מקרה מחקר: צמצום זמן עד דרך מתקדם שדרול בייצור טקסטיל

מצב ופרופיל החברה

נוסדה בעיירה קטנה בשנות ה-70, היצרן החל כמבצע משפחתי המייצר תערובות כותנה עבור יצרני בגדים מקומיים. מעל חמישה עשורים, היא גדלה לספק רב לאומי של בדים בעלי ביצועים גבוהים בשימוש על ידי בתי אופנה ולקוחות תעשייתיים כגון יצרני רכב ויצרניות ציוד מגן.החברה מפעילה שלושה צמחים בשתי מדינות, עם תפוקה שנתית של 35 מיליון מ"ר של בד.

תיק המוצר שלה כולל תוויות אופנה מובילות וקונים תעשייתיים גדולים הדורשים איכות עקבית וחלונות משלוח הדוקים.כל ייצור יוצר עיכובים, עלויות נוספות, ועונשים פוטנציאליים.למרות מוניטין מותג חזק, היצרן נאבק עם גישות הזדקנות ותחזוקה תגובתית כי כל ייצור יוצר עיכובים, עלויות זמן, עלות יתר, ועונשים אפשריים.למרות מוניטין מותג חזק, היצרן נאבק עם גישות ציוד ותחזוקתיות כיסם משולי.

הסיבות ל Downtime

לפני השינוי, החברה מתמודדת עם רשת סבוכה של בעיות תפעוליות.הביקורתיות ביותר הייתה:

כשלי מכונות בלתי צפויים

מכונות רבות של נביטים וסיום היו מעל גיל 20.ללא ניטור בזמן אמת, התמוטטות התרחשו ללא אזהרה.כישלון של ספיןדל על מכונת צנרת מהירה במהירות גבוהה יכול לעצור קו ייצור שלם במשך שש עד שמונה שעות בעוד מכניקה מאובחנת והחליפו חלקים.ברבע אחד, ללא תכנון מופחתת בחשבון עבור 12% מהזמן הייצור הזמין.

לוח זמנים של הפקה

מתכנני הייצור יצרו לוחות זמנים שבועיים באמצעות גליונות מבוזרים, בהנחה שמכונות ינוהלו ברציפות.התוכנית לא הייתה מכווצת תחזוקה או עבודות איכות.כאשר מכונה ירדה, מתכננים הדהדו באופן ידני פקודות, לעתים קרובות דוחפים משרות דחופות בשבוע הבא.זה יצר backlog ומפעילים כפויים כדי להפעיל פחות פקודות קריטיות מתוך רצף, תוך כדי קביעת זמן.

התנגשויות בין תחזוקה והפקה

צוותי תחזוקה פעלו באופן עצמאי בתכנון הייצור.הם ביצעו תחזוקה מונעת בימים קבועים, ללא קשר לשאלה האם נדרשה מכונה זו לצורך הסדר מהיר.לעומת זאת, כאשר מכונה פרצה במהלך ריצה עתירה גבוהה, הייצור לא היה סמכות לבקש תחזוקה מופרעת; הם פשוט הפסיקו והמתינו.

עיכובים ועונשים

משלוחים מאוחרים הגיעו ל-18% מההזמנות ברבעון הגרוע ביותר, לקוחות החלו להוציא החזרים ומאיימים להעביר עסקים למתחרים.שיעור המשלוח של החברה במשרה חלקית, פעם בנקודת מכירה, צנח ל-75%.

בחירת הפתרון הנכון

לאחר הערכת מספר אפשרויות, בחר היצרן פלטפורמה מתקדמת מבוססת ענן אשר שילבה את הנתונים (FLT:0real-time Analytics analyticsFLT:1 עם FLT:2machine Learningאלגוריתמיs EvolutionFLT 3: 3).המערכת לא הייתה לוח זמנים פשוט אלא מנוע החלטה שיכול למקם את נתוני החיישן, תחזוקת, סדרי עדיפויות, וקריטריונים של בחירת לוח זמנים:

דו"ח מחקר בתעשייה (FLT:0) ייצור חכם של ייצור ההרחבה 1 (FLT:0) סייעו לצוות להצדיק את ההשקעה, והראה כי יישום דומה הפחית את זמן השבתה לא מתוכנן עד 40%.

מפת דרכים יישום

ה-Seltolout עקב אחר גישה מגובשת לצמצום השיבוש:

שלב 1: חיישן התקנה ואוסף נתונים

במשך שלושה חודשים, היצרן התקין חיישני רטט, בדיקות טמפרטורה ומוניטורים אנרגיה על 80% מהמכונות הקריטיות.החיישנים שצרכו נתונים כל 5 שניות לפלטפורמת הענן.שלב זה כלל גם מפעילי הדרכה לדגל צלילים או לרטטים יוצאי דופן, ויצרו מערכת נתונים היברידית של מכונות ותצפיות אנושיות.

שלב 2: אימון מודל וקיצור

מהנדסי למידת מכונות עבדו עם צוותי תחזוקה כדי לסמן אירועים היסטוריים של כשלים.האלגוריתם למד דפוסים כגון ספייקט רטט לפני שנושא כשלים, הטמפרטורה עולה המציין עומס מוטורי, וירידה ביעילות האנרגיה של צריכת חגורת קרינה.עד ארבעה שבועות, המודל יכול לחזות כישלונות עם 85% דיוק עד 72 שעות מראש.

שלב 3: שילוב עם ERP ותכנון ייצור

מנוע התזמון המחובר ל- SAP Business One, משיכת צו עקב תאריכים, סדרי עדיפויות של לקוחות וזמינות חומרית גולמית.הוא גם דחף בחזרה חלונות תחזוקה חזופים ורצף ייצור מותאם אישית.המערכת השתמשה באלגוריתם מבוסס FLT:0constraint (FLT:1) המאוזן מטרות מרובות: למקסם באמצעות חישוב, למזער את זמן השינוי, ולכבד את דרישות תחזוקה.

שלב 4: שינוי ניהול והדרכה

אולי הצעד המאתגר ביותר היה לשנות את התרבות מתגובה ליזום. Shift מוביל סדנאות על פרשנות המחוונים והצעות מערכת overriding בעת הצורך.תחזוקה צוות למד לסמוך על האזהרות החיזוי, גם כאשר מכונה הופיעה לרוץ בדרך כלל.החברה הציגה גם בונוס ביצועים הקשורים לשיפור OEE, התאמת תמריצים.

תוצאות טרנספורמציה

בתוך שישה חודשים של פריסה מלאה, היצרן דיווח על התוצאות הכמותיות הבאות:

MetricBeforeAfterChange
Unplanned downtime (% of total time)12%9%−25%
Overall Equipment Effectiveness (OEE)62%74%+19%
On-time delivery75%92%+17 percentage points
Average maintenance response time45 min12 min−73%

מעבר למספרים, החברה צברה רמה חדשה של זריזות מבצעית.לדוגמה, כאשר עלייה פתאומית של כוח מאוימת לפגוע במספר נולים, המערכת שיעדה את לוח הזמנים, ניתחה מחדש את ההזמנות למכונות לא מושפעות ואזהרה לתחזוקה כדי לבדוק את הציוד המושפע לפני תחילתו.האירוע גרם רק עיכוב של 90 דקות במקום סתום מלא.

דו"ח של Industry Weekcioph 1 [WEB מאמר על הערות תחזוקה חיזוי כי גישות דומות יכולות לקצץ ב-30% או יותר, בהתאם לניסיון של היצרן הזה.

שיעורים מרכזיים למדו

הטרנספורמציה הניבה תובנות שיצרנים אחרים יכולים ליישם:

התחל קטן, ואז קנה מידה

הגלגול הראשוני מכסה רק צמח אחד.לאחר שהמערכת הוכיחה את ערכו - במיוחד את אזהרות התחזוקה הצפוי - שני הצמחים האחרים ביקשו פריסה מיידית. גישה זו שלבדה אפשרה לצוות לחדד את האלגוריתמים ואת חומרי ההכשרה לפני שהתפשטה.

איכות נתונים חשובה יותר מאשר כמותיות

כמה חיישנים יצרו נתונים רועשים המבולבלים את המודלים.הצוות למד לנקות ולתייג נתונים היסטוריים ביסודיות.הם גילו כי 20% מהחיישנים (על המכונות הכשלונות ביותר) יצרו 80% מהערך החיזויי.

העצמה של צוותי הרצפה

כאשר מפעילי וצוות תחזוקה יכלו לראות את אותו לוח המחוונים, הם החלו לשתף פעולה באופן טבעי. המפעילים היו מזהירים את התחזוקה כאשר דפוס הרטט של מכונה נראה חריג, אפילו לפני שהאלגוריתם שרטב אותו.המערכת הפכה לכלי משותף ולא לתנוחת ניהול.

תוכנית ל Exceptions

שום אלגוריתם לא יכול להתמודד עם כל מקרה קצה.היצרן שמר על אפשרות של פיקוח ידני עבור צווי חירום או כישלונות קטסטרופליים.המפתח היה לוודא כי ה-Override לא הפך להיות ברירת המחדל.

תחזית עתיד

על ידי הצלחה, היצרן הוא כעת לחקור מקרים נוספים של שימוש.היוזמה אחת היא (FLT:0 Qualityחיזוי חיזוי FLT:1 - שימוש בנתונים חיישן לחזות פגמים בד לפני שהם מתרחשים, ומאפשר התאמות בזמן אמת למתח או טמפרטורה.

פלטפורמת התזמון המתקדמת פתחה גם את הדלת ל-FLT:0lights-outייצורoutears-outears-out Productions 1 במפעל אחד, שבו משמרות הלילה לרוץ כעת עם פיקוח אנושי מינימלי.המערכת מפקחת על מכונות, שולחת עגלות רובוטיות לטיפול בחומר, ומזהירה מפעילי מרוחקים רק כאשר מתעוררת בעיה.התוצאות המוקדמות מראות ירידה נוספת של 15% בעלויות העבודה ללא השפעה באמצעות חישוב.

מאמר בנושא:0.50 בתעשיית הטקסטיל: 1:1 מדגיש כיצד שילוב זה הופך לסטנדרט עבור מנהיגי התעשייה.

החברה גם מעריכה את הקשר בין מערכת התזמון עם שותפי שרשרת האספקה שלה.אם ספק יהלן יש עיכוב, המערכת יכולה להתאים באופן אוטומטי את תוכנית הייצור ולזהיר לקוחות לגבי תאריכי משלוח מתוקנים.רמת הנראות הזו עשויה לחזק את מערכות היחסים של הלקוחות ולהקטין משלוח יקר.

מסקנה

מחקר זה מראה כי תזמון מתקדם, המופעל על ידי נתונים בזמן אמת ולמידה מכונה, יכול להפחית באופן דרמטי את זמן ייצור הטקסטיל.היצרן חתך זמן לא מתוכנן עד 25%, הגדילה את OEE בכמעט 20%, ולשפר משלוח בזמן מ 75% ל 92%.המפתח לא רק התקנת טכנולוגיה אלא שינוי איך צוותי תחזוקה וייצור שיתפו פעולה, תחת תרבות שבטוחה בתובנות המונעות על ידי נתונים.

עבור כל יצרן הנאבק בציוד ההזדקנות, לוח זמנים קשיח, ודרישות לקוחות, הנתיב קדימה ברור: להשקיע בתזמון חכם ותחזוקה חיזוי.הטכנולוגיה משלמת לעצמה במהירות ויוצרת בסיס לשיפור מתמשך.

קריאה נוספת בפרשת התחזוקה (FLT:0) מחקרים בתעשיית הטקסטיל אנדלוסיה 1 מספק דוגמאות נוספות של ROI דומה.