Beräkningsmetod för påverkan av driftstörningar i produktionssystem med serie-parallella flöden

EXAMENSARBETE INOM MASKINTEKNIK,

Industriell ekonomi och produktion, högskoleingenjör 15 hp

Beräkningsmetod för påverkan av driftstörningar i produktionssystem med

serie-parallella flöden

En fallstudie på Scania Industrial Maintenance

Anton Simonsson Viktor Åberg  

SKOLAN FÖR INDUSTRIELL TEKNIK OCH MANAGEMENT INSTUTIONEN FÖR HÅLLBAR PRODUKTIONSUTVECKLING

Beräkningsmetod för påverkan av driftstörningar i produktionssystem med

serie-parallella flöden av

Anton Simonsson Viktor Åberg

Examensarbete TRITA-ITM-EX 2020:239 KTH Industriell teknik och management

Hållbar produktionsutveckling

Kvarnbergagatan 12, 151 81 Södertälje

Examensarbete TRITA-ITM-EX 2020:239

Beräkningsmetod för påverkan av driftstörningar

i produktionssystem med serie-parallella flöden

Anton Simonsson Viktor Åberg

Godkänt

2020-06-12

Examinator KTH

Claes Hansson

Handledare KTH

Claes Hansson

Uppdragsgivare

Scania Industrial Maintenance

Företagskontakt/handledare

Christoffer Klingblom

Sammanfattning

I det här arbetet eftersökte Scania IM en metod för att beräkna maskiners påverkan på output för en produktionslina vid driftstörningar. Metoden skulle kunna appliceras på en produktionslina med ett serie-parallellt flöde och arbetet utgick från en utvald lina där man bearbetar cylinderhuvuden. Vid framtagandet av beräkningsmetoden skapades det som i arbetet kallas för påverkansfaktor som tar fram vilken påverkan ett bortfall av en maskin i flödet har på flaskhalsutrustningen, som i sin tur står för den yttersta begränsningen för systemet. På seriella stationer erhålls en påverkansfaktor på 100 % men på stationer med parallell utrustning så finns det en kvarvarande kapacitet vid driftstopp av enstaka maskiner vilket är beroende av hur många maskiner samt vilken utnyttjandegrad de hade i ursprungsläget. Vid framtagandet av beräkningsmetoden togs inspiration från tidigare arbeten inom detta område men anpassades eller förenklades för att möta behoven från underhållsavdelningen. En utveckling av metoden gjordes även för att kunna analysera historiska data där information om producerad variant saknas och då används ett viktat genomsnitt för påverkansfaktorn.

Påverkansfaktorn bortser från buffertars påverkan på systemet men hur de ska inkorporeras undersöktes och därav togs ett förslag fram där kritisk driftstoppstid (critical downtime) används tillsammans med påverkansfaktorn för att ta hänsyn till såväl buffertar som parallell utrustning.

Ett verktyg skapades för Scania IM för att underlätta användandet av framtagna beräkningsmetoder.

Det som kvarstår efter avslutat arbete är att över tid testa de framtagna metoderna för att undersöka hur väl de överensstämmer med verkligt produktionsutfall. Detta kunde ej genomföras under gällande situation då produktionen ej var i drift enligt normalläge under tidsperioden för arbetet.

Nyckelord

Underhåll, Kapacitet, Driftstörningar, Produktion, Produktionsflöden, Påverkansfaktor, Kritisk driftstoppstid, Flaskhals, Output, Buffert.

Bachelor of Science Thesis TRITA-ITM-EX 2020:239

Calculation method for the impact of downtime in series-parallel production systems

Anton Simonsson Viktor Åberg

Approved

2020-06-12

Examiner KTH

Claes Hansson

Supervisor KTH

Claes Hansson

Commissioner

Scania Industrial Maintenance

Contact person at company

Christoffer Klingblom

Abstract

For this thesis, Scania IM sought a method for calculating the impact of machine downtime on the output of a production line. The method was created to be applied on a production line with a series- parallel flow and was constructed based on a selected line where cylinder heads are machined. To achieve this a variable called impact factor was created that produces the effect an individual machines downtime has on the bottleneck equipment for the production line, which in turn accounts for the utmost limitation of the system. At serial stations, an impact factor of 100% is obtained, but at stations with parallel equipment, there is a remaining capacity if at least one machine is functioning. The amount on remaining capacity is dependent on how many of the parallel machines that are malfunctioning and the degree of utilization they had in the original state. In developing the

calculation method, inspiration was taken from previous work regarding similar subjects, but it was either adapted or simplified to meet the needs of the maintenance department for the production line.

A further development of the method was also made to be able to analyze historical data where information on the produced variant of cylinder heads is missing which led to the use of a weighted average for the impact factor. The impact factor ignores the effects of buffers on the system output, but how they are to be incorporated was investigated and a proposal was therefore made where critical downtime is used together with the impact factor to take into account both buffers and parallel equipment.

A tool was created for Scania IM where they can perform these calculations. What remains after completion of the thesis is to test the developed methods over time to examine how well they

correspond to actual production data. This could not be done during the time of this thesis due to the current situation when production was not operating according to normal conditions.

Key‐words 

Maintenance, Capacity, Downtime, Production, Production rate, Impact factor, Critical downtime, Bottleneck, Output, Buffer.

Förord

Den här rapporten markerar slutet för vårt examensarbete och vår utbildning vid KTH.

Examensarbetet har gjorts på Scania Industrial Maintenance AB i Södertälje under våren 2020. Det har varit en väldigt intressant och givande tid där vi fått ta våra teoretiska kunskaper från vår utbildning tillsammans med den under arbetets gång inhämtade nya kunskapen och applicerat dem på ett verkligt fall. Vi vill rikta ett stort tack till de inblandade personerna på Scania som trots rådande pandemi och permitteringar kunde erbjuda oss en både givande och utmanande uppgift och alltid har ställt upp efter bästa förmåga. Tack till all personal på QCMA och särskilt tack till Christoffer Klingblom för all hjälp med både information och förmedlan av kontakter och inte minst för att du bidragit till att gjort vår tid på Scania IM rolig och välkomnande.

Vi vill också passa på att tacka de inblandade personerna på KTH för all hjälp och stöd under arbetets gång och vi vill särskilt lyfta fram Claes Hansson som alltid tagit sig tid för att handleda och stödja oss under såväl examensarbetet som resten av utbildningen vilket vi verkligen har uppskattat.

Till Ordmärkarklubben: Utan er så hade vi aldrig haft så roligt under de här åren och vi hade inte velat gå igenom dem utan er!

Anton Simonsson Södertälje 2020-06-08

Viktor Åberg Södertälje 2020-06-08

Ordlista

Buffert – En buffert är ett säkerhetslager som inom produktion används för att motverka osäkerheten i processen. Genom strategiskt placerade buffertlager i ett produktionsflöde kan effekten av kortare driftstopp och andra statistiska fluktuationer minskas drastiskt. (Oskarsson, et al., 2003)

Cykeltid – Den krävda tiden för att genomföra en operation eller maskincykel. (Bicheno & Holweg, 2009)

Cylinderhuvud – Även kallat topplock eller topp. Cylinderhuvudets huvudsakliga uppgift är att leda luft och bränsle till förbränningskammaren och avgaser ut ifrån den samtidigt som det fungerar som ett lock till cylindrarna. Det innehåller komponenter som ventiler, tändstift och bränsleinjektorer.

Cylinderhuvudet har stor påverkan på en motors prestanda och i tillverkningsprocessen ingår flera avancerade moment med snäva toleranser. (Sandvik Coromant, 2020)

Flaskhals – En flaskhals är processen eller processerna i ett flöde som inte uppfyller efterfrågan, exempelvis en maskin med cykeltid> takttid. Flaskhalsen bestämmer därför genomflödet för hela processen och kan beskrivas som den svaga länken i kedjan. (Bicheno & Holweg, 2009)

Kapacitetsbegränsande resurs – En kapacitetsbegränsande resurs, KBR, är en tillfällig flaskhals som uppstår på grund av statistiska fluktuationer i produktionen som uppkommer vid exempelvis ändringar i produktionsplanen.

Linjära och parallella flöden – Ett linjärt flöde består utav enskilda maskiner/stationer där alla artiklar tar samma väg från start till slut. När cykeltiden för en maskin eller station överstiger den önskade takttiden så har den blivit en flaskhals. För att arbeta bort flaskhalsen kan man antingen öka arbetstiden på stationen (genom exempelvis fler skift eller övertid) eller så skapar man parallella stationer som tillsammans uppnår takttiden. Inom tillverkningsindustrin så är det inte ovanligt att

produktionsflödet innehåller en blandning av seriella och parallella flöden, så kallade serie-parallella flöden.

Output – Mängden färdiga produkter som lämnar en station eller produktionslina.

Takttid – Takttiden bestämmer hur ofta en färdig produkt ska lämna sista processen i produktionsflödet.

Den beräknas genom att dividera tillgänglig arbetstid (under exempelvis en arbetsdag) med den genomsnittliga efterfrågan per dag. (Bicheno & Holweg, 2009)

Throughput – Output över tid, på svenska kallat genomflöde.

Innehåll

1 Inledning ... 1

1.1 Företagsinformation ... 1

1.2 Problemdiskussion/Bakgrund ... 2

1.3 Syfte ... 2

1.4 Mål ... 2

1.5 Avgränsningar ... 2

1.6 Metod ... 3

2 Nulägesbeskrivning ... 5

2.1 Underhållsorganisationen, QCM ... 5

2.2 Cylinderhuvud 2, DMAHH ... 5

2.2.1 Varianter ... 7

2.2.2 Buffert ... 7

2.2.3 Cykeltidsmätningar... 7

2.2.4 Stopptidsrapportering ... 8

3 Teori... 9

3.1 Beräkningsmetoder för variationer i process och dess påverkan på genomflödet ... 9

3.1.1 Little’s lag... 9

3.1.2 Kritisk driftstoppstid ... 10

3.1.3 Faktor för påverkan på flaskhals ... 10

3.1.4 Prioriteringsmetod för underhållsarbete ... 11

3.2 Övriga begrepp ... 12

3.2.1 Overall Equipment Effectiveness ... 12

3.2.2 Kapacitet ... 13

4 Genomförande ... 15

4.1 Skapande av matematisk formel ... 15

4.1.1 Teckenförklaring för beräkningar ... 16

4.1.2 Steg 1: Beräkning av påverkan på output över en bestämd tidsperiod, KPF ... 16

4.1.3 Steg 2: Beräkning av påverkan på output över en flaskhalscykel, PF ... 18

4.1.4 Steg 3: GPF för enskild station ... 18

4.1.5 Steg 4: GPF över tid, tillgänglighetspåverkan ... 19

4.2 Skapandet utav verktyget ... 20

4.3 Buffertars effekt på PF ... 22

5 Analys och validitet ... 25

5.1 Teori ... 25

5.2 Beräkningsmetod ... 25

5.3 Verktyget ... 27

6 Resultat... 29

6.1 Beräkningsmetod och verktyg ... 29

6.2 Jämförelse av beräkningsresultat och verkligt utfall ... 29

6.3 Buffertars påverkan ... 30

6.4 Fortsatt arbete ... 31

Referenser ... 32

1

1 Inledning

”Underhåll handlar om tekniska och administrativa åtgärder, inklusive övervakning, avsedda att bibehålla eller återställa en enhet till ett sådant tillstånd att den kan utföra en krävd funktion” (Bellgran

& Säfsten)

Underhåll och dess kostnader är ofta en signifikant faktor när det kommer till ett företags lönsamhet, vanligtvis utgör de mellan 15 och 70 procent av företagens totala kostnader beroende på vilken typ av industri de verkar inom (Li, et al., 2009). Utöver det ska även tilläggas att underhållskostnader är något som konstant har ökat genom årtiondena tillsammans med den generella tekniknivån. Sammantaget har det lett till att företagsledningar över hela världen idag bedömer underhåll som en fundamental del för att uppnå hög produktivitet, god kvalitet i verksamheten och samtidigt upprätthålla de höga kraven på pålitlighet för utrustningen som på dagens globala, automatiserade och hårt konkurrensutsatta marknad är en nödvändighet (Ben-Daya, et al., 2009).

Visst underhåll kan utföras under produktion, en del utförs när produktionen ändå står stilla men ofta leder dock underhåll till att delar av eller hela produktionen stannar av. Detta faktum riskerar att skapa oenighet och spänningar mellan produktion och underhållsavdelningarna i en organisation.

Produktionsavdelningen kommer å ena sidan behöva underhåll för att på sikt bibehålla välfungerande utrustning i processerna men å andra sidan innebär varje enskilt stopp en minskad produktionstakt (Budai, et al., 2008). Det förefaller då som att båda parterna och samarbetet dem emellan kan gynnas av beslutsunderlag baserad på matematiska modeller och mätetal snarare än känsla och erfarenhet.

Det här arbetet ämnar ta fram ett sätt att kunna prioritera mellan underhållsinsatser för olika maskiner och utrustningar i en produktionslina baserat på hur viktiga de är för produktionen. Det finns metoder framtagna för detta och de flesta företag har sitt eget sätt att prioritera mellan jobben. En del tillämpar FIFO (first in, first out) på arbetsorderna medan andra använder simuleringar för att ta fram vilket som ska utföras först. Vad detta arbete kommer fokusera på är någonstans mellan de två ytterligheterna, ett styrmedel som inte kräver avancerade beräkningar och simuleringar utan kan utföras manuellt och snabbt men samtidigt med mer substans än att bara ta det första jobbet som kommer in.

Arbetet görs på uppdrag av Scania Industrial Maintenance och utförs på en avdelning på

motorbearbetningen. Räkneexempel och applicering kommer i första hand utföras på en produktionslina där man tillverkar cylinderhuvuden till lastbilsmotorer.

1.1 Företagsinformation

Scania Industrial Maintenance AB (SIM), kallad DynaMate AB fram till år 2015, är ett helägt dotterbolag till Scania CV AB och är ett underhållsbolag riktat mot Scanias interna behov. SIM har idag ungefär 900 anställda och omsatte 2018 cirka 1,9 miljarder SEK (Scania Industrial Maintenance, 2018). DynaMate AB skötte tidigare både Scanias interna och externa uppdrag mot andra företag, men år 2010 samlades den externa verksamheten under det nyskapade företaget Dynamate Industrial Service AB.

De tre huvudområdena för SIM är produktionsunderhåll, anläggningsunderhåll samt industriella projekt.

Inom produktionsunderhåll strävar man mot att minimera stopptiden i produktionen genom att arbeta med både planerat och avhjälpande underhåll samt ständiga förbättringar. Anläggningsunderhållet fokuserar på att underhålla Scanias fastigheter och se till att infrastrukturen kring dem fungerar. SIMs medverkan i industriella projekt kretsar kring att de agerar specialkompetens och står för

underhållsperspektivet vid projekt rörande omställning, installation av ny utrustning samt fastighetsbyggnationer. (Scania CV AB, 2018)

2 1.2 Problemdiskussion/Bakgrund

Vid motorbearbetningen på Scania ligger produktionslinan DMAHH också kallad cylinderhuvud 2, där man bearbetar cylinderhuvuden till motorer efter att de gjutits på gjuteriet och innan de kan skickas till motormonteringen. Underhållsavdelningen som ansvarar för underhållet där heter QCMA och består utav cirka 20 personer, utöver det sköter de även underhållet för avdelningarna cylinderhuvud 1 och D12.

Den här rapporten riktar sig mot produktionsunderhåll där underhållsavdelningen upplever att det idag inte finns ett tillförlitligt sätt att bedöma driftstörningars påverkan på en linas output när det finns en blandning utav linjära och parallella flöden. Vid störningar i processen så saknas en effektiv och lättanvänd metod för att värdera olika störningars påverkan vilket försvårar planeringen av

underhållsresurser. Idag baseras den här värderingen på den upplevda problematiken och kan leda till att fokus hamnar på fel område. En upplevd problemstation med återkommande långa stopp kan prioriteras före en station med mer frekventa men kortare stopp då man är osäker på effekterna i helhet.

Rapporteringen utav stopptid görs från produktionen och underhåll efterfrågar ett sätt att kunna verifiera de siffrorna. Utan ett sätt att kontrollera orsakerna till stoppen i efterhand så finns alltid risken för att produktionsförluster som rapporterats som underhållsrelaterade egentligen inte är det och att den egentliga orsaken inte lyfts vilket försvårar eller förhindrar förbättringsarbetet.

Hur buffertar ska användas på bästa sätt är något som skiljer sig mellan olika delar av verksamheten. En undersökning kring hur befintliga buffertar kan påverka produktionslinan och hur de optimalt ska användas efterfrågas.

1.3 Syfte

Arbetet syftar till att ta fram ett sätt att enkelt beräkna hur stor påverkan enskilda maskiners

driftstörningar har på produktionens totala output i en blandning av såväl linjära som parallella flöden.

Detta för att förbättra och förankra hur prioriteringen utav underhållsresurser ska göras. Uppdraget kommer utföras mot avdelning DMAHH (Cylinderhuvud 2) men lösningen ska gå att applicera på andra delar av verksamheten.

1.4 Mål

• Ta fram en beräkningsmetod och ett verktyg för att beräkna maskiners påverkan på en produktionslinas output i serie-parallella flöden vid driftstörningar.

• Med framtagen beräkningsmetod jämföra beräknat bortfall av output mot verkligt bortfall av output.

• Påvisa buffertars påverkan på output genom beräkningar och/eller resonemang.

1.5 Avgränsningar

För att fokusera arbetet mot de uppsatta målen och behålla ett underhållsperspektiv görs dessa avgränsningar:

• Förändringar i anläggningsutnyttjande och kvalitetsutbyte undersöks inte.

• Buffertars påverkan utelämnas från beräkningarna i verktyget.

• Förändringar av produktionsplanen eller underhållsplaneringen undersöks inte.

• Programvara och beräkningshjälpmedel som används i arbetet ska också vara använda inom Scania IM och inte sträcka sig bortom allmänna datorkunskaper.

• Simulering av produktionslinan kommer inte att genomföras.

3 1.6 Metod

Processen och de metoder som tillämpas för arbetet kan beskrivas som i Figur 1. Det inledande arbetet kretsar kring att inhämta information om tidigare framtagna beräkningsmetoder för liknande problem, vilket ämnas göras genom litteraturstudier i främst tidigare arbeten i form av tekniska rapporter och genom att ta hjälp av forskare på KTH. De kan ge tips på hur man kan angripa problemet samt ge förslag på andra relevanta arbeten att studera. Utöver detta så handlar det inledande arbetet om att skapa en gemensam förståelse för de inblandade i projektet över hur nuläget ser ut och vad bakgrunden till både problemet och organisationen arbetet utförs på är. Detta uppnås genom att både inhämta fakta om bakomliggande teorier och om företaget samt genom samtal med nyckelpersoner på företaget, vilka kan bidra med deras erfarenheter och kunskap om såväl problematiken som organisationens funktion och struktur.

Nästa steg i arbetet blir att formulera problemet utifrån vad som framkom i det inledande arbetet. Detta steg kommer handla om att definiera problemet, vad som ska studeras, och hur måluppfyllelsen ska mätas. Detta gör att arbetet kan fortskrida med att ta fram ett lösningsförslag bestående av ett verktyg för företaget att använda vilket i sin tur kommer kräva framtagning av en beräkningsmetod anpassad efter företagets behov. Under denna del av processen så inhämtas stöd ifrån Universitetsadjunkt på KTH som undervisar i matematik för att formulera matematiken på ett förståeligt och matematiskt korrekt sätt.

Vid applicering så ska verkliga data från cylinderhuvud 2 införas i verktyget och då krävs ytterligare information i form av produktionsdata och statistik, som exempelvis cykeltidsmätningar och volymandelar för varianter. Under jämförelse så ska verktyget och framtagna beräkningsmodeller valideras genom att testa beräknat resultat mot verkligt resultat vilket införskaffats genom observationer över tid. Observationerna syftar till att ta fram den data som idag inte finns tillgänglig som exempelvis vilken variant som producerats vid driftstopp, buffertnivåer samt den verkliga påverkan på output. Hur väl det beräknade resultatet överensstämmer med det observerade utfallet kommer påvisa hur tillförlitlig beräkningsmetoden är. Den här jämförelsen leder sedan till resultat och analys där fokus är att utvärdera beräkningarna och verktyget för att säkerställa måluppfyllelse samt ge förslag på hur det fortsatta arbetet för företaget kan se ut.

Figur 1, Metodbeskrivning; De blå cirklarna representerar de huvudsakliga momenten i vald metod och de svarta boxarna beskriver vilken ytterligare information som använts för respektive moment.

4

5

2 Nulägesbeskrivning

Under nulägesbeskrivningen så kommer den, för detta arbete, aktuella organisationen och produktionen att beskrivas samt delar av deras arbetsmetoder och standarder.

2.1 Underhållsorganisationen, QCM

För motorbearbetningen där det här arbetet utförs så kallas den ansvariga underhållsorganisationen QCM. QCM leds av en underhållschef och består av cirka 100 personer fördelade i undergrupperingar med ansvar för de olika områdena inom bearbetningen tillsammans med två grupper (QCME och QCMS) bestående utav beredare respektive specialister som jobbar övergripande för hela QCM.

Under QCM ligger QCMA som har ansvar för områdena CH1, CH2 och D12 där cylinderhuvuden samt motorblock bearbetas. På QCMA är det ungefär 20 anställda bestående utav el- och mekaniktekniker samt två underhållssamordnare ledda av en underhållsledare. Teknikerna följer produktionens skiftgång och arbetar därför i huvudsak 3-skift.

Figur 2, Underhållsorganisationen; Den hierarkiska strukturen för organisationen visualiseras och påvisar de övriga förgreningarna som existerar utanför det valda området.

2.2 Cylinderhuvud 2, DMAHH

Området, eller produktionslinan, som används vid utformandet av detta arbete heter DMAHH eller cylinderhuvud 2, förkortat CH2, och där bearbetas som namnet antyder cylinderhuvuden. Linan byggdes 2008 och har en hög automatiseringsgrad där de enda momenten som kräver manuell input är vid in- och utmatning samt vid utplacerade kontrollstationer. Flödet i produktionen följer inte en gemensam takt utan maskinerna arbetar efter sina egna förutsättningar så länge de kan matas med nya detaljer och har plats att skicka vidare detaljer som är färdiga. Linan har i efterhand kompletterats med två parallella maskiner, OP 30.3 och 80.2, för att öka produktionskapaciteten. Produktionslinan består utav en blandning mellan seriella och parallella maskiner i flödet. Anledningen till att man har valt att använda parallella maskiner är för att momenten som ska utföras på stationen tar längre tid än de andra

stationernas moment och för att kompensera för detta används fler maskiner som utför samma moment.

Maskinerna på CH2 består till stor del av NC-maskiner men det finns också tvättmaskiner som rengör cylinderhuvudena och robotar som sköter buffertstationer och slutmontering. På CH2 arbetar man i 3- skift och bemanningen består av sex operatörer och en samordnare per skift samt två verkstadstekniker som jobbar dagtid.

6

CH2 består utav 14 stationer varav fem innehåller parallella maskiner och de resterande är seriella.

Utöver dessa finns det fyra definierade buffertplatser och en kvalitetskontroll på linan som går att se i Figur 3. Det som inte visas i figuren är att det finns ytterligare fyra kontrollstationer där stickprov från produktionen tas ut med jämna mellanrum för att säkerställa kvalitén på detaljerna. Momenten som utförs på stationerna är fräsning, borrning, gängning, grovbearbetning, finbearbetning, gradning, tvätt och montering.

Figur 3, Flödesschema för DMAHH; Rektanglarna är maskiner, trianglar är buffertstationer och cirklar är

kontrollstationer. De blåa linjerna representerar transportbanorna för linan och symbolerna är tagna från metod i boken Modern Logistik (Oskarsson, et al., 2003). Första maskinerna i flödet är OP 20 som består utav 20.1, 20.2, 20.3 och 20.4 som ligger seriellt och utför olika fräsoperationer på cylinderhuvudena. Nästa steg är OP 30 och där påbörjas grovbearbetningen. OP 30 har tre maskiner placerade parallellt i flödet, 30.1, 30.2 och 30.3 där alla maskiner utför samma moment. Efter det steget kommer ytterligare en parallell station, OP 40, som har två parallella maskiner kallade 40.1 och 40.2 som gör den sista grovbearbetningen. OP 50 har precis som OP 40 två parallella maskiner, 50.1 och 50.2, som påbörjar finbearbetningen av cylinderhuvudena. Efterföljande stationerna OP 55.1 och 55.2 är parallella och de utför gradning. OP 60 som är nästa station utför mellantvätt av

cylinderhuvudena innan dom kommer till OP 70 som också är seriell och där genomförs den första monteringen.

Efter det kommer OP 80 som har två parallella maskiner 80.1 och 80.2 där den slutgiltiga finbearbetningen utförs innan den seriella stationen OP 90 sluttvättar cylinderhuvudena. OP 100 och OP 120 monterar de sista

komponenterna innan cylinderhuvudena är färdiga för leverans till motormonteringen.

7 2.2.1 Varianter

Scania tillverkar en mängd olika motorvarianter och för att möta efterfrågan från motormonteringen så bearbetar CH2 idag 30 varianter av cylinderhuvuden med unika artikelnummer. Dessa varianter kan grupperas in i fyra ”variantfamiljer” där cylinderhuvudena delar de flesta egenskaper och kräver liknande operationer vid tillverkning. Dessa familjer benämns i detta arbete F1, F2, F3 och F4. Mellan januari – juni 2019 så såg fördelningen mellan familjerna av den totala tillverkade volymen på CH2 ut enligt följande:

• F1 = 16,94 %

• F2 = 57,8 %

• F3 = 12,46%

• F4 = 12,8 %

2.2.2 Buffert

Som tidigare nämnt finns det på den studerade produktionslinan fyra buffertstationer. Två av dessa vilka är i direkt följd av varandra är placerade efter station OP 30 (se Figur 3), medan den tredje och fjärde befinner sig efter OP 60 även dessa är i direkt anslutning till varandra. I varje buffert är det en robot som sköter plock och matar detaljerna framåt i linan. Varje buffert har normalt en kapacitet på cirka 100 detaljer vilket den fördelar på både avställningsyta såväl som i pallar uppställda i robotcellen. Vid behov så kan flera pallar användas och placeras ut där det finns plats i lokalen för att på så sätt utöka

buffertkapaciteten. Då systemet är automatiserat i huvudsak innebär det att robotarna kommer mata linan med detaljer så länge det finns buffert och det finns plats på efterföljande transportbana

Utöver de designerade buffertstationerna finns det också plats för buffert mellan de flesta maskiner på de transportbanor som löper längs med hela linan. Detta gör att den totala buffertkapaciteten i systemet består av både de fasta buffertstationerna och platserna som finns på transportbanorna mellan maskinerna.

2.2.3 Cykeltidsmätningar

På cylinderhuvud 2 finns det en gällande standard för hur mätningar av cykeltider ska gå till och Tabell 2 under kapitel 4 visar hur dessa tider sedan presenteras. Sammanfattningsvis går det ut på att en operatör tar tid på varje maskin medan den genomför tio cykler, totala tiden för cyklerna divideras sedan med antalet detaljer som passerat för att få ut den genomsnittliga cykeltiden per detalj. I de flesta maskiner bearbetas detaljer parvis vilket då gör att den totala tiden divideras med 20. Under tidtagningen så får inga störningar av processen inträffa, operationerna ska gå på hel fart, utbanan får ej vara full och inbanan får ej vara tom.

När mätningen utförs på en station med parallella maskiner så tas det gemensamma snittet för cykeltiden ut och cykeltiderna rapporteras sedan för varje maskin och artikelvariant i ett Excel blad. Genom att se vilken station i flödet som har längst cykeltid för respektive variant tas flaskhalscykeltiden fram.

8 2.2.4 Stopptidsrapportering

Downtime (DT) kräver manuellt input och är då en uppskattning utförd av reparatören på hur länge maskinen stod nere. Ifall maskinen kunde arbeta med begränsad hastighet under reparationen och därför blir DT då mindre än den tid som maskinen hade problem.

Restoration time (RT) är tiden mellan maskinstopp och avrapportering. RT börjar räknas automatiskt men slutar först då tekniker avrapporterar sitt arbete. Om teknikern inte hinner avrapportera innan nästa arbete så uppstår det felaktigheter i RT då räknaren fortsätter ända tills dess att teknikern får tid att avrapportera stoppet. RT går att justera manuellt i efterhand men detta är däremot något som sällan görs.

Vid analyser av stopptid så är det DT som man använder sig av och DT kan jämföras med RT för att kontrollera att det inte skett något handhavande fel vilket kan påvisas av en stor differens dem emellan.

9

3 Teori

Under teoriavsnittet presenteras den sekundärdata som samlats in. Informationen har inhämtats från vetenskapliga artiklar och rapporter som hittades genom sökningar på bland annat Google Scholar, exempel på sökord som användes är maintenance, prioritization, kapacitetsbegränsning, parallel, production och tillgänglighet. Tillgänglig litteratur kring ämnet har också använts till inhämtningen av fakta och framförallt vid definiering av använda termer. Syftet med sekundärdatainsamling var att söka inspiration och kunskap kring hur liknande uppdrag hanterats tidigare för att eventuellt kunna applicera en färdig modell i detta arbete alternativt bidra till det egna lösningsförslaget samt skapa en nulägesbild av den aktuella forskningen kring ämnet.

3.1 Beräkningsmetoder för variationer i process och dess påverkan på genomflödet

Under faktainsamlingen så identifierades ett flertal metoder för att beräkna hur systemförändringar leder till påverkan på genomflödet. I kommande avsnitt presenteras de metoder som bedöms vara mest relevanta för detta arbete i sättet de kan tillämpas och hur de kan kopplas till framförallt produktion eller underhåll.

3.1.1 Little’s lag

Little’s lag är ett sätt att beräkna flödet av objekt eller produkter i ett system. detta uppnås genom att man studerar hur många objekt som hanteras i systemet och hur många som står i kö i systemet. Little’s lag säger att i ett statiskt system korrelerar antalet objekt i kösystemet med den genomsnittliga tiden mellan att objekten strömmar in i systemet multiplicerat med den genomsnittliga tiden objekten spenderar i systemet (Little & Graves, 2008).

L = genomsnittliga antalet objekt i systemet

W = genomsnittliga väntetiden för ett objekt i systemet

λ = genomsnittligt antal objekt som strömmar in i systemet per tidsenhet.

𝐿 = 𝜆 × 𝑊

Författarna påtalar att under senare tid så har Little’s lag utvecklats till att spela en allt större roll i hur man både lär ut och utför verksamhetsstyrning. För det används modifierade varianter av formeln för att lättare appliceras direkt i verksamheten. Hopp och Spearman föreslår exempelvis att formeln kan uttryckas som genomloppstid är lika med PIA dividerat med CT. Där genomloppstiden är det

genomsnittliga genomflödet i en process, lina, fabrik, eller operation per tidsenhet, det vill säga hur lång tid det tar för en produkt att passera igenom hela systemet (Hopp & Spearman, 2008). PIA är alla produkter som befinner sig i produktionssystemet och Cykeltiden (CT) motsvarar hur ofta en produkt lämnar flödet.

𝐺𝑒𝑛𝑜𝑚𝑙𝑜𝑝𝑝𝑠𝑡𝑖𝑑 = 𝑃𝐼𝐴/𝐶𝑇

Sambandet som uttrycks i ekvationen kan användas när en produktionsprocess studeras och om två av variablerna är kända så kan den tredje beräknas, det ekvationen visar på är att en ökad genomloppstid innebär ett högre PIA. Enligt författarna används detta samband inom industrin för att kunna förutspå ett systems beteende samt för att påvisa effekterna av förbättringsarbete på ett produktionssystem. Genom att dessutom jämföra aktuell prestanda mot de förutspådda kan ett mått på systemets stabilitet erhållas.

10 3.1.2 Kritisk driftstoppstid

Kritisk driftstoppstid (KDT) på engelska kallad critical downtime definieras som den maximala tiden en maskin kan stå still utan att den påverkar flaskhalsutrustningens beläggning (Gu, et al., 2015). KDT beräknas med avseende på både varierande cykeltider i flödet samt buffertkapacitet och gällande buffertnivå vid stoppet.

I ett produktionssystem svälter en maskin när en buffert vilken befinner sig tidigare i flödet töms, alternativt blockeras om en buffert senare i flödet är full om efterföljande maskin i sin tur är blockerad eller har havererat (Segerstedt, 2011). En förutsättning för beräkning av KDT är att den första maskinen i flödet aldrig svälter och den sista maskinen aldrig är blockerad. Med andra ord tas inte hänsyn till om systemet skulle begränsas av brist på ingående material, eller av minskad efterfrågan av färdiga detaljer.

I en seriell lina med N antal maskiner och N-1 antal buffert där maskin Mi befinner sig antingen före eller efter flaskhalsmaskinen Mb, erhålls den kritiska driftstoppstiden KDTi för maskin Mi ur Ekvation 1 (Gu, et al., 2015), där t är cykeltiden för maskinen och Ci och Ni (0) uttrycker kapaciteten respektive aktuell nivå i buffert Bi.

𝐾𝐷𝑇

=

{

∑ 𝑁

(0) × 𝑡

− ∑ 𝑡

𝑜𝑚 1 ≤ 𝑖 < 𝑏

𝑏−1

𝑗=𝑖 𝑏−1

𝑗=𝑖

0 𝑜𝑚 𝑖 = 𝑏

∑ (𝐶

− 𝑁

(0)) × 𝑡

𝑜𝑚 𝑏 < 𝑖 ≤ 𝑁

𝑖−1

𝑗=𝑏

Ekv. 1

Om den studerade maskinen befinner sig före flaskhalsmaskinen i flödet är det översta villkoret sant och uttrycket före subtraktionstecknet ger tiden det tar för flaskhalsmaskinen att processa alla detaljer som befinner sig mellan Mi och sig själv, dvs tiden det tar innan flaskhalsmaskinen svälter. Uttrycket efter subtraktionstecknet uttrycker då tiden det kommer ta innan flaskhalsmaskinen kan återuppta arbetet efter att maskin Mi driftsätts igen. Om istället flaskhalsmaskinen befinner sig före studerad maskin i flödet gäller det nedersta villkoret och uttrycket beskriver hur lång tid det tar innan Mb har fyllt all buffert mellan sig och maskin Mi alltså innan flaskhalsmaskinen blir blockerad. Detta är då den kritiska

stopptiden eftersom Mb kan återuppta produktion så fort maskin Mi är återställd och driftsätts.

Metoden beskriven ovan kan endast tillämpas i en seriell lina, om linan vore komplex där det varierar huruvida en maskin ligger senare eller tidigare i flödet i relation till flaskhalsmaskinen skulle också uträkningarna bli mer komplexa. (Gu, et al., 2015)

3.1.3 Faktor för påverkan på flaskhals

Enligt Li och Ni finns det många studier utförda i vilka man studerar olika faktorer som påverkar flödet i ett produktionssystem där flödet är en viktig parameter för effektiviteten i systemet. (Li & Ni, 2009) Vidare menar författarna också att de flesta delar åsikten att effektivitetshöjningar på en

flaskhalsutrustning kommer leda till en avsevärd ökning av flödet i systemet. Därav följer att man kan värdera maskinstörningar på en produktionslina baserat på hur mycket de påverkar flaskhalsen. För att göra detta har de tagit fram något de väljer att kalla bottleneck impact factor vilket beräknas med hjälp av förhållandet mellan genomflödets förändring i en utrustning kontra hela systemet. Flaskhalsen (k) identifieras som den maskin som kommer bidra till störst påverkan på systemets genomflöde. Systemet innehåller n antal maskiner med n-1 buffert där ΔTPsys,i är ökningen av flödet i systemet på grund av minskad driftstoppstid för maskin i och ΔTPi är genomflödesökningen för maskin i.

∆𝑇𝑃

∆𝑇𝑃

= 𝑚𝑎𝑥 ( ∆𝑇𝑃

∆𝑇𝑃

, ∆𝑇𝑃

∆𝑇𝑃

, … , ∆𝑇𝑃

∆𝑇𝑃

)

11

TPsys är en funktion av alla enskilda maskiners genomflöde samt variationerna av buffertar (B) över tid, enligt ekvation:

𝑇𝑃

(𝑡) = 𝑓(𝑇𝑃

(𝑡), … , 𝑇𝑃

(𝑡), 𝐵

(𝑡), … , 𝐵

(𝑡))

Detta innebär att ΔTPsys,i/ΔTPi är påverkansfaktorn för flaskhalsen av maskin i, vilket ger den effekt maskinen har på systemets prestanda. Ju högre faktor desto mer kritisk är maskinen för systemet.

3.1.4 Prioriteringsmetod för underhållsarbete

OTE eller Overall Throughput Effectiveness är ett mätetal framtaget av Muthiah och Huang (Muthiah &

Huang, 2007) som ett sätt att identifiera flaskhalsar i ett produktionssystem. OTE erhålls genom att studera OEE för varje enskild utrustning i ett system. OTE jämför verkligt genomflöde i systemet med vad det maximala genomflödet (teoretiska) för systemet är. En förenklad formel för OTE presenteras i

ekvationen nedan vilken kan jämföras med ekvationen för OEE (Durán & Durán, 2019).

𝑂𝐸𝐸 = 𝑉𝑒𝑟𝑘𝑙𝑖𝑔𝑡 𝑔𝑒𝑛𝑜𝑚𝑓𝑙ö𝑑𝑒 (𝑠𝑡)𝑖 𝑢𝑡𝑟𝑢𝑠𝑡𝑛𝑖𝑛𝑔𝑒𝑛 𝑇𝑒𝑜𝑟𝑒𝑡𝑖𝑠𝑘𝑡 𝑔𝑒𝑛𝑜𝑚𝑓𝑙ö𝑑𝑒 (𝑠𝑡)𝑖 𝑢𝑡𝑟𝑢𝑠𝑡𝑛𝑖𝑛𝑔𝑒𝑛

𝑂𝑇𝐸 = 𝑉𝑒𝑟𝑘𝑙𝑖𝑔𝑡 𝑔𝑒𝑛𝑜𝑚𝑓𝑙ö𝑑𝑒 (𝑠𝑡) 𝑖 𝑠𝑦𝑠𝑡𝑒𝑚𝑒𝑡 𝑇𝑒𝑜𝑟𝑒𝑡𝑖𝑠𝑘𝑡 𝑔𝑒𝑛𝑜𝑚𝑓𝑙ö𝑑𝑒 (𝑠𝑡)𝑖 𝑠𝑦𝑠𝑡𝑒𝑚𝑒𝑡

Genom att studera utrustningens variation i tillgänglighet menar författarna Durán och Durán att en påverkansfaktor för utrustningen kan erhållas enligt:

𝑃å𝑣𝑒𝑟𝑘𝑎𝑛𝑠𝑓𝑎𝑘𝑡𝑜𝑟 = (𝑂𝑇𝐸

− 𝑂𝑇𝐸

) 𝑂𝑇𝐸

Desto högre värde på påverkansfaktor desto större är systempåverkan av förändringar i tillgängligheten för en studerad utrustning. för att värdet på OTE ska vara tillförlitligt krävs det att man använder vidareutvecklade varianter av ursprungsekvationen där man tar hänsyn till såväl kvalitetsutbyte, cykeltider för olika produktvarianter som variantandelar. Dessutom krävs det att man tar hänsyn till konfigurationen på produktionslinan om det exempelvis finns stationer med parallell utrustning. Denna fördjupning i uträkningarna är ej nödvändig att ta med i detta arbete men står att läsa om i Prioritization of Physical Assets for Maintenance and Production Sustainability (Durán & Durán, 2019).

12 3.2 Övriga begrepp

I följande avsnitt tas begrepp upp som anses behöva en något djupare beskrivning än vad som gavs i ordlistan i inledande del av rapporten.

3.2.1 Overall Equipment Effectiveness

Overall Equipment Effectiveness, OEE, är ett mätetal för utrustningseffektivitet och bestäms med tre faktorer: Tillgänglighet, Anläggningseffektivitet och Kvalitetsutbyte. Ofta används OEE som ett nyckeltal för att jämföra effekterna av genomförda förbättringsarbeten samt påvisa aktuellt nuläge för hela eller delar av ett produktionssystem. Det är ett lämpligt verktyg för automatiska och semiautomatiska produktionssystem då det kräver en bestämd ideal cykeltid för alla maskiner och inte tar hänsyn till bemanningsbehovet. I Sverige så kallas OEE ofta för TAK som är en förkortning av faktorerna på svenska.

OEE och dess faktorer beräknas enligt Figur 4. (Bellgran & Säfsten, 2005)

Figur 4, OEE; Här visualiseras hur den värdeadderande driftstiden tas fram från den tillgängliga tiden genom att ta bort de förluster som finns i processen med hjälp av OEE. ”Ej driftstid” omfattar exempelvis utrustningshaverier och omställningar, ”hastighetsförluster” kan handla om småstopp eller maskiner som arbetar med reducerad hasighet och ”defekta” kommer ifrån antalet kassationer. (Bellgran & Säfsten, 2005)

13 3.2.2 Kapacitet

Begreppet kapacitet kan definieras som nivån på förmåga att utföra en aktivitet under en tidsperiod (Bellgran & Säfsten, 2005). Även om definitionen kan tyckas enkel så är inte innebörden alltid det då det finns flera typer utav kapacitet som lätt blandas ihop, särskilt när man talar om olika grader av

utnyttjande. Ett sätt att skilja på dessa typer är att dela in dem i fyra nivåer, maximal kapacitet, nominell kapacitet, bruttokapacitet och nettokapacitet (se illustration i Figur 5). (Mattson, 2012)

Figur 5, Kapacitet; Sambanden mellan de olika kapacitetsbegreppen visualiseras i figuren (Mattson, 2012).

Maximal kapacitet - Kapaciteten som verksamheten har om produktionen är igång varje dag, dygnet runt.

Nominell kapacitet - Den kapacitet som verksamheten beräknar att de har tillgänglig att använda.

Nominell kapacitet beräknas genom fyra faktorer vilka är antal maskiner/produktionsenheter i gruppen, antal skift per dag, antal timmar per skift och antal arbetsdagar per planeringsperiod.

Bruttokapacitet - Avser den nominella kapaciteten minus kapacitetsbortfall, exempelvis i form av maskinproblem, underhåll och väntetid på material.

Nettokapacitet - Den kapacitet som kan användas för att utföra den planerade produktionen. Avser bruttokapaciteten minus ej planerad tillverkning som till exempel omarbetning.

14

15

4 Genomförande

Under detta kapitel presenteras hur den matematiska formeln togs fram och hur verktyget som ska överlämnas till företaget skapades. Även hur kritisk driftstoppstid kan kombineras med den framtagna matematiska formeln för att ta hänsyn till buffertar undersöks.

4.1 Skapande av matematisk formel

I flödet så finns det, som tidigare beskrivits, en blandning utav seriella- och parallella flöden. Redan från start bestämdes det att det vore önskvärt att ta fram ett mätetal för varje parallell maskin. Har man sedan ett tal för varje maskin så blir det betydligt lättare att jämföra dem emot varandra, det faktum att metoden i slutändan blir lättanvänd är viktigt för beställaren. Mätetalet döptes till påverkansfaktor, PF, då den ska ge en indikation på hur ett stopp i en maskin påverkar hela linans output. För att bestämma PF så är det inte fokus på hur stor andel av tiden en maskin står stilla utan vad effekten blir när den väl gör det och därav är det skillnaden i output som är intressant.

Eftersom indata från företaget som kan användas för att undersöka detta består av cykeltidsmätningar är målet att skapa en matematisk beräkning av PF med avseende på just CT. Att direkt utforma formeln utifrån cykeltid kändes onaturligt och svårhanterligt, därför gjordes till en början ett räkneexempel där output genom ett antal parallella maskiner beräknades över tid. Syftet med detta var att visualisera och beräkna den tappade outputen genom att ta bort en av maskinerna i taget och på så sätt beräkna deras individuella påverkan. I nästa steg så infördes CT och kunde då testas mot resultatet från det tidigare utförda räkneexemplet.

För att exemplifiera hur matematiken kan appliceras mot verkligheten kommer exempel att tas fram vid behov och en teoretisk produktionslina skapas därför kallad Produktionslina X utformad enligt Figur 6.

Produktionslina X har liksom DMAHH ett serie-parallellt flöde.

Figur 6, Produktionslina X; Teoretisk produktionslina skapad för att användas vid exempelberäkningar. Består utav både seriella och parallella flöden.

16 4.1.1 Teckenförklaring för beräkningar

Beskrivning Förkortning

Kapacitetspåverkan KP

Påverkansfaktor PF

Genomsnittlig påverkansfaktor GPF

Cykeltid CT

Flaskhalscykeltid FCT

Antal fungerande maskiner på stationen k

Station i

Artikelvariant j

Volymandel V

Kritisk driftstoppstid KDT Kritisk driftstoppstid med avseende på

påverkansfaktorn KDT

Tabell 1, Variabelförteckning; Förtydligande av använda variabler och deras förkortningar.

4.1.2 Steg 1: Beräkning av påverkan på output över en bestämd tidsperiod, KPF

Räkneexemplet baseras på Produktionslina X, Station A och följande förutsättningar ansätts för exemplet:

Station A förväntas producera en detalj var 6:e sekund vilket blir takten för processen och de individuella maskinernas cykeltider är som följande.

𝐶𝑇

= 18 𝑠 𝐶𝑇

= 14 𝑠 𝐶𝑇

= 17 𝑠

Över en tidsperiod på 600 sekunder kommer respektive station att producera enligt följande:

𝑂𝑢𝑡𝑝𝑢𝑡 = 𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑 𝐶𝑦𝑘𝑒𝑙𝑡𝑖𝑑𝑒𝑛 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 = 600

18 = 33,3333. . 𝑠𝑡 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 = 600

14 = 42,8571. . 𝑠𝑡 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 = 600

17 = 35,2941. . 𝑠𝑡

𝐴

= 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 + 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 + 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 = 33,3333. . +42,8571. . +35,2941. . = 111,4845. . 𝑠𝑡 𝐹ö𝑟𝑣ä𝑛𝑡𝑎𝑑 𝑜𝑢𝑡𝑝𝑢𝑡 = 𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑

𝑇𝑎𝑘𝑡 = 600

6 = 100 𝑠𝑡

Beräkningen visar att station A har en överkapacitet då alla maskiner arbetar och kan producera ungefär 11 detaljer fler än vad som förväntad output under 600 sekunder.

17

Nu undersöks effekten när en av maskinerna upplever driftstopp under tidsperioden och hur väl Station A klarar av att leverera förväntad output under samma tidsperiod:

𝐴

𝑢𝑡𝑎𝑛 𝐴

= 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 + 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 = 42,8571. . + 35,2941. . = 78,1512. . 𝑠𝑡 𝐴

𝑢𝑡𝑎𝑛 𝐴

= 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 + 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 = 33,3333. . + 35,2941. . = 68,6274. . 𝑠𝑡 𝐴

𝑢𝑡𝑎𝑛 𝐴

= 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 + 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 = 33,3333. . + 42,8571. . = 76,1904. . 𝑠𝑡

Resultatet visar att station A inte klarar av att uppnå den förväntade outputen vid driftstopp på någon av maskinerna och att deras individuella cykeltider leder till varierad effekt. Därefter undersöks hur förlusten av en maskin har påverkat stationens kapacitet jämfört med den förväntade kapaciteten i procent:

𝐾 𝑢𝑡𝑎𝑛 𝐴

= 𝐾𝑣𝑎𝑟𝑣𝑎𝑟𝑎𝑛𝑑𝑒 𝑘𝑎𝑝𝑎𝑐𝑖𝑡𝑒𝑡 𝑢𝑡𝑎𝑛 𝐴

= 𝐴

𝑢𝑡𝑎𝑛 𝐴

𝐹ö𝑟𝑣𝑎𝑛𝑡𝑎𝑑 𝑜𝑢𝑡𝑝𝑢𝑡

𝐾 𝑢𝑡𝑎𝑛 𝐴

= 78,1512. .

100 = 0,781512..

𝐾 𝑢𝑡𝑎𝑛 𝐴

= 68,6274. .

100 = 0,686274..

𝐾 𝑢𝑡𝑎𝑛 𝐴

= 76,1904. .

100 = 0,761904..

Genom att subtrahera K utan An från 1 kan kapacitetsförlusten, KPn, vilket är vad som eftersöks beräknas:

𝐾𝑃

= 𝐾𝑎𝑝𝑎𝑐𝑖𝑡𝑒𝑡𝑠𝑝å𝑣𝑒𝑟𝑘𝑎𝑛 𝑓ö𝑟 𝑠𝑡𝑎𝑡𝑖𝑜𝑛 𝑛 = 1 − 𝐾 𝑢𝑡𝑎𝑛 𝐴

𝐾𝑃

= 1 − 0,781512. . = 0,218487. . ≈ 21,85 % 𝐾𝑃

= 1 − 0,686274. . = 0,313726. . ≈ 31,37 % 𝐾𝑃

= 1 − 0,761904. . = 0,238096. . ≈ 23,81 %

För att sammanfatta de beräkningar som gjorts under steg 1 skulle härledningen för KPA1 se ut enligt följande ekvation:

𝐾𝑃

= 1 − 𝐾 𝑢𝑡𝑎𝑛 𝐴

= 1 − 𝐴

𝑢𝑡𝑎𝑛 𝐴

𝐹ö𝑟𝑣ä𝑛𝑡𝑎𝑑 𝑜𝑢𝑡𝑝𝑢𝑡 = 1 − 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 + 𝐴

𝑜𝑢𝑡𝑝𝑢𝑡 𝐹ö𝑟𝑣ä𝑛𝑡𝑎𝑑 𝑜𝑢𝑡𝑝𝑢𝑡 =

= 1 −

𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑

𝐶𝑇

+ 𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑 𝐶𝑇

𝐹ö𝑟𝑣ä𝑛𝑡𝑎𝑑 𝑜𝑢𝑡𝑝𝑢𝑡 = 1 −

𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑

𝐶𝑇

+ 𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑 𝐶𝑇

𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑

𝑇𝑎𝑘𝑡

18

4.1.3 Steg 2: Beräkning av påverkan på output över en flaskhalscykel, PF

Beräkningsmetoden som togs fram i steg 1 ger korrekta resultat i enlighet med vad som eftersökts men att räkna med output över en bestämd tidsperiod tar onödiga steg att beräkna och därför undersöks om formeln går att förenkla genom att ansätta tidsperioden till en cykel för flaskhalsen (FCT). Det innebär att både den tillgängliga tiden och takten blir sex sekunder och KP döps om till påverkansfaktorn PF:

𝑃𝐹

= 1 −

𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑

𝐶𝑇

+ 𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑 𝐶𝑇

𝑇𝑖𝑙𝑙𝑔ä𝑛𝑔𝑙𝑖𝑔 𝑡𝑖𝑑

𝑇𝑎𝑘𝑡

= 1 − 6 14 +

6 17 6 6

= 1 − 93 119

1 =

= 1 − 93

119 = 0,218487. . ≈ 21,85 %

Resultatet blev detsamma vid jämförelse av en tidperiod på 600 och 6 men genom att använda FCT som tidsperiod och takt kan en generell formel för PFi beskrivas enligt Ekvation 2.

𝑃𝐹

= {

100 % 𝑜𝑚 𝑘 < 1

1 − ∑ 𝐹𝐶𝑇

𝐶𝑇

𝑘

𝑛=1 𝑛≠𝑖

𝑜𝑚 𝑘 ≥ 1

För att beräkna PF för station i ska alltså summan av FCT dividerad med CT för de fungerande

maskinerna beräknas från den första maskinen där n=1 tills n=k, vilket är antalet fungerande maskiner.

Eftersom PFi beskriver påverkan av att maskin i står stilla så ska CTi inte tas med i beräkningen. Då k är mindre än ett så innebär det att det inte finns några fungerande maskiner på stationen vilket i sin tur leder till att hela flödet stannar upp, påverkansfaktorn blir då 100 % och på så sätt undviks division med noll. Om PF antar ett värde mindre än noll ska det tolkas som att det fortfarande finns en överkapacitet på stationen och påverkan på flaskhalsen är då obefintlig.

4.1.4 Steg 3: GPF för enskild station

En station som kör flera varianter med olika CT och FCT kommer att få ett PF värde för varje variant och för att kunna bedöma den genomsnittliga påverkan som stationen har så beräknas genomsnittliga påverkansfaktorn, GPF. För den beräkningen krävs information om hur stor del av den totala volymen som varje variant står för och den volymandelen döps till V.

Anta att produktionslina X har 3 varianter där man totalt producerar 10 artiklar per dag bestående av 7 stycken av variant 1, 2 stycken av variant 2 och 1 stycken variant 3. Det ger att V1 = 7/10 = 0,7, V2 = 2/10 = 0,2 och V3 = 1/10 = 0,1.

När PF för varje enskild variant på en station och V för varianterna i produktionslinan beräknats så kan GPF tas fram. Genom att multiplicera PF för en variant, exempelvis PFA, med volymandelen för den varianten, VA, får man ut hur stor andel av tiden som den påverkansfaktorn är gällande. Dessa värden adderas ihop för varje variant och ger det viktade genomsnittet GPF.

𝐺𝑃𝐹

= ∑ 𝑃𝐹

∗ 𝑉

𝑛

𝑗=1

Ekv. 3

19

Station A på produktionslina X tillverkar 3 varianter (1, 2 och 3).

Påverkansfaktorerna för varianterna är PFA1 = 0,25, PFA2 = 0,13 och PFA3 = -0,02.

Volymandelen för varianterna är V1 = 0,7, V2 = 0,2 och V3 = 0,1.

GPFA = 0,25 * 0,7 + 0,13 * 0,2 + -0,02 * 0,1 = 0,199 ≈ 20 %

GPF bör nu ge en mer rättvisande bild av individuella stationers påverkan på output än PF då hänsyn till variationer mellan varianter tas med i beräkningen. Den här faktorn kan nu användas för att värdera stopptider mellan samtliga stationer på en produktionslina och är ett verktyg för att omvandla stopptid till genomsnittlig maximal påverkan på output genom att multiplicera GPFi med stopptiden på station i.

Station A har GPFA = 0,199 och stopptid under en vecka på 14 min. Station C har GPFC = 0,1 med stopptid på 25 min under samma period. Frågan är vilken station har påverkat output mest och hur ska underhållsresurserna prioriteras?

Station A: 0,199 * 14 = 2,786 min Station C: 0,1 * 25 = 2,5 min

Exemplet ovan visar hur GPF kan användas för att värdera stopptid mellan olika stationer och att även fast station C har mer stopptid och kan upplevas som mer av ett problem än station A så är det högre prioritet att hålla maskinerna på station A i drift med avseende på deras påverkan på output. Det visar också vilken skillnad det blir mellan stopptiden på stationen och hur det påverkar hela linans effektivitet utifrån vilken GPF som stationen har, särskilt när den är så låg som i exemplet.

4.1.5 Steg 4: GPF över tid, tillgänglighetspåverkan

För att uppnå målet att skapa ett verktyg för att beräkna stopptid på en maskins påverkan på linans output så bör GPF kunna användas för att skapa ett verktyg. Det som kvarstår är om och hur det kan testas mot verkligheten och ifall det går att använda för att verifiera stopptiden som rapporterats av produktionen.

Beroende på vilken typ utav data som finns tillgänglig så har två alternativa lösningar identifierats:

• Alternativ 1 - Tillgänglighet

Tillgänglighet används som tidigare beskrivet normalt för att mäta hur stor andel av den planerade tiden som en maskin körs efter hur mycket stopptid den har. Om man istället tar 1-tillgängligheten så får man istället andelen av den planerade tiden som maskinen haft stopp. Andelen av tiden som är stopptid har en direkt påverkan på output och genom att multiplicera en stations andel av stopptid med dess GPF så kan man uppskatta det teoretiska bortfallet av output.

𝑇𝑒𝑜𝑟𝑒𝑡𝑖𝑠𝑘𝑡 𝑚𝑖𝑛𝑠𝑘𝑎𝑑 𝑜𝑢𝑡𝑝𝑢𝑡 = 𝐺𝑃𝐹

∗ (1 − 𝑇

)

• Alternativ 2 – Stopptidsstatistik

Finns inte siffror över maskinernas tillgänglighet dokumenterad så är ett annat sätt att komma fram till samma resultat att sammanställa stopptidsstatistiken över en bestämd tidsperiod för en maskin.

GPF multiplicerat med andelen stopptid av den nominella kapaciteten för den avsedda tidsperioden kommer ge den teoretiskt minskade outputen.

𝑇𝑒𝑜𝑟𝑒𝑡𝑖𝑠𝑘𝑡 𝑚𝑖𝑛𝑠𝑘𝑎𝑑 𝑜𝑢𝑡𝑝𝑢𝑡 = 𝐺𝑃𝐹

∗ 𝑆𝑡𝑜𝑝𝑝𝑡𝑖𝑑

𝑁𝑜𝑚𝑖𝑛𝑒𝑙𝑙 𝑘𝑎𝑝𝑎𝑐𝑖𝑡𝑒𝑡

20 4.2 Skapandet utav verktyget

Som nämnts tidigare så används en standard skapad i Excel för mätningar av cykeltider och då CT är den primära indata som kommer att behövas för att ta fram PF så valdes Excel som programvara för att skapa verktyget. Att få verktyget att efterlikna hur företaget idag dokumenterar CT (se Tabell 2) i så stor

utsträckning som möjligt prioriteras för att öka användarvänligheten då verktyget ska uppdateras när nya mätningar utförs i framtiden. Med hjälp av informationen från den senaste cykeltidsmätningen finns information om varje maskins CT och FCT för samtliga artikelvarianter men det som saknas för att beräkna PF enligt Ekvation 2 är att parallella stationer behöver identifieras samt antalet parallella maskiner på respektive station. Den informationen behöver anges manuellt för den undersökta linan.

Volymandelen för de olika varianterna ska också anges som indata och kan antingen matas in som individuell volymandel för respektive variant eller så kan den anges för respektive variantfamilj beroende på vilken information man har (se Tabell 3). All indata som behövs samlas på ett separat kalkylblad i Excel-filen kallad just Indata.

Artikelbenämning Artikelfamilj OP 20.1

OP 20.2

OP 30.1

OP 30.2

OP 30.3

OP 40.1

OP 40.2

OP

120 CT Flaskhals 1.1

1

56,00 56,00 61,33 61,33 61,33 72,50 72,50 53,00 72,50 1.2 56,00 56,00 61,33 61,33 61,33 72,50 72,50 53,00 72,50 1.3 56,00 56,00 61,33 61,33 61,33 72,50 72,50 53,00 72,50 1.4 56,00 56,00 61,33 61,33 61,33 72,50 72,50 53,00 72,50 Tabell 2, Cykeltidsrapportering; Tabellen visar ett exempel över hur cykeltiden i sekunder rapporterats för artikelfamilj 1 för ett urval av operationerna. Som tidigare nämnts så rapporteras inte de individuella cykeltiderna på parallella maskiner utan ett snitt för stationen presenteras, detta kan ses i tabellen på både OP 30 och 40 som är parallella och har samma cykeltider för samtliga maskiner. OP 40.1 och 40.2 är i detta fall flaskhalsutrustningen då deras cykeltid är den längsta och därav samma tid som står i sista kolumnen ”CT Flaskhals”.

Familj Artikel Parallella stationer Antal parallella maskiner

16,94%

4,24% Alla linjära 1

4,24% OP 30 3

4,24% OP 40 2

4,24% OP 50 2

Tabell 3, Övrig Indata; Tabellen visar hur övriga nödvändiga indata för beräkningarna presenteras i verktyget, volymandelen står representerad för både familj och uppdelat på artikel.

Med införd information så kan PF beräknas för varje maskin och variant med hjälp av Ekvation 2 och presenteras i en tabell med samma utformning som cykeltiderna, se Tabell 4. Genom att cellreferera vid beräkningen och presentera PF på ett nytt kalkylblad så är det möjligt att ändra eller uppdatera all indata utan att störa beräkningarna. För att beräkna PF så används CT, FCT samt antalet parallella stationer. På samma blad presenteras också GPF som är det viktade medelvärdet för varje maskin oavsett variant och för att beräkna den används volymandelen. GPF kan då användas för att approximera påverkan som uppstått när maskiner haft stopptid om man inte har information om vad som produceras eller har producerats vid stoppet.

21

Artikelbenämning Artikelfamilj OP 20.1 OP 20.2 OP 30.1 OP 30.2 OP 30.3 OP 40.1 OP 40.2 OP 120 1.1

1

100,00% 100,00% 21,19% 21,19% 21,19% 50,00% 50,00% 100,00%

1.2 100,00% 100,00% 21,19% 21,19% 21,19% 50,00% 50,00% 100,00%

1.3 100,00% 100,00% 21,19% 21,19% 21,19% 50,00% 50,00% 100,00%

1.4 100,00% 100,00% 21,19% 21,19% 21,19% 50,00% 50,00% 100,00%

GPF 100,00% 100,00% 27,38% 27,38% 27,38% 47,93% 47,93% 100,00%

Tabell 4, Presentation av påverkansfaktorer; På liknande sätt som cykeltiden presenteras på fliken för indata presenteras här PF för varje operation och variant. I sista raden presenteras GPF för operationen som representerar det viktade genomsnittet av PF för alla varianter. Det går att se att samtliga seriella maskiner får en PF och GPF på 100 % och att de parallella maskinerna får en lägre påverkan beroende på hur mycket ledig kapacitet som

stationen har. OP 40 är till exempel flaskhalsen för artikelfamilj 1 vilket gör att de båda stationerna får en PF på 50

% eftersom det inte finns någon ledig kapacitet. På samma sätt får OP 30 en PF lägre än 33 % då det där finns ledig kapacitet i ursprungsläget.

För att underlätta vid påverkansberäkningar utifrån stopptidshistorik så skapades en flik (se Tabell 5) för att göra egna beräkningar. Där kan den sammanlagda stopptiden för vald tidsperiod matas in för varje maskin. Den stopptiden korrigeras med hänsyn till GPF för att ta fram den teoretiskt påverkande stopptiden.

Maskin GPF Rapporterad stopptid Påverkande stopptid Differens

OP 20.1 100,00% 0,00 0,00

OP20.2 100,00% 0,00 0,00

OP 20.3 100,00% 0,00 0,00

OP 20.4 100,00% 0,00 0,00

OP 30.1 27,38%

10,13 26,87

OP 30.2 27,38%

13,69 36,31

OP30.3 27,38% 0,00 0,00

OP 40.1 47,93% 0,00 0,00

OP40.2 47,93% 0,00 0,00

OP 50.1 49,09% 0,00 0,00

OP 50.2 49,09% 0,00 0,00

OP 55.1 34,43% 0,00 0,00

OP 55.2 34,43% 0,00 0,00

OP 60 100,00% 0,00 0,00

OP 70 100,00% 0,00 0,00

OP 80.1 34,29% 0,00 0,00

OP 80.2 34,29% 0,00 0,00

OP 90 100,00% 0,00 0,00

OP 100 100,00% 0,00 0,00

OP 120 100,00% 0,00 0,00

Totalt 87,00 23,82 63,18

Tabell 5, Stopptidsanalys; Tabellen visar hur stopptid kan analyseras med hjälp av GPF. Som exempel har fiktiva siffror i rött införts under ”Rapporterad stopptid” för OP 30.1 och 30.2 för att påvisa vad den påverkande stopptiden blir och hur verktyget kan användas.