Automatisering av kvalitetsinspektion vid storskalig fordonsproduktion
En fallstudie vid Scania CV
Kristian Gewriye
Civilingenjör, Industriell ekonomi 2020
Luleå tekniska universitet
Institutionen för ekonomi, teknik och samhälle
____________
____________
____________
____________
_
Förord
Efter fem års studier avslutas min Civilingenjörsutbildning inom Industriell Ekonomi vid Luleå Tekniska Universitet med detta examensarbete. Examensarbetet omfattar 30 högskolepoäng och har bedrivits på Scania i Oskarshamn under våren år 2020.
Möjligheten att få skriva mitt examensarbete på Scania har varit en fantastisk upplevelse och ett fenomenalt slut på studietiden. Jag har lärt mig otroligt mycket, samt fått chansen att med mina egna ögon se hur alla de teorier jag lärt mig på universitetet faktiskt tillämpas ute i arbetslivet.
Jag vill börja med att tacka min handledare på Scania, Patrik Sjögren. En riktigt snäll och hjälpsam person som spelat en avgörande roll vid genomförandet av detta examensarbete, som bidragit med både insiktsfulla samtal och goda skratt.
Givetvis vill jag också tacka min handledare vid LTU, Björn Samuelsson. Med sina erfarenheter från industrin och tidigare års examensarbeten har Björn varit till stor hjälp, både via vägledning och konkreta råd som sett till att jag lyckats komma i mål.
Jag vill även tacka mina opponenter och kurskamrater som bidragit med konstruktiva kommentarer och hjälpt till att bolla idéer.
Avslutningsvis vill jag tacka min familj och vänner vars stöd och kärlek gjort det möjligt att ta mig igenom fem års studier och till sist genomföra mitt examensarbete.
Stockholm, juni 2020
Kristian Gewriye
Sammanfattning
Graden av automation inom industrin ökar ständigt, inom fordonstillverkning fasas allt fler produktionsnära personal ut till förmån för automatiska system och robotar. På Scanias hyttfabrik i Oskarshamn är stora delar av produktionen automatiserad och det söks ständigt efter nya möjligheter till effektivisering via automation. Detta examensarbete syftade till att utvärdera om kvalitetsinspektionen efter applicering av grundfärg kan automatiseras. Genom att analysera processen genomfördes utvärderingar av två automatiska inspektionssystem som i dag används inom fordonstillverkning.
Historisk data analyserades för att identifiera vad ett potentiellt automatiskt inspektionssystem bör klara av. I samband med detta samlades information in för att identifiera vad dessa inspektionssystem faktiskt klarar av. Detta ställdes emot varandra och föranledde en investeringskalkyl för att ta fram en återbetalningstid, samt för att upptäcka vilka monetära besparingar det går att erhålla via ett automatiskt inspektionssystem.
Analys genomfördes där fördelar och nackdelar med både dagens arbetssätt samt ett eventuellt framtida arbetssätt med automatiska system vägdes samman. Dessutom analyserades det till vilken grad kvalitetinspektionsprocessen hos Scania kan automatiseras, och vilka kvalitativa vinningar det leder till. I tillägg återger examensarbetet generella slutsatser på hur automatiska inspektionssystem fungerar samt presenterar resultat på om tekniken i dagsläget är mogen, och till vilken utsträckning.
Avslutningsvis presenteras rekommendationer till Scania utifrån möjligheter och potentiella besparingar. Rekommendationen är att inte investera i ett automatiskt inspektionssystem, eftersom examensarbetet kommit fram till att inget av de utvärderade systemen kan operera på en tillfredsställande nivå. Tekniken är det vill säga inte ännu mogen för att automatisera denna typ av process.
Abstract
The degree of automation within industry is constantly increasing, in automotive manufacturing, more and more production-related personnel are being phased out in favor of automatic systems and robots. At Scania's cabin factory in Oskarshamn, large parts of production are automated and new opportunities for efficiency through automation are constantly being sought. This thesis aimed to evaluate whether the quality inspection process after primer paint application can be automated. By analyzing the process, evaluation and comparison of two automatic inspection systems used today in vehicle manufacturing were conducted.
Historical data was analyzed to identify the criteria of an automated inspection system, for it to operate at a satisfying level. Related to this this, information was collected to identify what these inspection systems can handle. By contrasting these findings, capital budgeting was made to generate a payback period, as well as to discover what monetary savings are obtainable through an automatic inspection system.
Analysis was carried out where the advantages and disadvantages of both the current working methods and any future working methods with automatic systems were weighed together. In addition, it was analyzed to what extent the quality inspection process at Scania can be automated, and what qualitative gains it leads to. In addition, the thesis presents general conclusions on how automatic inspection systems work and presents results on whether the technology is sufficiently mature and to what extent.
Finally, recommendations are presented to Scania based on opportunities and potential savings. The recommendation is not to invest in an automatic inspection system, since the thesis work has concluded that none of the evaluated systems can operate at a satisfactory level. Meaning that the technology is not yet developed enough to automate this type of process.
Innehållsförteckning
1. Introduktion ... 1
1.1 Bakgrund ... 1
1.2 Problematisering ... 2
1.3 Syfte, avgränsning & frågeställning ... 3
2.Teoretisk referensram ... 5
2.1Kvalitetskontroll ... 5
2.2 Visuell inspektion ... 5
2.3 Utmaningar med automatisk visuell inspektion ... 8
2.4 Automation ... 9
3.Metodbeskrivning ...11
3.1 Forskningsansats ...11
3.2 Datainsamlingsmetod ...11
3.3 Analysmetod ...13
3.4 Reliabilitet och validitet ...13
4.Fallstudie – Måleriet av lastbilshytter på Scania i Oskarshamn ...14
4.1 Processbeskrivning ...14
4.2 Defekter ...17
4.3 Missade avvikelser ...23
4.4 Automatiska system ...25
5.Investeringskalkyl – för system 1 ...31
6.Analys ...34
6.1 Subjektivitet hos operatörerna ...34
6.2 Datainsamling och processkontroll ...34
6.3 Grundmåleriet kontra täcklacken ...35
6.4 Automatisk kvalitetsinspektion ...36
6.5 Direktflöde...38
7.Slutsatser och rekommendationer ...39
7.1 Möjligheter för automatisk avsyning ...39
7.2 Potentiella besparingar att erhålla vid övergång till automatisk avsyning ...40
7.3 Ökning av direktflödet via automatisk avsyning ...40
7.4 Investeringskalkyl ...41
7.5 Rekommendationer till Scania CV i Oskarshamn ...41
8.Diskussion ...43
Referenser: ...45
Figurförteckning
Figur 1 - Typisk procedur vid visuell inspektion ... 6
Figur 2 - Verkstäder på Scania i Oskarshamn ... 14
Figur 3 - Måleriet ... 15
Figur 4 - Inspektionen i grundmåleriet ... 17
Figur 5 - Vanligaste defekter i grundmåleriet ... 18
Figur 6 - Veckovis fördelning av defekternas uppkomst ... 19
Figur 7- Defektplacering på hytten ... 20
Figur 8 - Defekters fördelning över ytorna ... 21
Figur 9 - Vanligaste defekter i täcklacken ... 22
Figur 10 – Exempel på ett deflektometrisystem ... 25
Figur 11 – Exempel på tunnelsystem ... 27
Tabellförteckning Tabell 1 - Faktorer som påverkar mänsklig visuell inspektion ... 8
Tabell 2 - Intervjuade personer... 12
Tabell 3 - Defektkoder i måleriet ... 18
Tabell 4 - Upptäckningsbarhet av defekter ... 26
Tabell 5 - Jämförelse av de två automatiska inspektionssystemen ... 29
1
_________________________________________________
1. Introduktion
I detta avsnitt återges bakgrund till problemområdet, därefter beskrivs problematiseringen samt syftet med examensarbetet. Frågeställningarna arbetet strävar att besvara och avgränsningarna presenteras även här.
1.1 Bakgrund
Kvalitet definieras utifrån kundens förväntan på produkten, detta har drivit producerande företag framåt och lett till den enorma vikt som idag läggs på kvalitet (Janardhana, Jaya, Sabareesaan & George, 2013). Kvalitetsinspektionen har därför kommit att bli en viktig aspekt inom dagens moderna industriella tillverkning (Kujawínska & Vogt, 2015). En av de vanligare metoderna att inspektera och utvärdera kvaliteten av en produkt är visuell inspektion (See, Drury, Speed, Williams & Khalandi, 2017). Inom jordbruket används visuell inspektion i stor utsträckning, frukter och grönsaker inspekteras för att säkerställa att de håller en hög kvalitet innan försäljning. Till följd av framsteg inom teknik och den lätthanterliga storleken av frukt och grönsaker har den visuella inspektionsprocessen kommit att utföras av automatiska system (Cubero, Alexios, Moltó, Gómez & Blasco, 2010). Automatisk inspektion har möjliggjort en betydligt högre tillförlitlighet än manuell inspektion vilket lett till högre kvalitet hos produkterna och nöjdare kunder. Även besparingar likt reducerat omarbete är positiva följder av automatisk inspektion (See et al., 2017).
Inom fordonsindustrin är kvalitetsinspektion av yta, färg och lack kritisk för att bibehålla en hög standard (Kamani, Noursadeghi, Afshar & Towhidkhah, 2011). Chung och Chang (2006) skriver att utseendet av ett fordon är en avgörande konkurrensfaktor, dessutom har generellt sett kvalitetsstandarden inom branschen stigit. Specifikt inom de dyrare segmenten understryker tillverkarna att deras produkter innehar högsta kvalitet samtidigt som de förmedlar att de är införstådda i att kvalitet är absolut avgörande. Studier visar på att kunden värderar lacken av bilen högt vid köp av fordon, det första intrycket kunden skapar sig för fordonet baseras på dess utsida (Kamani et al., 2011). Först och främst noteras om lacken är fin och tilltalande för ögat, men även hur lacken reagerar under solljus och lampor i form av glans (Parker, 2001).
Kvalitetsinspektionen utförs i stor utsträckning fortfarande manuellt inom fordonsindustrin till skillnad från jordbruket (Kamani, Afshar, Towhidkhah och Roghani 2011). Detta eftersom den tekniska utvecklingen för automatisk avsyning stött på utmaningar till följd av olika faktorer rörande fordon så som storlek, kulör och typ av defekt (See et al., 2017). Människor har möjlighet att upptäcka större defekter medan de mindre defekterna är de som ofta missas (Chung & Chang, 2006). Oavsett hur väl den visuella inspektionen utförs av en mänsklig operatör är det omöjligt att säkerställa total tillförlitlighet och det går inte att vara säker på om samtliga defekter identifierats (Kujawinska, Vogt, Diering, Rogalewicz & Waigaonkar, 2018).
Trots att det forskats flitigt inom visuell inspektion sedan början av 1900-talet (See et al., 2017) är den mänskliga inspektionen otillräcklig. Den vanligast förekommande observationen kring ämnet är begräsningarna av mänsklig inspektion. See et al. (2017) nämner även de vanligaste faktorerna för bristfälliga inspektioner vilka är uppgiftsrelaterade, miljömässiga, individuella, organisatoriska samt sociala. Där de tre viktigaste faktorerna för en framgångsrik inspektion är träning, inspektionsprocedurer och maskineri (See et al., 2017). Ytterligare faktorer som försvårar det för mänskliga operatörer är tidsaspekten vilket tas upp i olika fall, tiden
2
operatören inspekterar produkten och arbetstid (Bainbridge, 2002). Tidspress som skapas av låga takttider kan leda till missade defekter och långa arbetstider kan leda till falska larm (See, 2015).
Likt tidigare nämnt är kvaliteten av absolut största vikt inom fordonsindustrin, det betyder också att eventuella defekter ska upptäckas så tidigt som möjligt för att minimera slöseri. Enligt Ju, Li, Xiao och Arinez (2013) är det vanligt att kvalitén försämras eller varierar mer allteftersom produkten förflyttar sig genom produktionsprocessen, speciellt vid målning av fordon. Mindre defekter som inte åtgärdas vid ett tidigt skede kan leda till stora problem och ökad åtgärdssvårighet längre fram i flödet (Ju et al., 2013). En trend inom fordonsindustrin är att fordon som genomgått lackbättring har annorlunda andel kvalitetsbrister än fordon som inte genomgått bättring (Li, Blumenfeld & Marin, 2007). Trenden påvisar lägre kvalitet hos fordon som genomgått reparation än de som aldrig behövt det, exempelvis om damm legat länge under lacken och senare behövts åtgärdas genom att målas om. Då ökar riskerna för lägre kvalitet av lacken. Lean-principer så som ”rätt från mig (jidoka)” spelar en avgörande roll sett till företagets konkurrenskraft och produktens kvalitet, uppfylls detta till 100% elimineras riskerna för sämre kvalitet.
Automation har utvecklat produktion sedan det löpande bandet och medfört en transformation av essensen kring det mänskliga arbetet. Teknik finns idag för att möjliggöra automation av kvalitetsinspektion inom fordonsindustrin. Automation inom detta område har stor potential att leda till minimering av slöseri och besparingar i form av tid och pengar.
För att undersöka de tekniska möjligheterna till automation av kvalitetsinspektion hos en storskalig fordonstillverkare utförs en fallstudie vid Scanias fabrik i Oskarshamn för tillverkning av lastbilshytter.
1.2 Problematisering
Scanias fabrik i Oskarshamn tillverkar lastbilshytter och består av verkstäderna, pressverkstad, karossverkstad, grund- och täcklacksmåleri samt monteringsverkstad. I måleriet säkerställs att varje hytt tätas, grundmålas och lackeras innan den skickas vidare för montering. Innan hytten skickas från måleriet jobbar operatörer med att manuellt inspektera samt åtgärda mindre defekter på de nymålade hytterna. På Scania används begreppet direktflöde, vilket är ett nyckeltal som avser andelen hytter som passerat, där inga åtgärder för att reparera defekter krävts. Direktflödet beräknas genom att dividera antalet godkända hytter genom antalet producerade hytter.
För att säkerställa ett högt direktflöde och nöjda kunder är det viktigt att så fort som möjligt upptäcka och åtgärda samtliga defekter. Tyvärr är det så idag att en operatör vid inspektion saknar möjligheten att avsyna hela hytten, därmed missas avvikelser (personlig kommunikation, 2020). Detta beror till exempel på att takttiden måste hållas, dessutom är hytten stor och ögat kan inte fånga helheten. Vissa defekter är minimala och svåra att upptäcka, de syns endast under visst ljus från specifika vinklar. Detta medför att defekter kvarstår på hytten då den fortsätter genom produktionsflödet, trots kontinuerliga inspektioner. Rutinerna som idag tillämpas på Scania är utformade utefter en egenutvecklad standard. Där står
3
beskrivet hur inspektionen ska gå till med kriterier för luxnivå, avstånd och vilka de potentiella defekterna är samt hur de ser ut. Vid eventuell upptäckt av avvikelser skriver inspektören in detta i ett koordinatsystem för att tydligt indikera vart på hytten avvikelsen befinner sig. Att manuellt föra in defekter och precisera vart de befinner sig är tidskrävande, mödosamt och opraktiskt (Mera, Alzate, Branch & Mery, 2016). Därav har det länge diskuterats om möjligheterna för automatisk avsyning för att bland annat effektivisera processen, eliminera subjektivitet och öka produktivitet.
Teknik finns och används i industrisektorn för att automatisk avsyna ytan av fordon. Det har prövats hos olika biltillverkare, bland annat Volkswagen, Seat, BMW och Daimler med varierande resultat. Därmed kommer detta examensarbete redogöra en jämförelse mellan två olika etablerade system för automatisk avsyning och förse Scania med en rekommendation om de kan öka sitt direktflöde med hjälp utav något av dessa system, är automatisk avsyning den bästa lösningen, och kan det leda till ökat direktflöde?
Scania har länge funderat på att implementera automatisk avsyning för att effektivisera produktionsflödet och minimera missar som kan ske vid kvalitetsinspektionen. Funderingen är om ett system som endast klarar av att identifiera och lokalisera defekter är värt att implementera, vilket är det ena systemet i jämförelsen. Eller krävs det ett system som även är kapabelt till att klassificera vilken typ av defekt det är för att operatören direkt ska veta hur hen bör åtgärda defekten och genomföra en bättring, vilket det andra systemet kan. Det förenklar spårning och identifikation av defektens ursprung. På så sätt är det möjligt att förbättra de processer och avdelningar av flödet som generar flest defekter för att i sin helhet skapa ett bättre direktflöde och minimera andelen defekta hytter.
1.3 Syfte, avgränsning & frågeställning
Syftet med examensarbetet är att utvärdera de tekniska möjligheterna för ett framtida arbetssätt med automatisk avsyning inom storskalig fordonstillverkning. Fallstudien fokuserar sig på måleriet där kvalitetsgranskning idag sker via manuell inspektion av mänskliga operatörer. Omfattning är att arbeta fram förslag på hur produktionsflödet kan komma att se ut med automatisk inspektion. Syftet omfattar även en utvärdering av tekniken som finns närvarande på marknaden idag. Detta för att undersöka om den är tillräckligt mogen för att användas inom storskalig fordonsproduktion. Anledningen bakom detta är för att examensarbetet ska bidra med värdefull information till industrin i sin helhet, inte endast för Scania. Med utgångspunkt i examensarbetets syfte utifrån universitets perspektiv samt önskan från uppdragsgivare hos Scania har följande tre frågeställningar arbetats fram.
• Vilka möjligheter finns för automatisk avsyning vid kvalitetsinspektion inom storskalig fordonsproduktion?
• Vilka potentiella besparingar finns att erhålla via automatisk avsyning?
• Vilka möjligheter finns för att öka direktflödet hos grundmåleriet med hjälp av automatisk avsyning?
Tekniken för automatisk avsyning kommer avgränsas till att endast undersöka två specifika system. Systemen kommer av sekretesskäl benämnas system 1 och system 2. Avgränsningen görs eftersom Scania är intresserade av just dessa två system. Vidare kommer systemen
4
betraktas som fullt fungerande utefter det som leverantören angivit att de är kapabla till.
Ytterligare avgränsning är att endast kvalitetsinspektionen efter grundmålning kommer fokuseras på gällande automatisering, även denna avgränsning görs utefter Scanias uppmaning. Samtliga inspektionsprocesser i måleriet kommer användas för datainsamling och analyseras för processparametrar. Vidare betraktas endast de defekter som finns klassificerade av Scania och kan uppstå tidigare i flödet. Sett till datainsamlingen avgränsas arbetet till att endast titta på data från början av 2019 fram till och med mars 2020 eftersom det under tidsperioden för arbetet inte hinns med att studera mer data. Sett till defekter kommer mer omfattande analyser endast göras på de avvikelser som man i högre grad kan fastslå har ursprung i grundmåleriet och inte i täcklacken. Det kommer inte heller ges några utvecklade förslag och analyser på hur direktflödet kan ökas utan automatisering.
5
_________________________________________________
2. Teoretisk referensram
Detta avsnitt presenterar de teorier som anses vara relevanta för examensarbetets
fokusområde. Avsnittet innefattar teorier som beskriver generell kvalitetskontroll, inspektion, automation och utmaningar. Detta ska ligga till grund för läsarens förståelse av vad tidigare forskning inom området kommit fram till.
2.1 Kvalitetskontroll
Inom produktion är processen kvalitetskontroll en av de absolut viktigaste processerna (Kujawínska & Vogt, 2015). Bland annat eftersom kvalitetskontroll involverar utvärdering och jämförelse av kvalitetsparametrar mellan produktens faktiska kvalitet och de förväntade resultaten. Det leder till en tydlig indikation på hur väl processerna hos interna kunder fungerar (Kujawínska & Vogt, 2015). Det är även en förutsättning för att bibehålla en global konkurrenskraft och går under paraplyet Total Quality Management (TQM) (Flynn, Schroeder
& Sakakibara, 1995).
2.2 Visuell inspektion
Fordon målas och lackeras för att skyddas mot miljömässig korrosion, alltså för att motverka rost, men också för att vara mer attraktiv för kunder och potentiella köpare (Ruiz, Agell, Angulo
& Sánchez, 2018). Fordonstillverkare använder sig även av fordonets utseende för att differentiera sig (Döring, Eichhorn, Wang & Kruse, 2006). Intrycket kunden får kommer till stor del från färgen och skenet fordonet ger ifrån sig. Mycket påverkar reflektionen som återges av lacken på fordonet, allt utifrån synvinkel, spektral fördelning av infallande ljus och uppsättningen av själva kulören. Vidare är strålglansen som lämnar fordonets yta oberoende av åskådaren, vare sig det är en sensor, kamera eller mänskligt öga (Parker, 2001). Därför är det möjligt att via automatiska system som använder sig utav kameror, uppnå en inspektion av fordonets lack på samma sätt som det mänskliga ögat hade upptäckt eventuella defekter.
Visuell inspektion anses vara ekonomiskt fördelaktig eftersom det inte kräver några dyra material och maskiner, inspektionsmetoden är även icke-destruktiv (Kujawinska et al., 2018).
Det anses även inneha karaktärsdragen effektivt, hög precision samt låg kostnad (Zhou, Chen, Huang Liu Yu & Yu, 2019).
Vanligast är att inspektionen genomförs via mänsklig avsyning vilket innefattar subjektivitet och osäkra resultat eftersom resultaten vilar på operatörens erfarenhet och tolkningsförmåga (Kamani et al., 2011). Trots att visuell inspektion är den vanligaste form av inspektion inom industri har det sedan länge slagits fast att människans prestation i avseendet är undermålig (Nickles, Melloy & Gramopadhye, 2003). Dock trodde man under tidigt 1900-tal att mänsklig visuell inspektion var fullkomligt pålitligt och ansågs vara bland de bästa metoderna för kvalitetskontroll (Kujawínska & Vogt, 2015). Synen idag är totalt annorlunda, bland annat menar Fernandez, Platero, Campoy och Aracil (1993) att processen ytinspektion ofta uppför sig som en flaskhals vid produktion, där det svåraste är att inspektera visuellt. Just eftersom det är så beroende av människan. Författarna förklarar att det mänskliga ögat är anpassat till att fungera i en värld av variation och förändring. Motsatt till vad visuell inspektion innebär, processen involverar observation av liknande bilder konstant och upprepat för att upptäcka avvikelser (Fernandez et al., 1993). Kamani et al. (2011) skriver att automatisk avsyning blir allt vanligare inom fordonsindustrin och leder till noggrannare, effektivare, säkrare och kostnadseffektivare
6
inspektion. Bevis på att automatisk avsyning med klassificering är möjligt finns det gott om (Kamani et al., 2011). Även Borsu, Yogeswaran och Payneur (2010) har med hjälp av 3D-teknik framställt ett framgångsrikt system. Armesto et al. (2011) utvecklade och implementerade ett tunnelsystem för automatisk avsyning på en Ford-fabrik i Spanien. De uppvisade mycket positiva resultat och kom fram till att om en inspektion är kapabel till att identifiera samtliga närvarande defekter ökar livslängden på fordonet med 20%, vilket också leder till ökad kundnöjdhet.
Den typiska inspektionsprocessen vid visuell avsyning presenteras i Figur 1. Stegen är definierade av See et al. (2017) men kan anses generella för alla typer av visuell inspektion.
Set up – Förberedelse
Inspektionssystemet förbereds, faser som ingår här kan exempelvis vara att objektet som ska inspekteras placeras korrekt in i cellen och att verktyg hämtas av inspektören. I förberedelse ingår även att procedurerna för inspektionens tillvägagångssätt ska finnas tillgängliga för inspektören.
Figur 1 - Typisk procedur vid visuell inspektion
7 Present – Presentera
Inspektören och objektet som ska inspekteras möts, i detta examensarbete är objektet en lastbilshytt.
Search – Avsyna
Inspektören inleder processen genom att avsyna hytten enligt rutin, processen är tidsbegränsad där erfarenhet och tolkningsförmåga avgör utfallet. Inspektören markerar eventuellt noterade defekter enligt standard.
Decide – Besluta
Inspektören beslutar genom att luta sig mot standarden och erfarenhet för att besluta om den noterade avvikelsen ska klassas som en defekt. Samt vilken typ av defekt i sådant fall, inspektören noterar även defektens position i något typ av koordinatsystem.
Respond – Reaktion
Utfallet av beslutet taget i tidigare steg initieras. I detta fall går antingen hytten vidare i flödet till nästa process, om inga defekter noterades. Eller så skickas hytten till bättring, om defekter noterades.
De svåraste och mest komplexa stegen är avsyna och besluta (See et al., 2017). Eftersom de är människoberoende och i vissa fall kan det vara extremt svårt att för det första se och upptäcka avvikelser, men också att avgöra vilken typ av avvikelse det är. Kujawinska och Vogt (2005) ger medhåll och utvecklar påståendet genom att förklara att det är vid just de två stegen det avgörs om produkten kan fortsätta genom flödet eller inte. ”Avsyna” och ”besluta” är även mest påtagliga för variation mellan operatörer, där riskerna är att en defekt produkt bedöms som icke-defekt, eller att en icke-defekt produkt bedöms vara defekt. Vidare sker uträkningen av inspektionseffektivitet baserat på riskerna att något av dessa beskrivna felbedömningar inträffar (Kujawínska & Vogt, 2015).
I och med att ”avsyna” och ”besluta” är de mest komplexa stegen är det också där mänskliga operatörer behöver mest hjälp, och avsyning är även den beståndsdel av inspektionen som löper störst risk för misslyckande. Besluten kan variera trots att beslutsunderlagen är lika, detta eftersom det är den individuella operatören som beslutar och subjektiva infall kan resultera i olika beslut (Mera, Alzate, Branch & Mery, 2016). Förklaringar ges bland annat av Nickles et al.
(2003) som skriver att en av anledningarna till varför människan presterar sämre än automatiska inspektionssystem är för att människan är mindre systematisk i sitt visuella sökande. Detta kan leda till ofullständig avsyning. Å andra sidan är människan istället bättre på att fatta beslut samt uppvisar större flexibilitet vilket är de positiva aspekterna av mänsklig inspektion (Nickles et al., 2003).
Faktorer som påverkar visuell inspektion finns det många av, dessa kategoriseras med fördel i fem olika kategorier, se Tabell 1.
8
Tabell 1 - Faktorer som påverkar mänsklig visuell inspektion
Faktorer Exempel
Tekniska Defekttyper, synlighet av defekt, kvalitetsnivå, standarder och rutiner.
Psykofysiska Ålder, kön, uppmärksamhetsnivå, erfarenhet, kreativitet, temperament
Organisatoriska Utbildning, träning, feedback, instruktioner
Miljömässiga Ljus, buller, temperatur, arbetstid, arbetsstation, ergonomi Sociala Kommunikation inom teamet, press, isolering.
Dessa faktorer har en inverkan på effektiviteten och pålitligheten av inspektionen. Exempel på faktorer påvisar också att utförandet varierar mellan operatör och operatör (Kujawínska &
Vogt, 2015). Huang och Pan (2015) skriver att inspektionsprocessen är utmanande och att mänskliga operatörer helt enkelt inte håller måttet vid storskalig fordonsproduktion. Mänskliga brister resulterar i lågkvalitativ inspektion, utöver det kräver mänskliga operatörer utbildning där expertis utvecklas över lång tid. Jämfört med automatiska system är arbetstiden för människan kort och dessutom kostsam för arbetsgivaren (Huang & Pan, 2015). Författarna Zhou et al. (2019) lyfter upp ytterligare brister med mänsklig inspektion. De skriver bland annat att variation är omöjlig att undvika eftersom inspektionsprocessen utgår ifrån varje individuell operatör och dennes förmåga att upptäcka och bedöma defekter. Även lägre tillförlitlighet till följd av ögontrötthet och repetitivt arbete resulterar i lägre produktivitet (Zhou et al., 2019).
Visuell inspektion har utvecklats så pass mycket att systemet bidrar med betydligt mer än att endast upptäcka och klassificera defekter. Enligt Huang och Pan (2015) förenklar ett automatiskt inspektionssystem datainsamling och möjliggör för bättre analyser av produktionsflödet än vid manuell inspektion. Identifikation av trender och mönster i realtid medför gedigen statistisk information vilket förser feedback över produktionsflödet i sin helhet, framför allt processerna innan inspektion. Detta medför utöver ökad produktivitet och högre produktkvalitet tydliga indikationer på kvaliteten av processerna i flödet (Huang & Pan, 2015).
2.3 Utmaningar med automatisk visuell inspektion
Utmaningar inom området visuell inspektion har tillkommit i och med utvecklingen av automatiska system, till exempel är det ofta ingenjörerna som utvecklat systemet som även sätter upp arbetsrutiner och standarden kring hur inspektionen bör utföras med systemet. De tenderar även att antaga att inspektionen kan ske med 100% precision, vilket inte är fallet (See et al., 2017). Om de mänskliga operatörerna som utför inspektionen och har erfarenhet både praktiskt men också teoretisk från tidigare forskning och initiativ kring ämnet inte rådfrågas eller får möjlighet att säga sitt, kan optimala rutiner aldrig uppnås (See et al., 2017). Till exempel hur lång tid de kan arbeta innan ögontrötthet försämrar kvaliteten av utförandet. En tidsmässig rekommendation är att arbeta konstant med visuell inspektion i maximalt två timmar för att undvika försämrad uppmärksamhet (Bainbridge, 2002).
Generellt sett är det vanligaste misslyckandet som sker vid inspektion, att närvarande defekter missas (See, 2012). Visserligen finns utmaningar med automatisk inspektion att falska defekter
9
upptäcks, som till exempel mindre damm och smuts som enligt standard är tillåtet. Därav är det vitalt att urskilja äkta defekter från falska i systemet, detta är tidskrävande att uppnå, men krävs samtidigt för att generera tillförlitliga data (Chen, Shen, Bao, Li, Wang & Ding, 2015).
Dåligt applicerad grundfärg kan leda till ökat antal defekter i efterkommande täcklack enligt Armesto, Tornero, Herraez och Asensio (2011). De förklarar också att defekter blir alltmer tydliga ju längre fram i flödet fordonet befinner sig, just eftersom färglager läggs till kontinuerligt. De skriver vidare att avvikelser i lacken är en ofrånkomlig variation som uppkommer bland annat ifrån bristande kvalitet på pulver som används, operatörmisstag och temperaturvariation. I vissa fall är defekterna tydliga och enkla att upptäcka (bucklor, repor), medan de i andra fall är ytterst små och svåra att upptäcka (mindre partiklar under lacken). I det andra fallet är det viktigt att åtgärda defekterna så fort som möjligt eftersom storleken ökar inkrementellt efter varje lager färg, som, om upptäcks för sent kan leda till stora åtgärdskostnader (Armesto et al., 2011).
Ytterligare utmaningar relaterade till situationen beskrivs av Hecklau, Galeitzke, Flachs och Kohl (2016) de understryker att automation av en tidigare mänskligt utförd process inom producerande verksamheter ofta stöter på utmaningar. Främst ekonomiska och tekniska utmaningar i form av till exempel expertkompetens, ökat samarbete och förståelse för processen. Även utformning av nya arbetsstandarder och rutiner kan ses som utmaningar, därtill omväxlingen från gamla arbetssätt till nya i symbios och effektivitet med det implementerade automatiska systemet (Hecklau, et al., 2016). Även Rosen, Wichert Lo och Bettenhausen, (2015) lyfter fram utmaningarna med installation av ett automatiskt system.
De skriver att det finns en ofrånkomlig komplexitet vid säkerställandet av systemets funktionalitet. Även att tidshorisonten som krävs för att lära systemet operera så som det är tänkt kan ses som en utmaning. Vidare krävs det i många fall ett produktionsstopp för att kunna installera det nya systemet vilket är en utmaning i sig (Rosen et al., 2015).
2.4 Automation
En viktig förutsättning för ett framgångsrikt automatiskt system för avsyning är ett gott samspel mellan systemet och de mänskliga operatörerna. Enligt Romero, Noran Stahre, Bernus och Fast- Berglund (2015) kommer framtidens fabriker att vara människo-centrerade, vilket betyder att maskiner och autonoma system är underdånig människan. Författarna menar att människo- centrerade fabriker ökar flexibilitet, agila arbetssätt och konkurrenskraftighet. Framtidens fabriker kommer även tvingas underlätta för åldrande, funktionsnedsatta och oerfarna mänskliga operatörer (Romero et al., 2015). De får medhåll av Tzafestas (2006) som menar på att denna typ av operatörer behöver assistans av automatiska system för att förbättra och underlätta deras förståelse som i sin tur leder till ökad kvalitet och precision vid utförande av avancerande tillverkningsoperationer.
Forskning och utveckling inom automation rörande området kvalitetsinspektion ökade enormt på 80 -och 90 talet. Dock visade det sig tidigt att implementation på industriell nivå var svår att uppnå (Kujawínska & Vogt, 2015). En av de många anledningarna till dessa svårigheter var, och är fortfarande faktorer gällande begränsad flexibilitet rörande de automatiska systemen, specifikt vid icke-standard situationer. Den senaste tidens forskning har fokuserat på hjälpmedel till mänsklig visuell inspektion och studier har påvisat att den bästa lösningen för
10
visuell kvalitetskontroll är en kombination av människa och maskin (Kujawínska & Vogt, 2015;
Kujawinska et al., 2018; See, et al., 2017). Denna interaktion mellan människa och maskin i dagens smarta fabriker hör hemma i det högst relevanta och omtalade begreppet Industri 4.0 (Bahrin, Othman, Azli & Talib, 2016). Författarna skriver vidare att antalet industriella robotar ökar kraftigt och endast i Europa har antalet producerade robotar för användning i storskalig produktion fördubblats sedan 2004. Samtidigt som deras syften och arbetsuppgifter ökat (Bahrin et al., 2016). Vidare skriver Hecklau, et al. (2016) att integrationen av robotar i mänskliga arbetsstationer leder till både ökad ekonomisk vinning och produktivitet.
11
_________________________________________________
3. Metodbeskrivning
I följande avsnitt beskrivs forskningsansats, datainsamlingsmetod samt analysmetod för examensarbetet. Avsikten är att beskriva och förklara de val som tagits, för att skapa förutsättningar att besvara frågeställningarna. Dessutom beskrivs reliabilitet och validitet för att identifiera insamlingens trovärdighet.
3.1 Forskningsansats
Utifrån examensarbetets syfte, frågeställningar och förutsättningar valdes forskningsstrategin fallstudie. För att lägga grund till den teoretiska referensramen genomfördes inledningsvis en omfattande litteraturstudie som involverade sökning av vetenskapliga artiklar relaterade till ämnet, främst via databaserna Scopus och Google Scholar. Sökorden som användes var bland annat ”automatic visual inspection”, ”automotive industry” och ”automation”. Vidare har det kontinuerligt genom examensarbetets tidsram tagits del av vetenskapliga artiklar för att läsa på kring olika områden allt eftersom de dykt upp under arbetets gång.
Traditionellt sett finns det tre forskningsansatser, deduktiv, induktiv och abduktiv. Där abduktiv är en kombination av de två förstnämnda. Detta examensarbete förhöll sig till en metod baserad på att finna relevant litteratur för att identifiera teorier kopplad till området. Dessa teorier bekräftades eller dementerades sedan med hjälp av insamlade data. Detta förhållningssätt beskrivs av en deduktiv forskningsansats. Allt eftersom examensarbetet fortlöpte uppkom nya insikter vid dataanalys, detta har föranlett till att komplettering krävts av den teoretiska referensramen. Detta beskrivs av en induktiv forskningsansats. Därmed har en abduktiv forskningsansats använts vid detta examensarbete.
3.2 Datainsamlingsmetod
Både kvantitativ och kvalitativ data samlades in under arbetets gång. Där övervägande del varit kvantitativ och hämtats med hjälp av fallföretaget. Scania använder sig utav ett internt system som kallas EBBA. Där fyller operatörerna in respektive avvikelse som sedan följer med hytten och registreras tillsammans med hyttens id. EBBA skapar sedan rapporter med all nödvändig information relaterad till kvalitetsinspektion och defekter. Det är därifrån data extraherats med hjälp av dataspecialister på Scania. Studerade data täcker hela 2019 samt fram till mars 2020 och finns för samtliga produktionsdagar. De som faktiskt samlat in data är således operatörerna i sitt dagliga arbete.
Kvalitativ data samlades in via möten som genomförts med olika personer inom Scania, med olika befattningar och kompetensområden, se Tabell 2. Bland annat samtalades med chefen för kvalitetsutvecklingen inom måleriet och operatörer som arbetar med inspektion. I kombination med detta genomfördes även observationer av författaren genom att stå ute i produktionen tillsammans med team leder och operatörer. Anledningen var att skapa förståelse för hur processen ser ut och vad som konkret sker vid varje arbetsmoment. Detta mynnar ut från lean-principen ”gå och se”. Vid produktionslinan hölls både ostrukturerade och semi-strukturerade intervjuer med operatörerna utifrån frågor centrerade kring dagens process samt en potentiell framtid med automatisk inspektion. Intervjuerna varierade i längd och antecknades, ingen inspelning eller transkribering genomfördes.
12
Ytterligare kvalitativ data insamlades via möten som hölls med representanter för system 1 och Volkswagen. Mötena hade en intervjuande karaktär och liknas med semi-strukturerade intervjuer. Detta för att skapa djupare förståelse kring hur systemen fungerar. Volkswagen använder idag system 2 och gav en inblick i hur systemet faktiskt fungerar i drift, vilka eventuella risker de medför samt vad det går att vinna på dess användning. Frågor ställdes även kring hur informationen och samspelet mellan automatiskt system och mänskliga operatörer fungerar.
Nedan följer en tabell med utvalda personer som intervjuats, när det refereras till dessa personer framöver skrivs inte personlig kommunikation ut.
Tabell 2 - Intervjuade personer
Befattning Erfarenhet Alias
Produktionstekniker Arbetat på Scania i 5 år. Har varit med och utvecklat massappliceringsprocessen.
Arbetar just nu som produktionstekniker för pulverapplicering. Har tidigare lett ett projekt för att minska massaspill.
Person A
Produktionstekniker Produktionsingenjör, ansvarig för de tekniska aspekterna av massalinan samt inspektion. Har arbetat med detta i 1 år.
Person B
Team leader inspektion täcklack
Jobbat på Scania i 22 år, tidigare varit lackerare. Har även arbetat på quality gate.
Person C
Operatör -
täcklacksinspektion
Operatör som arbetat med att inspektera hytter i täcklacken i 4 år.
Person D Team leader
inspektion grundmåleriet
Jobbat på Scania i 25 år, har gedigen erfarenhet och stora kunskaper inom inspektion.
Person E
Operatör inspektion - Grundmåleriet
Operatör som arbetat med att inspektera hytter i grundmåleriet i 5 år.
Person F Chef för bättring
och inspektion - Täcklacken
Har jobbat på Scanias måleri i 33 år. Varit produktionsledare de senaste 9 åren.
Ansvarar för bättring och inspektion.
Person G
Kvalitetschef Kvalitetschef för måleriet, arbetat på Scania i 25 år. Haft stort fokus på att öka direktflödet.
Person H
Projektingenjör Jobbat på Scania i 5 år med olika projekt i måleriet, var tidigare produktionstekniker för massalinan. Har även arbetat med att förbättra massappliceringsprocessen.
Person I
Produktionstekniker Tysk tekniker arbetandes på företaget som framställer system 1, varit med och utvecklat samt implementerat systemet på flertalet fabriker runt om i världen.
Person J
Produktionstekniker Tysk tekniker arbetandes på Volkswagen, har haft ansvaret att implementera system 2.
Person K
13 3.3 Analysmetod
Data analyserades främst via Excel, där pivottabeller och grafer ställts upp för att identifiera och räkna ut relevanta nyckeltal. Trender relaterade till vanligast avvikelse och direktflöden togs fram utifrån hela 2019 års data. Vidare har data från de inledande månaderna av 2020 undersökts där olika tidsaspekter för åtgärder av defekta hytter analyserats med avsikt att utvärdera och finna eventuella besparingar. Beskrivande statistik var alltså analysmetoden som användes. Fördelarna med Pivottabeller i Excel var att olika kategorier av data kunde analyseras allt eftersom intressanta upptäckter noterades. Kvalitativ data analyserades i kombination med den kvantitativa och användes främst för att uppnå djupare förståelse och insyn relaterat till orsakerna bakom att den kvantitativa data såg ut som den gjorde.
Kostnadskalkyler genomfördes utefter schablonberäkningar utfärdade och tillhandahållna av Scania. Standardvärden för vad operatörer kostar vägdes mot investerings -och installationskostnader av de automatiska avsyningssystemen. Motivation och förklaring av vald kalkylmetod ges under avsnitt 5.
3.4 Reliabilitet och validitet
Reliabilitet beskrivs som möjligheten att uppnå samma resultat om examensarbetet upprepades. Det innebär att en granskning av tillförlitligheten hos data genomförs. Eftersom den kvantitativa data som används för examensarbetet samlats in till övervägande del i ett tidigare skede har inga åtgärder för att säkerställa tillförlitlighet genomförts under tidsramen för examensarbetet. Då en ofrånkomlig subjektiv och individuell faktor finns närvarande vid datainsamling går det inte att fastställa att data hade sett likadan ut om den fångats in under en annan tidsperiod. Det går inte heller att vara säker på att samma defekt hade klassificerats i samma kategori av en annan operatör än just den som arbetade vid tidpunkten för datainsamling. Sett till kvalitativa data har den delvis samlats in via operatörer som arbetar dagligen med processen med varierande erfarenhetsnivå. Dessutom innehar dem en viss bias gentemot sitt arbete. Samtal med företag var delvis ostrukturerade och innehade en säljande karaktär då Scania är potentiell kund till utvecklarna av det ena automatiska inspektionssystemet. Visserligen genomfördes intervjuer med flertalet personer med olika befattningar på Scania samt personer anställda på Volkswagen, arbetandes i deras tyska fabriker.
Validitet handlar om hur pass relevant data är till ämnet. Data insamlad från operatörerna anses relevant eftersom det är operatörerna som i sitt arbete bidrar till statistiken på defekter. Frågor kring hur processen fungerar och vad fallföretaget vill ha ut ur studien ställdes till flertalet chefer inom området samt operatörer med stor erfarenhet. Detta för att få in olika perspektiv i den aspekten. Dessutom samlades information in rörande den operationella delen av processen av författaren själv, detta för att bilda en egen uppfattning. Dock påverkades validiteten vid samtal med företagen som utvecklar de automatiska systemen, eftersom dessa samtal och intervjuer utgick ifrån att Scania var en potentiell kund. De säljande företagen var inte helt införstådda i studiens syfte och kan därför ha besvarat frågor rörande systemen utifrån andra referensramar än vad examensarbetet syftar till.
14
_________________________________________________
4. Fallstudie – Måleriet av lastbilshytter på Scania i Oskarshamn
I följande avsnitt återges nulägesbeskrivningen av studerad process hos fallföretaget. Både grundmåleriet och täcklacken beskrivs utifrån ett kvalitetsperspektiv. Även information rörande båda inspektionssystemen presenteras och avslutas i en jämförelse.
4.1 Processbeskrivning
På fabriken i Oskarshamn finns fyra verkstäder, måleriet är den näst sista i följd och en illustration av hyttens väg skildras i Figur 2.
Måleriet består av två avdelningar, grundmåleriet och täcklacken. Båda har var sin inspektionsstation och utefter Scanias värdering ”rätt från mig” har grundmåleriet ett mål om att skicka felfria hytter till täcklacken. ”Rätt från mig” är en av huvudprinciperna inom Scanias produktionssystem och innebär att ingen ska ta emot, tillföra eller lämna ifrån en avvikelse vidare till kund (Scania, 2020). Dock uppfylls inte denna princip fullt ut och direktflödet, vilket innebär andelen felfria hytter som skickas från grundmåleriet till täcklacken ligger på runt 91%
(framtaget av tekniker ur Scanias interna system, avser vecka 5 2020). Inspektionen är även striktare vid grundmåleriet, täcklacken tillåts släppa vidare mindre defekter om de noteras på specifika ytor. Figur 3 visar en överskådlig och förenklad flödeskarta av hyttproduktionen vid måleriet där inspektionsstationen examensarbetet är avsett att studera är markerad med en röd cirkel. Grundmåleriet är avgränsat inom det gröna området och täcklacken inom det svarta.
Figur 2 - Verkstäder på Scania i Oskarshamn
15
Grundmåleriet består endast utav en inspektionsstation som är indelad i två arbetsytor. En hög för övre delen av hytten och en låg för de nedre delarna av hytten. Täcklacken har å andra sidan tre olika inspektionsstationer. I grundmåleriet passerar hytten inledningsvis förbehandlingen, där tvättas hytten och medel appliceras för att underlätta grundmålningen vilket sker via pulverapplicering. Vid massa appliceras PVC-strängar för att täta hytten och motverka rost vid plåtskarvar på hytten, detta härdas i sista ugnen innan inspektion. De tre olika produktionslinorna BCA, BCM och CCM är olika linor där täcklack appliceras beroende på typ av kulör. Två av linorna är i nuläget semi-automatiska, vilket innebär att manuell målning sker invändigt av hytten medan en lina, BCA är helautomatisk.
De vanligaste defekterna som noteras i täcklacken är utifrån analyserad data föroreningar, rinningar och massaspill. Varav de vanligaste som uppstår i grundmåleriet är pulverdroppar och massaspill. Massaspill är överflöd eller droppar av massa, alltså PVC som appliceras i skärvor och kanter av hytten för isolering. Spillet uppstår i samband med applicering och bearbetning, processen utförs först utav en robot som applicerar stora PVC-strängar för att sedan förfinas av mänskliga operatörer som penslar fina och jämna strängar. Pulveravvikelser uppstår efter härdning, olika stora sammansättningar av pulver kan klumpa ihop sig och bilda ojämnheter på ytan. En vanlig åtgärd för droppar och ojämna ytor är slipning. Vid slipning kan de överflödiga
Figur 3 - Måleriet
16
partiklarna hamna på andra delar av hytten som sedan missas att torkas bort. Det kan då uppstå mindre ojämnheter och klassificeras som damm.
Det är inte ovanligt att felbedömningar uppstår (Person D;E;F, 2020), till exempel är vissa klassificeringar av avvikelser väldigt lika varandra, som damm och förorening. Det är när främmande partiklar fastnar på ytan innan färgen har torkat och formar upphöjningar i färglagret. Det resulterar i att operatören som arbetar just vid det tillfället avgör vilken klassificering avvikelsen får, detta påverkar data.
En anledning till varför grundmåleriet missar att upptäcka avvikelser, utöver tidspressen, är svårigheterna i att upptäcka avvikelser med endast ett lager färg. Med kulör och lack på hytten, alltså flera lager färg, blir det betydligt lättare för ögat att identifiera och upptäcka eventuella avvikelser (Person A;C, 2020). En väsentlig skillnad är glansen vilken påverkar reflektion, med högre glans blir det enklare att upptäcka eventuella avvikelser. Grundfärgen saknar glans medan täcklacken är glansig. Rutinerna för inspektionen vid grundmåleri och täcklack är nästintill identiska, en stor skillnad är dock miljön runt, exempelvis ljus och liknande. Det är även hårdare krav på grundmåleriet än täcklacken. Detta eftersom defekterna vill upptäckas så tidigt som möjligt, desto tidigare en defekt upptäcks desto bättre. Det är viktigt att avvikelserna åtgärdas så fort som möjligt eftersom en liten defekt som passerar inspektionen efter grundmåleriet löper större risk för att utvecklas till en allvarligare defekt efter täcklacken, som är svårare att åtgärda. Detta medför att möjliga besparingar samt förbättringspotentialen kan vara stor med att övergå till automatisk inspektion.
Efter inspektion taktas hytten antingen vidare till nästa station eller om defekt noterats genomförs en bättring. Det har visat sig att operatörerna som genomför bättringarna är snabba på att avläsa koordinatsystemet som indikerar vart på hytten defekten befinner sig (Person D;F, 2020). De potentiella tidsbesparingarna vid den processen är således små, fokus ligger istället på tiden hytten befinner sig i bättringsbox.
Det största problemet, med högst förbättringspotential är att defekter missas och släpps igenom i flödet (Person H, 2020). Tiden som krävs för att upptäcka samtliga defekter vid inspektion är högre än takttiden som idag ligger på 173 sekunder. Missade defekter medför stora konsekvenser senare, det kan till och med gå så långt att slutkund noterar defekter, då blir det väldigt kostsamt för Scania.
17 4.2 Defekter
4.2.1 Grundmåleriet
Inspektionen, omsluten av den röda cirkeln, samt bättring i Figur 3 illustreras nedan mer detaljerat i Figur 4.
Inspektionen består av totalt fem stationer, två är till för inspektion, två är till för reparation och vid den sista sker tejpning av vindruteramen. Station 1 med namn inspektion 00 är den låga inspektionen, där arbetar två operatörer med att avsyna hyttens nedre delar. Operatörerna letar efter defekter samt slipar och åtgärdar eventuella mindre defekter de upptäcker, om detta hinns med inom takttiden. Station 2 med namn inspektion 01 är den höga inspektionen, där arbetar en operatör med att avsyna de resterande delarna av hytten. Från dörrarna och uppåt, taket inkluderat. Operatören vid Station 2 avgör om hytten skickas vidare direkt till Station 5, förutsatt att hytten saknar defekter som inte kan åtgärdas på stationen sker detta. Om hytten däremot uppvisar defekter som behöver åtgärdas i bättringsbox sänds hytten antingen till bättringsbox 1 eller 2, där arbetar en operatör på respektive station. Avslutningsvis tejpas vindruteramarna på Station 5, sedan färdas den ut ur grundmåleriet.
Vid inspektion både i grundmåleriet och täcklacken följs inspektionsstandard 4101. Det är en omfattande standard som beskriver tillvägagångssättet för att manuellt avsyna hytten samt bedöma eventuella avvikelser. Då det råder sekretess kring innehållet av standarden återges endast övergripande principer av tillvägagångssättet för inspektion. Likt beskrivet tidigare i examensarbetet är de olika ytorna av hytten klassificerade i olika nivåer, med olika uppfyllnadskriterier.
Scania har under en lång period ackumulerat data och bilder för att klassificera defekterna och kategorisera deras ursprung mot respektive verkstad och avdelning. Detta medför en möjlighet att spåra upptäcka defekter till ursprungskällan. Nedan följer en tabell med defekter som kan upptäckas i antingen grundmåleriet eller täcklacken.
Figur 4 - Inspektionen i grundmåleriet
18
Tabell 3 - Defektkoder i måleriet
Tabell 2 visar defekter som upptäcks vid inspektionen i antingen grundmåleriet eller täcklacken.
Vissa defekter är tydligt kopplade till en specifik process, till exempel härstammar massaspill alltid från massapplicering. Vissa defekter har ett mindre tydligt ursprung, exempelvis damm och förorening. Figur 5 presenterar de sju vanligaste defekterna i grundmåleriet.
Figur 5 - Vanligaste defekter i grundmåleriet
Defekterna presenterade ovan är de vanligaste som upptäcks vid inspektion i grundmåleriet.
Det är tydligt att pulver -och massaappliceringen genererar flest defekter där pulverdroppe och massaspill står för 23,6% respektive 22,2% av den totala del defekter. Detta styrks ytterligare i Figur 6 som visar antalet defekter med ursprung ur respektive avdelning per vecka över hela år 2019.
0 5000 10000 15000 20000 25000
Förorening Limrester Damm Grov yta Krater Massaspill Pulverdroppe
Antal defekter
Typ av defekt
Defekter i grundmåleriet
Defektkod
Damm Fisköga Förorening Rinning Grov yta Pulvernoppra Krater Limrester Massaspill Pulverdroppe
19
Figur 6 - Veckovis fördelning av defekternas uppkomst
Pulverappliceringen står för klart flest defekter och varierar även mest. En tydlig indikation på process- och kvalitetsförändringarna under året är också att både massa och kaross förbättrades från vecka 33 och framåt (semester v.28-v.32) medan pulver klart försämrades.
Det försämrade läget efter vecka 28 beror på nya arbetssätt, det genomfördes en stor ombalansering av jobb mellan robotar under semestern (Person A;I, 2020). Tekniker berättar också att en betydande faktor till den uppvisade variationen är att kvaliteten på pulvret som skickas från leverantör varierar. Vissa leveranser är av högkvalitativt pulver och vissa av pulver med lägre kvalitet. Denna försämring av pulverappliceringsprocessen påverkade direktflödet, utifrån data på veckovisa direktflöden över hela 2019 är snittet 88% från grundmåleriet till täcklacken. I och med att det nya arbetssättet efter semestern hade negativ påverkan på pulverappliceringsprocessen är det intressant att beakta direktflödet för 2019 med dessa veckor exkluderat. Snittet av direktflödet för vecka 1-28 låg på 90%. Vilket ligger närmare den tidigare presenterade siffran som avsåg vecka 5, 2020.
Ytterligare en viktig aspekt att ta hänsyn till är var på lastbilshytten defekterna tenderar att infinna sig. Denna statistik är viktig att beakta då inspektionsstandarden 4101 beskriven ovan klassificerar ytor olika. Visserligen är statistiken presenterad i Figur 7 endast från grundmåleriet som arbetar efter nolltolerans av defekter.
0 500 1000 1500 2000 2500 3000 3500
1 3 5 7 9 11 13 15 17 19 21 23 25 27 33 35 37 39 41 43 45 47 49 51
Antal defekter
Vecka under 2019
Kaross Massa Pulver
20
Figur 7- Defektplacering på hytten
Utsidan av dörrarna, baksidan samt sidopanelerna är ytorna där flest defekter noteras. Här indikeras att defekter är mer eller mindre benägna att placera sig på specifika ytor. Det är även intressant att jämföra på vilka ytor de olika defekterna tenderar att upptäckas, samt spridningen över ytorna hos de olika defekterna. Detta presenteras i Figur 8 där de sju vanligaste ytorna korrelerat till de fem vanligaste defekterna visas.
0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000
Golv Vä tak Hö tak Hö lucka ut Front Vä lucka ut Tak front Tak över Hö lucka in Tak bak Vä lucka in Vänster ram Höger ram Vänster dörr in Höger dörr in Vä panel Hö panel Vänster dörr ut Baksida Höger dörr ut
Antal defekter
Yta på hytten
Defekters placering på hytten
21
Figur 8 - Defekters fördelning över ytorna
Figur 8 visar de tydliga skillnaderna mellan ytklasserna samt att robotarna som används i till exempel pulverappliceringen skiljer sig åt. Parametrarna robotarna är kalibrerade utefter är inte identiska och därmed skiljer sig utfallet på de som används på hyttens olika ytor (Person, A;I, 2020).
4.2.2 Täcklacken
Hytten färdas från grundmåleriet till täcklacken, där appliceras kundens önskade kulör och därefter sker ytterligare en inspektion. Defektkoderna är inte helt överensstämmande hos målerierna, en viktig skillnad är att pulverdroppe inte finns hos täcklacken. Defektkoden rinning finns istället vilket inte är närvarande i grundmåleriet.
Figuren nedan presenterar de vanligaste defekterna som upptäcks i täcklackens inspektion.
0 1000 2000 3000 4000 5000 6000 7000
Damm Grov yta Krater Massaspill Pulverdroppe
Antal defekter
Typ av defekt
Vänster dörr in Höger dörr in Baksida Vä panel Hö panel Vänster dörr ut Höger dörr ut
22
Figur 9 - Vanligaste defekter i täcklacken
I täcklacken är de två vanligaste defekterna tydliga, förorening och rinning står för 27%
respektive 25% av samtliga avvikelser.
Defekter som missas i grundmåleriet bör upptäckas i täcklacken. Det betyder att massaspillet som i täcklacken är den tredje vanligaste defekttypen är avvikelser som inte uppkommit där.
Alltså följs inte Scanias princip ”rätt från mig” i fallet massaapplicering i och med att defekter missas vid inspektion i grundmåleriet.
Det krävs mer omfattande analyser av avvikelserna än vad som hinns med under inspektion för att med säkerhet avgöra ursprunget på resterande avvikelser presenterade i Figur 9.
Förorening, rinning och pulvernoppra kan samtliga ha sin uppkomst både i grundmåleriet och i täcklacken, det kan även uppstå i bufferten mellan de två målerierna. Detta gör det svårt att kvantifiera de defekter som grundmåleriet missar. Pulvernoppra anses dock utefter Scanias standarder uppkomma i grundmåleriet och därmed försämras direktflödet av grundmåleriet ifall pulvernoppror upptäcks i täcklacken.
4.2.3 Anmärkningar
Inspektioner genomförs kontinuerligt i verkstäderna efter måleriet. Om en avvikelse med ursprung i måleriet upptäcks skickas en anmärkning till måleriet, en så kallad EQ (External Quality) anmärkning. För att en EQ ska skickas till måleriet behöver någon efterkommande process upptäcka en defekt som resulterat i stopptid. Detta kräver bättringsåtgärd dels av hytten och kan i värsta fall leda till att hytten skrotas. EQ anmärkningar skapar även mer arbete då medarbetare inom måleriet ska följa en processbeskrivning för avvikelsehantering i hopp om att identifiera en rotorsak till avvikelsen EQ behandlar. Alltså kan missar vid måleriets inspektion leda till stora kostnader i form av merabrete, förluster och stopp i produktionen.
0 1000 2000 3000 4000 5000 6000 7000 8000
Fisköga Damm Krater Pulvernoppra Massaspill Rinning Förorening
Antal defekter
Typ av defekt
Defekter i täcklacken
23 4.3 Missade avvikelser
För att kontrollera hur väl principen ”rätt från mig” följs är det avgörande att kontrollera hur mycket avvikelser som inspektionen i grundmåleriet släpper igenom. Detta går att identifiera genom att kontrollera avvikelserna med ursprung i grundmåleriet som upptäcks i täcklackens inspektion. Dessa defekter har då missats i grundmåleriets inspektion och fortsatt med hytten till efterkommande steg i flödet.
För att kontrollera genomfördes analys av nuläget på defekten massaspill. Just massaspill valdes eftersom det är den avvikelsen som man med högst säkerhet har sin uppkomst i grundmåleriet.
Massaappliceringen sker i grundmåleriet och samtliga defekter rörande massa bör identifieras och åtgärdas innan hytten skickas vidare till täcklacken. Data för veckovisa upptäckter av massaspill i täcklacken adderades med EQ för samma veckor. Dessa defekter är de som missats i grundmåleriet. De missade defekterna adderades i sin tur med defekterna upptäckta i grundmåleriet för att generera en totalsumma av antalet defekter per vecka. De missade defekterna dividerades med den totala summan för att räkna ut ett snitt av hur många defekter som grundmåleriet missar. Dessa beräkningar gav 24,2%. Det betyder att det finns 24,2% fler hytter med massaspill än vad som registreras i grundmåleriet. Kostnadsberäkningar på hur mycket pengar Scania förlorar på det efterföljande omarbetet presenteras senare.
4.3.1 Bättring
I processbeskrivningen förklaras att bättringsåtgärd krävs i vissa fall. Både i grundmåleriet och i täcklacken finns bättringsboxar dit hytter skickas om de uppvisat en avvikelse som inte går att åtgärda direkt vid inspektionsstationen. I grundmåleriet kan detta vara exempelvis kratrar och fiskögon, men också större grova ytor och massaspill. Massaspillet som är en vanligt förekommande avvikelse i grundmåleriet tar ca 20 sekunder att åtgärda om spillet är så pass litet att det kan åtgärdas direkt vid inspektionen. Måste hytten däremot skickas till box på grund av massaspillets storlek tar bättringen i box ca 35 sekunder upp till en minut att utföra (Person B;F, 2020).
I täcklacken skickas ofta fiskögon, massaspill och pulvernoppra till bättring. Återigen varierar det på operatör och storlek på avvikelsen om åtgärd sker vid inspektionsdäck eller skickas till bättring. Specifikt massaspill, på grund av avvikelsens komplexitet i täcklacken, skickas i regel till bättringsbox (Person A;B;G). Bättring av massaspill går endast att genomföra direkt i inspektion om storleken på spillet är mycket litet. I det fallet tar det ca 20 minuter att åtgärda avvikelsen. Det enligt erfarna operatörer och skiftledares vanligaste scenariot är dock att hytten skickas till bättring i täcklacken om massaspill upptäckts. Då tas först massaspillet bort, ytan slipas, ny lack appliceras, lacken bränns fast och avslutningsvis poleras ytan. Denna procedur tar enligt operatörer mellan 40-50 minuter. Data har insamlats och analyserats under en period på tre månader (januari till och med mars 2020) för att beräkna medeltiden en hytt befinner sig i bättringsbox. Kriterierna för hytten var att endast avvikelsen massaspill noterats samt att hytten skickades till bättringsbox. Enligt insamlade data var medeltiden 49,2 minuter.
Det finns ytterligare ett scenario som kan inträffa om massaspill noteras i täcklacken. Det är om spillet befinner sig på en hytt med kulör som inte går att bättra, då behöver hytten lackas om.
Inledningsvis slipas hela hytten ner och det tar uppskattningsvis två timmar (Person G, 2020).
24
Därefter går hytten ytterligare ett varv i täcklacken. Uppskattningsvis sker detta med frekvensen en hytt per dag, sekretess tillåter inte att ta fram exakta siffror på detta.
En jämförelse mellan antalet hytter som går till bättring i täcklacken med avvikelserna massaspill samt pulvernoppra, det vill säga de med ursprung i grundmåleriet genomfördes.
Dock som det har förklarats tidigare är det svårt att fastställa om pulvernoppra faktiskt har sitt ursprung i grundmåleriet. Valet av att analysera tiderna i bättring för just dessa två avvikelser baseras på att det är så standarderna ser ut hos Scania, samtliga pulvernoppror och massaspill som upptäcks i täcklacken ger en anmärkning hos grunden oavsett om faktiskt ursprung identifierats eller inte. Jämförelsen ämnas att hjälpa till att bilda en uppfattning om hur stor andel hytter täcklacken behöver åtgärda i box där defekterna uppstått i grundmåleriet. Syftet med denna jämförelse var att undersöka om det är möjligt att spara in på en operatör arbetandes i bättringsbox i täcklacken. Analys av data visar att av samtliga hytter som inspekteras skickas i snitt 25% till bättringsboxar. Utav dessa hytter är i snitt 14% sådana hytter som endast påvisar defekter med ursprung i grundmåleriet. Dessa siffror är framtagna genom att undersöka data från januari 2019 till och med mars 2020. Andel hytter som skickades till bättringsbox per vecka dividerades på antalet inspekterade hytter per vecka. Utav hytterna som bättras i box undersöktes andelen hytter som endast har defekter uppkomna i grundmåleriet.
Detta beräknades på liknande vis.
Baserat på dessa siffror genomfördes även en uträkning av tiden operatörer i täcklacken lägger på att åtgärda defekter från grundmåleriet i bättringsboxarna. Det visade sig att snittet per vecka som läggs på att genomföra bättringar i täcklacken på hytter med endast massaspill är 29 timmar. Adderar man sedan snittet för bättring av pulvernoppra samt hytter som har uppvisat både massaspill och pulvernoppra, blir det slutgiltiga veckovisa snittet som operatörer i täcklacken lägger på att åtgärda hytter med avvikelser från grundmåleriet cirka 42 timmar.
Detta fastslår att beräkningarna i investeringskalkylen inte skall inkludera bortplockning av en operatör i täcklacken. Eftersom man I praktiken inte kan ersätta en operatör utefter detta resonemang. Tiden på cirka 42 timmar i veckan är spridd över skiften och inte endast på dagskiftet till exempel. Detta innebär att den potentiella besparingstiden istället omvandlas till monetära besparingar.
