EXAMENSARBETE
Förbättringsarbete för att minimera andelen metaller i fragmenteringsrester
En fallstudie enligt DMAIC vid Stena Recyclings fragmenteringsanläggning i Hallstahammar
Daniel Stafström 2016
Civilingenjörsexamen Industriell ekonomi
Luleå tekniska universitet
Institutionen för ekonomi, teknik och samhälle
Förbättringsarbete för att minimera andelen metaller i fragmenteringsrester
En fallstudie enligt DMAIC vid Stena Recyclings fragmenteringsanläggning i Hallstahammar
Improvements to minimize the proportion of metals in fragmentation residues
A case study according to DMAIC at Stena Recycling’s shredder plant in Hallstahammar
Examensarbete utfört inom ämnet kvalitetsteknik vid Luleå tekniska universitet och vid
Stena Recyclings fragmenteringsanläggning i Hallstahammar.
Av
Daniel Stafström Luleå 2016-06-12 Handledare:
Christofer Nilsson, Stena Recycling Erik Vanhatalo, Luleå tekniska universitet
Förord
Detta examensarbete vid Stena Recyclings fragmenteringsanläggning i Hallstahammar kommer att bli ett oförglömligt äventyr. Personligen saknade jag tidigare erfarenheter av tung industri och hade förväntat mig en hårdare jargong människor emellan. Till min stora
förvåning möttes jag av ett härligt sammansvetsat gäng med stor närhet till skratt, där jag fick ett varmt välkomnande som fick mig att känna sig som en i gänget. När man kommer ut i verkligheten och förväntas stå på egna ben inser man hur lite man egentligen kan och att man verkligen behöver få reflektera med andra kring problem man stöter på. Stort stöd från medarbetarna möjliggjorde att vi tillsammans nådde ett bra resultat. Det har varit ett spännande projekt samtidigt som det stundtals varit mycket krävande. Jag har fått gnugga geniknölarna rejält. Jag vill tacka er alla som har varit med och bidragit till detta
examensarbete, men vill tacka tre personer extra mycket. Ett första tack till mina båda handledare Erik Vanhatalo och Christofer Nilsson som har haft stort tålamod med mig och alltid ställt upp. Ett Speciellt tack till medarbetare Johnny Backlund som visat stort
engagemang och offrat många av sina fikaraster för att diskutera problematik och lösningar med mig under arbetets gång.
Daniel Stafström Gammelstad, maj 2016
Sammanfattning
Ska jordens naturresurser räcka till i framtiden är en självklar lösning att återvinna mera för att minska utvinningen av primära resurser. Bilbranschen är en av de mest resurskrävande industrierna gällande järn och icke järnhaltiga metaller och resursbehovet i branschen växer.
Oron för miljöpåverkan från uttjänade fordon har lett till lagstiftning där målet var en återvinningsgrad på 95 % av bilens massa år 2015; ett mål som inte uppnåddes och där det fortfarande krävs betydande ansträngningar för att lyckas.
Metallåtervinningsbranschen anses vara ett av de viktigaste förbättringsområdena inom hela återvinningsbranschen eftersom återvunnen metall har samma egenskaper som om den vore nyproducerad och anses ha oändlig hållbarhet. För att göra metallåtervinningsbranschen mer resurseffektiv krävs det att förbättringsarbetet har starkt fokus på att reducera variation.
Sex Sigmas problemlösningsmetodik DMAIC har beskrivits vara det främsta arbetssättet för att angripa variationsproblem som saknar uppenbar lösning. DMAIC-metodik bygger på ett strukturerat och faktabaserat arbetssätt för att genomföra förbättringsarbete. Brist på tidigare studier inom Sex Sigma i metallåtervinningsbranschen medför att det finns behov av goda exempel som illustrerar tillvägagångssättet och nyttan för branschen.
I detta examensarbete har ett DMAIC-projekt på Stena Recyclings fragmenteringsanläggning i Hallstahammar genomförts för att tillämpa och illustrera hur DMAIC-metodik kan användas i metallåtervinningsbranschen. Ett sekundärt syfte var att ge rekommendationer kring ett fortsatt införande av Sex Sigma i organisationen. Fragmenteringsresterna som hamnar på deponi innehåller fortfarande stora mängder metaller. Syftet i DMAIC-projektet var att genom förbättringsarbete minimera andelen metaller i fragmenteringsresterna. Ett delsyfte var att ge rekommendationer kring användning av statistisk data för att styra och reducera variation.
Brist på sekundärdata kring orsaker som kan förklara varför metaller av misstag hamnar i fragmenteringsrester har medfört att datainsamlingen mestadels bestod av primärdata.
DMAIC-projektet resulterade i att slöseriet med metaller i fragmenteringsrester minskande med 294 000 kr/år samt i ett flertal konkreta förbättringsförslag för att styra och reducera variation i realtid. Förbättringsförslagen består främst av användning av styrdiagram och tydligt fokus på ledande mått, dvs. mått som går att påverka.
Vid ett fortsatt införande av Sex Sigma i organisationen bedöms Stena Recycling ha goda förutsättningar för intern rekrytering så att Sex Sigma-kompetens kan uppnås. Behovet av stödfunktion är stort om förbättringsledaren saknar tidigare erfarenhet av att driva DMAIC- projekt. Sex Sigma bygger på frekvent användning av statistiska verktyg och förutsätter därmed tillgång till mätdata. Stora brister finns dock idag i mätsystemet. Går det inte att upptäcka skillnader vid justering av inställningar försvinner motivationen till att arbeta aktivt med att förbättra processerna.
Utifrån examensarbetets resultat anses DMAIC-metodik vara ett lämpligt arbetssätt för att styra och reducera variation i metallåtervinningsbranschen. DMAIC-metodik har sedan tidigare tillämpats framgångsrikt i en mängd olika branscher och det goda resultatet från detta DMAIC- projekt visar på dess höga generaliserbarhet.
Abstract
If the world’s natural resources should cover future needs one obvious solution is to recycle more to decrease the extraction of primary resources. The car industry is one of the most resource intensive industries for ferrous and non-ferrous metals and the need for resources is growing. Environmental concerns for the effects of end-of-life vehicles have led to legislation with the target of a recycling degree of 95 % of the cars´ mass in 2015. This target was not achieved and substantial efforts are still required to reach this target.
The metal recycling industry is viewed as one of the most important areas for improvements within the whole recycling industry because recycled metal has the same characteristics as newly produced metal. To make the metal recycling industry more resource efficient improvement work that has strong focus on reducing variation is required. The problem solving methodology DMAIC popularized within Six Sigma has been described as the leading approach to tackle variation problems without obvious solutions. DMAIC methodology is based on a structured and fact based improvement approach. The lack of previous studies of Six Sigma in the metal recycling industry leaves the need for good examples to illustrate the approach and the potential benefits.
In this thesis a DMAIC project at Stena Recycling’s fragmentation plant in Hallstahammar has been performed to apply and illustrate how DMAIC methodology can work in the metal recycling industry. A secondary purpose was to provide recommendations for a continued implementation of Six Sigma in the organization. However, the fragmentation residues that end up in landfills still contain a large amount of metals. The purpose of the DMAIC project was to minimize metals in the fragmentation residues. An additional purpose of the DMAIC project was to provide recommendations of how to use of statistical data to monitor and reduce variation. The lack of secondary data of potential causes to why metals end up as fragmentation residues meant that data collection mainly was based on primary data.
The DMAIC project resulted in a decreased waste in fragmentation residues earning savings of 294 000 SEK per year as well as a number of suggestions for improvements for on-line monitoring and reduction of variation. These suggestions are primarily focused on the use of statistical control charts and a focus on following guiding measurements that can be
influenced by operators.
If Stena Recycling chooses to continue with implementing Six Sigma in the organization they are assessed to have good possibilities for internal recruitment of Six Sigma competence. The need for support functions is substantial if the person responsible for improvements lacks prior experience of managing DMAIC projects. Six Sigma is based on frequent use of
statistical tools and therefore requires access to measurement data. Stena Recycling’s greatest problem today concerns the currently limited measurement system. If differences caused by adjusted settings cannot be detected and monitored, the motivation to actively work with improving the processes will suffer.
Based on the result the DMAIC methodology is regarded as a suitable approach for reducing variation in the metal recycling industry. DMAIC methodology has previously been applied successfully in a variety of industries and the results from this DMAIC project demonstrate its high degree of generalizability.
Innehållsförteckning
1. Introduktion ... 1
1.1. Bakgrund ... 1
1.2. Problembeskrivning ... 2
1.3. Syfte och avgränsningar ... 2
1.4. Rapportens disposition ... 3
2. Teoretisk referensram ... 4
2.1. Sex Sigma ... 4
2.2. DMAIC – problemlösningsmetodik ... 5
2.3. Utvalda arbetssätt och förbättringsverktyg ... 7
2.4. Implementering av Sex Sigma ... 12
3. Metod ... 14
3.1. Undersökningssyfte, ansats och strategi ... 14
3.2. Fallstudieföretaget ... 15
3.3. Litteraturstudierna för uppbyggnad av teoretisk referensram ... 15
3.4. Arbetsgången i DMAIC-projektet ... 16
3.5. Analys vid fortsatt införande av Sex Sigma inom fallstudieföretaget ... 18
3.6. Reliabilitet och validitet ... 19
4. Fallstudien – tillämpning av DMAIC ... 21
4.1. Define ... 22
4.2. Measure ... 26
4.3. Orsak 1: Bristfällig introduktion och kvalitetsbedömning ... 30
4.4. Orsak 2: Avsaknad av överbandsmagnet ... 40
4.5. Orsak 3: För hög produktionstakt ... 47
4.6 Styrning av produktion i realtid och utformning av inspirationstavlan ... 54
5. Analys ... 58
5.1. Rekommendationer vid ett fortsatt införande av Sex Sigma ... 58
6. Slutsatser ... 60
6.1. Slutsats utifrån examensarbetets övergripande syfte ... 60
6.2. Slutsats utifrån DMAIC-projektet i fallstudien ... 60
7. Diskussion ... 61
7.1. Arbetsgång ... 61
7.2. Resultat ... 61
7.3. Reliabilitet och validitet ... 62
7.4. Fortsatta studier ... 62
8. Referenser ... 63
Bilagor
Bilaga A: Regressionsanalys för produktionstakten...1sida Bilaga B: Experiment för att förbättra virvelströmsmagneten som avbröts...2 sidor
1
1. Introduktion
I detta kapitel introduceras läsaren först till den globala problematiken och därefter till det företagsspecifika problemområdet inom metallåtervinningsbranschen. Därefter presenteras syftet med dess avgränsningar och avslutningsvis rapportens disposition.
1.1. Bakgrund
Fortsätter dagens produktions- och konsumtionsmönster i nuvarande takt kommer inte jordens naturresurser att räcka till (Huysman m.fl., 2015). En av dellösningarna för att lyckas möta framtidens resursbehov och minska den ansträngda miljöbelastningen är att återvinna mera för att minimera behovet av primära resurser (Kral m.fl., 2013). EU har listat 14 kritiska metaller som går under definitionen ”en råvara är märkt kritiskt när risken finns för utbudsbrist och dess inverkan på ekonomin är högre jämfört med de flesta andra råvaror” (Europa.eu, 2015a, min översättning).
Bilbranschen tillhör en av de mest resurskrävande industrierna gällande järn- och icke järnhaltiga metaller (Morselli m fl., 2010). Enligt Simic (2015) uppskattas återvinningen av uttjänade fordon i dagens Europa uppgå till 14 miljoner ton årligen som hamnar i
avfallsströmmen. Analyser för Europa visar att år 2015 kommer det att nyregistreras 20 miljoner bilar och trenden förutspås fortsätta uppåt. År 2030 uppskattas siffran vara 25 miljoner (Van Caneghem m.fl., 2010). Beräkningar visar tydligt att det kommer medföra en stor ökning i antalet uttjänade fordon som ska återvinnas framöver.
Oro för stor miljöpåverkan från uttjänade fordon medförde att Europadirektivet 2000/53/EG lagstiftades för att öka återvinningsgraden kontinuerligt, där målet var att 95 % av uttjänade fordons massa ska återvinnas år 2015 (Europa.eu, 2015b). Denna lagstiftning har bidragit till flera förbättringsåtgärder, men uppgifter från Eurostat visar att det fortfarande krävs
betydande ansträngningar för att uppnå återvinningsmålet (Cossu och Lai, 2015).
Metallåtervinningsbranschen står inför stora utmaningar och enligt Reck och Graedel (2012) är metallåtervinning ett av de viktigaste förbättringsområdena inom hela
återvinningsbranschen, inte minst eftersom återvunnen metall har samma egenskaper som om den vore nyproducerad och anses ha oändlig hållbarhet. Att närma sig ett slutet kretslopp skulle innebära att behovet av gruvbrytning minimeras och därigenom sparas signifikanta mängder vatten och energi (Worrell & Reuter, 2014).
Således är metallåtervinningsbranschen i behov av nya tillvägagångssätt för att lyckas öka återvinningsgraden. Desai (2012) anser att Sex Sigma är en passande strategi för detta ändamål, eftersom det har lett till imponerande resultat inom nästan varje sektor där det tillämpats. Sex Sigma bygger på ett strukturerat och faktabaserat arbetssätt för att genomföra förbättringsarbete (Sörqvist & Höglund, 2007). Det centrala är problemlösningsmetodiken DMAIC tillsammans med frekvent användning av statistiska kvalitetsverktyg för hantering av komplexa problem (Bergman & Klefsjö, 2012). Sex Sigma utmärker sig genom sitt starka resultatfokus, där reducering av variation konkret kan kopplas till kostnadsbesparing och ökad kundtillfredsställelse (Sörqvist & Höglund, 2007). Sex Sigma omfattar en tydlig hierarkisk rollstruktur, där ansvaret är fördelat efter utbildningsnivå (Magnusson m.fl., 2003).
2
1.2. Problembeskrivning
För att kontinuerligt arbeta med att förbättra processer behöver mätdata samlas in, där förutsättningen är att det går att urskilja orsaker som ger uppkomst till variation (Bergman &
Klefsjö, 2012). Går det inte att upptäcka skillnader vid justering av inställningar försvinner motivationen till att arbeta aktivt med att förbättra processerna (McChesney m.fl., 2015). Utan en tydlig strategi där medarbetare tränas i att upptäcka slöseri är det svårt att skapa ett
kontinuerligt förbättringsarbete. Går det inte att sätta fingret på vad som är normalt för en process går det inte heller att säga vad som är onormalt. (Petersson, 2009).
Sex Sigma har starkt fokus på att reducera variation (Sörqvist & Höglund, 2007) och utgår förbättringsarbetet från avvikelser ökar sannolikheten att resurser läggs på sådant som
kommer bidra till att verksamheten förbättras (Petersson, 2009). Låg användning av statistisk data i metallåtervinningsbranschen medför att det är svårt att uttala sig om processers
duglighet. Den låga användningen av statistiska verktyg inom olika branscher beror enligt Bergquist och Albing (2006) främst på bristande kunskap och erfarenhet.
Möjligheter går därmed förlorade att optimera befintliga processer, vilket skulle kunna minska miljöpåverkan och öka återvinningsgraden som dessutom generar ökade intäkter.
Organisationer behöver komma till självinsikten att upptäckter av avvikelser är något positivt och en grundförutsättning för att bedriva förbättringsarbete (Petersson, 2009).
Gruv- och metallåtervinningsbranschen har liknande förutsättningar i produktionen: skiftande sammansättningar, ojämn fördelning och stora kvantiteter. Skillnaden är att gruvbranschen har insett behovet av användning av statistiska data för att styra och reducera variation i processer och därigenom bli mer resurseffektiva (Worrell & Reuter, 2014).
Utan en tydlig problemlösningsmetodik tenderar inte problemorsaker att brytas ner till rotorsaker. Istället flyttas fokus direkt på lösningsförslag för symptomproblemen (Shook, 2010). DMAIC-metodiken består av de fem faserna Define, Measure, Analyse, Improve och Controll, där varje delfas består av aktiviteter i en förutbestämd ordning för att säkerställa noggrann nedbrytning till detaljnivå av problematik för att finna verkningsfulla lösningar (Sörqvist och Höglund, 2007).
Sex Sigmas problemlösningsmetodik DMAIC anses vara det främsta arbetssättet för att angripa variationsproblematik som saknar uppenbar lösning (Sörqvist & Höglund, 2007.) Sex Sigma har tillämpats framgångsrikt inom en mängd olika branscher och på senare år blivit allt vanligare inom sjukvården, men det finns endast ett fåtal studier kopplat till
återvinningsbranschen som helhet (Franchetti & Barnala, 2013). Metallåtervinningsbranschen är i behov av goda exempel som illustrerar fördelarna med tillämpning av Sex Sigma och därigenom ytterligare öka återvinningsgraden av uttjänade fordon.
1.3. Syfte och avgränsningar
Huvudsyftet med examensarbetet är att tillämpa och illustrera hur systematisk och faktabaserad problemlösning, genom DMAIC-metodik, kan ske i
metallåtervinningsbranschen. Ett sekundärt syfte med examensarbetet är att baserat på erfarenheterna från tillämpningen av DMAIC-metodik, ge rekommendationer kring ett eventuellt fortsatt införande av Sex Sigma i ett företag i metallåtervinningsbranschen.
Examensarbetet är avgränsat till att endast studera ett företag i metallåtervinningsbranschen.
Eftersom ett typiskt DMAIC-projekt vanligtvis är 2-6 månader (Sörqvist & Höglund, 2007)
3
och examensarbetet ska utföras på ungefär 20 veckor anses det vara en rimlig avgränsning som möjliggör en detaljerad studie inom ramen för DMAIC-metodik.
1.4. Rapportens disposition
Rapportens struktur skiljer sig från den traditionella strukturen eftersom DMAIC-metodik kommer att tillämpas. Ändringen av strukturen är ett medvetet val för att tydliggöra
tillvägagångssättet genom att utförda aktiviteter i fallstudien hamnar i kronologisk ordning.
Strukturen i rapporten kan ses i Figur 1.1 som visualiserar att kapitlen Empiri, Resultat samt största delen av Analys från Traditionell rapport bakas in i Fallstudie - DMAIC i Denna rapport under de fem faserna; Define, Measure, Analyse, Improve och Control. Kapitel 5.
Analys behandlar endast examensarbetes sekundära syfte och i övrigt ligger samtliga analyser i 4. Fallstudie – DMAIC under Analyse.
Traditionell rapport 1. Introduktion 2. Teori
3. Metod 4. Empiri 5. Analys 6. Resultat 7. Slutsatser 8. Diskussion
Denna rapport 1. Introduktion 2. Teori
3. Metod
4. Fallstuide – DMAIC 5. Analys
6. Slutsatser 7. Diskussion
Define Measure Analyse Improve Control
Figur 1.1: Skillnader i strukturen mellan traditionell rapport och denna rapport.
4
2. Teoretisk referensram
I detta kapitel introduceras först Sex Sigma övergripligt tillsammans dess tydliga rollstruktur i större organisationer. Därefter presenteras DMAIC-metodiken följt av arbetssätt och verktyg som används i examensarbetet. Avslutningsvis beskrivs hur Sex Sigma kan implementeras i en organisation.
2.1. Sex Sigma
Sex Sigma utvecklades av Motorola i slutet av 1980-talet för att eliminera och reducera variation i tillverkningsprocesser (Schroeder m.fl., 2008). Idag anses Sex Sigma vara ett av de främsta tillvägagångssätten för att kontinuerligt arbeta med att förbättra alla typer av
processer och produkter (Breyfogle, 2003; Sörqvist & Höglund, 2007).
Sex Sigma bygger på ett strukturerat och faktabaserat arbetssätt med starkt resultatfokus i förbättringsarbeten (Bergman & Kelfsjö, (2012). Kärnan är problemlösningsmetodiken DMAIC som utgör ett tydligt och strukturerat tillvägagångssätt som består av förutbestämda aktiviteter utförda i en viss ordning (Sörqvist & Höglund, 2007).
Frekvent användning av statistiska kvalitetsverktyg säkerställer att analyser baseras på fakta och därmed är en viktig förutsättning att det finns data tillgängligt (Bergman & Klefsjö, 2012;
Gijo & Rao, 2005). Sex Sigma utmärker sig genom sitt starka fokus på mätbara resultat, där tydliga kopplingar finns mellan reducering av variation och ökade intäkter och kundnöjdhet (Sörqvist & Höglund, 2007). Användningsområdet för Sex Sigma är problematik som saknar uppenbara lösningar som därigenom kräver identifiering av rotorsak och djupare analyser (ibid). Sex Sigma har en hierarkisk rollstruktur som involverar ledningen och medarbetarna som bidrar till ökad delaktighet (Magnusson m.fl., 2003). Ledningens engagemang anses vara grundförutsättningen för ett lyckat Sex Sigma arbete (Truscott, 2003; Breyfogle, 2003;
Sörqvist & Höglund, 2007; Bergman & Klefsjö 2012).
2.1.1. Rollstruktur – förbättringsexperter
Sex Sigma har en tydlig hierarkisk rollstruktur med tillhörande position/ansvar, se figur 2.1.
Antal roller beror på organisationens storlek och mognad inom Sex Sigma (Truscott, 2003).
Champion, även kallad sponsor, är normalt en områdesansvarig chef som väljer ut och fördelar resurser till förbättringsprojekt. Fördelen att Champion är uppdragsgivare och ytterst ansvarig till förbättringsprojekteten är att det ger högre prioritet och ökat stöd från
ledningsgruppen. Champion fattar beslut om förbättringsåtgärder och säkerställer att projekten leder till resultat (Sörqvist & Höglund, 2007).
Master Black Belt är experter på statistik och metodik. De har en stödjande och utbildande specialistroll främst riktad mot verksamhetens Black Belts. Denna roll finns främst i större organisationer (Magnusson m.fl., 2003).
Black Belt är förbättringsledare och leder projektet i organisationen på heltid. De har expertkunskaper inom Sex Sigma och problemlösningsmetodiken DMAIC. De agerar
spindeln i nätet och hjälper Champion välja ut lämpliga förbättringsprojekt. De coachar även Green Belt i enklare projekt (Magnusson m.fl., 2003).
Green Belt är en lokal problemlösare och samordnare. Green Belt har vanligtvis avsatt 10–25
% av sin arbetstid för förbättringsarbete och fått utbildning i Sex Sigmas basverktyg för problemlösning och analys (Sörqvist & Höglund, 2007).
5
White Belt har fått en introduktionskurs i Sex Sigma under en dag som brukar erbjudas till alla anställda, denna roll finns inte i alla organisationer (Magnusson m fl. 2003).
Ingår i ledningsgruppen/
Driver och förespråkar
Strategisk expert på heltid/
Tränar och chocar
Mellanchef, handledare/
Projektledare och gruppmedlem Förbättringsexpert på heltid/
Projektledare och gruppmedlem Position/Ansvar
Champion
Master Black Belt
White Belt Green Belt Black Belt Roller
Operatör, produktionsarbetare/
Gruppmedlem
Figur 2.1: Rollstruktur inom Sex Sigma, fritt från Magnusson m.fl., (2003, sid. 39).
2.2. DMAIC – problemlösningsmetodik
Enligt Bergman och Klefsjö (2012) är problemlösningsmetodiken DMAIC det mest centrala i förbättringsarbetet inom Sex Sigma. Mellan varje fas finns det en grind som endast öppnas om föregående fas har uppfyllt de förutbestämda kraven. Bedömningen vid grindarna
genomförs av förbättringsexperter motsvarande en Black Belt-kompetens eller av högre rang (Montgomery, 2013a). Det övergripande flödet av DMAIC är likartat mellan olika
organisationer och är det som anses göra den så kraftfull, men inom faserna kan delstegen skilja sig åt (Goh, 2002). I tabell 2.1 presenteras Sörqvist och Höglunds (2007) tolkning av faserna innehållande delsteg och syfte.
6
Tabell 2.1: De fem faserna i DMAIC med dess delsteg enligt Sörqvist och Höglund, (2007), kap. 4.
Fas 1: Definiera (Define) ”Skapa förståelse för problemet”
Syftet med fas 1 är att bryta ner problemet och hitta rotorsaken och tydligt visualisera detta för att skapa samsyn mellan alla inblandade.
Upprätta problemformulering Bestäm möjlig avkastning
Identifiera kunder och deras behov Ta fram ett övergripande flödesschema Planera projektet
Fas 2: Mäta (Measure) ”Basera problemlösning på fakta”
Syftet med fas 2 är att insamlad data ska vara baserad på fakta och inte på subjektiva åsikter.
Bestäm informationsbehovet Identifiera viktiga mått
Välj mätmetod och utforma mätning Testa mätmetoden och utvärdera mätsäkerhet
Fastställ krav och identifiera mätsäkerhet Planera och genomför mätningen
Fas 3: Analysera (Analyse) ”Identifiera bakomliggande orsaker”
Studera aktuella variationer och bestäm duglighet
Syftet med fas 3 är att insamlad data ska kunna genera konkret information för beslutsfattande.
Ställ upp tänkbara orsaker till variationerna Välj ut de orsakshypoteser som ska testas Samla in och analysera data samt bestäm problemets grundorsaker
Fas 4: Förbättra (Improve) ”Genomför verkningsfulla lösningar”
Syfte med fas 4 är att utvärdera de olika alternativa lösningarna och tydligt motivera den valda lösningen.
Identifiera möjliga lösningar Välj lösning
Testa lösning
Planera genomförandet Påverka attityder och hantera förändringsmotstånd
Verifiera resultat
Fas 5: Styra (Control) ”Säkra uppnådda resultat”
Standardisera processen och arbetssättet Syftet med fas 5 är att se till att den nya lösningen används och eliminera riskerna för att falla tillbaka i gamla mönster.
Utforma och planera styrning Slutlig uppföljning och verifiering Slutrapport och överlämnande Dela erfarenheter
7
2.3. Utvalda arbetssätt och förbättringsverktyg
Först nämns några arbetssätt och verktyg i Tabell 2.2 som generellt florerar inom Sex Sigma.
Därefter beskrivs utvalda arbetssätt och verktyg som används i detta examensarbete.
Arbetssätt visar i vilken ordning ett antal aktiviteter ska utföras och kan skilja sig åt mellan olika tillfällen. I ett arbetssätt används ofta fler olika verktyg. Verktyg är mer konkreta och används på likartat sätt vid upprepade tillfällen för att strukturera och analysera verbal och numerisk information (Modig & Åhlström, 2012).
Tabell 2.2: Utvalda arbetssätt och verktyg som generellt floreras inom Sex Sigma enligt Sörqvist och Höglund, (2007;
Bergman och Klefsjö, (2012)
Arbetssätt Verktyg
Kundcentrerad planering Kanonmodellen
Statistisk processtyrning Flödesschema - SIPOC
Processjämförelse De sju ledningsverktygen
Försöksplanering De sju förbättringsverktygen
Tester, experiment och/eller hypotesprövning Feleffektsanalys - FMEA
Fem varför Regressionsanalys
2.3.1. Flödesschema
Flödesschema används för att kartlägga och visualisera ett flöde. Därigenom ökar förståelsen och underlättar upptäckter av förbättringsmöjligheter (Bergman & Klefsjö, 2012). Ett
övergripande flödesschema är ett viktigt verktyg i Define-fasen för att uppnå samsyn i problembeskrivningen och medför även ett helhetsperspektiv (Sörqvist & Höglund, 2007).
Exempelvis beskriver SIPOC flödet från leverantör till kund, där bokstäverna står för Supplier, Input, Process, Outcome och Customer (Montgomery, 2013a).
2.3.2. Processjämförelse
Enligt Bergman och Klefsjö (2012) anses processjämförelse vara ett viktigt arbetssätt för att genomföra processförbättringar. Egna processer jämförs i detalj med andra, identiska eller liknande processer (ibid). Jämförelser med andra verksamheter skapar ett lärande och anses vara ett effektivt sätt som genererar idéer till utvecklingsmöjligheter och förbättringar (Sörqvist & Höglund, 2007).
2.3.3. De sju förbättringsverktygen
Styrdiagram
Sambandsmatris
Uppdelning
Datainsamling
Paretodiagram
Histogram
Orsak-verkan-diagram
Figur2.2: De sju förbättringsverktygen fritt från Bergman och Klefsjö, (2012), sid. 235.
8
Styrkan med de sju förbättringsverktygen är att de är förhållandevis enkla att använda, vilket möjliggör att alla i organisationen kan använda sig av dessa verktyg, se figur 2.2 (Bergman &
Klefsjö, 2012). Enligt Montgomery (2013a) är förbättringsverktygen mycket kraftfulla vid problemlösning och som mest effektiva när de är integrerade med statistisk processtyrning.
Det huvudsakliga syftet är att hantera numerisk information, undantag är orsak-verkan- diagram som hanterar verbal data (Klefsjö, 1999).
Orsak-verkan-diagram kallas ibland även för fiskbensdiagram, då verktygets utformning liknar ett fiskskelett, se figur 2.3. Syftet är att bena ut orsakerna som ligger till grund för kvalitetsproblemen. Fiskbensdiagram har starka kopplingar till metodiken fem varför; båda har sitt fokus på att bryta ner problemet genom verbal information för att hitta rotororsaken (Bergman & Klefsjö, 2012). Verktyget anses vara mycket användbart i analys och
förbättringsfasen i DMAIC (Montgomery, 2013a).
Kvalitets- problem Metod
Människa Management
Figur 2.3: Fiskbensdiagram fritt från Bergman och Klefsjö, (2012), sid. 245.
2.3.4. Fem varför
Fem varför är ett enkelt arbetssätt för att lära sig bryta ner och identifiera rotorsaken till problem. Metoden går ut på att man ställer frågan varför upprepande gånger efter varandra, därav namnet fem varför. För varje gång man ställt frågan varför och besvarat den tränger man djupare ner i problematiken och närmar sig rotororsaken. Detta i sin tur brukar medföra att nästkommande fråga som ska utformas blir svårare att formulera (Petersson, 2009).
2.3.5. De sju ledningsverktygen
Släktskapsdiagram
Träddiagram
Matrisdataanalys
Träddiagram
Pildiagram
abcdef abcdef abcdef abcdef
abcdef 3
9
9 1 1
3 1 3
9
Matrisdiagram
Processbesluts- diagram
Figur 1.4: De sju förbättringsverktygen, fritt från Bergman och Klefsjö, (2012), sid. 43.
De sju ledningsverktygen används för att hantera verbal information, se figur 2.4 (Klefsjö, 1999). Verktygen ger mycket goda visualiseringsmöjligheter vid identifiering av problem,
9
skapande av samsyn och förbättringsförslag. Alla verktyg har i stort sett samma struktur och består av följande sex steg som kan ses i tabell 2.3.
Tabell 2.3: Gemensamma steg i ledningsverktygen fritt från Klefsjö, (1999), sid. 18.
Gemensamma steg i ledningsverktygen:
1. Informationsinsamling 2. Granskning
3. Gruppering 4. Rubriksättning 5. Diagramutformning 6. Prioritering
Val av en lösning vid flera alternativ kan göras lättare genom jämförelse av kriterier i ett matrisdiagram i form av exempelvis svårighet, ekonomisk effekt, tid etc. Kriterierna viktas och en sammanvägning underlättar beslutsfattandet, se tabell 2.4 (Sörqvist & Höglund, 2007).
Tabell 2.4: Illustrerar ett matrisdiagram fritt från Sörqvist och Höglund (2007), sid 89.
Svårighet Ekonomisk effekt
Tid
Vikt 8 9 4 Totalt
Lösning 1 2 10 0 106
Lösning 2 4 1 6 65
Lösning 3 2 10 3 118
2.3.6. Guide för planering av experiment
Genom observationsstudier för en given process kan värdefulla data samlas in för att skapa ökad förståelse. Montgomery (2013b) betonar, för ökad förståelse för vad som händer när olika inställningar ändras, kan detta endast uppnås genom att aktivt och systematiskt förändra inställningar. Coleman och Montgomery (1993) föreslår en checklista bestående av 13
punkter som används för att planera experiment, se figur 2.5. De 13 punkterna är avsedda att motverka det faktum att många experiment inte går som planerat. Checklistan säkerställer att noggranna diskussioner har förts i ett tidigt skede gällande svårigheter och olika alternativval, samt att detta arbete dokumenteras skriftligt.
10
Konstanthållna faktorer
Stör faktorer Försöks
faktorer Respons
variabler
Planeringsdokumnet
1. Namn, organisation, titel 2. Mål
3. Relevant bakgrund 4. Responsvariabel 5. Försöksfaktorer 6. Konstanthållna faktorer 7. Störfaktorer 8. Samspel 9. Begräsningar 10. Försöksplan, försöksupplägg 11. Analys & presentations teknik 12. Ansvarig för kordinering 13. Används provförsök?
Samspelseffekt 4 3 2 1 1 2 4 - - - - -- - 3 - -
3 - - -
Påverkande
Kontrollerbara
Mätbara Konstanhållna faktorer
Försöksfaktorer
Störfaktorer
5 6
3 4
Respons Respons
Låg A Hög Låg A Hög
Låg B
Låg B HögB
HögB Inget samspel
mellan A & B
Aktivt samspel mellan A & B
Låg A Hög Låg
Hög B
5 5,2
3 4
Låg A Hög Låg
Hög B
Respons Enkel, linjär, addukitv modell är tillräcklig
Faktorerna A & B samverkar, men ingen kvadratisk effekt finns Samspel exempel
Figur 2.5: Planeringsdokumentets struktur för planering av experiment. Fritt från Coleman och Montgomery, (1993), sid 3.
Figur 2.6 är en förstoring av planeringsdokumentens olika faktorer, vilka ska kartläggas i planeringsfasen där skillnaderna visualiseras och beskrivs enligt Coleman och Montgomerys (1993) definitioner. Faktorer som antas påverka responsen identifieras och klassificeras i storleksordning: ingen, liten eller stor påverkan. Vidare utreds det om dessa faktorer även är kontrollerbara och mätbara. Faktorer som är styrbara och mätbara men anses ha liten
påverkan på responsen väljer vi att hålla konstanta för att inte påverka experimentet.
Faktorer som anses påverka responsen men som inte går att styra över kallas för störfaktorer.
Målet är att identifiera de försöksfaktorer som anses ha stor påverkan på responsen, som är styrbara och mätbara och som ska användas i experimentet.
”STOR PÅVERKAN”
STYRBAR MÄTBAR
”LITEN PÅVERKAN”
STYRBAR MÄTBAR
”LITEN/STOR PÅVERKAN”
EJ STYRBAR EJ MÄTBAR
”LITEN/STOR PÅVERKAN”
EJ STYRBAR MÄTBAR
”INGEN PÅVERKAN”
STYRBAR EJ MÄTBAR
”INGEN PÅVERKAN”
EJ STYRBAR MÄTBAR
”INGEN PÅVERKAN”
STYRBAR MÄTBAR
KONSTANTHÅLLNA FAKTORER (HÅLLS PÅ KONSTANT NIVÅ FÖR ATT INTE PÅVERKA EXPERIMENTET)
MÄTBARA PÅVERKANDE
KONTROLLERBARA
FÖRSÖKSFAKTORER (FAKTORERNA SOM VARIERAS UNDER EXPERIMENTET) STÖRFAKTORER
(HAR TILLÅTELSE ATT VARIERA, KAN I VISSA FALL GÅ ATT STYRA UNDER SJÄLVA EXPERIMENTET)
”PÅVERKAN” ÄR BASERAT PÅ ANTAGANDEN GÄLLANDE RESPONSEN
Figur 2.6: Venndiagram över påverkande faktorer som ska kartläggas i planeringsfasen av ett experiment.
11 2.2.7. Två-nivåers faktorförsök
Ett experiment kan brytas ner till flera delförsök där faktorer varieras och respons mäts för att förstå hur förändringen påverkar processen. Faktorerna kan varieras på flera nivåer men vanligtvis används två-nivåers faktorförsök som är en central del i försöksplanering.
Två-nivåers faktorförsök skiljer sig åt från en-faktor-i-taget försök som innebär att en faktor varieras mellan varje delförsök. Genom att två eller flera faktorer varieras inför varje
delförsök möjliggörs även information om faktorsamspel som annars skulle gå förlorad (Montgomery, 2013b).
2.3.8. Statistisk processtyrning
Syftet med statistisk processtyrning (SPS) är att hitta urskiljbara orsaker till variation i processer. SPS innebär att en resultatparameter i en process övervakas, mäts, analyseras och kontrolleras, se figur 2.7. Informationen används som ett underlag för hur processens
inställningar ska styras för att generera bättre utbyte. Kontrollerbara faktorer går att påverka och kan liknas vid att ändra inställningar på en maskin. Okontrollerbara faktorer går inte att påverka och kan liknas med påverkan från yttre omständigheter som väder och vind
(Montgomery, 2013a).
Process (eller system) Ingående
råmaterial, komponenter,
delenheter.
och/eller information
X1 X2 Xp
Z1 Z2 Zq
Kontrollerbara faktorer
Okontrollerbara faktorer
Y = Resultatparameter
Mätning Analys Övervakning
och Kontroll Utgående Produkt
Figur 2.7: Inflöde och utflöde för en process. Fritt från Montgomery, (2013a), sid 13.
För att sammanställa denna typ av mätdata används vanligtvis styrdiagram. Det finns många olika typer av styrdiagram och några exempel på vanliga styrdiagram är: Shewhart-, EWMA- och CUSUM-diagram. Det finns även multivariata varianter av dessa styrdiagram som kan användas om flera responsparametrar ska övervakas samtidigt. Figur 2.8 visar ett Shewhart- diagram som tydligt visualiserar processens prestation i ett förutbestämt tidsintervall mellan mätningar. Styrgränser används för att visa inom vilket område processen normalt varierar under normal drift. Hamnar mätpunkter i tidsserien utanför styrgränserna eller om trenden av mätpunkter efter varandra anses anmärkningsvärda kommer ett larm att utlösas (Montgomery, 2013a). Styrdiagram fungerar som ett kvitto på att processen är stabil, dvs. om inget larm utlöses är den i statistisk jämvikt (Bergman & Klefsjö, 2012).
12 Övre styrgräns
Undre styrgräns
Tid (antal mätpunkter)
Genomsnitligt mätdata
Centrallinje
Figur 2.8: Illustrerar ett styrdiagram av typen Shewhart-diagram. Fritt från Montgomery, (2013a), sid. 14.
För att räkna ut övre och undre styrgränser används vanligtvis 3-sigma-gränser. Det betyder att avståndet från väntevärdet (µ0)är tre standardavvikelser till övre (Sö) och undre styrgräns (Su), se figur 2.9. Om mätdata kan antas vara normalfördelad är sannolikheten att få felaktigt larm 0,03 %. På höger sida i figuren ser vi ekvationerna för styrgränserna om vi har en provgrupp där σ är standardavvikelsen och n är provgruppsstorlek.
Provgrupper består vanligtvis av lika många mätvärden och rekommenderad
provgruppsstorlek är fyra, fem eller sex. Fördelen är att styrgränserna blir samma för alla mätvärden som plottas i styrdiagrammet och förenklar dess tolkning till skillnad från om provgruppsstorleken varierar. För många tillämpningar är det dock mer naturligt att följa de individuella mätvärdena, (n =1), direkt i styrdiagrammen. I detta fall för att skatta
standardavvikelsen används glidande variationsbredd. Då används istället spridningsmåttet mellan provgrupper i en tidsserie och vanligtvis används två provgrupper i följd. Denna typ av styrdiagram kompletteras ofta med ett glidande variationsbreddsdiagram som visar
variationen mellan två närliggande provgrupper. För mer detaljerad information hänvisas läsaren till Montgomery (2013a).
3 ggr. std.avvikelsen för vår kvalitetsindikator
Figur 2.9:Illustrerar förhållande till styrgränserna, fritt från Bergman och Klefsjö, (2012), sid. 258.
2.3.9. Linjär regressionsanalys
Linjär regressionsanalys består av en responsvariabel (y) som är beroende av en variabel (x) och relationen dem emellan kan beskrivas med en matematisk modell som kallas
regressionsmodell. En rät linje anpassas till insamlad data för att skapa en modell som kan ses i ekvation 2.1. ɛ är prediktionsfelet som beskriver hur bra modellens anpassning är. Modellens regressionskoefficienter (𝛽) skattas normalt med hjälp av minsta kvadratmetoden, vilket innebär att summan av de kvadratiska prediktionsfelen minimeras (Montgomery, 2013a). Om fler än en oberoende variabel används kallas metoden multipel linjär regressionsanalys.
𝑦 = 𝛽0+ 𝛽𝑥+ ɛn (2.1)
13
2.4. Implementering av Sex Sigma
För att implementera och börja arbeta med ett nytt förbättringskoncept krävs viljan och insikten att detta är den rätta vägen för utveckla verksamheten. Att införa Sex Sigma kan ta flera år och därför är den grundläggande förutsättningen engagerat ledarskap (Breyfogle, 2003; Truscott, 2003; Magnusson m.fl., 2003). Ledningsseminarium används för att få djupare kunskaper om möjligheterna, förutsättningar och vilka resurser som krävs för att implementera Sex Sigma. Innan ledningen fattar beslutet om pilotprojekt brukar även studiebesök genomföras för att med egna ögon se exempel på framgångsrika resultat för implementeringar av Sex Sigma medfört (Sörqvist & Höglund, 2007).
För att driva ett pilotprojekt behövs utbildade förbättringsledare inom Sex Sigma med Black Belt-kompetens (Breyfogle, 2003). Black Belt-kandidater behöver vara respekterade och inneha befogenheter att driva igenom förändringar (Magnusson m.fl., 2003). Enligt Sörqvist och Höglund (2007) kan införande av Black Belt-kompetens ske på olika sätt. Konsultstöd ger direkt expertis men nackdelen är att det kan bli kostsamt då stödet kan behövas under långt tid. Extern rekrytering ger erfarenhet inom Sex Sigma som har uppnått goda resultat inom andra organisationer. Intern rekrytering medför djup förståelse för organisationskulturen och flera utvecklingsmöjligheter i karriärväg. Black Belt-kompetens ställer krav på stark
kommunikationsförmåga och förtroende hos medarbetarna och vanligtvis väljs interna informella ledare ut för detta ändamål (ibid). Enligt Magnusson m.fl., (2003) bör Black Belt- kandidater ha universitetsbakgrund.
Användningen av statistiska verktyg bygger på att det finns data tillgängligt. I flertalet fall kan det vara svårt att få fram relevanta data och även innebära höga kostnader. Det kan även vara så att processcykeln är långsam med lågt utbyte av data. I pilotprojekt bör det vara relativt enkelt och frekvent att samla in data för att medarbetarna i de värdeskapande flödena ska bibehålla högt engagemang (Breyfogle, 2003; Gijo & Rao, 2005).
Ledningen och Black Belt-förbättringsledare väljer ut lämpligt pilotprojekt som har tydligt resultatfokus mot organisationens övergripande mål. I planeringsfasen för aktiviteter och tidsåtgång har erfarenhet av tidigare Sex Sigma-projekt stor betydelse för att den blir realistisk. Ett Sex Sigma projekt är vanligtvis 2–6 månader (Sörqvist & Höglund, 2007).
Pilotprojektet används för att synliggöra bra resultat och det är av stor vikt att framgångarna kommuniceras ut i hela organisationen för Sex Sigmas erkännande och därigenom eliminera förändringsmotstånd (Magnusson m.fl., 2003). Ledningen använder pilotprojektet som ytterligare underlag för att utvärdera och skapa förståelse för vilka resurser som kommer att krävas för att Sex Sigma ska fungera bra i den egna organisationen (Sörqvist & Höglund, 2007).
14
3. Metod
Metodkapitlet beskriver tillvägagångssättet för att besvara examensarbetets syfte.
Inledningsvis klassificeras studiens undersökningssyfte, ansats och strategi. Därefter beskrivs fallstudieföretagets lämplighet kortfattat, uppbyggnad av teoretisk referensram och
arbetsgången i DMAIC-projektet utifrån valda metoder och verktyg. Avslutningsvis diskuteras reliabilitets- och validitetshöjande åtgärder som vidtogs i studien.
3.1. Undersökningssyfte, ansats och strategi
Studiens klassificering gällande undersökningssyfte, ansats och strategi visualiseras i figur 3.1.
Huvudsyftet:
Tillämpa och illustrera hur systematisk och faktabaserad problemlösning, genom DMAIC- metodik, kan ske i metallåtervinningsbranschen
Sekundärt syfte:
Baserat på erfarenheterna från tillämpningen av DMAIC-metodik ge rekommendationer kring ett
eventuellt fortsatt införande av Sex Sigma i ett företag i metallåtervinningsbranschen.
Litteraturstudier DMAIC-projekt Analys/reflektion
Undersökningssyfte:
beskrivande Undersökningsanstas:
deduktiv Undersökningssyfte:
utforskande
Undersökningsstrategi:
fallstuide
Undersökningsanstas:
abduktiv
Figur 3.1: Visualisering av studiens undersökningssyfte, ansats och strategi.
Huvudsyftet var att undersöka om DMAIC-metodik kan anses vara ett lämpligt arbetssätt inom metallåtervinningsbranschen, se figur 3.1. För att utvärdera lämpligheten genomfördes ett DMAIC-projekt baserat på litteraturstudier som främst bygger på etablerad kurslitteratur som används i fördjupningskurser inom området kvalitetsutveckling i den svenska
universitetsvärlden. Författaren anser att undersökningssyftet är en utforskande studie, eftersom väl beprövade teorier kommer att tillämpas i en bransch där det sällan verkar har använts tidigare. Utforskande studier kännetecknas av öppna frågeställningar och används ofta då problemet kräver omfattande arbete för att kunna lösas (Saunders m fl., 2012). Studien blir därmed flexibel och anpassningsbar till förändringar (ibid.).
Det sekundära syftet är att ge rekommendationer kring ett eventuellt fortsatt införande av Sex Sigma i metallåtervinningsbranschen. Eftersom DMAIC-projektet kommer att genomföras i Sverige bygger litteraturstudier främst på exempel från tidigare implementeringar i svenska organisationer. Författaren anser att det sekundära syftet är en beskrivande studie eftersom
15
dagens förutsättningar i metallåtervinningsbranschen jämförs mot teorier vid införande av Sex Sigma. I beskrivande studierbyggs en exakt profil upp av händelser, personer eller situationer, vilket även enligt Saunders m.fl., (2012) kan anses vara en naturlig förläggning av en
utforskande studie.
För det övergripande syftet anser författaren att undersökningsansatsen är deduktiv eftersom insamlad data bygger på befintliga teorier där deras lämplighet ska utvärderas i
metallåtervinningsbranschen. Deduktiv ansats utgår från teorier för att samla in data i motsatts till induktiv som utgår från insamlad data (Saunders m fl., 2012). För att besvara syftet med DMAIC-projektet anser författaren, att undersökningsansatsen är abduktiv, då insamlad data i föregående fas används i efterkommande för att välja lämpliga teorier för ytterligare
insamling av data osv. Abduktiv ordningsföljd är när teori och empirisk data används om vartannat i följd och kan ses som en blandning av deduktiv och induktiv ansats (Saunders m.fl., 2012).
Enligt Yin (2007) finns det fem undersökningsstrategier att välja mellan: experiment, undersökning, arkiv analys, historik och fallstudie. Eftersom studien kommer tillämpa DMAIC-metodik, vilket innebär att komplex problematik kommer studeras på detaljnivå, anser författaren att enda lämpliga alternativet är att välja en fallstudie. Fallstudien fokuserar på nutida händelser (Yin, 2007) och anses vara en bra strategi enligt Saunders m.fl., (2012) för att studera processer på plats i sitt naturliga sammanhang vilket skapar djupare förståelse.
3.2. Fallstudieföretaget
Stena Recycling är Sveriges största företag inom metallåtervinning, med drygt 1000 anställda (stenarecycling.se, 2015). Demontering är första steget i återvinningsprocessen av uttjänade fordon (Morselli m.fl., 2010). Det är en kostsam process som sker manuellt, där värdefulla delar och material tas till vara. Det andra steget i återvinningsprocessen sker vid en
fragmenteringsanläggning där uttjänade fordon mekaniskt blir strimlade i mindre bitar för att kunna separera olika material som därmed kan återvinnas (ibid). Restavfallet – de s.k.
fragmenteringsresterna – som hamnar på deponi utgör 15–25 % av massan uttjänade fordon (Vermeulen m.fl., 2012). Dessa fragmenteringsrester innehåller fortfarande stora mängder metaller – ett slöseri som är uppmärksammat. Problematiken anses bero på många faktorer som ger upphov till variation i produktionen (Nilsson, 2015).
Stena Recycling anses vara ett lämpligt fallstudieföretag utifrån deras betydande storlek, samt att de inte har använt sig av DMAIC-metodik för att styra och reducera variation tidigare.
Stena Recycling har fyra fragmenteringsanläggningar i Sverige och ytterligare fyra i övriga Europa (Nilsson, 2015). Denna studie är begränsad till att studera anläggningen i
Hallstahammar utifrån tidplanen.
3.3. Litteraturstudierna för uppbyggnad av teoretisk referensram
Litteraturstudierna för uppbyggnad av teoretisk referensram bygger främst på etablerad kurslitteratur som används i fördjupningskurser inom området kvalitetsutveckling i den svenska universitetsvärlden såsom Sörqvist & Höglund (2007), Montgomery (2013a; 2013b) och Bergman & Klefsjö (2012). Teoretiska referensramen har även kompletterats med aktuell forskning från databaserna: Ebsco Host, Google Scholar, Scopus och Proquest. Sökord som användes var exempelvis DMAIC, Six Sigma, implementation of Six Sigma, Design of
Experiments, Shredder residue, Metal recycling och End-of-life vehicle. Samtliga artiklar som använts tillhör kategorin granskade artiklar – sakkunniga personer har granskat dem.
16
3.4. Arbetsgången i DMAIC-projektet
Arbetsgången för datainsamling och analys i DMAIC-projektet är beskrivet i kronologisk ordning, se figur 3.2. Nedan följer en beskrivning utifrån de fem faserna, där measure-fasen beskriver mer omfattande metodval för intervjuer och observationer. I övrigt nämns metoder och verktyg och förklaras mer i de olika faserna.
Metod & verktyg för datainsamling:
Dokumentgranskning, intervjuer, observationer, processjämförekse
Varför hamnar metaller i SLF?
Huvudsyfte i DMAIC-projeket:
Minimera andelen metaller i SLF Sekundärt syfte:
Ge rekommendationer kring användning av statistisk data för att
styra och reducera variation
Val av problemorsaker för vidare analys:
Subjektivt och erfarhentsbaserat val tillsammans med ledningsgruppen
Orsak 1 Orsak 2 Orsak 3
Metod & verktyg för ytterligare datainsamling och analys:
Intervjuer, observationer, tester, två-nivåers faktorförsök, matrisdiagram, regressionsanalys
Metod & verktyg i rekommendationer för att styra och reducera variation i
processerna i realtid:
Styrdiagram, ledande mått Define
Measure
Analyse
Improve/
Control
Verktyg för visualisering:
Flödesschema
Figur 3.2: Visualisering av DMAIC-projektets arbetsgång i kronologisk ordning.
17 3.4.1. Define
Huvudsyftet med DMAIC-projektet var att minimera andelen metaller som hamnar i SLF1. Dessutom var ett sekundärt syfte att ge rekommendationer kring användning av statistisk data för att styra och reducera variation i processer. Verktyget flödesschema användes för att visualisera problemområdet.
3.4.2. Measure
För att samla in data för att identifiera möjliga orsaker till att metaller av misstag hamnar i SLF, genomfördes dokumentgranskning, intervjuer, observationer och processjämförelse som sammanställdes i ett fiskbensdiagram. Problemorsaker för vidare analys valdes genom ett mer subjektivt och erfarenhetsbaserat val tillsammans med ledningsgruppen, som tog hänsyn till förutsättningar, resurskrav och tidsåtgång. Även arbetssättet processjämförelse
Dokumentgranskning
Initialt i projektet sammanställdes information från interna rapporter som belyste problematik varför metaller av misstag hamnar i SLF. Namnen på rapporterna finns i bilaga A.
Brist på sekundärdata gällande problematiken som påverkar att metaller av misstag hamnar i SLF medför att detta projekt till största delen baseras på primärdata. Primärdata är data som samlas in för ett specifikt syfte och sekundärdata är data som redan finns insamlade från ett tidigare specifikt syfte (Saunders m.fl., 2012).
Intervjumetod
Enligt ledningsgruppen var intervjuer av operatörer med lång erfarenhet den främsta informationskällan för att identifiera möjliga faktorer, som påverkar att metaller av misstag hamnar i SLF. Produktionsledare Norgren gav författaren en lista på operatörer han ansåg vara lämpliga att intervjua. För att utvidga denna lista frågade författaren de intervjuade om de ansåg att det fanns ytterligare personer att rekommendera för frågor rörande detta ändamål.
Enligt Saunders m fl., (2012) kallas detta snöbollsmetoden och är en icke slumpmässig urvalsmetod som skall resultera i en namnlista på personer med kunskaper inom det specifika området (ibid).
Det bör tilläggas att om fler än fem operatörer är intervjuade inom en viss frågeställning, benämns dessa gemensamt operatörerna - annars med efternamn. Antalet intervjuade har utökats om svaren har skilt sig åt för att säkerställa att de ska svara för den allmänna
uppfattningen. Arbetssättet ”fem varför” har använts flitigt av författaren för att få en tydlig uppfattning om vad operatörernas fakta baseras på. Totalt har 20 operatörer intervjuats.
Benämningen ledningsgruppen består av rollerna: produktionschef, underhållsansvarig, produktionsledare och verksamhetsutvecklare.
Författarens förkunskaper inom det berörda området hade brister. För att få synpunkter och förslag från operatörerna utan risk för påverkan, ansågs ostrukturerade intervjuer som
lämpligaste intervjumetod. Ostrukturerad intervju – alltså inga förutbestämda frågor – där en förutsättning är att man har kunskap och fakta om den intervjuade personen, som får yttra sig fritt inom ett visst område, något som används vid insamling av kvalitativ data (Saunders m.fl., 2012).
Inslag av semistrukturerad intervju användes även för att bekräfta samsyn från operatörerna angående möjliga orsaker som identifierades i interna rapporter som studerades initialt.
1 Benämningen SLF står för fragmenteringsrester som är 13 mm eller större i storlek.
18
Semistrukturerad intervju består av delvis förutbestämda frågor som varierar beroende på svaren från den intervjuade personen och används vid insamling av kvalitativ data (Saunders m.fl., 2012).
Observationer
Författaren valde att praktisera tillsammans med operatörerna under examensarbetet för att få en tydlig bild och förståelse för processen som helhet. Syftet var även att kommunicera målet med DMAIC-projektet för att skapa delaktighet. Författaren har under projektet frekvent varit i produktionen för att tillsammans med operatörerna diskutera problematik och möjliga lösningar vid berörda processer, för att därigenom direkt reda ut oklarheter. Direkta
observationer har använts för triangulering av sekundärdata och intervjuer tillsammans med fotografier vilket underlättar förståelsen i rapporten. Vid genomförande av fältstudier ges tillfälle till direkta observationer på platsen för fallstudien (Yin, 2007). Detta kan ses som en ytterligare informationskälla för att undersöka faktorer i omgivningen, där inte endast sekundärdata är av intresse (ibid). Ett studiebesök genomfördes i Halmstad
fragmenteringsanläggning för processjämförelse, då sekundärmätdata visade på stora skillnader beträffande innehållet i SLF.
3.5.3. Analyse
För ytterligare datainsamling i analys-fasen har mätdata eftersträvats, genom tester,
pilotförsök av ett två-nivåers-faktorförsök samt mätdata som hämtades från Stena Recyclings interna databas Webreports. I det fall det inte gick att få fram mätdata användes
semistrukturerade intervjuer och observationer. Verktyg som användes för analys var matrisdiagram och regressionsanalys genom programvaran Statgraphics.
3.5.4. Improve/control
Baserat på resultatet från analysen presenterar författaren rekommendationer för att styra och reducera variation i flertalet processer i realtid. Rekommendationerna bygger på användning av styrdiagram och fokus på s.k. ledande mått.
3.5. Analys vid fortsatt införande av Sex Sigma inom fallstudieföretaget
Fallstudieföretaget Stena Recycling har idag inte insett fördelarna och nyttan med att arbete med Sex Sigma för att styra och reducera variation i processer. Författaren har därför valt att fokusera på jämförelser av litteraturstudier och reflektioner från DMAIC-projektet, så att ledningsgruppen genom ytterligare DMAIC-pilotprojekt kan få ett konkret beslutsunderlag som visar vad som krävs för att implementera Sex Sigma i organisationen.
Litteraturunderlaget bygger främst på exempel från tidigare implementeringar i svenska organisationer, något som underlättar ett införande i Stena Recycling.
19
3.6. Reliabilitet och validitet
Slutsatsen i examensarbete kan härledas tillbaka till frågan: hur har jag kommit fram till detta resultat? För att svara på om slutsatsen anses trovärdig vid en noggrann granskning,
utvärderas reliabilitet och validitet (Saunders m.fl., 2012). Eftersom examensarbetet och DMAIC-projektet har skilda syften ansåg författaren att det var lämpligt att presentera reliabilitets- och validitetshöjande åtgärder som vidtogs separat, se tabeller 3.1 och 3.2.
3.5.1. Reliabilitet
Reliabiliteten utvärderar om upprepning av det genomförda tillvägagångssättet kommer att genera samma resultat (Saunders m.fl., 2012). Hög reliabilitet innebär således att om en annan utövare upprepar metoden kommer samma resultat uppnås.
Tabell 3.1: Reliabilitetshöjande åtgärder som vidtogs.
Reliabilitetshöjande åtgärder som vidtogs:
Examensarbetet DMAIC-projektet
Teoretiska referensramen bygger främst på etablerad kurslitteratur som används i fördjupningskurser inom kvalitetsutveckling på svenska universitet.
Arbetsgången för datainsamling och analys är beskrivet utförligt och i kronologisk ordning.
DMAIC-strukturen bygger på tolkning från Sörqvist och Höglund (2007) vilket
underlättar upprepning.
Val vid användning av arbetssätt och verktyg är motiverade.
Databaser och sökord som använts för informationshämtning finns dokumenterade.
Aktiviteter, tankar och idéer under arbetsgången finns arkiverade i dagbok.
Många bilder har använts för att underlätta förståelsen.
Fullständig källhänvisning av intern data.
Intervjuer och observationer är dokumenterade och finns arkiverade.
20 3.5.2. Validitet
Validitet säkerställer att mätningarna överensstämmer med det som avsågs att mätas initialt (Saunders m.fl., 2012). Enligt Yin (2007) kan bedömningen av validiteten utvärderas utifrån intern och extern validitet. Intern validitet utvärderar hur trovärdiga slutsatserna är och extern validitet i vilken utsträckning resultatet kan anses vara generaliserbart (ibid).
Tabell 3.2: Validitetshöjande åtgärder som vidtogs.
Validitetshöjande åtgärder som vidtogs:
Examensarbetet DMAIC-projektet
DMAIC-strukturen medför att komplex problematik bryts ner i detaljnivå.
Författaren praktiserade tillsammans med operatörerna för att få ökad förståelse och tydlig bild över processerna som studerades.
Bearbetad data visualiseras överskådligt genom användning av kvalitetsverktyg.
Intervjuer, observationer, litteraturstudier och mätdata använts för triangulering av insamlad data.
Flera referenser har eftersträvats i teoretiska inslag för triangulering.
Arbetssättet ”fem varför” har använts vid intervjuer för att få en tydlig uppfattning om vad som legat till grund för svaren.
Antalet intervjuade har utökats om svaren skilt sig åt för att säkerställa att den ska svara för den allmänna uppfattningen.
Författaren har frekvent varit i produktionen för att därigenom direkt kunna reda ut oklarheter i kommunikationen.
Inför intervjuer och möten har en agenda skickats ut för att ge personerna tillräcklig förberedelsetid.
Enligt (Saunders m.fl., 2012) kan det vara svårt att uttala sig om generaliserbarheten utifrån en fallstudie. Det författaren anser kan nämnas angående DMAIC-metodiken är att den har stor utbredning redan idag inom olika branscher vilket därmed ökar dess generaliserbarhet.
För ökad generaliserbarhet gällande resultatet i DMAIC-projektet utvärderas förbättringsförslagen tillsammans med ledningsgruppen för att säkerställa att deras
utformning går att använda på Stena Recyclings övriga fragmenteringsanläggningar nationellt och internationellt.
21
4. Fallstudien – tillämpning av DMAIC
Fallstudien behandlar tre större problemorsaker som har undersökts, därav följer inte denna rapport presentationsmässigt DMAIC–faserna i kronologisk ordning. All information som tillhör var och en av dessa problemorsaker har samlats under en gemensam rubrik för att underlätta förståelsen. Problemorsakerna angreps parallellt och är medvetet uppställda i en speciell ordning för att öka förståelsen för läsaren allt eftersom. Figur 4.1 illustrerar hur fallstudien är uppbyggd där de olika kapitlen är markerade med fet stil.
4.1. DEFINE
4.2 MEASURE
4.4. ORSAK 2:
AVSAKNAD AV ÖVERBANDSMAGNET
4.5. ORSAK 3:
FÖR HÖG PRODUKTIONSTAKT 4.3. ORSAK 1:
BRISTFÄLLIG INTRODUKTION &
KVALITETSBEDÖMNING ANALYSE
IMPROVE CONTROL
ANALYSE IMPROVE CONTROL
4.6. STYRNING AV PRODUKTIONEN
I REALTID IMPROVE CONTROL ANALYSE IMPROVE CONTROL
Figur 4.1: DMAIC-fasernas uppbyggnad presentationsmässigt.
22 4.1. Define
I Define-fasen presenteras först problemformuleringen följt av möjlig besparingspotential och projektets betydelse, kunder och deras behov och slutligen planering av projektet.
4.1.1. Problemformulering
Till en fragmenteringsanläggning kommer metallskrot, där det inte varit möjligt eller ansetts för kostsamt att separera och återvinna metallerna i ett tidigare skede. Fragmentering kan liknas med en kvarn, som maler ner metallskrotet så att form, storlek och sammansättningar av olika material bryts ner och presenteras som mindre fraktioner, se figur 4.2. Detta
möjliggör att man kan separera järn och andra icke järnhaltiga metaller genom flertalet efterföljande processer. Efter kvarnen finns en cyklon som fungerar som en stor dammsugare som suger upp de lättare fraktionerna, vilka består av trä, gummi, textiler, glas, grus,
organiska ämnen samt metaller som hamnat där av misstag. Detta projekt fokuserar på flödet:
lätta fraktioner.
KVARN
CYKLON FLÖDE:
TUNGA FRAKTIONER INFLÖDE:
SKROTRÅVARA
FLÖDE:
LÄTTA FRAKTIONER
Figur 4.2: Inflödet separeras vi cyklonen till tunga och lätta fraktioner.
Flödet av lätta fraktioner, se figur 4.3, passerar först en returmagnet som skiljer ut järnet och går sedan vidare genom en matningsficka. Matningsfickan och de resterande efterföljande processerna är helt frikopplade från huvudprocessen av tunga fraktioner. Matningsfickan möjliggör att det går att köra efterföljande processer separat, t.ex. vid omarbetning av
utflödena. Därefter sorteras de lättare fraktionerna genom siktning in i 3 grupper beroende på deras storlek: 13 mm eller mindre, mellan 13-40 mm och 40 mm eller större. Grupperna passerar var sitt skakbord som ökar frigörelsen och spridningen av fraktionerna, innan de därefter slutligen separeras från icke järnhaltiga metaller genom virvelströmsmagneter. Från dessa tre flöden kommer det ut fyra utgående material: SLF (13 mm eller större, innehåller mera trä, gummi, textiler), Icke järnhaltiga metaller (13 mm eller större, metaller som separerats från SLF), Fines (13 mm eller mindre, innehåller mera grus och organiska ämnen) och icke järnhaltiga metaller (13 mm eller mindre, metaller som separerats från Fines).
