Innan en tidsstudie påbörjas är det viktigt att redan från början ha klartecken från bland annat personal, fackorganisation och arbetsgivare. Detta examensarbete har inte hanterat situationen annorlunda. Redan från början klargjordes tydligt att tidsstudien endast avser att studera hur lång tid olika arbetsmoment tar att genomföra och hur lång tid olika produktionsstopp pågår i, utan att registrera vem som utfört arbetet. Det har inte från någons sida uppstått motstånd mot tidsstudien utan endast positiv respons kring arbetet har noterats.
Faktorer som kan förändra och påverka såväl modellen som resultatet av simuleringen presenteras nedan styckevis. Det första är att ingen hänsyn har tagits till större maskinhaverier då dessa inte inträffade under tidsstudien. Det har dock med hjälp av intervjuer av personal (P. Karlsson, personlig kommunikation, 7 maj 2015) framkommit att maskinhaverier och svårare fel har inträffat, men sällan.
Det råder även viss osäkerhet kring den nya kundens faktiska efterfråga då den efterfrågan som använts i modellen endast är uppskattad av Ostspecialisten. En ytterligare riskfaktor med den nya kundens produkter är att dessa kan kräva en annan typ av delningsverktyg än nuvarande produktion. Om så är fallet leder detta till ytterligare icke värdeskapande arbete vilket kan leda till en ökad total produktionstid. Modellen tar inte heller hänsyn till om den nya kundens ost paketeras eller hanteras på ett annat sätt som är mer tidskrävande.
När modellen körs tilldelas endast en Ställtidstyp 3, vilket är för den ostsort som ankommer efter Mixlåda chili/havssalt & örter (ID nr. 20). I verkligheten utförs dock inte alltid produktionen i enlighet med hierarkilistan (oftast på grund av ett en order behöver prioriteras) vilket innebär att städning kan förekomma även då. Detta innebär i sin tur att den totala produktionstiden för dessa dagar blir högre än om produktionen skulle skett enligt listans ordning.
Eftersom den nya kundens efterfråga är fördelad efter de åtta mest förekommande ostsorter som produceras på Ostspecialisten idag är denna behäftad med osäkerhet. Det finns risk att fördelningarna för ankomstintervallen och vikterna ser annorlunda ut och att exempelvis kampanjer förekommer mer frekvent. Konsekvenserna av detta kan innebära att beläggningsgraden vid vissa tidpunkter är avsevärt högre än den som presenteras i modellen. Kampanjer baserade på spekulationer upplevdes dock för osäkert att hantera i modellen då dessa kan bli väldigt missvisande.
Byten av film och etiketter samt tömning av filmrester kan härledas till antalet ostbitar som produceras istället för till tid i produktionen. Men eftersom tömning av filmrester ibland sker som förebyggande åtgärd innan rullen faktiskt är full och eftersom ett stort antal olika etikett- och filmrullar används (och väldigt sällan förbrukas helt i en och samma produktionsserie) blir härledningen till antal ostbitar väldigt tidskrävande och hamnar därmed utanför examensarbetets ramar varför de härleds till tid i produktionen istället.
Det går även att diskutera om fördelningarna med få mätvärden verkligen passar datamängden om fler mätvärden skulle samlas. Viktigt att poängtera är dock att syftet med simuleringsstudien inte var att enkom skapa sig fördelningar som efterliknar datamängderna till hög grad utan att konstruera en modell som efterliknar verkligheten tillräckligt mycket.
Med tanke på de systemgränser som används för det studerade systemet så finns det vissa risker med den nya kunden som simuleringsmodellen inte tar hänsyn till. Då den nya kunden inte
48
enbart har för avsikt att producera ost på den studerade produktionslinan så kommer även beläggningsgraden att öka på resterande två linor. Detta kan i sin tur innebära att arbetsmoment som exempelvis inlastning blir mer tidskrävande. Detta kan i sin tur leda till att det krävs ytterligare resurser för att hantera den ökade arbetsbelastningen för att inte riskera produktionsstopp på den studerande linan på grund av att den som arbetar med inlastningen inte hinner med.
I tidigare studier, som beskrivs i kapitel 4, har samtliga studerade system haft olika stationer med arbetsuppgifter med olika cykeltider. Vissa av arbetena har också använt producerad kvantitet som prestandamått istället för att låta tiden variera likt examensarbetet (med undantag för scenario 3). Med dessa två skillnader kan examensarbetet användas som komplement till de tidigare arbetena som hittades, vid framtida simuleringsstudier för att avgöra hur modelleringen ska göras.
Likheter mellan examensarbetet och de tidigare arbetena finns framförallt i Sidharta et al. (2013), som påstår att endast 50-60 % av ett produktionssystem används till effektiv produktion. För Ostspecialisten används 48 % till effektiv produktion, resten av tiden står produktionslinan still. Ytterligare en likhet är att både Sidharta et al. (2013) och examensarbetet betraktar människor som en källa till variation. I Sidharta et al. (2013) används mänsklig effektivitet som en parameter att justera medan den mänskliga faktorn används som källa till produktionsstopp (spontana raster, Mänsklig faktor 1 & 2) i examensarbetet.
49
14 Slutsats
I dagens läge har Ostspecialisten en genomsnittlig produktionstid på 6 timmar och 14 minuter, enligt historisk data, och 6 timmar och 12 minuter enligt modellen. För att bemöta den framtida efterfrågan krävs en genomsnittlig kapacitet på 7 timmar och 57 minuter. Notera att denna tid är effektiv produktionstid och innehåller således inga schemalagda raster. Detta innebär att Ostspecialisten med största sannolikhet kommer att kunna bemöta befintlig och den nya kundens efterfrågan genom att arbeta i skift, totalt 10 timmar per dag. För att bemöta framtida trender och produktionspikar räcker dock inte kapaciteten för att kunna producera allt utan övertid.
Utredningen har också identifierat två olika typer av produktionsstopp som är mer framstående än andra. Ett som är mest frekvent och beror på att personalen måste stanna produktionen på grund av att de inte hinner med, vilket benämns som Mänsklig faktor 1. Ett som tar upp mest total tid vilket är en ställtid som innefattar byte av yst-nummer, ostsort, etikett och film och som benämns som Ställtid 2.
Utifrån resultatet från simuleringen rekommenderas Ostspecialisten att införa skift och påbörja ett samarbete med den nya kunden. Detta eftersom den genomsnittliga tiden tyder på att Ostspecialisten kommer att klara av den ökade produktionen samtidigt som den genomsnittliga utnyttjandegraden ökar med 1 procentenhet.
Nästa steg är att utföra en analys över den nya kundens ostar. Detta för att minimera antalet ställtider och på så sätt uppnå en så effektiv produktion som möjligt vad gäller ställtider. Dessutom rekommenderas att en noggrann analys med sammanhängande handlingsplan genomförs för säsonger då produktionen normalt sett ökar.
Utifrån de identifierade felen föreslås även att en analys genomförs med avseende på att framförallt minska de stopp som sker mer frekvent men även att korta ner tiden för de stopp som pågår under längre tidsperioder.
50
Referenser
Banks, J. (2010). Discrete-event system simulation. Upper Saddle River, N.J: Pearson Education.
Banks, J., Carson, JS., Nelson, BL. & Nicol, DM. (2010). Discrete-Event System Simulation. 5:e uppl. New Jersey: Pearson Education
Chu, S. & Schruben, L. (2005). Packaging capacity analysis of a biopharmaceutical
production operation. M. E. Kuhl, N. M. Steiger, F. B. Armstrong, and J. A. Joines (Eds.). I Proceedings of the 2005 Winter Simulation Conference. 2449-2453.
Curran, T., Benjamin, DM., Austin, S. (1998). Simulation case studies in the print / finish industry. D.J. Medeiros, E.F. Watson, J.S. Carson and M.S. Manivannan (Eds.). I
Proceedings of the 1998 Winter Simulation Conference. 1501-1504.
Duanmu, J., Taaffe, K. (2007). Measuring manufacturing throughput using takt time analysis and simulation. S. G. Henderson, B. Biller, M.-H. Hsieh, J. Shortle, J. D. Tew, and R. R. Barton (Eds.). I Proceedings of the 2007 Winter Simulation Conference. 1633-1640. Jonsson, P. & Mattsson, SA. (2005). Logistik: Läran om effektiva materialflöden. 2:a uppl. Lund: Studentlitteratur AB.
Kelton, WD., Sadowski, RP. & Swets, NB. (2010). Simulation with Arena. 5:e uppl. New York: McGraw-Hill.
Khalil, MH., Zahedi, F. (2013). Modeling and simulation of a mattress production line using Promodel. R. Pasupathy, S.-H. Kim, A. Tolk, R. Hill, and M. E. Kuhl (Eds.). I Proceedings of the 2013 Winter Simulation Conference. 2598-2609.
Liu, J., Yang, F., Wan, H. &Fowler, JW. (2010). Capacity planning through queueing
analysis and simulation-based statistical methods: a case study for semiconductor wafer fabs. International Journal of Production Research. Vol. 45, No. 15. 4573-4591
Oskarsson, B., Aronsson, H. & Ekdahl, B. (2013). Modern logistik – för ökad lönsamhet.
Stockholm: Liber AB.
Robinson, S. (2004). Simulation: The Practice of Model Development and Use. Wiley. Robinson, S. (2008a). Conceptual modelling for simulation Part I: definition and requirements. Journal of the Operational Research Society. 59. 278-290.
Robinson, S. (2008b). Conceptual modelling for simulation Part II: a framework for conceptual modelling. Journal of the Operational Research Society. 59. 291-304. Sanchez, S.M. (2007). Work smarter, not hrader: guidelines for designing simulation
experiments. S. G. Henderson, B. Biller, M.-H. Hsieh, J. Shortle, J. D. Tew, and R. R. Barton (Eds.). I Proceedings of the 2007 Winter Simulation Conference. 84-94.
Sargent, RG. (2013). Verification and validation of simulation models. Journal of Simulation. Vol. 7, No. 1. 12-24
51
Sidharta S.P., Stephan M.W., Tarikere T.N. & Vijay A. (2013). A simulation-based methodology to analyse production line disruptions. International journal of production research. Vol. 51, No. 6. 1885-1897.
Silva, L., Ramos, AL., Vilarinho, PM. (2000). Using simulation for manufacturing process reengineering - a practical case study. J. A. Joines, R. R. Barton, K. Kang, and P. A. Fishwick (Eds.). I Proceedings of the 2000 Winter Simulation Conference. 1322-1328.
Stacy, Robert N. (2013). Hawthorne effect. Salem Press Encyclopedia.
Vincent, S. (1998). Input Data Analysis. Banks, J. (red.) Handbook of simulation. John Wiley & Sons, Inc.
Workman, W. (2000). Simulation of the drug development process: a case study from the pharmaceutical industry. J. A. Joines, R. R. Barton, K. Kang, and P. A. Fishwick (Eds.). I Proceedings of the 2000 Winter Simulation Conference. 1995-1998.
52
Bilaga 1
Nedan visas mallen för tidmätningarna utförda på Ostspecialisten.
Datum: Tidmätning utförd av:
Osttyp: Delningstyp: Takt:
Klockslag start: Klockslag stopp:
53
Bilaga 2
Nedan visas de använda sannolikhetsfördelningarna för tid mellan stoppen och stopptiderna för samtliga stopporsaker i produktionen, och stopptiderna för alla ställtidstyper. Yttrycken som används i ARENA, P-värdena fån Kolmogorov-Smirnov-testet (KS) och från Chi-Square-testet (CS) samt antal värden i datamängden visas. Enheterna i ARENA-uttrycken är sekunder.
56
Bilaga 3
Nedan visas de använda sannolikhetsfördelningarna för ankomstintervallen och vikterna för alla ostsorter som i nuläget produceras. Yttrycken som används i ARENA, P-värdena fån Kolmogorov- Smirnov-testet (KS) och från Chi-Square-testet (CS) samt antal värden i datamängden visas. Enheterna i ARENA-uttrycken för ankomstintervallen är dagar och vikten är kilogram. För ankomstintervallen finns inget KS eftersom testet kräver en kontinuerlig datamängd medan alla värden för ankomstintervallen är heltal (bara hela dagar) där samma antal dagar dessutom förekommer upprepade gånger vilket gör att datamängderna betraktas som diskreta.
62
Bilaga 4
Nedan visas de använda sannolikhetsfördelningarna för ankomstintervallen och vikterna för alla ostsorter som produceras åt den nya kunden. Yttrycken som används i ARENA, P-värdena fån Kolmogorov-Smirnov-testet (KS) och från Chi-Square-testet (CS) samt antal värden i datamängden visas. Enheterna i ARENA-uttrycken för ankomstintervallen är dagar och vikten är kilogram. För ankomstintervallen finns inget KS eftersom testet kräver en kontinuerlig datamängd medan alla värden för ankomstintervallen är heltal (bara hela dagar) där samma antal dagar dessutom förekommer upprepade gånger vilket gör att datamängderna betraktas som diskreta.