Üretim

Üretimde Zengin Veri

Neden Zengin Veri?

Buharlı makinaların icadı ile başlayan sanayi devrimi bugün itibariyle 4. aşamasını -evrimini- yaşıyor. Bilişim sistemleri ve biyoteknoloji alanında yaşanan gelişmeler dikkate alındığında biz 4. aşamayı henüz sindiremeden kendimizi 5. aşamaya girerken bulabiliriz.

Üretim yönetiminin başarısı standart KPI’larla (OEE, Iskarta, PPM vs. ) ölçülmeye devam edecek olabilir. Ancak sürekli güncellenen hedeflere ulaşabilmek için bu KPI’ları oluşturan proses girdilerini ölçmek ve analiz etmek gerekiyor. Aksi takdirde sonuçların takipçisi olmaktan öteye geçemeyiz.

Bir prosesin kontrol altında olması çıktısının kabul edilebilir limitler arasında olması anlamına gelir. Çıktıyı kontrol altına almak için proses girdilerinin neler olduğu, her birinin çıktıyı hangi seviyede ve hangi yönde etkilediğini bilmemiz gerekir. Ancak bu veriyi elde edebilirsek çıktıyı optimum yapan proses parametrelerini tayin eder ve sonrasında bu ideal durumun kontrol altına alabiliriz.

Nasıl Kullanırım?

Üretimde sayısız çıktı için zengin veriyi (yada büyük veri – big data) kullanabiliriz. Örneğin;

  • Çevrim zamanları (tekrar eden yada frekansiyel işlemler)
  • Duruş süreleri
  • Boyut
  • Sıcaklık
  • Kaplama kalitesi
  • Enerji tüketimi
  • Su Tüketimi
  • Doğalgaz tüketimi
  • Dolum oranı
  • Sertlik
  • Operatör performansı
  • Makina performansı
  • Hat performansı
  • Ayar süreleri
  • Akım değeri
  • Kaynak kalitesi
  • Döküm hatası
  • Tork
  • Aşınma
  • Akışkanlık

Örnekler daha da fazla çoğaltılabileceği gibi veri toplama ile bu verileri analiz etmek için kullanacağımız istatistiksel araçlar sektörden bağımsız olarak benzerdir. Sağlık malzemesi yada otomobil lastiği ürecisi de olsanız proses optimizasyonu için kullanacağınız araçlar birbirine benzer.

  • Proses Yeterliliği (Capability Analysis)
  • Deney Tasarımı (DOE)
    • Tam Fakroriyel
    • Cevap Yüzeyi
    • Taguchi
  • Regresyon
  • ANOVA
  • Hipotez Testleri
  • Grafikler
    • Bar
    • Boxplot
    • Scatter
    • Radar
    • Multi-Vary
    • Interaction
    • Histogram

İstatistiksel araçlara hakimiyet; hangi aracın nerede kullanılabileceğini bilmek demektir. Analizi gerçekleştirmek kadar bunu kullanıcıya anlaşılır şekilde sunmakta “mimari” becerisi ister. Yaptığımız çalışma sonrasında elde ettiğimiz çıkarımlar bizden başka kimseyi ilgilendirmiyorsa etkili sunum hedefine ulaşamadığımız anlaşılabilir. Ancak özellikle üretim gibi kitlesel faktörlerin etkin olduğu durumlarda insanlara sonuçlarımızı anlaşılır halde sunmamız gerekir.

Nasıl faydalanırım?

Üretim de temel seviyede hedef; ürünleri müşterinin talep ettiği kalitede, müşterinin talep ettiği sürede ve yine müşteriyi tatmin eden fiyat ile üretmektir. Bu 3 faktör bir üreticinin sektöründe hangi seviyede bulunacağını tayin eder. Tabi ki bunu sağlamak söylemek kadar kolay değil. Bu 3 faktör her ne kadar değişmiyor olsa da her biri için sürekli hedefler yenilenir. Bu yıl sektörde pastanın en büyük dilimine sahip olmanız  -eğer sürekli iyileştirme kültürünüz yok ise- önümüzdeki yıl aynı başarıya sahip olacağınızı göstermez. Tabi ki bu gerçek tersi durum için de geçerli.

Sadece potansiyel müşterileri elde etmek değil elimizdeki müşterileri kaybetmemek için de sürekli iyileştirme kültüründen vazgeçmemeliyiz. Dün sektörde tekel olan birçok firma, bilginin kolay ulaşılabilirliği ve teknolojideki gelişmeler sayesinde rakiplerinin baskısını artık daha fazla hissediyorlar.

Fotoğraf deyince aklımıza belkide ilk gelen 1996 da dünyanın en değerli 4. markası seçilen Kodak olur. Ancak dünya genelinde 145.000 çalışanı olan Kodak dijitalleşme ile birlikte ortaya çıkan alternatifleriyle mücadele edemeyerek 2012 yılında iflasını açıkladı.

Bugünün dünyasında zirveye ulaşmak kadar orada kalmakta zor. Geleneksel şirketler ancak güncellenen müşteri beklentilerine uyum sağlayacak esnek yapılara dönerek ayakta kalabilirler.

Çevrim Zamanı

Üretim yapan her işletmede urun başına maliyetin büyük bir bölümü Çevrim Zamanı ile ilişkilidir. İşçilik, birim ürün başına enerji tüketimi, stok miktarları, makine amortismanları gibi birçok maliyet girdisi çevrim zamanı ile azalır yada artar.

Standart çevrim zamanı; bir prosesin normal tempoda, potansiyel performans kayıpları da dikkate alınarak gözlenen ve hesaplanan tamamlanma sıklığıdır. Bu süre hesaplanırken proseste belli frekanslarda tekrarlanan işlerde hesaba katılır. Örneğin bir paketleme prosesinde her 10 kutuda bir malzeme çekme işlemi gerçekleşiyorsa, bu işlem için geçen süre 10’a bölünerek standart süreye eklenir.

Aşağıdaki tabloda plastik enjeksiyon ile imalat yapan bir işletmede çevrim zamanı değerlerini görüyoruz. Ardışık 415 adet parçanın (yaklaşık 4.5 saat) çevrim zamanı ölçülerek ortalama çevrim zamanı 39.47 sn olarak tespit edilmiş. Peki bu veri bize ne kadar katkı sağlar?

Görsel-1

Elimizdeki 415 adet veriyi uygun araçlarla analiz edersek bize katma değer sağlayacak aksiyonun tespiti için yol gösterebilir. Gorsel-2’de verilerin dağılımını yorumlayan bir analist şu soruları sorar:

  1. 0.4729 standart sapma ile doğru planlama yapabilir miyim?
  2. Standart sapmayı düşürmek yani çevrim süresini daha kararlı hale getirmek için nasıl bir yol izlemeliyim?
  3. Yapacağım iyileştirme metot değişikliği mi olmalı? Yoksa gecikmeler için Hızlı Kaizen’ler mi yapmalıyım?
  4. Maksimum faydayı sağlamak için grafiğin hangi bölümüne odaklanmalıyım?

Görsel-2

Grafikte açıkça standart çevrim zamanını bozan küçük gecikmeler (Chokote) olduğunu görüyoruz. Genellikle bu tür küçük duruşlar kayıt altına alınmadığı için performans kayıpları olarak gözükür. Bu tür kayıplar incelendiğinde bant sıkışmaları, vakum problemi, parça düşmesi, basınç hatası gibi çözümü çokta zor olmayan birçok iyileştirme fırsatı ortaya çıkar.

Histogram ile çevrim zamanına benzer şekilde, enerji tüketimi, makine yada operatör başına üretim adedi,  yedek parça ömrü gibi birçok analiz yapılabilir.

Duruş Süreleri

Üretim yapan bir işletmede genellikle kayıpların büyük bir bölümü arıza kaynaklıdır. Günlük işlerle son derece meşgul olan bakım ekipleri kronik problemler için kökten çözüm arayışına zaman bulamadıklarından bazen itfaiyeci mantığıyla çalışarak günü kurtarmaktan öteye geçemezler.

Sürekli iyileştirmeyi içselleştirmiş işletmeler iyileştirme gruplarına (Odaklanmış Ekipler, Kaizen Takımları, 6 Sigma Ekipleri vs.) proje seçiminde çeşitli karar mekanizmaları kullanırlar. Karar mekanizmaları her zaman minimum kaynak kullanımı ile maksimum kazanç üzerine inşa edilir. Üretimde kesinti yaratan duruşlar kazanç için önemli fırsatlardır. Ancak bu fırsatları doğru tespit edebilmek için elimizde gerekli kırılımlara sahip istatistiki bilgiler olmalıdır.

Görsel-3

Elimizde Görsel-3’teki gibi bir veri olursa en büyük fırsatın nerede bulunduğunu bulmak çocuk oyuncağıdır. İyileştirme ekipleri harcayacakları enerjinin karşılığını olabilecek en üst seviyede almak için tıpkı bir sporcu gibi egzersiz aletini bu vitrinden seçebilirler.

Üretimde iyileştirme fırsatlarının önemli bir kısmı da Kalite Maliyetlerinde karşımıza çıkar. Proseslerde meydana gelen büyük varyasyonlar, kontrolün bizde olmadığı anlamında gelir ki bu durum büyük baş ağrıları yaratır. Kontrollü bir proses için çıktıyı etkileyen girdiler doğru tespit edilirse iyi tasarlanmış bir deney modeliyle kontrolü ele alabiliriz.

Görsel-4

Döküm prosesinde bu baş belası hatalardan biride Katmer‘dir. Akışkan metal, döküm kalıbını değişik yönlerden girerek doldurmaya çalışır. Herhangi bir nedenle farklı yönlerden gelen sıvı metal birbirine kaynayamaz ise soğuk birleşme hatası olur. Ortaya çıkan bu hataya ile katmer denir.

Aşağıdaki örnekte bir döküm işletmesinde katmer oluşumuna etki ettiği düşünülen parametreler Döküm Sıcaklığı ve Sıvı Metal Akış Hızı olarak öngörüldü.

Görsel-5

Bu 2 parametrenin Katmer oluşumuna etkisini ölçebilmek için prosesten anlık veri (her saniye 1 sıcaklık ölçümü) toplanarak her bir parça için çevrim zamanı boyunca (yaklaşık 120 sn) meydana gelen değişkenlik BoxPlot ile analiz edildi. Bu sayede çevrim süresi boyunca döküm sıcaklık aralığı tespit edildi.

Döküm Hızının ve Döküm Sıcaklığının Katmer oluşumuna ana etkileri ve 2 faktörün  olası etkileşiminin katmer oluşumuna etkisini görebilmek için denemeler 2 farklı akış hızında gerçekleştirildi (0.625-1 m^3/sn).

Her iki akış hızı ile yapılan denemelerde prosesten çıkan 36’şar parça üzerinde maksimum katmer büyüklüğü ölçüldü.

Görsel 6’da akış hızı 0.625 m^3/sn olduğu halde sıcaklığın anlık olarak düştüğü 25 ve 26. parçalarda katmer büyüklüğü 2.5 ve 4.2 mm olarak ölçüldü. Bu analiz sonucunda sıcaklık aralığı yükseltilebilir veya varyasyonun azaltılması yönünde çalışılabilirdi . 1. Yol için başka riskler ortaya çıkabilir 2. yol ise yatırım gerektirebilirdi.

Görsel-6

Akış hızının 1.0 m^3/sn olarak ayarlandığı ikinci deneyde üretilen 36 parçada ise; sıcaklığın anlık olarak limit değerlerinin dışına çıktığı durumlar olmasına rağmen tolerans dışında bir katmer tespit edilmedi.

Görünen o ki sıcaklıktaki anlık değişimler uygun hızla çalışıldığında -katmer hatası için- tolere edilebilir.

Görsel-7

Döküm Departmanı bu analizler ve anlık verinin sağladığı kontrol gücüyle müşteri şikayet riskini azaltmanın yanında sadece iç ıskartadan ötürü yılda yaklaşık 110.000 € tasarruf elde etmeyi planlıyor.

Proseslerimiz durmaksızın veri üretiyor. Veri Analistleri olarak bizler maliyet, kalite ve zamanında teslim çıktılarımızı ilgili parametrelerle doğru ilişkilendirebilir ve izlersek başarının bu 3 önemli anahtarını daima elimizde tutarız.

 

 

 

 

 

Yazar Hakkında

İlker Dikmen

Lean 6 Sigma Black Belt

Yorum Yap

Powered by themekiller.com anime4online.com animextoon.com apk4phone.com tengag.com moviekillers.com