Productiecapaciteitsanalyse Beheersen: Een Praktische Gids

Fabrikanten staan voor een berg aan uitdagingen om de goederen te produceren die we in ons leven gebruiken. En elk moet deze uitdagingen aanpakken met beperkte middelen in de vorm van kapitaal, vaardigheden, technologische vooruitgang, en meer. Managers die deze complexe arena het beste orchestreren, zoeken manieren om de tools die ze ter beschikking hebben te maximaliseren door hun shop's capaciteit te begrijpen. Beter gebruik van productieruimte, materialen, arbeid, en geoptimaliseerde apparatuurprestaties is cruciaal voor bedrijven om efficiënte productie te drijven en de hoogste winstgevendheid te behalen.

Een capaciteitsanalyse kan een uitstekende oplossing zijn voor het auditen van een productieplant en diagnosticeren of er verborgen capaciteit wacht om ontgrendeld te worden.

Wat is Productiecapaciteit?

Het doel van elke fabrikant is om zijn operaties op volle capaciteit te draaien. Maar wat is productiecapaciteit? Het korte antwoord is dat productiecapaciteit de staat vertegenwoordigt waarin alle apparatuur en middelen binnen een bedrijf gebruikt worden op de hoogste operatiesnelheid voor de productmix en -volume die hun industrie vereist. Dit betekent dat alle processen van operaties tot onderhoud geoptimaliseerd zijn met een vaste hoeveelheid middelen en dat geen onnodige downtime geleden wordt. Wanneer deze conditie bereikt is, heeft de apparatuur volle capaciteit bereikt.

Veel factoren compliceren de reis naar deze ideale staat verder. Een fabriek kan lijden onder een reeks beschikbaarheidsverliezen zoals mechanische storingen waar waardevolle tijd verloren gaat voor reparatie. Of ze kunnen waardevolle productiecapaciteit verliezen door changeovers, opstellingen, en afstellingen.

Productiecapaciteit kan ook lijden onder prestatieverliezen. Deze omvatten ongetrainde of onervaren operator-acties en stoppen voor verstoppingen, wachttijden, uitval. Deze worden vaak haastig aangepakt met weinig analyse in wat het veroorzaakte en hoe het te voorkomen.

Tenslotte kan productiecapaciteit negatief beïnvloed worden door kwaliteitsverliezen, inclusief zowel procesafwijkingen als opbrengstdalingen. Enkele oorzaken zijn een onder-geoptimaliseerde workflow, menselijke fouten, of een gebroken proces. Naast het stelen van waardevolle capaciteit, kunnen kwaliteitsverliezen ook extra afval genereren dat herwerkt of weggegooid moet worden, wat kosten aan het product toevoegt.

Deze belemmeringen voor capaciteit worden vaak aangeduid als de Zes Grote Verliesfactoren. En hun effecten kunnen verwoestend zijn. Op het beste kan gebrek aan begrip van capaciteit dure overuren, afval, gemiste leveringen, of onnodige kapitaaluitgaven in de vorm van nieuwe apparatuur triggeren om het verlies te compenseren.

Wat is een Capaciteitsanalyse?

Wanneer een fabrikant capaciteit moet vergroten, beginnen ze vaak met de kniejerk-reacties hierboven. Echter, men kan maar zoveel machines kopen en zoveel shifts inplannen voordat de focus op het verbeteren van capaciteit naar binnen toe beweegt. En de beste manier om te bepalen waar actie ondernomen moet worden om capaciteit te verhogen, zit in de data.

Het proces van capaciteitsanalyse is het verschil tussen potentiële capaciteit en de daadwerkelijke output die een bedrijf momenteel haalt. Door productiedata te verzamelen, kunnen fabrikanten identificeren welk proces, welke apparatuur, of welke functie gewijzigd moet worden om capaciteit te verhogen. Dit stelt fabrikanten in staat om grotere benutting te drijven vanuit hun bestaande middelen via procesoptimalisatie.

Meer lezen: Hoe Productiecapaciteit te Verhogen

Hoe een Productiecapaciteitsanalyse Uit te Voeren

Bedrijven die een productiecapaciteitsanalyse uitvoeren, kunnen downtime en afval reduceren. Ze kunnen ook de data mijnen om processen te optimaliseren en workflows te stroomlijnen. Dit helpt hen begrijpen wat de bestaande constraints zijn en real-time beslissingen te nemen om problemen op te lossen zoals ze gebeuren. Omdat data deze oplossingen ondersteunt, kunnen managers verbetering door de hele operatie drijven en capaciteit verhogen zonder extra investering in apparatuur of arbeid. Voor bedrijven die hun productiecapaciteit willen verbeteren, hier de stappen om bestaande capaciteit te ontgrendelen:

Data Benchmarken

Als u niet weet waar u staat, zult u niet zien waar u naartoe gaat. Het is gebruikelijk om huidige apparatuurbenutting te overschatten omdat veel bedrijven zich niet realiseren dat benutting zo laag is.

Benchmarking omvat het bepalen van bestaande capaciteit. Machinesnelheid, kwaliteitsverliezen, downtime per categorie – zoals storingen, changeovers, en prestatieverliezen – moeten allemaal gemeten worden om de huidige capaciteit te bepalen. En in veel gevallen is dat cijfer schokkend. Verschillende best practices kunnen gebruikt worden om een solid en praktisch framework voor benchmarking te creëren:

• Interne Vergaderingen: Een interne kickoff-vergadering helpt verwachtingen te setzen en zorgt ervoor dat iedereen op dezelfde pagina staat. Door het juiste team bijeen te brengen, weet iedereen wat het benutting-doel moet zijn.
• Data Controleren: Er zijn momenten dat de huidige gerapporteerde data weinig zegt over de daadwerkelijke status van de machine. Het kan de status onjuist registreren, of het kan gaan om stukaantallen, downtime, of een andere parameter. Zorgen dat de data klopt helpt bij het analyseren wat gedaan moet worden.
• Data Evaluëren: Hier worden oorspronkelijke aannames vergeleken met daadwerkelijke huidige benutting. Het vertegenwoordigt een nieuw startpunt voor wat verbeteringen gemaakt kunnen worden.
• Plannen: Door een verbeterplan te maken, kunnen managers de stukken van oorspronkelijke verwachtingen, de daadwerkelijke datagestuurde staat van capaciteit, en wat verbeteringen gemaakt kunnen worden, bijeenbrengen.

Een voorbeeld van een MachineMetrics benutting-rapport, een van de vele voorgebouwde rapporten die gebruikt kunnen worden voor data-benchmarking.

Downtime Analyseren

Eenmaal een productieoperatie heeft zijn data gebenchmarkt en begrijpt zijn echte benutting, moet een downtime-analyse uitgevoerd worden. Dit betreft managers, technici, productie-ingenieurs, operators, en anderen die kunnen helpen alle redenen voor downtime te identificeren en te plannen hoe het te reduceren of elimineren.

Met de onthullingen die de benchmarking van de faciliteit meegeeft, kunnen teamleden doorgaan met het meten van de downtime die die benutting drijft. Door te beantwoorden hoeveel downtime er optreedt en onder welke categorie de downtime valt, worden stappen voor verbetering duidelijker. Dit wordt het beste gedaan door geautomatiseerde machinedataverzamelingsoftware om te garanderen dat accurate, gestandaardiseerde, en real-time data gebruikt wordt.

De downtime moet ook de redenen voor downtime categoriseren. Categorieën om te overwegen:

• Geplande vs. Ongeplande Downtime: Elke haalt een machine uit dienst, maar beide hebben heel andere benaderingen om voorkomens te minimaliseren en de machine weer online te krijgen.
• Menselijke Fout of Operator-actie: In een grote en complexe productieomgeving kunnen operators verschillende trainingsniveaus hebben of taken uitvoeren in een volgorde die efficiëntie reduceert. Deze kunnen vaak gespott en getrend worden via downtime-analyse.
• Kwaliteitsuitval: Kwaliteit is een brede categorie die in downtime-analyse moet worden meegenomen. Het kan leiden tot inzichten over training, machinetoestand, onderhoud, inkomende leverancierskwaliteit, of zelfs omgevingscondities in de faciliteit tussen warmere en koudere dagen.

Zodra de categorieën bepaald zijn, kunnen teamleden inzoomen om de redenen voor downtime binnen de categorie te bepalen. Bijvoorbeeld: er kunnen veel typen geplande downtime zijn, inclusief gepland onderhoud, seizoensproductie, en anderen.

De MachineMetrics Downtime Pareto onthult de meest schuldige downtime-redenen en is een geweldig startpunt voor het vinden van processen om te verbeteren.

Evenzo zijn er talloze redenen voor ongeplande downtime. Deze kunnen variëren van materiaal niet op de machine wanneer nodig tot een slecht onderhouden machine. Het kan ook wijzen op een verkeerd ontworpen workflow waar materiaal van upstream niet klaar is wanneer nodig, wat een domino-effect creëert.

Hetzelfde geldt voor menselijke fout. Productieoperaties worden meer geautomatiseerd, maar er is nog steeds behoefte aan arbeid. Vermoeidheid, onvoldoende training, gebrek aan begrip over de workflow, of gebroken processtappen kunnen betekenen dat werknemers fouten maken die ze anders niet zouden maken.

De beste manier om deze informatie te verzamelen is door automatisering en software. Door de datavisualisatie intuïtief en makkelijk te registreren, kunnen operators een dashboard gebruiken om daadwerkelijke data in te voeren en de impact te zien. Net als een operator de redenen voor downtime kan invoeren, kunnen tools zoals Pareto-grafieken helpen de downtime-analyse te begrijpen naarmate deze vooruitgaat. Dit geeft gebruikers inzichten en helpt vaak verbetervoorstellen te triggeren.

Aan het einde van de downtime-analyse kunnen daadwerkelijke downtime-kosten en hun impact op de bottom line bepaald worden. Dit helpt ook de "low hanging fruit" te identificeren – de snelste en makkelijkste items om te fixen met de grootste impact op bespaarde dollars en toegevoegde capaciteit.

Meer lezen: Hoe Machine-downtime te Tracken en Analyseren

Procesveranderingen Uitrollen

Managers zijn nu uitgerust met accurate en verifieerbare data die echte verandering drijft op dit moment in de capaciteitsanalyse. Deze veranderingen kunnen gebruikt worden om de meest significante capaciteitsbeperkingen aan te pakken, verborgen capaciteit te ontgrendelen om overuren te elimineren, de behoefte aan kapitaaluitgaven te reduceren, en een onderhoudsprogramma te scherpen dat in sync werkt met changeovers en andere operatiecondities in plaats van in conflict met ze.

Er zijn veel voorbeelden van significante capaciteitsdrainers. Hier zijn een paar die tijdens de meeste digitale transformaties gevonden kunnen worden:

Verwachte Cycletijd Langer dan Daadwerkelijke Cycletijd

De omvang en complexiteit van de hedendaagse productieomgevingen kan betekenen dat individuele prestaties begraven liggen onder een berg data, volume, en een push voor hogere productie. Wanneer data klopt, en stukaantallen op de machine accuraat zijn, zijn operators verantwoordelijk voor hun output in plaats van eronder begraven. Deze verantwoordelijkheid kan een positief instrument zijn dat hen deel laat uitmaken van het identificeren van verbetergebieden. Naarmate verbeteringen op de meest duidelijke downtime gaan werken, kan verdere optimalisatie van de cycletijd geïnitieerd worden om het proces voort te zetten, inclusief kleine veranderingen die snel optellen.

Kwaliteitsissues

Zoals eerder genoemd, is kwaliteit een breed onderwerp dat veel gebieden beïnvloedt. Maar dat biedt meer kans voor verbetering. Niet alleen geldt de 80/20-regel voor kwaliteit, maar het beïnvloedt ook de subcategorieën, inclusief menselijke fout/training, leverancierskwaliteit, onderhoudsverbeteringen, productontwerp, etc. Door ongesiloëerde data te benutzen geanalyseerd in real-time, kan de grootste schuldige in elk gebied onder verbeterstappen komen om een groter cumulatieve impact op kwaliteit te realiseren. Naarmate deze inspanningen wortel schieten, neemt capaciteit toe, kwaliteit verbetert, kosten dalen, en order- en leveringsprestaties verbeteren.

Meer lezen: Kwaliteitsborging in Productie: Alles Wat U Moet Weten

Met MachineMetrics kunt u eenvoudig de top-redenen zien waarom onderdelen afgekeurd worden en de kern van het probleem identificeren.

Apparatuurstoring

Weinig dingen brengen productiemanagers zo tot waanzin als apparatuurstoring. En vaak zijn deze storingen het resultaat van een reactief onderhoudsprogramma. Door tot falen te draaien of door onvoldoende tracking van machinetoestand, geven bedrijven enorme stukken capaciteit op in de vorm van downtime. Maar data-analytics en real-time machinecondities bieden nieuwe kansen om capaciteit te verhogen. Door machinestaten te begrijpen en IIoT-sensoren en -technologie in te zetten, kunnen managers reactief onderhoud achter zich laten en hogere capaciteit en lagere kosten drijven. Een studie van Deloitte toont aan dat predictieve onderhoudsprogramma's uptime voor apparatuur met 10-20% kunnen verhogen.

Workflow

Apparatuurbenutting meten is meer dan alleen de machine meten. Door data vast te leggen, te contextualiseren, en te analyseren, kunnen managers een individuele machine en het hele ecosysteem van apparatuur binnen de faciliteit bekijken. Dit kan leiden tot inzichten over apparatuurlayout, staging, WIP, en andere procesgerelateerde variabelen die gebruikt kunnen worden om capaciteit te verhogen. Terwijl het kan wijzen op een herorganisatie van de productievloer of cel, kan het ook zo simpel zijn als een paar machines een paar voet verplaatsen of de manier veranderen waarop materiaal stroomt van het ene station naar het volgende binnen de workflow die het verschil maakt.

Verborgen Capaciteit Ontgrendelen

Een capaciteitsanalyse gekoppeld aan geavanceerde dataverzameling en analytics kan bedrijven helpen hun pad naar volle capaciteit sneller te vinden dan meeste zouden denken, en leidt tot een gelijkgetemde productie. Toen Avalign Technologies worstelde met OEE- en downtime-tracking, zetten productie-bottlenecks, onduidelijke SOPs, en andere factoren een rem op capaciteit.

Met MachineMetrics verwierf Avalign directe zichtbaarheid over de shopfloor om een 25-30% stijging in OEE te realiseren en miljoenen extra capaciteit, zonder toevoeging van arbeid, apparatuur, of extra middelen.

Bekijk de videocase study: