc omdat ze geen alternatief hebben. Ze hebben geen realtime gegevens die een andere benadering mogelijk maken.”

Als planten de menselijke productiviteit nauwelijks kunnen meten, hoe gaan ze die dan verbeteren? En als ze de menselijke productiviteit niet kunnen verbeteren, wat gebeurt er dan met de menselijke operator? Ik denk terug aan de beroemde quote van Marshall Goldsmith:"What got you here will not get you there." De tijdstudie heeft ons hier gebracht, en daarvoor dank ik Mr. Taylor. Maar als ik kijk naar "daar", wat ik zie als het versnellen van de time-to-market van het verhogen van de (menselijke) arbeidsproductiviteit, ben ik ervan overtuigd dat de tijd van de studie is aangebroken.

Over de auteur

Dr. Prasad Akella leidde het team dat 's werelds eerste collaboratieve robots bouwde bij GM. Hij is de CEO van Drishti , een nieuw bedrijf dat kunstmatige intelligentie inzet om samen te werken met mensen op de fabrieksvloer en deze te verbeteren.