Artykuł opisuje sposób połączenia odrębnych części organizacji, co umożliwia różnym działom firmy wspólną pracę.
Firmy przemysłowe wdrażają transformację cyfrową, aby zwiększyć wydajność operacyjną, zminimalizować ryzyko oraz poprawić wydajność produkcji. Wiele z nich osiąga te cele poprzez lepsze zrozumienie wydajności swoich zasobów. Najbardziej powszechnym miernikiem wydajności produkcji jest wskaźnik OEE (overall equipment effectiveness, ogólna efektywność wyposażenia), która określa procent rzeczywistego czasu poświęconego na produkcję w stosunku do czasu zaplanowanego na realizację tego zadania. Innymi słowy, czas produktywny to czas, w którym dobre jakościowo części są wytwarzane z optymalną wydajnością, bez przestojów.
Po raz pierwszy spopularyzowany w latach 60. przez Seiichi Nakajimę, twórcę systemu TPM (Total Productive Maintenance, całkowite produktywne utrzymanie ruchu maszyn), wskaźnik OEE jest funkcją dostępności jednostki, wydajności w porównaniu z wydajnością zaprojektowaną oraz jakości produktu. OEE jest powszechnie uważany za kluczowy wskaźnik wydajności (key performance indicato – KPI) w produkcji, ponieważ zapewnia dokładną ocenę wydajności zasobów, niezależnie od tego, czy dotyczy to linii produkcyjnej, czy całego zakładu. Kwantyfikacja, tj. dane, daje kierownikom działów produkcji większą widoczność tego, gdzie i jak brakuje efektywności.
Zajęcie się tymi brakami w efektywności jest jednym z najlepszych sposobów na poprawę wydajności produkcji zakładu. W przypadku wskaźnika OEE straty w produkcji powiązane ze sprzętem są skategoryzowane, jako tzw. sześć wielkich strat (Six Big Losses) w następujący sposób:
Dostępność:
- awaria sprzętu,
- zbyt długi czas nastawień (przezbrojeń) i regulacji.
Wydajność:
- bezczynność oraz mikroprzestoje,
- praca maszyny ze zmniejszoną prędkością.
Jakość:
- wady technologiczne wyrobów,
- zmniejszona na skutek tego wydajność produkcji.
Koncepcja sześciu wielkich strat dostarcza szczegółowych informacji na temat czynników, które powodują zmniejszenie wydajności produkcji oraz wskazówek dotyczących tego, jakie konkretne obszary są najlepsze do wprowadzenia usprawnień. W tym sensie OEE oferuje podstawę dla odkrywania głównych problemów ograniczających wydajność produkcji.
Od czasu pojawienia się wskaźnika OEE technologie cyfrowe zwiększyły dokładność pomiarów i efektywne zastosowanie usprawnień. A dzięki możliwości uzyskania wglądu w tysiące punktów danych, zaawansowane narzędzia analityczne, takie jak oprogramowanie do zarządzania wydajnością zasobów (asset performance management – APM), dają dyrekcjom zakładów możliwość wprowadzania stopniowych ulepszeń OEE, a tym samym zwiększania wydajności produkcji. Obecne oprogramowanie APM oferuje rozwiązania pozwalające jeszcze bardziej zoptymalizować OEE.
Kolejna generacja oprogramowania APM pozwala zakładom produkcyjnym na gromadzenie oraz integrowanie danych historycznych w celu zbudowania dynamicznego modelu – cyfrowego bliźniaka – który pobiera nowe dane, aby przewidzieć pozostały okres użytkowania kluczowych zasobów zakładu. Jako wirtualna reprezentacja zasobów zakładu, cyfrowy bliźniak jest modelowany na podstawie danych dotyczących wydajności z przeszłości, danych bieżących w czasie rzeczywistym oraz danych przyszłych, dostarczanych przez algorytmy uczenia maszynowego i wskazówki inżynierów.
Cyfrowy bliźniak jest cenny ze względu na swoją zdolność do wykrywania wąskich gardeł, ułatwiania programów konserwacji predykcyjnej oraz identyfikowania możliwości benchmarkingu, w celu informowania o pracach mających na celu poprawę OEE.
Na poziomie biznesowym oprogramowanie APM może również zapewnić lepsze zrozumienie rzeczywistych kosztów produkcji i zwrotu z inwestycji, co pomoże firmom zoptymalizować ceny końcowe dla klientów, czyniąc je bardziej konkurencyjnymi.
Przewidywanie pozostałego okresu użytkowania
Cyfrowy bliźniak, stworzony przy wykorzystaniu oprogramowania APM, umożliwia symulowanie cykli życia aktywów, obliczając w ten sposób ich pozostały okres użytkowania. W środowiskach produkcyjnych takie podejście pozwala zrozumieć obecny stan techniczny kluczowych zasobów i przewidzieć, jak będą się one zachowywać w przyszłości. Poprzez symulację w przód – z wykorzystaniem trendów danych historycznych i bieżącej dynamiki działania jako przewodnika – cyfrowy bliźniak zapewnia wgląd w przyszłość.
Poprzez modelowanie wyników, które wynikałyby w rzeczywistości ze zmiany kluczowych parametrów, technologia cyfrowego bliźniaka dostarcza praktycznych informacji dla optymalizacji wskaźnika OEE i ciągłego wprowadzania ulepszeń.
Ponadto modele wirtualnej reprezentacji mogą być zaprojektowane dla poziomu komponentów, poziomu systemu, tj. dla całej linii produkcyjnej lub poziomu procesu (całego procesu produkcyjnego). Jeśli model szacuje okres pozostały do momentu, w którym dany zasób może ulec poważnej awarii lub osiągnąć koniec okresu użytkowania, inżynierowie mogą wykonać test warunków skrajnych (stress-test) lub podjąć działania zapobiegawcze, aby zapobiec awarii zanim ona rzeczywiście nastąpi. W miarę dokonywania korekt lub napraw dane te mogą być wprowadzane z powrotem do cyfrowego bliźniaka, aby określić, czy w ten sposób zmieni się przyszły stan komponentu, zasobu, systemu lub procesu.
Wykrywanie wąskich gardeł
Wąskie gardła utrudniają przepływ materiałów, a tym samym wydajność w zakładach produkcyjnych, i stanowią słabe punkty w każdym łańcuchu dostaw. Przepustowość w wąskim gardle determinuje tempo pracy linii produkcyjnej i jest czynnikiem ograniczającym wydajność zakładu.
Podstawowe problemy związane z wąskimi gardłami to generalnie ograniczenia dotyczące procesów i maszyn, takie jak przestarzały, mało wydajny lub wadliwy sprzęt, wymagający ciągłych napraw i skutkujący spowolnieniem produkcji oraz przestojami. Jednak wąskie gardła nie zawsze są widoczne. Rezultaty wąskiego gardła – na przykład niedobory produkcji – mogą być boleśnie oczywiste, ale jego lokalizacja i przyczyna występowania może nie być oczywista.
W takich przypadkach wirtualny bliźniak, stworzony na podstawie danych historycznych, jest narzędziem do odkrywania źródeł wąskich gardeł. Badając trendy w całym zbiorze zapisanych danych, takie jak dotyczące wydajności sprzętu lub produkcji, odpowiadające każdej linii produkcyjnej, dyrekcje zakładów mogą odkryć czynniki, które wpływają na wydajność produkcji zakładu. Na przykład można zidentyfikować linie, które notorycznie osiągają gorsze wyniki, lub dane historyczne mogą wskazywać, jak często na danej linii brakowało określonego surowca lub opakowania.
Tym, co sprawia, że wąskie gardła są trudne do udokumentowania, jest fakt, że główne przyczyny ich występowania mogą nie być dobrze widoczne. Jednak mając jaśniejszy obraz zakładu, personel kierowniczy może szybciej odkryć te przyczyny.
Weźmy za przykład browar. Jeśli dane historyczne ujawnią, że pasteryzator może wyprodukować większą ilość piwa niż ta, którą może obsłużyć linia rozlewnicza (następny etap procesu produkcyjnego), to przyczyna powstania wąskiego gardła będzie oczywista. Jeśli jednak linia rozlewnicza jest zmuszona do pracy z maksymalną wydajnością i obsługuje każdą ilość piwa przychodzącego z pasteryzatora, aby osiągnąć docelową wydajność produkcji, to kierownictwo browaru może być bardziej skłonne do postrzegania wąskiego gardła jako pochodzącego od awarii sprzętu na linii pakującej. Taki scenariusz może również skutkować skróconym cyklem życia zasobów. Mając dostęp do takich informacji, kierownictwo zakładu może zdać sobie sprawę, że najlepszym sposobem działania będzie zainwestowanie w zwiększenie wydajności linii rozlewniczej, a nie eksploatowanie urządzeń na granicy ich możliwości projektowych.
Konserwacja prognozowana
Stworzenie wirtualnej reprezentacji zasobu, na podstawie danych historycznych i symulacji działania w różnych scenariuszach, pozwala kierownictwu zakładu przewidzieć narażenie urządzenia na działanie różnych czynników, zużycie jego komponentów, czynniki ryzyka oraz miejsca, w których awarie są najbardziej prawdopodobne. Symulacje opracowane na podstawie wiedzy historycznej mogą również zawierać dane kontekstowe dotyczące harmonogramu konserwacji zasobu – przeprowadzonych konserwacji korygujących, napraw i wymienionych części. Można to połączyć z dalszymi informacjami, takimi jak zapisane dane dotyczące wydajności, środowisko pracy i nowo dostępne dane Przemysłowego Internetu Rzeczy (IIoT), zebrane z fizycznego zasobu.
Łącząc wszystkie te dane, modele predykcyjne mogą doradzać kierownictwu i personelowi zakładów w zakresie działań konserwacyjnych, mających na celu zminimalizowanie nieplanowanych przestojów i potencjalnie wyeliminowania konieczności stosowania ustalonych terminów prac konserwacyjnych, określonych w harmonogramach.
Benchmarking dla wskaźników OEE
Symulacje cyfrowe są również wykorzystywane do przeprowadzania benchmarkingu (analiz porównawczych) pomiędzy zakładami i ich zasobami w celu optymalizacji prac mających na celu poprawę wskaźnika OEE. Dzięki benchmarkingowi produkcji w czasie rzeczywistym i wskaźników wydajności kierownicy regionalni mogą dokonywać dokładnych porównań na poziomie zasobów, systemu i procesu.
Dane benchmarkingowe mogą być wykorzystane do porównania programów obróbki chemicznej w różnych regionach lub wydajności chłodni kominowych, kotłów albo konkretnych technologii uzdatniania wody w wielu zakładach. W przypadku opakowań dane benchmarkingowe zapewniają kierownictwu zakładu lepszy wgląd w wydajność, koszty i efektywność inwestycyjną każdej linii pakującej w zakładzie.
Dzięki pomiarom wydajności produkcji, dostępności zasobów i jakości wyrobów producenci mogą generować benchmarkingowe wskaźniki OEE dla swoich zasobów i linii produkcyjnych, aby zrozumieć, które obszary ich działalności są najbardziej wydajne i gdzie należy wprowadzić ulepszenia. Oceny te można również rozszerzyć na cały zakład, co pozwala na porównywanie wskaźników benchmarkingowych OEE w większej skali.
Poprawa wyników finansowych firmy
Wskaźnik OEE posiada również ogromną wartość jako kluczowy wskaźnik efektywności (KPI) dla firmy. Zastosowany jako wskaźnik biznesowy, OEE umożliwia firmom spojrzenie na swoje działania w kategoriach finansowych, pomagając im zrozumieć, gdzie należy rozmieścić zasoby w celu poprawy wskaźnika wydajności kosztowej (cost performance index – CPI).
I tutaj oprogramowanie APM przynosi korzyści, zapewniając lepszy wgląd w to, w jaki sposób usprawnienia mogą obniżyć koszty produkcji, zwiększyć marżę zysku i poprawić wskaźnik zwrotu z inwestycji (ROI). Uzbrojone w bardziej szczegółową świadomość kosztów w odniesieniu do operacji biznesowych, firmy mogą lepiej optymalizować ceny końcowe produktów, aby uzyskać korzyści.
Należy jednak pamiętać, że osiągnięcie wzrostu wydajności w podstawowych operacjach oraz lepszych wyników finansowych nie jest możliwe wyłącznie poprzez zaadaptowanie oprogramowania APM i ukierunkowanie się wyłącznie na poprawę wskaźnika OEE. Firmy muszą najpierw skupić się na wdrożeniu dojrzałych programów oprogramowania APM, opartych na łączeniu systemów i technologii w całym przedsiębiorstwie.
Wartość oprogramowania APM, będącego „klejem” spajającym wcześniej oddzielne obszary, takie jak planowanie zasobów przedsiębiorstwa, cyfrowe sieci dostaw i systemy zarządzania zasobami przedsiębiorstwa, polega na jego zdolności do łączenia oddzielnych części organizacji, umożliwiając różnym działom firm wspólną pracę jako jedna jednostka. Wyniki na poziomie obiektowym, które są wykorzystane w ten sposób, napędzają zwiększoną wydajność, co przekłada się na wyniki finansowe poprzez wzrost sprzedaży, redukcję kosztów, bezpieczeństwo, jakość wyrobów oraz efektywność kapitałową.
Emrah Ercan pełni funkcję globalnego dyrektora ds. rozwiązań cyfrowych w firmie SUEZ Water Technologies and Solutions oraz jest członkiem zarządu ds. innowacji i cyfryzacji. Jest odpowiedzialny za kierunek strategiczny, komercjalizację i rozwój rozwiązań cyfrowych firmy. Wcześniej pełnił funkcję wiceprezesa ds. inicjatyw strategicznych w firmie GE Oil & Gas i GE Digital, gdzie założył wewnętrzny inkubator finansujący wczesne etapy rozwoju cyfrowych pomysłów w dziedzinie pól naftowych.
