Optimaal gebruik in plaats van verspilling: Machinecapaciteiten beter plannen

Het productieproces optimaliseren - maar hoe?

Is er een andere manier, dat wil zeggen een betere manier? Ja, natuurlijk. Een voorbeeld: In een pilotproject verzamelde en evalueerde een automobielfabrikant consequent gegevens in zijn carrosseriewerkplaats om de processen te optimaliseren. Het resultaat: Er kunnen nu 15% meer carrosserieën per tijdseenheid worden geproduceerd. Men moet hier echter aan toevoegen: Een heel team - inclusief wetenschappelijke ondersteuning - 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 het evalueren van de gegevens en het implementeren van de bevindingen veel tijd en deskundige kennis vereist.

Hier is kunstmatige intelligentie nodig

De vraag die rijst is: kan het ook op een kleinere schaal? Dit is waar een op AI gebaseerd algoritme om de hoek komt kijken, waarmee het best mogelijke resultaat wiskundig wordt bepaald in een bepaalde rekentijd. De eerste algoritmen werden al in de oudheid gemaakt en hebben sindsdien hun waarde bewezen. Tegenwoordig worden dergelijke methoden onder andere gebruikt voor de evaluatie van willekeurige steekproeven. Ook de nieuwe softwaretool Factory Optimisation Excellence (FOX) is gebaseerd op een AI-gebaseerd algoritme en maakt zo de gelijktijdige en optimale planning van alle werkplekken in de fabriek mogelijk.

Optimale en gelijktijdige planning van meerdere machines of werkplekken

Dat klinkt op het eerste gezicht niet spectaculair. Maar om deze functie op een praktische manier uit te voeren, moet de software rekening houden met alle vereisten, afhankelijkheden, orders en capaciteiten en deze met elkaar in verband brengen. De hoeveelheid gegevens waarmee rekening moet worden gehouden, is duizelingwekkend. Een team van experts zoals hierboven beschreven zou maanden nodig hebben voor de berekening: geen ideale situatie voor een voortschrijdende planning of een planningshorizon van één tot twee weken.

Het "best mogelijke" productieplan berekenen

Het AI-gebaseerde algoritme van de ifm-oplossing zorgt ervoor dat alle bronnen en vereisten voor alle orders en alle beschikbare machines worden gecombineerd tot een echt haalbaar productieplan. Het systeem berekent vervolgens een ander plan met exact dezelfde gegevens, vergelijkt de resultaten en negeert het slechtste plan. Het systeem berekent net zolang nieuwe productieplannen, vergelijkt deze en houdt de beste aan totdat de opgegeven tijdslimiet is bereikt. Het beste plan op dat moment wordt dan doorgegeven aan de productieplanner.

Maar het intelligente algoritme is slechts één onderdeel van de baanbrekende ifm-oplossing, want zelfs wiskunde op het hoogste niveau kan niet zonder de juiste gegevens. Bij de zogenaamde "pegging" worden de afhankelijkheden van alle werkplekken bepaald voor elke order die in de betreffende periode verwerkt moet worden. Dit omvat ook tijdstempels, bijvoorbeeld inactieve tijden en insteltijden. Bij pegging wordt het complexe netwerk van productieprocessen "ontrafeld" en kan het vervolgens worden gebruikt om het productieplan te berekenen.

Combinatie van kunstmatige intelligentie en pegging biedt duidelijke voordelen

De voordelen voor gebruikers van de nieuwe planningstool liggen voor de hand:

• Het gebruik van hulpbronnen kan veel beter worden gepland en verspilling kan zo worden gestopt. Een voorbeeld: Een proceskritische machine veroorzaakt een opstopping in het productieproces. De gevolgen: De order kan niet op tijd worden afgerond, de machines en werknemers downstream staan stil, de tussentijdse producten van de processen upstream moeten tijdelijk worden opgeslagen. Dit kost opslagruimte en emballage en verhoogt de kapitaalbinding. En dat kan vermeden worden, zie hierboven.
• De doorvoer wordt versneld omdat wacht-, verblijf- en insteltijden op elkaar worden afgestemd. Dit verlaagt de bedrijfskosten en zorgt voor een gelijkmatige capaciteitsbenutting. Bovendien wordt de Overall Equipment Effectiveness (OEE) verhoogd en stijgt de totale uitvoer zonder dat de productiesnelheid in kritieke bereiken moet worden verhoogd of extra ploegendiensten moeten worden geregeld.

Resultaat: Verspilling wordt op zeven manieren gestopt

Om precies te zijn, biedt de nieuwe software zeven voordelen. Want die pakt elk van de zeven soorten verspilling van hulpbronnen aan die we aantreffen in de supply chain. De verspillingen staan bekend onder de afkorting “TIM WOOD": Transport, Inventory, Movement, Waiting, Over-Production, Over-Engineering, Defects. In het Nederlands: transport, inventaris, verplaatsing, wachten, overproductie, over-engineering, defecten.

Een concreet voorbeeld uit de productiesector:

• Transport – onderdelen en materialen worden van de ene plek naar de andere vervoerd
  De levering van materiaal op de werkplek wordt qua tijd en capaciteit aangepast aan het productieplan. Op die manier worden wachttijden, knelpunten bij het materiaal en een te hoge aanvoer vermeden.
• Voorraad ­ onvoltooide (tussen)producten of componenten; Opslag van leveranciersonderdelen
  In plaats van buffervoorraden aan te leggen om "gevreesde" knelpunten te overbruggen, worden alle orders in time geproduceerd. Minder voorraad betekent minder kosten.
• Verplaatsing – Onnodige bewegingen van personeel of machines.
  In plaats van voortdurend bezig te zijn met storingen in het proces en dus alleen maar voor brandweer te spelen, kunnen materialen en mensen optimaal en stressvrij worden ingezet. Workarounds als gevolg van storingen zijn obsoleet.
• Wachttijden – bijv. voor de levering van aangekochte onderdelen of tussenproducten
  Vertragingen door opstoppingen in het productieproces behoren tot het verleden.
• Overproductie – productie "op voorraad" zonder (interne of externe) afnemers
  De gebruiker hoeft geen buffers te plannen voor vermeende installaties met proceskritische installaties. De gebruiker produceert op basis van "echte" orders.
• Over-engineering – Toevoegen van functies die geen extra waarde bieden
  In plaats daarvan bepaalt het algoritme een oplossing die een hoge efficiëntie in een performante tijdslimiet biedt. Er wordt niet gestreefd naar een perfect plan, maar naar de beste strategie. Tegelijkertijd blijft het "lean" en bevat het bijvoorbeeld geen complexe analyseopties die een averechts effect hebben op de transparantie en bruikbaarheid.
• Defecten – onderdelen moeten opnieuw bewerkt worden.
  Plotselinge wijzigingen in schema’s, gewijzigde planning van hulpbronnen naar andere machines en werkplekken, ongeplande onderbrekingen: Dergelijke onregelmatigheden leiden vaak tot fouten in de productie. Ook dat kan worden voorkomen door het combineren van kunstmatige intelligentie en pegging.

Conclusie: Het gebruik van hulpbronnen beter plannen en zo verspilling stoppen

Bij alle zeven "pijnpunten" van de interne supply chain kan de nieuwe softwaretool verspilling verminderen en het gebruik van de beschikbare hulpbronnen optimaliseren. Dit geldt voor de "stand-alone" werking van FOX en – in nog grotere mate – ook voor het gebruik ervan in combinatie met andere IIoT-tools van ifm, die bijvoorbeeld betrekking hebben op onderhoud en track-and-trace-kwaliteit. De tool wordt ook aanbevolen als aanvulling op de GIB-kernproducten, die onder andere dode voorraad en over- en onderdekkingsgraad identificeren, bereiken optimaliseren en veiligheidsvoorraden in balans brengen.