In (bijna) elke productie zijn er knelpuntmachines die de omloopsnelheid van een complete productieruimte bepalen en daarom speciale aandacht vragen bij de productieplanning. Voor deze taak zijn softwaretools beschikbaar. Maar de praktijk wijst uit: Zelfs als deze tools worden gebruikt en de planners rekening houden met het mogelijke knelpunt, zijn er nog steeds herhaaldelijk stagnaties en vertragingen in de productie.
Door: Gerald Scheffels voor ifm
De reden: De software kan heel goed de werking van de machine bewaken en idealiter ook optimaliseren. Maar het ontbreekt aan zicht op de omgeving – met als gevolg dat de vermeende "probleemmachine" perfect draait en constant topprestaties levert, maar dat nu de upstream- en downstream-processen problemen veroorzaken.
Het gevolg hiervan: Een softwaretool dat slechts een enkele fabriek optimaliseert in een onderling verbonden productie is duidelijk "suboptimaal". Productieplanningsystemen, kortweg PPS, worden op veel plaatsen gebruikt. Hoewel deze nuttig zijn, beschouwen zij de produktieprocessen slechts schematisch opeenvolgend, vergelijkbaar met een parelsnoer. Afhankelijkheden tussen werkcentra, real-time gegevens en tijdstempels worden hier niet in aanmerking genomen. Het blijft dus een "theoretisch" mogelijk plan. Zelfs met een dergelijk instrument kunnen knelpunten ontstaan, zoals de min of meer pijnlijke ervaring in veel bedrijven bewijst.
Het productieproces optimaliseren – maar hoe?
Is er een andere manier, dus een betere? Zeker. Een voorbeeld: In een proefproject verzamelde en analyseerde een autofabrikant consequent gegevens in zijn carrosseriebouw om de processen te optimaliseren. Het resultaat: er kunnen nu 15% meer carrosserieën per tijdseenheid worden geproduceerd. Daar moet men wel aan toevoegen: Een heel team – inclusief wetenschappelijke controle – heeft aan dit project gewerkt en ongeveer twee miljard datarecords zijn onderzocht, gecorreleerd en geëvalueerd met algoritmen. Dit is misschien mogelijk in de serieproductie van auto's, maar niet in de "normale" industriële productie – nog afgezien van het feit dat de evaluatie van de gegevens en de uitvoering van de bevindingen veel tijd en vakkennis vergen.
Kunstmatige intelligentie (AI) is vereist
De vraag die opkomt is: Is het mogelijk een maatje kleiner te gaan? Hier komt een op AI gebaseerd algoritme om de hoek kijken, dat gebruikt wordt om wiskundig het best mogelijke resultaat te bepalen in een voorgeschreven rekentijd. De eerste algoritmen bestonden al in de oudheid en hebben sindsdien hun waarde bewezen. Tegenwoordig worden dergelijke methoden onder meer gebruikt voor de evaluatie van willekeurige steekproeven. De nieuwe softwaretool GIB GXM Factory Optimization Excellence (FOX) is eveneens gebaseerd op een op AI gebaseerd algoritme en maakt zo een gelijktijdige en optimale planning van alle werkcentra in de fabriek mogelijk.
Optimale en gelijktijdige planning van meerdere machines of werkcentra
Dat klinkt op het eerste gezicht niet spectaculair. Maar om deze functie praktijkgericht te vervullen, moet de software alle eisen, afhankelijkheden, bestellingen en capaciteiten in aanmerking nemen en in relatie tot elkaar plaatsen. Het volume van de te beschouwen gegevens is duizelingwekkend. Een team van deskundigen zoals hierboven beschreven zou maanden nodig hebben om te rekenen: geen ideale situatie voor een rolling planning of een planningshorizon van één tot twee weken.
Bereken het "best mogelijke" productieplan
Het op AI gebaseerde algoritme van de ifm-oplossing zorgt ervoor dat alle middelen en vereisten voor alle beschouwde orders en voor alle beschikbare machines worden gecombineerd tot een echt haalbaar productieplan. Het systeem berekent vervolgens een ander plan met precies dezelfde gegevens, vergelijkt de resultaten en verwerpt het slechtste plan. Het systeem berekent nieuwe productieplannen, vergelijkt deze en behoudt het beste plan totdat de gegeven tijdslimiet is bereikt. Het beste plan op dat moment wordt dan doorgegeven aan de productieplanner.
Maar het intelligente algoritme is slechts een deel van de baanbrekende ifm-oplossing, want zelfs wiskunde op het hoogste niveau heeft de juiste gegevens nodig. Bij het zogenaamde "pinnen" worden de afhankelijkheden van alle werkcentra bepaald voor elke te verwerken order in de betreffende periode. Dit omvat ook tijdsaanduidingen, bijvoorbeeld stilstandtijden en insteltijden. Bij pegging wordt het complexe netwerk van productiebewerkingen "ontrafeld" en kan vervolgens worden gebruikt om het productieplan te berekenen.
De combinatie van AI en pinnen biedt duidelijke voordelen
De voordelen voor de gebruikers van het nieuwe planningsinstrument liggen voor de hand:
- Het gebruik van middelen kan veel beter worden gepland en zo kan verspilling worden tegengegaan. Een voorbeeld: Een knelpuntmachine veroorzaakt een opstopping in de productiestroom. De gevolgen: De order kan niet op tijd worden afgerond, de downstream machines en werknemers staan stil en de tussenproducten uit de upstream processen moeten tijdelijk worden opgeslagen. Dit kost opslagruimte en leegstand en verhoogt de kapitaalinzet. En dit kan, zie boven, worden voorkomen.
- De doorvoer wordt versneld doordat wachttijden, stilstandtijden en insteltijden worden gecoördineerd. Dit verlaagt de bedrijfskosten en zorgt voor een gelijkmatige bezetting van de capaciteit. Bovendien wordt de Overall Equipment Effectiveness (OEE) verhoogd en stijgt de totale output zonder dat de productiesnelheid in kritieke gebieden moet worden verhoogd of extra ploegen moeten worden geregeld.
Resultaat: de verspilling wordt verzevenvoudigd
Om precies te zijn biedt de nieuwe software zevenvoudige voordelen. Het pakt namelijk elk van de zeven soorten verspilling van hulpbronnen in de toeleveringsketen aan. Deze verspillingen staan bekend onder het acroniem "TIM WOOD": Transport, Inventaris, Beweging, Wachten, Overproductie, Over-Engineering, Defecten.
Een concreet voorbeeld uit de verwerkende industrie:
- Transport – onderdelen en materialen worden van de ene plaats naar de andere vervoerd
De materiaaltoevoer naar het werkcentrum wordt qua tijd en capaciteit afgestemd op het productieplan. Dit voorkomt wachttijden, materiaalknelpunten en overbevoorrading.
- Voorraad – onafgewerkte (tussen)producten of onderdelen; magazijnen met onderdelen van verkopers
In plaats van buffervoorraden aan te leggen om "gevreesde" knelpunten te overbruggen, worden alle bestellingen op tijd geproduceerd. Minder voorraad betekent lagere kosten.
- Beweging – Onnodige bewegingen van medewerkers of machines
In plaats van voortdurend bezig te zijn met verstoringen in het proces en dus alleen maar brandweer te spelen, kunnen materialen en mensen optimaal en stressvrij worden ingezet. Workarounds als gevolg van verstoringen zijn achterhaald.
- Wachttijden – bv. voor de levering van aangekochte onderdelen of tussenproducten
Vertragingen door vastlopen van het productieproces behoren tot het verleden.
- Overproductie – Productie "op voorraad" zonder (interne of externe) klanten
De gebruiker hoeft geen buffers te plannen voor vermeende knelpuntmachines. Deze produceert op basis van "echte" orders.
- Over-Engineering – Functies toevoegen die geen waarde hebben
In plaats daarvan bepaalt het algoritme een oplossing die een hoog rendement oplevert in een performante tijdslimiet streeft niet naar een perfect plan, maar naar de beste strategie. Tegelijkertijd blijft het "slank" en doet het bijvoorbeeld geen complexe analysemogelijkheden, die een averechts effect hebben op transparantie en bruikbaarheid.
- Defecten – onderdelen moeten opnieuw worden bewerkt
Planningswijzigingen, herschikking van middelen naar andere machines en werkcentra, ongeplande stilstanden: Dergelijke onregelmatigheden leiden vaak tot fouten in de productie. Ook dit kan worden voorkomen door AI en pegging te combineren.
Conclusie: Het gebruik van middelen beter plannen en zo verspilling tegengaan
Op alle zeven "pijnpunten" van de interne supply chain kan de nieuwe softwaretool verspilling verminderen en het gebruik van bestaande middelen optimaliseren. Dit geldt voor de "stand alone" werking van GIB GXM FOX en – in nog sterkere mate – ook voor het gebruik ervan in combinatie met andere IIoT-tools van ifm, die bijvoorbeeld de thema's onderhoud en track & trace kwaliteit aanpakken. De tool wordt ook aanbevolen als een add-on op de kernproducten van GIB, die onder andere dode voorraden evenals overschotten en tekorten identificeren, assortimenten optimaliseren en veiligheidsvoorraden balanceren.
