Wskaźnik OEE z punktu widzenia realizacji zasad Kaizen i Lean Production

Czy mierzenie efektywności wykorzystania maszyn jest w polskich realiach standardem? W jaki sposób podchodzi się do tej kwestii w polskich fabrykach?

O ile z konieczności mierzenia wskaźnika OEE zdaje sobie sprawę coraz większa liczba zarządzających produkcją, o tyle trudno jest określić działania w tym zakresie mianem standardu. Z perspektywy bogatego doświadczenia wdrożeniowego naszej firmy mogę stwierdzić, że mamy raczej do czynienia ze standardami wewnętrznymi, charakterystycznymi dla każdej z firm, niż realnym, ustandaryzowanym podejściem w skali kraju. W każdej ze współpracujących z nami firm pracownicy są w stanie przedstawić wskaźnik efektywności produkcji, ale rzetelne porównanie ich pomiędzy dwoma niepowiązanymi przedsiębiorstwami jest trudne, ze względu na korzystanie z własnych algorytmów liczenia OEE. Wskazuje to na istnienie powszechnej świadomości wagi wskaźnika OEE w działaniach na rzecz poprawy efektywności produkcji przy jednoczesnej ignorancji (świadomej lub nie) w zakresie metodologii związanej z prawidłowym jego liczeniem. Jest jeszcze dużo do zrobienia w tym zakresie, a jednym z efektów wsparcia firmy DSR jest właśnie przekonywanie do stosowania odpowiednich europejskich i światowych norm takich jak ISO 22400.

Co daje nam wiedza wynikająca ze wskaźników OEE z punktu widzenia realizacji zasad Kaizen i Lean Production?

OEE to podstawowy wskaźnik pozwalający ocenić efektywność maszyn, w obecnych czasach jest on ściśle powiązany z konkurencyjnością przedsiębiorstwa. Dzięki temu wskaźnikowi możemy prowadzić działania doskonalące produkcję, skupiając się na obszarach o najniższym wskaźniku. Istotnym problemem, wpływającym na wiedzę płynącą z interpretacji OEE, jest sposób liczenia tego wskaźnika. Powszechnie przyjęty w Polsce, uproszczony sposób jego liczenia, polegający na liczeniu stosunku czasu produkcji dobrych jakościowo produktów do dostępnego czasu pracy maszyny pozwala na stwierdzenie konieczności doskonalenia, nie odpowiada jednak na podstawowe pytanie: co jest źródłem odchyleń i na czym należy się skupić przy doskonaleniu. Dokładna analiza przyczyn przestojów, awarii pozwala na optymalizację pracy konkretnej maszyny. Wskaźnik OEE widziany z innego poziomu zarządczego może wyglądać diametralnie różnie. Z punktu widzenia kierownika ośmiogodzinnej zmiany, któremu dano do wykonania konkretną partię towaru i wszystko poszło dobrze, wskaźnik OEE maszyny oscyluje w okolicach 100%. Ponieważ jednak maszyna ma możliwość pracy w ruchu ciągłym a nie była obciążona w pozostałej części doby jej wskaźnik dla planującego produkcję wynosi tylko 33% (w uproszczeniu). Tak więc zagregowane dane z produkcji połączone z narzędziami klasy Business Intelligence (BI 4FACTORY)  pozwalają na zastosowanie holistycznego podejścia do wdrażania zasad Kaizen i Lean.

Przeczytaj także: SAP kończy z wersją ECC 6 – koniec czy nowy początek?

Gdzie najczęściej tkwią rezerwy do osiągania wyższych wskaźników OEE?

Wielkość wskaźnika OEE jest zależna od trzech innych wielkości i to właśnie w ich definicji należy szukać rezerw do poprawy.

OEE = A*E*Q

gdzie:
A – Dostępność (ang. Availability),
E – Wydajność (ang. Effectiveness),
Q – Jakość (ang. Quality)

Pierwszym ze wskaźników jest dostępność maszyn. Wielkość ta oznacza czas, w którym możemy maszynę wykorzystać. Wyliczana jest jako stosunek planowanego czasu pracy i rzeczywistości. Dostępność obniżana jest przez awarie, inne zdarzenia produkcyjne oraz okołoprodukcyjne powodujące konieczność zatrzymania maszyny w momencie, kiedy według planu powinna pracować (np dodatkowe nieplanowane regulacje, oczekiwanie na materiał, różnica między zaplanowanym czasem przezbrojenia a rzeczywistą jego realizacją itp.)

A = APT/PBT

gdzie:
APT – Rzeczywisty czas pracy maszyny (ang. Actual Production Time),
PBT – Planowany czas pracy maszyny (ang. Planned Busy Time).

Drugim wskaźnikiem jest wydajność rozumiana jako wykorzystanie maszyny. Jest to po prostu stosunek czasu, w którym maszyna była dostępna do czasu, w którym rzeczywiście pracowała.

E = PRI/(APT/PQ) = PRI*PQ/APT

gdzie:
PRI – planowany czas jednostkowy (ang. Planned Run time per Item),
PQ – ilość wytworzonych wyrobów
APT – Rzeczywisty czas pracy maszyny (ang. Actual Production Time).

Ostatnim wskaźnikiem jest jakość wyliczana jako stosunek ilości wyprodukowanych zgodnych z założeniami jakościowymi do wszystkich wyprodukowanych elementów.

QR = GQ/PQ

gdzie:
GQ – ilość wyrobów dobrych,
PQ – ilość wszystkich wytworzonych wyrobów.

Szukanie rezerw do podnoszenia wskaźnika OEE należy rozpocząć od wyznaczenia tych trzech wartości oraz dogłębnej analizy z czego wynika uzyskana wielkość. Poprawę najlepiej zaczynać od miejsca, które w danym przedsiębiorstwie ma największy wpływ na zmianę wskaźnika. Rezerw, które można wykorzystać aby zwiększyć współczynnika OEE należy szukać – w jakości produkowanych wyrobów ograniczając odpady produkcyjne i ilość błędnie wytworzonych elementów; ograniczając ilość awarii maszyn i innych zdarzeń powodujących zatrzymanie maszyny; poprawiając wykorzystanie maszyny poprawiając planowanie (wielkość zarówno dostępności jak i wykorzystania zależna jest od stosunku zaplanowanego czasu do czasu rzeczywistego). Należy zwrócić uwagę na fakt, że błędne planowanie, również ma wpływ na wielkość wskaźnika OEE.

Przeczytaj także: Wskaźnik NPS obliczany na przykładzie badania opinii uczestników szkolenia Global MMOG/LE

W jaki sposób trendy związane z Przemysłem 4.0 i IoT wpływają na efektywność wyznaczania wskaźnika OEE?

Nie ulega wątpliwości, że powszechne stosowanie technologii informatycznych w przemyśle, leżące u podstaw Przemysłu 4.0, a w szczególności wykorzystanie koncepcji IoT (IOT 4FACTORY) znacząco poprawia efektywność wyznaczania tego wskaźnika. Już pominięcie czynnika ludzkiego – najbardziej zawodnego „elementu” każdego systemu produkcyjnego i informatycznego – stanowi samo w sobie znaczącą poprawę jakości w procesie wyznaczania wskaźnika OEE. Komunikowanie się maszyn eliminuje błędy, pozwala na monitorowanie i podejmowanie działań w czasie rzeczywistym. Stąd już tylko krok do sprzężenia wskaźników z systemami predykcyjnymi (EAM 4FACTORY), sztuczną inteligencją (AI 4FACTORY) oraz wykorzystaniem obszaru Big Data do opracowywania zoptymalizowanych modeli procesów produkcyjnych z użyciem odpowiednich maszyn. To kwestia najbliższej przyszłości i firma DSR pracuje nad tym aktywnie w projekcie Production Management Smart Advisor (PMSA).

Autorka:

Kinga Dębska

Project Manager

Skontaktuj się z naszym ekspertem

Przeczytaj także:

Controlling w produkcji

Szczupła produkcja na styku systemów IT