Während der Verfügbarkeits- und auch der Qualitätsfaktor für den Zweck der OEE-Optimierung relativ einfach zu messende Parameter darstellen, stellt der Leistungsfaktor viele Unternehmen vor eine Herausforderung. Das Konzept der best-demonstrierten Zykluszeit in Kombination mit einer granularen Outputmessung löst dieses Problem für Unternehmen jedoch auf einfache Weise.
Die Besonderheit des Leistungsfaktors der OEE besteht darin, dass dieser gegen einen Erwartungswert gemessen werden muss. Die Frage ist also, welchen Output erwarte ich pro Zeiteinheit kontinuierlicher Produktion – also ohne Stillständen und defekte Produkte – und welchen Output erzeugt die Anlage tatsächlich. Diese beiden Werte ins Verhältnis gesetzt, beschreibt den Leistungsfaktor der OEE.
Typenschild Kapazität
Eine einfache Möglichkeit der Definition des erwarteten Outputs ist die “Typenschild Kapazität”, also die Aussage des Herstellers der Anlage, wie schnell sie jedes beliebige Produkt fertigt. Für bestimmte Szenarien ist diese Angabe tatsächlich von großer Bedeutung – wenn beispielsweise Produkte auf einer Anlage gefertigt werden, für die diese ursprünglich nicht ausgelegt war. Kommt es in diesem Setup zu großen Abweichungen zwischen der möglichen Ausbringung der Anlage und der tatsächlichen Ausbringung des produzierten Produktes, reicht der auf diese Weise identifizierte Leistungsverlust für einen ersten großen Optimierungsschritt aus. Tatsächliche produktabhängige Unterschiede in den Zykluszeiten lassen sich durch diesen Ansatz jedoch nicht in die Optimierung einbeziehen.
Herausforderung produktabhängiger Zykluszeiten
In der betrieblichen Praxis besteht der Bedarf häufig darin, die Leistungsverluste produktabhängig zu identifizieren. In diesem Szenario wird eine produktspezifische Vorgabegeschwindigkeit zur Berechnung des Leistungsfaktors benötigt. Im Fall der Fertigung großer Stückzahlen wird dieser Wert in Abteilungen mit der Bezeichnung “Arbeitsvorbereitung” oder “Industrial Engineering” entweder aus Erfahrungswerten oder durch Zeitstudien ermittelt. Gründe, warum auf diese Weise generierte Werte nicht der Shopfloor-Realität entsprechen, können vielfältig sein:
- Die Vorgabewerte waren Schätzungen und noch nie korrekt.
- Vorgabewerte werden im Zuge der Produktionsplanung zweckentfremdet, indem man sie nutzt, um die Planung um in der Realität nicht getroffene Produktionserwartungen zu korrigieren.
- Die Vorgabewerte wurden vor längerer Zeit gemessen, die Anlage oder die Umfeldbedingungen wurden jedoch seitdem verändert, so dass sie nicht mehr korrekt sind – wobei diese Abweichungen sowohl nach oben wie nach unten Realität sein können.
- Mitarbeiter haben nach erfolgter Bestimmung der Vorgabewerte durch Maßnahmen der kontinuierlichen Verbesserung einen geschickteren Weg des Anlagenbetriebs gefunden, so dass die ursprünglichen Vorgabewerte überboten werden.
Die obige Liste adressiert nur das Thema der tatsächlich fehlerhaften Vorgabewerte. Darüber hinaus ist es in der betrieblichen Praxis verbreitet, dass Mitarbeiter die Vorgabewerte unbewusst oder bewusst durch die Wahl der Betriebsparameter nicht einhalten – diese Herausforderung soll in diesem Beitrag jedoch nicht adressiert werden.
Best-demonstrierte Zykluszeit
Wie kommt man nun in großem Maßstab, also für viele Produkte, an verlässliche Vorgabewerte für das Planungssystem? Hier kommt die best-demonstrierte Zykluszeit als intelligente Analytikfunktion von oee.ai ins Spiel.
Auf Basis eines granularen Datenmodells, das den Anlagenzustand und die Anlagen-Performance in Minuten-Inkrementen endlos speichert, kann ein Algorithmus pro produzierter Materialnummer die best-demonstrierte Zykluszeit identifizieren. Dies geschieht über ein rollierendes Fenster, das sich über die Zeitreihe schiebt, und den historisch besten Zeitraum identifiziert. Dies ist in folgender Animation sichtbar. Der Graph repräsentiert die produzierte Stückzahl über die Zeit:
Dabei kann die Breite des Fensters definiert werden, um mit Sicherheit einen stabilen Zustands zu identifizieren. Zeiten schnellerer Zyklusfolgen mögen kurzfristig möglich sein, stellen jedoch keinen stabilen Zustand der Anlage dar. Abhängig vom Produktionsverfahren haben sich Fenster von 15 bis 30 Minuten als sinnvoll erwiesen.
Im Zuge des Einsatzes des Algorithmus werden Fenster nur berücksichtigt, in denen kein Verfügbarkeitsverlust aufgetreten ist. Findet der Algorithmus kein Fenster konstanter Produktion von z.B. 15 Minuten, deutet dies auf einen sehr instabilen Produktionsprozess hin, bei dem dann die Priorität der Optimierung tatsächlich nicht auf dem Leistungsfaktor, sondern auf der Prozessstabilität liegen sollte.
Die Ergebnisse des Algorithmus werden entweder per API oder csv zur Verfügung gestellt. Auf diese Weise können sie wieder in das Planungssystem eingespeist werden.
Mit dieser Technologie können die besten, tatsächlich produzierten Zykluszeiten für jedes einzelne Produkt aus der Vergangenheit einfach per Knopfdruck identifiziert und im Planungssystem genutzt werden – und dann in der nachfolgenden operativen Nutzung wieder in Echtzeit durch oee.ai bestätigt oder Abweichungen aufgezeigt werden.
Haben Sie Fragen zu diesem Vorgehen? Dann sprechen Sie uns gerne unter info@oee.ai an.