Modellens fel och reparationstider

I verkligheten finns det givetvis en oändlig mängd olika problem som kan uppstå vid produktion av de olika produkterna. Det är givetvis omöjligt att ta hänsyn till alla.

46

Produktionsstopp på grund av olika typer av fel kan enligt Banks (1998) behandlas på fyra olika sätt.

1. Ignoreras.

2. Inte modelleras explicit, men tas hänsyn till genom att justera processtiden. 3. Använda konstanta värden för tid mellan fel och tid för reparation.

4. Använda sig av statistiska fördelningar till tiden mellan fel och tid fel.

Fel som kan ignoreras är bland annat mycket ovanliga och/eller katastrofala händelser. Ofta bortser man från dessa om de till exempel sker väldigt sällan och man inte har tillräckligt med information om dem, eller helt enkelt om det inte hos beställaren finns ett intresse av att modellera dessa.

Enligt Law (1989) är metod 2 förknippad med stor risk att karaktäristiken i produktionen inte blir korrekt. Framför allt när det gäller köer. Detta kan verka självklart då det inte kan uppstå några längre köer vid produktion utan direkta avbrott, men med reducerad kapacitet.

Exemplifierat i Law (1989) kan man modellera en maskin med produktionsstopp 10 % av tiden på bland annat tre olika sätt:

I. 90 % produktionshastighet.

II. Tid mellan fel exponentialfördelad med medelvärdet 54 minuter (reparationstiden är gammafördelad med formparameter lika med 2 och medelvärde på 6 minuter).

III. Tid mellan fel exponentialfördelad med medelvärdet 540 minuter (reparationstiden är gammafördelad med formparameter lika med 2 och medelvärde på 60 minuter).

Order till maskinen ankommer med en medeltid som är exponentialfördelad med ett medelvärde på 1,25 minuter, och operationstiden i maskinen för en detalj är exakt 1 minut. I fall 1 är då operationstiden 0,9 detaljer per minut.

47

Resultatet för köbildning före maskinen i systemet blir oerhört avvikande, se Tabell 10.

Metod: I II III

Antal detaljer per vecka 1 914,8 1 913,8 1 908,8 *

Medeltid i systemet 5,6 10,3 35,1 * Maximal tid i systemet 39,1 76,1 256,7 #

Medelantal i kö 3,6 7,3 7,3 *

Maxantal i kö 35 67 231 #

Tabell 10: Exempel för modellering av fel

* = medelvärde över fem körningar, # = maximum över fem körningar. Alla tider är givna i minuter

Då produktionen i fyllningslinan är beroende av hur långa köer som kan bildas vid varje maskin blir andra metoden i helt utesluten ur min modell.

Nästa alternativ (3), att använda sig av konstanta värden för tid mellan fel och reparationstider, utesluts även det. Detta på grund av att felen som kan uppstå inte är konstanta, och samma fel varierar betydligt från fall till fall. Detta leder även till att experiment inte blir lika intressanta vid flera replikationer, då de är deterministiska i det avseendet.

Att använda sig av det fjärde alternativet är att föredra. För att kunna göra detta måste tillräckligt med data samlats för att ge en trovärdig fördelning. I Banks (1998) menas att 20, men 50 till 100 observationer är att föredra.

Produktionsstopp kan även ske i förebyggande syfte, och bör modelleras på samma sätt. Fördelen med dessa är att de är schemalagda. I bästa fall är dessa inplanerade när inte produktion sker och då påverkar inte detta heller produktionen.

Till en början modellerades reparationstider och neretider med hjälp av en funktion i Arena som kallas ”failures”. Genom denna funktion kan man själv bestämma vilka intervall (både i tid eller efter antal entiteter) samt den tiden maskinen är ur funktion eller lagas. Dock är inte detta ett bra sätt att representera det sätt maskinerna lagas på, då det oftast är en person (servaren) som sköter detta. Vid större fel är det även ofta endast en eller möjligtvis två personer som kan laga felen.

Med det tidigare beskrivna sättet ”failures” är neretiden oberoende av om en annan maskin går sönder samtidigt och eventuellt behöver vänta på att en resurs ska komma och rätta till felet. Därför byggdes en egen modell över hur fel hanteras i fyllningen. Genom att i en submodell innan processen börja med att låta entiteten först gå genom en decidemodul (som fungerar ungefär som en ”if-sats” i vanlig programmering) som skickar flaskor (entiteter) till reparation efter sannolikheten att de ska bli fel. Därefter måste den vänta på att servaren ska bli ledig för att maskinen ska kunna lagas. Till detta kunde man även relativt enkelt göra en animation för vilket tillstånd maskinen befinner sig i.

48 6.2.2.2 Datainsamling över fel i produktion

För att modellera de fel som uppstod i produktionen användes dels statistik från de olika maskinerna, men även efter möten och samråd med linjeansvariga och personal från linan. För att undersöka de vanligaste felen användes konventionell tidtagning för att se responstider och tider för åtgärdande. Intressant var att tiderna ofta (nästan uteslutande) var längre än man först uppskattat.

De tidsdata maskinerna tillhandahöll var enbart total neretid och produktionstid för de olika felen sedan senaste nollställning. Enligt tidigare resonemang var det därför viktigt att dela in den tiden en maskin går fel i de typer av fel som kan uppstå. Därför klockades de flesta vanligaste typer av fel som kunde uppstå vid maskinerna. Hur länge och hur ofta dessa skedde matchades sedan med den totala tiden från mätningarna. Att avgöra vilka fel som var förknippade med olika produkter och maskiner var en stor del av bearbetningen av indata för projektet. Alla tider utreddes och kontrollerades i samarbete med linjeansvariga för linan.

Efter lite efterforskning visade de sig dock att all data från maskinerna inte var helt tillförlitlig. Bland annat då raster uppstod kunde räknare i fyllaren (vilken erbjöd bäst information) registrera detta som fel från flaskresaren och så vidare. Dessutom visade det sig senare att den även registrerade samma fel då flaskor var på väg in i maskinen. Statistiken från fyllaren angavs, som tidigare nämnts, i total tid för de olika felen och produktionstid utan stopp. Men med modifieringar och samråd med sakkunniga, klurades ut vad som var vad. Ett försök att identifiera prestationen hos fyllningslinan över tiden i en order då kontinuerliga intervall av avläsningar gjordes.