Författare: Amanda Andersson, Lakhsmi Kjellström
Handledare LNU: Joakim Bjurström
Handledare företag: Henrik Axelsson & Andreas Gustafsson, NIBE AB
Examinator LNU: Mirka Kans Datum: 2020-06-02
Kurskod: 2MT14E, 15hp Ämne: Industriell ekonomi Nivå: Högskoleingenjör
Populärvetenskaplig sammanfattning
Arbetet har sin grund i att det företag som projektet baserats på, NIBE AB i Markaryd, planerar att genomföra ett maskinbyte i sin anläggning. Det innebar att förutsättningarna för tillverkningen förändrades. Vid
införskaffning av ny maskinutrustning krävs det kunskap om hur den ska användas i produktionen, används kunskapen och utrustningen korrekt kan det generera ett större värde för företaget. Att i förväg kunna se hur
produktionen kommer se ut med den nya maskinutrustningen är därmed av intresse. Av den anledningen skapade vi en matematisk modell för att se ifall det var möjligt att göra en produktionsplanering som endast är baserad på teorier, eftersom de nya maskinerna ännu inte var på plats. Slutsatsen blev att det är möjligt att skapa en teoretisk matematisk planering. Det innebär att modellen är möjlig att använda på andra tillverkande företag, eftersom allt är baserat på matematiska teorier.
Vår modell kan med hjälp av kända variabler beräkna okända variabler och därmed skapa en simulering av produktionen. Exempelvis så kan modellen räkna ut storlek på lager och tiden produkter kommer befinna sig i lager med hjälp av data från produktionstider och efterfrågan. Modellen förenklar produktionsplaneringen genom att vara lättillgänglig för användaren så att den själv inte behöver sätta sig in i teorin bakom modellen. Samtidigt visar modellen samband mellan beräkningarna som görs som kan bidra till förståelse för vilka konsekvenser olika val i produktionen ger. Därav breddas modellens användningsområde.
Bakgrunden till arbetet är att för företag som producerar varor med en kundefterfrågan som varierar med säsong, kan få det svårt att planera sin produktion för att klara av att tillverka efter kundens behov. För att klara av att producera i enlighet med säsonger kan företag ersätta manuella
tillverkningssteg med robottillverkning. Vi har därför skrivit denna rapport, med syftet att ta reda på om och i så fall hur en förändring från manuell tillverkning till robottillverkning påverkar resten av produktionen. För att lösa detta skapade vi en matematisk modell, där företaget kan mata in sina olika specifikationer och få ut bland annat hur stora lager av komponenter de behöver ha för att kunna tillverka i den takt som kunden önskar.
Abstrakt
En säsongsbaserad tillverkning kan innebära svårigheter för företag att möta kundefterfrågan och hålla lagernivåerna nere. En strategi för att möta en varierande efterfrågan är automatisering, vilket kan leda till en högre produktivitet och kapacitet, samtidigt som det kan begränsa flexibiliteten. För ökad flexibilitet kan gradvis automatisering av en anläggning göra det möjligt att integrera processer och få en stabil tillverkning.
Arbetets syfte är att skapa förståelse för hur en förändring av en del av en produktionslina påverkar flödet i produktionen, med hänsyn till förändrad maskinutrustning och kapacitet. Målet med arbetet är att skapa en modell som möjliggör produktionsplanering i ett flöde där empirisk data inte är tillgänglig. För att svara på syftet skapades frågeställningar för att behandla hur en produktionsplanering kan göras som är baserad på empirisk teoretisk data, hur flöden bör kombineras samt hur olika faktorer påverkar buffertar och ledtider i en produktion. Genom att använda teorier om lean production och lager kunde en matematisk modell skapas. Resultatet blev en modell som med hjälp av kända variabler kunde beräkna okända samt skapa en matematisk produktionsplanering. Slutsatsen visar på att det är möjligt att skapa en produktionsplanering baserat på empirisk teoretisk data, och att modellen är tillämpningsbar även på andra industrier eftersom den är anpassningsbar.
Nyckelord: Lean produktion, Produktionsplanering, Värdeflödeskarta, Heijunka, Modellering.
Abstract
A season based production may lead to difficulties for companies to fulfill customer demand and to keep stocks to a minimum. Changing the
production can lead to a higher productivity and capacity, meanwhile it may limit flexibility. A gradual automation makes it possible to interact different processes and to make a stable production.
The purpose of this project is to gain an understanding of how a changed part of a production line affects the production flow, with changed capacity and machine equipment taken into account. The goal is to create a model that enables production planning in a flow where empirical data is not available. To answer the purpose, questions of the issue were created with a focus on how a production plan can be done with only empirical theoretical data, how flows can be combined and finally how factors affect the buffers and lead time. By combining theories of lean production and inventory, a mathematical model could be created. The result was a model that with the help of known variables could figure out unknown and thereby create a mathematical production plan. The conclusion shows that it is possible to create a production plan based on empirical theoretical data, and that the model can be applied to other industries as well because of its
customizability.
Keywords: Lean production, Production planning, Value stream mapping, Heijunka, Modelling.
Förord
Detta arbete har genomförts som examensarbete på uppdrag av NIBE AB i Markaryd och är det sista momentet i programmet Industriell Ekonomi på Linnéuniversitetet i Växjö. Rapporten har skrivits gemensamt av författarna med stöd av handledare på företag och från universitetet.
Först och främst vill vi tacka de lärare på Linnéuniversitetet som involverat sig i vårt arbete och visat intresse, för att hjälpa oss på vägen. Vi riktar ett stort tack till våra handledare på NIBE AB, Henrik Axelsson och Andreas Gustafsson, för er vägledning och ert engagemang genom arbetet. Vi vill även tacka vår handledare från Linnéuniversitetet, Joakim Bjurström, för din expertis och uppmuntran genom hela arbetet. Slutligen vill vi tacka vår examinator Mirka Kans, och våra opponenter, Rianne Dreves och Tina Säll, för era granskningar och förbättringsförslag.
Amanda Andersson & Lakhsmi Kjellström Växjö, 25 Maj 2020
Ordlista
Cykeltid eller C/T - Cykeltiden är tiden det tar för en produktionsenhet att producera en produkt (Segerstedt 2008).
JIT - JIT står för just in time vilket innebär att rätt delar ska levereras i rätt tid och mängd till rätt station (Segerstedt 2008).
Ledtid - Ledtiden är tiden det tar för hela produktionen att producera en enhet och innefattar bland annat tid för transport inom produktionen, cykeltid och kötid. Tiden börjar när produktionen av enheten börjat och slutat när enheten är färdigställd (Segerstedt 2008).
Ställtid eller S/T- Ställtiden är tiden det tar för en produktionsenhet att skifta mellan produktvarianter (Rother & Shook 2004).
Takttid - Takttiden används för att synkronisera produktionen med
efterfrågan. Takttiden beräknas genom att dividera tillgänglig arbetstid med kundens behov (Rother & Shook 2004).
PIA – Produkter i arbete (PIA), eng. work in progress (WIP). Det lager som finns inom eller mellan produktionsenheter (Johnsson & Mattsson 2016).
Innehållsförteckning
1. INTRODUKTION ... 1 1.1BAKGRUND ... 1 1.2PROBLEMATISERING ... 2 1.3SYFTE OCH MÅL ... 2 1.4FRÅGESTÄLLNINGAR ... 3 1.5AVGRÄNSNINGAR ... 3 1.6RELEVANS ... 3 2. METOD ... 5 2.1FORSKNINGSDESIGN ... 52.2FORSKNINGSKVALITET OCH ETIK ... 7
2.2.1 Forskningskvalitet och datainsamling ... 7
2.2.2 Etiskt Ansvar ... 7
3. LITTERATUR OCH TEORI ... 9
3.1LITTERATURGENOMGÅNG ... 9 3.1.1 Lean Production... 9 3.1.2 Flöden ... 9 3.1.3 Automatisering... 10 3.2TEORI... 10 3.2.1 Förbättringskata ... 10
3.2.2 Plan, Do, Check, Act (PDCA) ... 11
3.2.3 Heijunka ... 12
3.2.4 Värdeflödesanalys ... 12
3.2.5 Köteori ... 13
3.2.6 En Artikel Varje (EAV) ... 15
4. EMPIRI ... 17
4.1FÖRETAGS- OCH KONCERNBESKRIVNING ... 17
4.2SKORSTENSTILLVERKNINGENS EFTERFRÅGAN ... 17
4.3PRODUKTIONSÖVERSIKT ... 18
4.3.1 Produktionsprocessen ... 19
4.3.2 Produktionstider ... 20
4.4LAGERHÅLLNING ... 21
5. RESULTAT OCH ANALYS ... 22
5.1SKAPANDE AV MATEMATISK MODELL ... 22
5.1.1 Utgångsläge och måltillstånd ... 22
5.1.2 Värdeflödeskarta över utgångsläge ... 23
5.2MODELLENS UTFORMNING ... 24
5.3INSÄTTNING AV SCENARION I MODELLEN ... 26
5.3.1 Test 1-3, Förändring av efterfrågan ... 27
5.3.2 Test 4-5, Förändring av cykeltider ... 28
5.3.3 Test 6-7, Förändring av ställtider ... 29
5.3.4 Test 8-10, Stresstester av modellen... 30
6. DISKUSSION ... 32
6.1METODDISKUSSION ... 32
6.1.1 Forskningsdesign ... 32
6.2RESULTATDISKUSSION ... 34
6.2.1 Skapande av modell ... 34
6.2.2 Modellens utformning ... 34
6.2.3 Insättning av scenarion i modellen ... 36
7. SLUTSATSER ... 37
8. REKOMMENDATIONER ... 38
8.1REKOMMENDATIONER FÖR FORTSATT FORSKNING ... 38
8.2REKOMMENDATIONER TILL FALLFÖRETAGET ... 38
REFERENSER ... 39
1. Introduktion
Introduktionskapitlet innehåller en bakgrund samt en beskrivning av problemet som rapporten behandlar. Den tar även upp syfte och det mål som satts samt relevansen på forsknings- och samhällsnivå.
1.1 Bakgrund
De företag som har ett säsongsbaserat behov upplever ofta svårigheter med planering av produktion och lagerhållning (Bhat & Krishnamurthy 2016). En strategi för att nå en marknad med varierande efterfrågan är
automatisering. Genom att automatisera är det möjligt att uppnå en ökad produktivitet och kapacitet samt en stabilare variation i kvalitet (Bellgran & Säfsten 2005). I en artikel från Ny Teknik (2018) menar Per-Martin
Eriksson, teknisk säljare på Omron Industrial Automation, att
automatisering leder till högre effektivitet och lönsamhet. Samtidigt kräver det kunskap om hur insamlandet av data tillämpas och förståelse för hur produktionen fungerar.
Vid planering av automatisering är en viktig faktor flexibilitet, det vill säga maskinens förmåga att anpassa sig efter förändringar. Enligt Bellgran och Säfsten (2005) är automatiserade maskiner känsliga för oförutsedda händelser och är därmed inte alltid bättre än människan. Att gradvis automatisera en anläggning kan därför vara lämpligt (Hill 2005).
Övergången görs genom att starta med en manuell produktion för att sedan automatisera delar av den utefter de behov av produktionseffektivitet som krävs. Att arbeta med ständiga förbättringar och kontinuerligt förbättra produktionen blir därmed en förutsättning för att fortsätta möta marknaden och dess svängningar i efterfrågan (Bellgran & Säfsten 2005).
I samband med teknologiutvecklingen som sker i samhället idag ställer marknaden högre krav på industriernas operativa funktion. Enligt Knol m.fl. (2018) är lean-principerna ett arbetssätt för att utveckla de operativa
funktionerna i ett företag. Lean production består av flera olika metoder, verktyg och tekniker för att arbeta med kontinuerliga förbättringar. Genom att arbeta med leanprinciperna kan ledtider genom produktionen bli kortare (Jonsson 2008). Lean production är ett arbetssätt som strävar efter att producera direkt mot kundorder och samtidigt ha en bred variantflora. Det leder till att kunden får ett brett urval av produkter samtidigt som den kundorderstyrda produktionen gör att företaget inte behöver lagerföra produkterna i lika stor utsträckning.
1.2 Problematisering
En säsongsbaserad efterfrågan försvårar en produktionsplanering och genom automatisering kan produktionen möta den till större grad eftersom
produktionens förutsättningar förändras (Bhat & Krishnamurthy 2016; Bellgran & Säfsten 2005). En automatiserad del inom en lina medför större kapacitet vilket i sin tur gör att den delen kan klara av att producera mer under mindre tid (Bellgran & Säfsten 2005). Det är därför relevant att undersöka hur resterande delar av produktionen påverkas.
Eftersom undersökningen görs under planeringsstadiet innebär det att tester inte genomförs fysiskt på den förändrade processen. Det är därmed möjligt att ifrågasätta om en teoretisk produktionsplanering är tillräckligt
överensstämmande med verkligheten för att kunna agera som
beslutsunderlag. Eftersom det är komplicerat med produktionsplanering kan det ifrågasättas hur den kan utföras vid förändring för en effektiv
produktion. Bellgran och Säfsten (2005) menar att en god planering innan förändring kan bidra till mer precisa resultat och förbättringar av de bearbetade systemen.
Det kan även diskuteras om det är möjligt att få en helt kundorderstyrd produktion med hjälp av automatisering samt implementering och integrering av verktyg från lean production. Eftersom arbetet med lean production ger kortare ledtider, vilket Johnsson (2008) förklarar, skulle det kunna användas för att få en mer kundorderstyrd produktion. Därmed är det relevant att undersöka om det går att få en förståelse för hur
automatiseringen påverkar produktionsflödet samt hur den kan integreras i produktionen med hjälp av leanprinciperna.
1.3 Syfte och mål
Syftet med arbetet är att skapa förståelse för hur flödet påverkas av en förändring av en del i en produktionslina med hänsyn till förändrad maskinutrustning och kapacitet.
Målet är att skapa en modell för produktionsplanering som tar hänsyn till de variabler i produktionen som påverkar flödet. Modellen ska användas för att kunna ge ett så bra utgångsläge som möjligt för en förändrad produktion och även kunna tillämpas vid framtida produktionsplanering.
1.4 Frågeställningar
Hur kan en modell för ett framtida materialflöde skapas som baseras på empiriskt teoretisk data när det inte är möjligt att hämta primär data?
Hur kan flera flöden synkroniseras med hänsyn till produktionens förutsättningar där det finns en kombination av automatiserade och manuella processer?
Hur påverkar cykeltider, ställtider och efterfrågan en produktion med avseende på buffertar och ledtider?
1.5 Avgränsningar
Arbetet tar endast hänsyn till ett företag. Inom produktionen följer arbetet en produktionslina och tillverkningen av en gren i den aktuella
produktfamiljen. Författarna har ingått ett sekretessavtal med fallföretaget vilket innebär att de tal som inte får publiceras ersätts med fabricerade siffror för att kunna påvisa att arbetet uppfyller sitt syfte.
Eftersom produktfloran och en del av produktionslinan förändras kommer den del av produktionen som påverkas inte kunna baseras på tillgänglig data från tidigare produktion. Data kommer istället baseras på empirisk teoretisk data i form av maskinspecifikationer, nytt produktsortiment, takttid samt försäljningsprognoser. De delar av tillverkningen som inte påverkas kommer att baseras på insamlad empirisk data från fallföretaget.
Med anledning av spridningen av covid-19 kan informationsinsamling från fallföretaget påverkas i form av begränsat antal besök och intervjuer, samt möjligheten till observationer i produktionen.
1.6 Relevans
En teknisk förändring kan dels leda till en högre effektivitet i produktionen, men även innebära en högre kortsiktig kostnad jämfört med en operativ förändring (Hill 2015). Enligt Eriksson (Ny Teknik 2018) ger
automatisering ur ett långsiktigt perspektiv kortare ledtider och minskade kostnader. Ur ett företagsperspektiv är det därmed relevant att undersöka hur ett företag kan planera för en väl integrerad automatisering vid en teknisk förändring av produktionen.
Vid utformning av arbetsmetoder i en produktion är det enligt Slack m.fl. (2016) viktigt att förstå grunden till processerna inom produktionen och påverkande faktorer. Därför är det ur ett forskningsperspektiv relevant att undersöka lämpliga metoder för hur en teknisk förändring kan integreras och
samtidigt få möjlighet att ta hänsyn till och förebygga problem som kan uppstå i produktionen. Vidare förklarar Slack m.fl (2016) att koordingering av flertalet delprocesser i en produktionsprocess kan leda till att hela processen förbättras.
Med den teknologiutveckling som sker i samhället ställs fler krav på industrierna och med hjälp av automatisering kan det bli lättare att möta efterfrågan (Knol m.fl. 2018 ; Bellgran & Säfsten 2005). En studie om hur en förändring av en produktion kan integreras för att dra nytta av fördelarna blir därmed även relevant på samhällsnivå. Studien skulle innebära att fler företag kan klara av att möta marknadens svängningar.
2. Metod
Metodkapitlet förklarar de vetenskapliga angreppssätt som används i rapporten för att hantera problemet. Kapitlet förklarar stegvis hur studien ska utföras, hur rapporten förhåller sig till forskningsetik och hur den ska säkerställa en god kvalitet.
2.1 Forskningsdesign
För att kunna svara på de frågeställningar och syfte som är uppställda i arbetet kommer undersökningen göras i form av en fallstudie. Enligt Patel och Davidson (2011) tillämpas fallstudier för att studera specifika processer och få ett helhetsperspektiv på den aktuella situationen. Enkäter och
experimentella studier är andra metoder som kan användas för att genomföra en undersökning men de kommer inte att tillämpas i detta arbete.
Enligt Blomkvist och Hallin (2015) kan en studie vara antingen kvantitativ eller kvalitativ. En kvalitativ studie har syftet att fördjupa kunskaperna inom det aktuella forskningsområdet. Studien består av ett eller ett fåtal fall med insamling av data genom semistrukturerade intervjuer och observationer, vilket görs med ett induktivt eller abduktivt arbetssätt. Detta arbete är kvalitativt eftersom det baseras på ett fallföretag.
En forskningsdesign har utformats utifrån de metoder som valts som utgångspunkt för att uppnå syftet med arbetet, se Figur 1.
Forskningsdesignen har en abduktiv ansats, vilket innebär att arbetet pendlar mellan teori och empiri för att skapa en djupare förståelse för båda delarna (Blomkvist & Hallin 2015). För att skapa en förståelse för problemet och fallföretagets situation börjar studien med en intervju. Enligt Blomkvist och Hallin (2015) är det en lämplig metod att använda i början av en studie för att precisera ett problem. Respondenterna för intervjuer, produktionsteknisk chef och produktionsteknisk projektledare, har valts eftersom de har störst kunskap om den cell som ska automatiseras och har även tillgång till mest information. Med andra ord har de högst reliabilitet av de som kan intervjuas på fallföretaget. Data från intervjuerna på fallföretaget är primär data, vilket enligt Blomkvist och Hallin (2015) är empiriska material som författarna själva tar fram eller som ligger till grund för forskningsobjektets syfte. Med hjälp av en värdeflödeskarta över situationen och den modell som skapas diskuteras sedan vilka variabler som ska styra en
produktionsplanering. Eftersom en del av produktionen automatiseras är det inte relevant att basera arbetet på produktionsdata från den föregående stationen. Därmed är en värdeflödeskarta för nutida läge inte aktuellt. Studien görs därför för att skapa ett så bra utgångsläge som möjligt för uppstart av den nya produktionen med hjälp av tillgänglig empirisk teoretisk data. Det innebär även att en analys för ett framtida läge är något som kan
utvecklas senare för vidare förbättring av produktionen och kommer därför inte tillämpas i detta arbete.
För att få en förståelse kring de ämnen studien berör genomförs en litteraturstudie som en teoretisk grund för den modell som ska skapas. Teorin från litteraturstudien används för att förstå vilken data som är lämplig att använda och vilka variabler som kan tillämpas i värdeflödeskartan över utgångsläget. Resultatet från utgångskartan ligger till grund för skapandet av en modell som ska verifieras av de involverade och testköras. Den teori som används i detta arbete är från sekundära källor, vilket Blomkvist och Hallin (2015) förklarar som exempelvis tidigare forskning eller intervjuer som andra personer eller organisationer gjort.
När teorin är färdigställd genomförs en kvantitativ datainsamling utefter de variabler som modellen ska ta hänsyn till. Den kvantitativa datainsamlingen sker genom tillhandahållen data från fallföretaget. En kvantitativ
datainsamling innefattar enligt Blomkvist och Hallin (2015) rent numeriska siffror som är möjliga att analysera men som inte ger någon djupare
förståelse för situationen. Ytterligare intervjuer med tidigare nämnda från fallföretaget kommer att genomföras under arbetets gång för att fördjupa kunskaperna om det aktuella fallet.
När modellen är gjord sätt givna scenarion in för att få ut data som används till att jämföra olika utgångslägen av produktionen. Resultaten av modellen kontrolleras sedan så att det går att säkerställa att rätt variabler används, för att uppfylla modellens syfte. Resultat och variablernas påverkan diskuteras sedan för att utröna vilken variabel som bör styra produktionen.
2.2 Forskningskvalitet och etik
2.2.1 Forskningskvalitet och datainsamling
Enligt Björklund och Paulsson (2012) påverkas studiens trovärdighet av tre mått; validitet, reliabilitet och objektivitet. Reliabilitet handlar om att kontrollera att de uppgifter som tagits är korrekta genom exempelvis kontrollfrågor. Validitet innebär att arbetet genomförs med korrekt teorier och metoder för ämnesområdet. Triangulering kan användas för att öka både validiteten och reliabiliteten i arbetet genom att använda flera olika metoder, teorier och datainsamlingsmetoder. Det tillämpas för att få fram olika
perspektiv av arbetet och därmed stärka syftet med projektet. För en hög objektivitet är det viktigt att fakta som används i rapporten är objektiv och att det inte vinklas av författare. För att öka objektiviteten ska de val som författarna gör i rapporten tydligt motiveras i syfte att läsaren själv ska kunna ta ställning.
Enligt Patel och Davidson (2011) kan litteraturstudien göras på både tryckt format och digitalt format. Böcker behandlar ofta bakgrunder till modeller och teorier medan artiklar, rapporter och konferensskrifter behandlar nyare forskning och tillämpningar. Fakta i teoriavsnittet ska enbart samlas in från material som är peer reviewed alternativt författade av erkända forskare inom området. Teorin ska omfatta ett flertal metoder som ska vara relevant för studiens syfte, vilket är ett exempel på hur triangulering tillämpas i arbetet.
Det empiriska material som samlas in sker genom intervjuer med relevant personal och granskande undersökningar i produktionen. För att säkerställa att insamlat material är korrekt granskas och verifieras det av berörd
personal som är involverade i projektet, så som produktionsteknisk chef och produktionsteknisk projektledare. Genom samtal med handledare kan det säkerställas att det material och de nyckeltal som samlas in är relevanta för studiens syfte.
2.2.2 Etiskt Ansvar
Vetenskapsrådet (2017) har i sin rapport om god forskningssed tagit fram åtta allmänna regler:
1. Du ska tala sanning om din forskning. 2. Du ska medvetet granska och redovisa
utgångspunkterna för dina studier.
3. Du ska öppet redovisa metoder och resultat. 4. Du ska öppet redovisa kommersiella intressen och
5. Du ska inte stjäla forskningsresultat från andra. 6. Du ska hålla god ordning i din forskning, bland
annat genom dokumentation och arkivering. 7. Du ska sträva efter att bedriva din forskning utan
att skada människor, djur eller miljö.
8. Du ska vara rättvis i din bedömning av andras forskning.
(Vetenskapsrådet 2017, s. 8)
Författarna följer dessa regler genom att öppet redovisa hur arbetet
genomförs och refererar till tidigare forskning och teorier för att motverka plagiat. Beskrivning av tidigare forskning görs på ett opartiskt sätt för att inte vinkla information till studiens fördel. På så sätt ska läsaren kunna göra en egen tolkning av arbetet. Författarna har signerat ett sekretessavtal med fallföretaget för att inte röja konfidentiell information. Verklig data
omvandlas till statistik för att säkerställa att sekretessen uppfylls utan att resultatet blir missvisande. Konfidentiell information som inte är möjlig att omvandla till statistik, vilket innefattar ställtid och cykeltid, är istället fabricerad. För att ta hänsyn till både fallföretaget och till studiens syfte utan att riskera att data blir missledande kommer fabricerad data vara inom rimliga mått i förhållande till varandra.
3. Litteratur och teori
Arbetets frågeställningar och syfte berör tre områden; lean production, flöden och automatisering, vilka förklaras genom tidigare forskning i litteraturgenomgången. Teorikapitlet tar sedan upp metoder som kan användas för att nå studiens syfte, mål och frågeställningar.
3.1 Litteraturgenomgång 3.1.1 Lean Production
Enligt Belekoukias m.fl. (2014) är lean ett tankesätt som använder olika principer och verktyg för hur en produktion kan förbättras, bland annat för att producera i en högre kvalitet, vid rätt tidpunkt till rätt kostnad. Arbetet medför att företag kan vara mer konkurrenskraftiga på marknaden genom att öka effektiviteten och minska produktionskostnaderna. Tankesättet går främst ut på att eliminera de steg i produktionen som inte tillför något värde till kunden.
Fagerlind Ståhl m.fl. (2015) förklarar hur lean främjar ett lärande klimat hos organisationer genom att personal från olika hierarkiska nivåer samarbetar för att effektivisera och eliminera de icke-värdeskapande aktiviteterna. Verktygen som används inom lean hjälper till med att skapa ett kreativt och analyserande tänk bland personalen vilket möjliggör det lärande klimatet. Enligt Rothers (2013) forskning är lean-verktygen en anledning till varför Toyota är mer framgångsrika jämfört med andra organisationer. Genom verktygen har de lyckats upptäcka problem på processnivå när de fortfarande är små och därmed även kunnat åtgärda dem innan det lett till allvarliga konsekvenser.
3.1.2 Flöden
Ett tillverkande företag har enligt Jonsson och Mattson (2016) tre sorters flöden i anknytning till marknaden; ekonomiflödet, informationsflödet och materialflödet. Figur 2 visualiserar hur de tre flödena förhåller sig hos ett tillverkande företag. Materialflödet går från leverantören genom det tillverkande företaget och slutligen till kunden. Informationsflödet är dubbelriktad mellan leverantör och tillverkande företag, samt mellan tillverkande företag och kund.
Figur 2 - Illustration av material- informations och ekonomiflödet inom ett producerande företag. Modifierad illustration (Mattsson & Jonsson 2016).
3.1.3 Automatisering
Enligt Bellgran och Säfsten (2012) är automatiseringsgraden ett beslut som behöver tas vid utformning eller utveckling av en tillverkningsprocess. Fördelarna med automatisering är kapacitetsökning, produktivitetsökning, mindre personalbehov, bättre arbetsförhållanden och en jämnare kvalitet i produkterna. Automatisering kan även medföra svårigheter, exempelvis med flexibiliteten. Automatiserad teknik kan inte ta beslut som saknar
förprogrammerade lösningar, i det avseendet är tekniken mindre flexibel än en människa.
3.2 Teori
3.2.1 Förbättringskata
Rother (2013) beskriver förbättringskatan som ett verktyg inom Toyotas lean production vilket används för att, på ett standardiserat arbetssätt, leda en organisation mot en målbild. Målbilden ska vara en långsiktig vision som fungerar som en riktningsvisare i förbättringsarbetet. Förbättringskatan är uppdelad i fyra steg varav visionen är det första, se Figur 3. Det andra steget är att utforma och förstå processens nuläge. När en förståelse för nuläget har skapats ska ett måltillstånd utformas, vilket är det tredje steget i arbetet. Måltillståndet ska vara en tydlig beskrivning av hur processen ska fungera, det ska vara utmanande men samtidigt möjligt att uppnå. Skillnaden mellan ett mål och ett måltillstånd är att ett mål är ett resultat medan måltillståndet beskriver hur processen ska fungera för att uppnå resultatet. Det fjärde och sista steget är att förstå och övervinna de hinder som uppstår i arbetet för att nå måltillståndet.
Figur 3 - Förbättringskatan med de fyra olika steg som den innehåller. Modifierad illustration (Rother 2013).
3.2.2 Plan, Do, Check, Act (PDCA)
Hill (2005) beskriver PDCA-cykeln som en metod för att utföra
förbättringsarbeten på ett strukturerat sätt, se Figur 4. Den första fasen, Plan, avgör hur investeringar i tid och pengar kommer att nyttjas i arbetet och ligger till grund för hur lyckat resterande del av projektet kommer bli. Steget går ut på att samla in relevant data, analysera problem och identifiera
grundorsaker. Data används för att kunna skapa en planering över hur problemet ska lösas för att förbättra den aktuella processen eller systemet. I nästa fas, Do, genomförs det arbete som är planerat från den föregående fasen. I fasen Check analyseras och utvärderas resultatet från Do-fasen för att se om de uppsatta målen som gjordes i planeringsfasen är uppnådda. I den fjärde och sista fasen, Act, sammanställs all information för att kunna standardisera och implementera eventuella förbättringar. Genom att
övervaka gjorda förändringar är det möjligt att se om förändringarna uppnår de önskade målen med arbetet. De problem som kvarstår blir mål för ett nytt projekt.
3.2.3 Heijunka
Heijunka är ett verktyg för att jobba mot ett JIT-flöde. De används inom lean production och är detsamma som produktionsutjämning. Att köra samma produktvariant under en längre period för att undvika byte kan medföra problem i produktionen. Det kommer bland annat bli problem när det
kommer in order med ovanliga typer av produktvarianter eftersom det skulle skapa en längre ledtid. För att klara av det skulle det i sådana fall krävas ett större lager för PIA. Genom att arbeta med heijunka kan det motverkas då en produktionsutjämning innebär att kurvorna av produktionens variation jämnas ut genom att produktionen körs på en jämn takt av produktvolym och produktvarianter (Dennis 2015).
3.2.4 Värdeflödesanalys
Ett verktyg inom lean production är värdeflödesanalys (Segerstedt 2008). Enligt Belekoukias m.fl. (2014) är värdeflödesanalyser ett sätt att visualisera material- och informationsflödet i en produktion genom olika processer. Målet med en värdeflödesanalys är att eliminera de steg som inte skapar värde. Något som skapar värde är det som kunden är villig att betala för. Icke-värdeskapande aktiviteter tillför inget värde och kan exempelvis vara överproduktion, lager, överflödiga produktionssteg, transporter och väntetid. En illustration av en exemplifierad värdeflödesanalys med tillhörande symbolförklaringar ses i Figur 5.
Rother och Shook (2004) förklarar att skapandet av ett värdeflöde är en process i fyra steg, där det första är att välja den produktfamilj som ska kartläggas. Nästa steg är att skapa en karta över det nuvarande tillståndet. Det tredje steget är att framställa en karta över det framtida tillståndet och det fjärde och sista steget går ut på att skapa en handlingsplan för
genomförandet.
Val av produktfamilj görs för att inte kartlägga samtliga processer i produktionen utan istället föra över fokus till vad som är relevant för kunden. Produktfamiljerna identifieras därmed med utgångspunkt av kundens perspektiv på värdeflödet. Nuläge och framtida tillstånd skapas parallellt, eftersom informationen som skaffas för det nutida tillståndet är grunden för framtida läge. Samtidigt uppstår behov av ny information och fakta vid skapande av framtida läge, som anskaffas i nulägeskartan. En handlingsplan för genomförande av förbättringar baseras på de förberedelser och aktiviteter som planeras med hjälp av kartan för framtida tillstånd (Rother & Shook 2004).
Figur 5 - Exempel på en värdeflödeskarta, modifierad illustration (Rother & Shook 2004).
3.2.5 Köteori
Köteori är studien av hur köer uppstår och fungerar, vilket Hillier och Lieberman (2015) förklarar. Kösystemet innehåller en kö-del och en
servicemekanism, se Figur 6. Målet är att optimera köerna utefter kostnaden eftersom en hög kapacitet innebär högre kostnader samtidigt som lägre kapacitet och längre köer medför problem. För att optimera kostnaden finns det ett flertal modeller inom köteorin som kan användas utifrån situationens förutsättningar. Modellerna kräver dock kunskap om vad för sorts input det är och vilka avgränsningar det finns till köerna och servicemekanismen. Bland annat är det förutsatt att det finns information om hur stor kön kan bli eller om den kan vara oändlig samt hur servicemekanismen fungerar.
3.2.5.1 Littles lag
Olhager (2013) förklarar att Littles lag är ett matematiskt samband mellan lager, tid i lager och takttider. Hillier och Lieberman (2015) beskriver formeln enligt:
𝐿 = 𝜆 × 𝑤 ( 1 )
där 𝐿 är lagernivå, 𝜆 är takttiden och 𝑤 är medeltiden produkten ligger i lager. Enligt Olhager (2013) ska samtliga variabler vara genomsnittliga för att sambandet ska fungera. Tidsenheten kan varieras beroende på hur detaljerad beräkningen ska vara. Det skulle exempelvis kunna beräknas i månad, vecka eller dag. När det kommer till takttiden och lagret ska den vara angiven i antingen styck eller värde beroende på syftet med
beräkningen. Körner (2003) förklarar att Littles lag kan användas för att få fram medeltal av lager och kötiden i lagret, vilket används i köteorin för att modellera lager. Körner förklarar även att Littles lag är en generell formel som är känslig för vilken data som matas in. Formeln går att applicera på större system men då ska det säkerställas att de definierade storheter som används är korrekta. Littles lag kan även användas för att beräkna
medelväntetiden, 𝑊 (Hillier & Lieberman 2015).
𝑊 =𝐿
𝜆
( 2 )
Medelväntetiden är ett tal på hur lång tid en produkt i snitt befinner sig i ett kölager, där tiden i produktion är exkluderad (Hillier & Lieberman 2015). 3.2.5.2 Kapacitetsutnyttjande
Kapacitetsutnyttjandet, 𝜌, innebär hur stor del av den totala tiden som används i en produktionsprocess. Den mäts i tidsenhet per tidsenhet vilket exempelvis kan vara antal timmar per dag. Den beräknas enligt formeln:
𝜌 =
𝛴𝐷 × 𝑡 +𝑄𝐷 × 𝑆
𝐶𝐴𝑃
( 3 )
𝐷 är efterfrågan av produkten per tidsenhet. 𝑄 är batchstorlek och 𝑡 är produktionstid för produkten 𝑖 i resursen 𝑗. Ställtiden för produkten 𝑖 i resursen 𝑗 betecknas som 𝑆 . Slutligen är 𝐶𝐴𝑃 beteckningen för den totala kapaciteten i resursen 𝑗 (Olhager 2013).
Med ett kapacitetsutnyttjande som går mot 100 % skulle kötiden, och därmed ledtiden, gå mot oändligheten vilket förtydligas i en graf över sambandet mellan kapacitetsutnyttjandet och ledtid, se Figur 7. Grafen förtydligar även att större variationer ger en längre ledtid vid en given punkt för kapacitetsutnyttjandet i jämförelse med lägre variation. Anledningarna till hög variation är dels stora batcher och dels höga ställtider (Olhager 2013).
Olhager (2013) menar att det teoretiskt sett går att nå 100 % på
kapacitetsutnyttjandet utan kölager genom en jämn efterfrågan utan några ställtider i processen, lika bearbetningstider genom hela processen och lika bearbetningstider för alla produkter. Enligt författaren uppfylls dessa faktorer sällan i praktiken, men genom att arbeta med lean-principerna för flöden kan variation minskas.
Figur 7 - Graf över sambandet mellan kapacitetsutnyttjande på x-axeln och ledtid på y-axeln. Modifierad illustration (Olhager 2013).
3.2.6 En Artikel Varje (EAV)
Uttrycket en artikel varje (EAV) beskrivs som tiden det tar för en sekvens av produkter i en serie att bli producerad vilket Matzka m.fl. (2012) förklarar i sin artikel. Med en serie av produkter menas den ordning som produkterna planeras bli producerade på. Exempelvis kan en produktvariant, A,
produceras under förmiddagen och en annan produktvariant, B, under eftermiddagen. Ett annat exempel är att producera produkterna enligt en mer blandad serie som AABAAB. En sekvens i den serien blir AAB.
Grimaud m.fl. (2014) förklarar att EAV har en stark koppling till heijunka eftersom det är ett tal som kan användas i arbetet med
produktionsutjämning. Talet bör vara så lågt som möjligt eftersom det skulle innebära lägre ställtider och mindre lager. Beräkningen av EAV för en process ges av följande formel:
𝐸𝐴𝑉 = ∑ 𝑆
𝑇 − ∑ 𝑎𝑣𝑔( 𝑑 ) × 𝑡
( 4)
I ekvationen står 𝑝 för antalet olika produktvarianter som kräver verktygsbyte. 𝑖 står för produkten och 𝑆 för ställtiden för produkten 𝑖 skriven i minuter. 𝑇 är den tillgängliga tiden för produktionen given i minuten, och 𝑎𝑣𝑔(𝑑 ) för den genomsnittliga efterfrågan för produkt 𝑖. Slutligen står 𝑡 för produktionstiden för produkten 𝑖, vilket även den ges i minuter. EAV kan sedan användas för att räkna ut batchstorleken, vilket görs enligt formeln
𝑄 = 𝐷 × 𝐸𝐴𝑉 ( 5 )
Vidare kan antal berktygsbyten som krävs för att klara den dagliga produktionen beräknas genom att dividera daglig efterfrågan med den beräknade batchstorleken (Bicheno & Holweg 2016).
4. Empiri
Empirin tar upp insamlad empirisk data till studien, i detta fall från fallföretaget. Kapitlet består bland annat av en introduktion till företaget samt en nulägesbeskrivning.
4.1 Företags- och koncernbeskrivning
NIBE AB grundades år 1952 i Markaryd och har sedan dess haft sin produktion i samma ort. NIBE AB ingår i koncernen NIBE Industrier AB med ca 100 andra nationella och internationella bolag, tillsammans har de en omsättning på 22,5 miljarder kronor. Koncernen har ett mål att få en tillväxt på 20 % årligen och en vision att skapa hållbara energilösningar i
världsklass. De inriktar sig i tre affärsområden; NIBE Climate Solution, NIBE Elements och NIBE Stoves. Contura-fabriken i Markaryd ingår i NIBE Stoves där de producerar kaminer och skorstenar.
4.2 Skorstenstillverkningens efterfrågan
Rören för skorstenarna kan vara antingen raka eller krökta och finns i tre olika färger. De varierar även i längd och dimensioner. Detta arbete kommer endast behandla raka rör med färgerna grå och svart, eftersom de innefattar merparten av tillverkade produkter. NIBEs skorstenstillverkning har en säsongsbaserad efterfrågan som är högst på hösten och lägst under sommaren, se Figur 8. Efterfrågan utgår från beställningar av kund från slutlager och är mätt på 22 produktvarianter under ett år. De 22
produktvarianterna är endast en del av sortimentet och visar därför inte den totala statistiken för samtliga produkter utan endast för urvalet av raka rör. Den totala efterfrågan från utgångsåret anges som 100 % vilket efterfrågan per månad baseras på.
Figur 9 sammanställer den procentuella efterfrågan av de olika
skorstensvarianterna där produkterna 8-10 och 11-22 kombinerades eftersom deras enskilda efterfrågan är försumbara jämfört med varianterna 1-7. I Figur 9 är produkt 1 och 4 markerade, eftersom det är de produkter som insamlad data baseras på i arbetet. Produkt 1 är det mest efterfrågade röret i färgen svart, produkt 4 är det mest efterfrågade röret i färgen grå.
Figur 9 - Cirkeldiagram över procentuell efterfrågan för produktvarianterna.
4.3 Produktionsöversikt
Eftersom behovet av skorstenar är säsongsbaserat behöver produktionen kunna möta det. I dagsläget tillämpas en produktionsplanering med syftet att jämna ut tillverkningen. Produktionen följer säsongerna men
produktionsutjämning görs för att minska toppar och dalar i tillverkningen. Till följd av utjämningen är tillverkningen inte kundorderstyrd utan görs mot ett centrallager.
För nuvarande produceras skorstenar i en manuell lina där processerna klarar av den kapacitet som krävs för efterfrågan i dagsläget, men inte om en ökning skulle ske. NIBE AB planerar att automatisera en del av produktionen för att kunna möta ett ökat behov och samtidigt hantera svängningar i efterfrågan. Automatiseringen sker genom att manuella operationer i rörtillverkningen byts till en automatisk produktionscell, vilket medför att kapaciteten i cellen ökar. Data som är insamlad i detta arbete är baserad på den förändrade produktionsprocessen med en automatiserad cell.
4.3.1 Produktionsprocessen
Ett skorstensrör består av en yttre mantel, ett inre rökrör samt en
mellanliggande isolering. Tillverkningen av rör sker genom ett flertal olika processer i multiplar på 24 rör eftersom slutförvaringen av rören sker i lastbärare med en kapacitet på 24 färdiga skorstenar. Inom processerna körs oftast 16 multiplar åt gången, det vill säga 384 rör totalt. En illustration av skorstensrörens produktionsprocess kan ses i Figur 10.
Produktionsprocessens första steg är den cell som är förändrad från manuell tillverkning till en helt automatiserad robotcell, bortsett från tillförsel av nytt material och tömning av färdigtillverkade komponenter. Cellen består av tre fristående robotar för tillverkning av mantlar och rökrör. De arbetsmoment som sker i cellen är valsning, lasersvetsning och ändformning. Robotarna har en flexibilitet som gör det möjligt att tillverka rör av olika dimension och längd utan att verktygsbyte är nödvändigt. Verktygsbyten blir endast
nödvändigt vid byte mellan produktion av mantlar och rökrör, vilket medför en ställtid. Batcherna kan tillverkas utefter vilken färg slutprodukten ska ha eller vilken längd samt dimension rören ska vara i. När detaljerna är
färdigsvetsade placeras rören på en lastbärare för transport. Mantlarna transporteras till kön för måleriet, och rökrören placeras i ett lager innan montering.
I kölagret till måleriet lagerhålls mantlarna utefter vilket färg slutprodukten ska ha. Måleriet är en delad resurs med resterande anläggning och körs efter en färg åt gången. Mantlar som ska målas svart behandlas därmed i måleriet tillsammans med andra produkter som ska målas i samma färg. Av den anledningen beror kötiden på hur många andra produkter det finns i kön samt vilket ordning av färg som målning sker på.
När det är dags för målning hängs rören upp manuellt på en conveyor som transporterar in produkterna genom målning och torkning. När produkterna torkat transporteras de till ett lager innan montering och emballering.
Montering av rör sker på olika stationer beroende på produktfamilj. Därmed är de tider som tillämpas i arbetet endast baserade på montering av
produktvariant 1 och 4. Montering sker manuellt genom att rökröret kläs med isolering som i sin tur placeras i en mantel. Efter montering skeppas rören ut till ett centrallager innan transport till kund.
Figur 10 - Illustration av fallföretagets produktionsprocess.
4.3.2 Produktionstider
De olika beräkningarna för ledtid och kötider i lager är gjorda med hjälp av tillhandahållen data från företaget. Tiderna är baserade på produktvariant 1 och 4. Statistiken har baserats på olika mängder data för de olika
produktvarianterna, beroende på att det är olika stor produktion av dem. Ledtid i produktionen kan ses i lådagrammet i Figur 11. Lådagram avläses som att 50% av ledtiderna ligger inom boxen. Strecken utanför boxen, så kallat morrhåren, motsvarar 25% av tiderna på vardera sida. Strecket inuti boxen är medianen, krysset är medelvärdet.
Kötider i produktionen är baserade på den registrering som gjorts från det att hela batchen är färdigställd i ena processen, fram till att den registreras som påbörjad i nästa process, se Figur 12a och b. Ledtid och kötider är beräknade i klocktimmar och skiljer inte på tid utanför arbete och aktiv produktion. De tider som gått över helger har blivit exkluderade eftersom att de ger ett missvisande resultat.
a) b)
Figur 12 - Lådagram över kötid a) mellan rörtillverkning och måleri, b) mellan måleri och montering, beräknat på klocktimmar.
4.4 Lagerhållning
Tillgänglig lageryta delas mellan de rör som är i kö till måleriet och de målade produkter som ska in till monteringen. Rören lastas på olika
lastbärare beroende på om de är på väg in till måleriet eller om de har blivit målade. När produkterna går från rörtillverkning till måleriet lastas de på lastbärare och har olika kapacitet beroende på mantelns dimension. Rören lagras på lastbäraren utefter den färg de ska målas i, därmed kan rör med olika dimension lastas på samma lastbärare. De lastbärare som används efter måleriet i väntan på montering har en bestämd kapacitet på 20 rör i varje. Det finns 80 stycken lastbärare till de målade rören vilket planeringen ska ta hänsyn till. Lastbärarna som används efter måleriet kan staplas på varandra. I Tabell 1 visas olika exempel på hur ytorna kan nyttjas och den totala mängden rör som är möjligt att förvara på lagerytan.
Tabell 1 - Kapacitetsberäkning med exempel på fördelning av lastbärare.
Exempel Fördelning av lastbärare Antal omålade rör Antal målade rör
Ex.1 32 omålade + 80 målade 1280 st 1600 st
Ex.2 56 omålade + 24 målade 1840 st 480 st
5. Resultat och analys
I kapitlet redogörs för de resultat som arbetet kommit fram till, bland annat genom redovisning av modellen författarna har skapat. Kapitlet innehåller även analysering av hur väl resultatet överensstämmer med den teori som rapporten tidigare behandlat.
5.1 Skapande av matematisk modell
Modellen som skapas i arbetet följer den forskningsdesign som gjorts för att arbetet skulle bli systematiskt och tydligt för författarna. Därför gjordes en förbättringskata med avsikt att visualisera målet med modellen innan själva modellen skapades, vilket avsnitt 5.1.1 förtydligar. Därefter skapades en första värdeflödeskarta för att se vilka värden i produktionen som var kända och vilka som behövdes för att kunna genomföra en produktionsplanering, se avsnitt 5.1.2. Baserat på förbättringskatan och värdeflödeskartan kunde sedan en första matematisk modell skapas. Under arbetets gång bearbetades modellen för att bättre kunna undersöka hur de faktorer som nämns i arbetets frågeställningar påverkar buffertar och ledtider i en produktion.
5.1.1 Utgångsläge och måltillstånd
Produktionens nuläge är en situation där en ny automatiserad robotcell installeras i en existerande produktionslina. Den nya cellen har en ökad kapacitet vilket förenklar arbetet med att klara av en säsongsbaserad efterfrågan. Målbilden för produktionen är att ha en helt kundorderstyrd produktion med ett jämnt flöde trots svängningar i kundorder. I Figur 13 ses en förbättringskata som tydliggör hur produktionen på ett strukturerat sätt kan närma sig den målbilden.
Det första hindret var att förstå hur resterande processer är kopplad till cellen och hur flödet mellan dem fungerar. För att övervinna det första hindret gjordes en värdeflödeskarta över produktionslinan vilket sedan användes för att analysera flödet och buffertarna för att uppnå en så jämn produktion som möjligt.
När måltillståndet med att undersöka och planera ett jämnt flöde nåtts påbörjades arbete för nästkommande måltillstånd, vilket var att skapa en produktionsplanering med den nya produktionslinan. Det gjordes genom den matematiska modellen.
Figur 13 - Förbättringskata över produktionen
5.1.2 Värdeflödeskarta över utgångsläge
För att få en förståelse för hur produktionslinan fungerar gjordes en värdeflödeskarta över produktionens processer samt hur de kopplas till varandra, se Figur 14. Kartan är baserad på produktfamiljen för raka skortstensrör och produktvariant 1 och 4. Värdeflödeskartan visar att det finns tre huvudsakliga steg i produktionen vilka är rörtillverkningen i den automatiserade cellen, måleriet och monteringen. Kartan visar även hur informationsflödet i produktionen ser ut och hur produktionsplanering sker. Takttiden som är given under processerna är beräknad genom division av den tillgängliga tiden med kundens dagliga efterfrågan som är baserad på att det i snitt är 225 arbetsdagar på ett år. Efterfrågan står för hela skorstensrör där ett rör innehåller en mantel och ett rökrör. Eftersom både mantlar och rökrör produceras i rörtillverkningen multiplicerades efterfrågan på den processen med två. Gällande de kötider och ledtider som är angivna i värdeflödeskartan så är de beskrivna med utgångspunkt från de lådagram som syns i Figur 11 samt Figur 12a och b.
I värdeflödeskartan delas linan på två flöden, ett för rökrör och ett för mantlar. Produkterna tillverkas i samma rörtillverkning för att sedan
separeras för målning av manteln, därefter möts rören igen i monteringen, se Figur 14.
Figur 14 - Värdeflödeskarta över utgångsläget i produktion.
5.2 Modellens utformning
Precis som värdeflödeskartan tog modellen hänsyn till samtliga
tillverkningsprocesser som finns inom tillverkningen av skorstensrör. Ett grundläggande resultat av modellen kan ses i Bilaga 1. De variabler som behövdes för inmatningen var cykeltider, efterfrågan, medelvärde för kötid, ställtider, tillgänglig produktionstid, utnyttjad produktionstid och
produktvarianter som kräver verktygsbyten. Celler där data behöver matas in för vidare beräkning är vita, celler med ifyllda formler är grå. De variabler som modellen tagit fram är teoretiska tal som kan kopplas till den litteratur som tillämpades i arbetet.
Modellen är indelar i fyra olika avsnitt. Det första innefattar en översikt av hela produktionen, med beräkningar av total ställ- produktions- och kötid. De tiderna summeras sedan för att få fram en beräknad ledtid genom
produktionen. Därefter följer ett avsnitt per produktionsprocess, det vill säga rörtillverkning, måleri och montering. Samtliga delprocesser inkluderar stycken med produktionsberäkningar och beräkning av total ställtid i processen. Måleri och montering har även beräkningar för lagerhållning. I delprocesserna beräknades EAV, kölager, verktygsbyten per dag och optimerad batchstorlek där samtliga tre beräkningar anpassades efter den specifika processens förutsättningar. Eftersom produktionen kör enligt multiplar på 24 är talet för den rekommenderade batchstorleken avrundat till en multipel på 24.
För att kunna få fram ledtiden i processen fanns behovet att beräkna hur lång ställtiden blir per dag. I och med att ställtid uppstår vid verktygsbyte var det nödvändigt att beräkna hur många verktygsbyten som behöver göras för kunna möta den dagliga efterfrågan. Nedan följer tillkommande beräkningar i modellen. 𝑇𝑡 = 𝑇 𝐷 ( 6 ) 𝑉𝐵 =𝐷 𝑄 ( 7 ) 𝑆𝑡 = 𝑆 × 𝑉𝐵 ( 8 )
Tillkommande variabler är 𝑇𝑡 som är takttiden för processen 𝑖, 𝑉𝐵 är antalet verktygsbyten per dag samt ställtiden 𝑆 och den totala ställtiden per dag, 𝑆𝑡 .
Vid beräkning av rörtillverkning dubblerades efterfrågan precis som i värdeflödeskartan. Ställtiden multipliceras med två vid beräkning av EAV eftersom det är verktygsbyte mellan mantlar och rökrör. Delen som
behandlar måleriet behövde ta hänsyn till att processen går efter färger och inte efter batcher eller produktfamiljer. Ställtiden multiplicerades med tre eftersom produkterna finns i tre olika färger som kräver rengöring mellan färgbyte. Det krävs även en kortare ställtid vid byte mellan produktvarianter. Den tillgängliga tiden skiljer sig från rörtillverkningen eftersom det är två skift istället för ett. Det som skiljer sig från de andra beräkningarna för monteringsdelen är att efterfrågan behöver divideras med 384 eftersom fallföretaget valt att montera efter batcherna, vilka är 384 rör. Efter varje färdig batch behöver nytt monterings- och emballeringsmaterial förberedas. Utöver beräkningar av de tider som påverkas i modellen gjordes en
produktionsplanering av när rökrör behöver börja tillverkas för att de ska kunna möta mantlarna vid monteringen. I modellen gjordes beräkningen genom att addera den sammanlagda kötiden, cykeltiden och ställtiden för måleriet med kötiden för monteringen och sedan subtrahera ställtiden för rörtillverkningen, se Bilaga 1. På så sätt framställs en tid från den tidpunkt där mantlarna lämnar rörtillverkningen tills de är framme vid monteringen. Eftersom rökrören går direkt till monteringen från rörtillverkningen så utgår beräkningen från mantlarna. Vid beräkning behöver samtliga variabler uttryckas i samma enhet för att få ut ett korrekt resultat. I modellens fall användes sekunder för beräkningen, men för att tydliggöra resultatet så
omvandlades det till timmar. Beräkningarna som gjordes i modellen tillämpades sedan i en värdeflödeskarta, se Bilaga 2.
5.3 Insättning av scenarion i modellen
För att undersöka hur efterfrågan, cykeltider och ställtider påverkar modellens resultat med hänsyn till batcher och lager utfördes tester med olika scenarion. De scenarion som testades använde förutbestämda tal för variablerna. För att säkerställa att sekretessen hölls är de fabricerade variablerna slumpmässiga men inom rimliga gränser i förhållande till varandra, på så sätt riskerades inte att de matematiska beräkningarna blev inkorrekta. Testerna genomfördes enligt PDCA-principen. I det första steget planerades scenarion som skulle utföras med en specificering av talen som användes. När alla scenarion var planerade sattes tal in i modellen.
Resultatet som modellen gav analyserades för att komma fram till hur produktionen kan planeras utifrån de siffror som gavs. När resultaten analyserats skapades en produktionsplanering.
De tal som testkördes är givna i Tabell 2, där varje rad är ett test. Eftersom en av frågeställningarna är att undersöka hur cykeltider, ställtider och efterfrågan påverkar ledtid och buffertar gjordes olika tester där de nämnda variablerna varierar. Variablerna från testen är baserade på de siffror som finns i utgångsläget, test 1. För test 2-7 ökade eller minskade värdet med 20 %. Test 2 och test 3 hade varierande efterfrågan med konstanta tal för cykeltid och ställtid. Test 4-5 hade varierande cykeltid och konstanta värden för resterande variabler, och 6-7 varierande ställtid och resterande
Tabell 2 - Variabler för testkörning av modell. Efterfrågan (per år) C/T svets (sec) S/T svets (sec) C/T måleri (sec) S/T måleri (sec) C/T montering (sec) S/T montering (sec) Test 1 92000 6 225 4 20 28 81 Test 2 73600 6 225 4 20 28 81 Test 3 110400 6 225 4 20 28 81 Test 4 92000 4,8 225 3,2 20 22,8 81 Test 5 92000 7,2 225 4,8 20 33,6 81 Test 6 92000 6 180 4 16 28 64,8 Test 7 92000 6 270 4 24 28 97,2
För att tydliggöra resultatet av testen sattes värdena in i en värdeflödeskarta per test för att illustrera hur de olika talen förändrade produktionsflödet. Modellens resultat ses i Bilaga 3. Tillhörande värdeflödeskartor kan ses i Bilaga 4. De olika resultaten i modellen beskrivs i enlighet med Tabell 2. Utöver de test som syns i Tabell 2 gjordes ytterligare tre tester för att stresstesta modellen, med syftet att se om modellen fungerade i olika scenarion. De faktorer som förändrades är antal varianter som kräver verktygsbyten, begränsad batchstorlek samt förändrade kötider. I
stresstesterna kombinerades de olika faktorerna i olika varianter istället för att endast variera en faktor åt gången. Stresstesterna benämns som test 8-10. Resultat av stresstester kan ses i Bilaga 5.
5.3.1 Test 1-3, Förändring av efterfrågan
I test 1-3 sattes olika efterfrågan in i modellen med utgångspunkt på 92 000 produkter, vilket innebar en daglig efterfrågan på 409 produkter. En
förändring med 20 % i båda riktningar gav en daglig efterfrågan på 327 respektive 491 produkter. I Figur 15 syns en graf över hur de olika
variablerna reagerar vid varierande efterfrågan. Graferna är logaritmerade med den naturliga basen e, 2,718.
Testerna visade på att en ökad efterfrågan leder till en minskad takttid, på grund av att den tillgängliga tiden divideras med efterfrågan. Både EAV och batchstorlek ökade i samband med efterfrågan eftersom batchstorleken är beroende av EAV vid uträkning. EAV ökade eftersom det vid beräkning var en ökad efterfrågan i nämnaren som leder till en högre kvot. Eftersom EAV ökar med ökad efterfrågan blir därmed kvoten för verktygsbyten lägre. Även kölager och kapacitetsutnyttjandet ökar med efterfrågan.
Figur 15 - Förändring av efterfrågan, logaritmerade grafer med basen e.
5.3.2 Test 4-5, Förändring av cykeltider
Testerna 4-5 gjordes genom förändring av cykeltider. Ursprungstiden per produkt var 6 sekunder i rörtillverkningen, 4 sekunder i måleriet och 28 sekunder i monteringen. Samtliga tider laborerades sedan med en sänkning respektive ökning på 20 % för att se hur olika variabler påverkades.
Logaritmerade grafer över resultaten ses i Figur 16.
I resultatet av modellen syns att både ledtider och PIA sakta ökade med cykeltiden och de påverkades båda av kötider och tillverkningstid. Ökningen blev minimal på grund av att den ökade tillverkningstiden var liten i
En längre cykeltid påverkade EAV och batchstorlekar, genom att även de ökade. Ökningen av EAV blev exponentiell vilket ledde till att även batchstorleken ökade exponentiellt. EAV och batchstorleken ökade av samma anledning som vid förändring av efterfrågan, det vill säga på grund av att berörda variabler befinner sig i nämnaren. Ju större cykeltiden var, desto större blev kvoten. Kölagret förändrades inte beroende på cykeltid, eftersom det är beroende av efterfrågan och takttid samt det uppmätta medelvärdet för kötider. Däremot ökade den beräknade kötiden med cykeltiden eftersom den är beroende av just cykeltid och lagerstorlek.
Figur 16 - Förändring av cykeltider, logaritmerade grafer med basen e.
5.3.3 Test 6-7, Förändring av ställtider
I test 6-7 förändrades ställtiderna. De tider som testerna baserades på utgick från 225 sekunder i rörtillverkning, 20 sekunder i måleriet och 81 sekunder i monteringen. Tiderna förändrades sedan med en ökning respektive
minskning på 20 %, resultatet syns i Figur 17.
Generellt syns det att ledtid, kölager och kapacitetsutnyttjande var konstanta oavsett ställtid. Kapacitetsutnyttjandet beror på en kvot av ställtid och batchstorlek. Eftersom batchstorleken ökade i samma takt som ställtiden
ledde det till att kapacitetsutnyttjandets kvot blev samma vid varje test. Kölager förblev oförändrat genom testerna eftersom det inte påverkades av ställtiden. Däremot ökade den beräknade kötiden med ställtiden eftersom batchstorleken förändrades.
Figur 17 - Förändring av ställtider, logaritmerade grafer med basen e.
5.3.4 Test 8-10, Stresstester av modellen
I stresstesterna som ses Bilaga 5, förändrades antalet verktygsbyten och kötider. Utöver det begränsades batchstorlekarna för att anpassas till företagets lastbärare, det vill säga samtliga batcher blev en multipel av 24. Eftersom tester tidigare gjorts med förändring av efterfrågan, cykeltider och ställtider förändrades inte de tiderna i stresstesterna utan förblev som i utgångsläget av modellen.
Test 8 utgick från utgångsläget men i enlighet med hur produktionen såg ut i nuläget, exempelvis genom att batcherna bestod av 384 produkter och det verkliga antalet verktygsbyten som sker under en dag.
Test 9 gick ut på att skapa en tillverkning med korta ledtider och minimala kölager. Syftet med testet var för att se vilka faktorer som behövde påverkas för att kunna möta en helt kundorderstyrd tillverkning. Vad som kan anses som perfekta siffror baserades på vad teorin i arbetet pekar på som positiv förändring av en produktion. Batchstorleken angavs som den minsta möjliga utefter produktionens förutsättningar, det vill säga en batch på 24 rör. Resultatet av test 9 visar att minskade batcher leder till ett ökat antal verktygsbyten per dag och därmed en högre total ställtid, samtidigt
minskade kölagret och den beräknade kötiden för en batch. Den beräknade kötiden minskade ytterligare på grund av att medelvärdet för den uppmätta kötiden var mindre. EAV varierade i de olika cellerna beroende på att varianter med verktygsbyten minskade i rörtillverkning och måleri men som den ökade i monteringen. Ökningen av verktygsbyten i montering berodde på att batchstorlekarna var mindre och ställtid för materialhämtning sker efter varje batch.
Test 10 gjordes för att istället generera långa ledtider och stora kölager. Undersökningen gjordes för att se hur tillverkningen påverkades av höga värden på batchstorlekar, tillgänglig tid och kötid. Resultatet visade att ökade batcher ledde till minskat antal verktygsbyten per dag och därmed minskad total ställtid. Samtidigt ökade kötid och lagerstorlek.
6. Diskussion
I kapitlet genomförs en kritisk diskussion kring metodvalen där för- och nackdelar med vald metod framförs samt att alternativa metoder föreslås. Vidare tar resultatdiskussionen upp hur väl resultat besvarar
frågeställningar och syfte, samt att en diskussion kring trovärdigheten förs.
6.1 Metoddiskussion 6.1.1 Forskningsdesign
Den metod som valdes för studien är en undersökning genom en fallstudie hos ett företag. Genom att arbeta med ett fallföretag kan studien djupdyka inom ett problem och samtidigt få ett helhetsperspektiv på företaget och dess processer. Andra metoder som exempelvis enkäter och experiment valdes bort med motiveringen av att resultatet av de metoderna inte skulle kunna svara på frågeställningar eller uppfylla studiens syfte. Något som kan diskuteras är om det inte skulle gå att genomföra en liknande studie på ett större antal företag genom enkäter. Det hade dock förutsatt att enkäterna är tillräckligt specifika för att säkerställa att rätt data samlas in samt att tillgänglig tid är tillräcklig. Eftersom tid är en begränsning i det aktuella arbetet skulle det vara svårt att genomföra en sådan studie och hålla samma kvalitet på det insamlade materialet. Risken är att trovärdigheten skulle bli sämre på grund av det.
För att strukturera upp arbetet gjordes en forskningsdesign vilket grundade sig i en abduktiv ansats. Genom att följa forskningsdesignen under arbetets gång förtydligades nästkommande steg som skulle göras inom studien. Forskningsdesignen var även skapad för att ge studien en högre kvalitet, exempelvis genom att starta arbetet med en semistrukturerad intervju för att säkerställa vad problemet var. Ett annat exempel är att intervjuerna
genomfördes med den personal med mest kunskaper om det problem som studien tar upp, vilket stärker reliabiliteten av informationsinsamlingen. Arbetet baseras mycket på olika teorier inom lean, däribland PDCA, förbättringskata och värdeflödeskartor. Arbetet hade varit möjligt att genomföra utan att tillämpa ovan nämnda verktyg eller andra former av strukturerande verktyg. Fördelen med att använda leanverktyg är att det är möjligt att strukturera arbetet för att kunna nå det uppsatta målet. Genom att använda värdeflödeskartan strukturerades arbetet upp ytterligare eftersom den sammanställer relevant data och visualiserar hur data förhåller sig till varandra. Värdeflödeskartan medförde en övergripande förståelse för fallföretaget och dess generella problem, vilket modellen senare kunde djupdyka i. Det strukturerade arbetssättet gjorde att analyseringen förenklades eftersom informationen från datainsamlingen var tydlig.
Coronaviruset Covid-19 har påverkat resultatet av arbetet i form av minskat antal besök hos fallföretaget. Den minskade närvaron har lett till ett annat arbetssätt än planerat och minskad möjlighet till intervjuer och mätningar i anläggningen. De mätningar som har gjorts baserades istället på av företaget uppmätt data, vilket kan ha påverkat arbetets reliabilitet. På grund av
samhällssituationen är det svårt att säga hur arbetet skulle kunnat utformas på annat sätt, framför allt på grund av att det inte funnits någon tidigare planering av hur arbetet skulle ske vid en sådan situation.
6.1.2 Forskningskvalitet och datainsamling
Enligt Björklund och Paulsson (2012) påverkas reliabiliteten av valet av olika källor för bakomliggande teori och empiri i arbetet. För att uppnå en hög reliabilitet har källor valts som är klassificerade som peer reviewed alternativt skrivna av erkända personer inom det aktuella området. Valet av källor har även gjorts för att stärka författarnas objektivitet och inte kunna vinkla arbetet och resultatet till författarnas fördel. Något som stärker validiteten i arbetet är trianguleringen som sker i teorin, genom att både värdeflödesanalys och matematiska formler tas upp, vilka sedan tillämpas i arbetet.
De val av teori som gjordes i studien var anpassade efter arbetets syfte och frågeställningar, samt efter fallföretagets förutsättningar eftersom
arbetssättet var induktivt. Det innebar att teorin valdes för att möjliggöra beräkningar för att få fram lagernivåer samt beräkning av kötid och ledtid. I samband med sökandet efter teori inom de områdena upptäcktes även annan lämplig teori som kunde användas för att ytterligare utveckla modellen för ett säkrare resultat. Ett exempel på detta är vid sökande efter teori inom värdeflödesanalyser där konceptet EAV upptäcktes. Vid vidare
efterforskningar och beräkningar av EAV hittades även teori för beräkning av batchstorlek. Det kan ifrågasättas om valet av teori är det mest lämpliga för syftet med arbetet, vilket inte hade varit möjlig att påvisa på annat sätt än att upprepa studien med ny teori eller genom en utökad studie. En alternativ teori vid produktionsplanering hade varit att tillämpa köteori istället för att skapa en matematisk modell. Nackdelen hade dock varit att arbetet endast hade kunnat fokusera på köteori för att det skulle kunna bli tillräckligt djupgående, eftersom det annars inte skulle generera något användbart resultat. Med tanke på tidsramen som detta arbete har hade det inte varit möjligt att skapa en produktionsplanering enligt köteorin och i den inkludera beräkning av exempelvis batchstorlek.
Gällande empirin har data tillhandahållits genom produktionsteknisk chef och produktionsteknisk projektledare, som ansetts vara de mest insatta i arbetets problem. För att nå en högre reliabilitet för empiriska data följs intervjuer och informationsinsamling upp genom regelbundna kontroller med involverade parter. Något som kan diskuteras är ifall den empiri som tagits med är helt opartisk, eftersom den även skulle kunnat samlas in direkt
från företagets datasystem eller genom fysisk mätning i anläggningen. På grund av tidsbrist som föranletts av Covid-19 har dock inte den typen av insamling varit möjlig.
För att säkerställa att sekretessavtalet med företaget hölls fabricerades de siffror som inhämtades vid datainsamling skalenligt för att utfallet i den matematiska modellen skulle bli trovärdigt. Det innebar att numeriska resultat inte är relevant för arbetet, eftersom syftet med arbetet är att
undersöka hur produktionsförändringar påverkar olika faktorer. Därmed kan det konstateras att valet att utföra beräkningar med fabricerad data inte påverkar slutresultatet i rapporten.
6.2 Resultatdiskussion 6.2.1 Skapande av modell
Enligt Rother (2013) används, som tidigare nämnt, en förbättringskata för att på ett standardiserat sätt leda ett företag mot en målbild. I detta arbete
tillämpades förbättringskatan för att tydliggöra fallföretagets måltillstånd samt att kartlägga hur produktionen kan arbeta för att nå tillståndet. Utöver måltillståndet strukturerades arbetet upp med hjälp av PDCA för att se till att syftet med arbetet uppfylls och för att kunna besvara uppsatta
frågeställningar. Att arbeta efter PDCA innebär även att förändringar görs efter varje test för att säkerställa att arbetet ständigt förbättras, i enlighet med förbättringskatan.
I enlighet med den teori som Dennis (2015) beskriver är Heijunka ett sätt att få en jämnare produktion med mindre lager för PIA, genom att
produktionsutjämna och köra med mindre batcher. Företaget tillämpar i dagsläget lastbärare som rymmer 24 rör för förvaring i slutlager innan produkterna levereras till kund. Vid ett enstycksflöde skulle dessa lastbärare inte vara nödvändiga, och därmed skulle även batchstorlekarna kunna förändras. Resultatet av den matematiska modellen visar dock på att ett enstycksflöde inte är möjligt att genomföra genom hela
tillverkningsprocessen för att kunna möta kundefterfrågan.
6.2.2 Modellens utformning
Formlerna som modellen baseras på genererar matematiska tal och därmed en teoretisk verklighet. Det går därför inte att med säkerhet se ifall talen kommer vara kompatibla med produktionen. Modellens överensstämmande med verkligheten innefattar även det faktum att när detta arbete skrevs var den förändrade produktionscellen ännu inte på plats i anläggningen. Därmed var det inte möjligt att testa ifall modellens beräkningar var kompatibla med verkliga resultat från produktionen. Vid testkörning av modellen visar
