En dugligare tillverkning

dugligligare tillverkning

En dugligare tillverkning

I det här inlägget ska vi prata om effektivisering i tillverkningsprocesser. Vi kommer att fokusera inlägget kring begreppen Duglighet och Statistisk Processtyrning, två begrepp som ni inom kort kommer få information om.

Innehållsförteckning

Två typer av tillverkande företag

Innan vi ger oss in på förklaringarna av de båda begreppen ovan behöver vi först titta på företagets tillverkningsprocess. Den kan nämligen delas upp i serie-tillverkning eller i enstycks-tillverkning. I en serie-tillverkning bör processen styras med både Duglighet och Statistisk Processtyrning medan vi i första hand fokuserar på Duglighetsanalyser vid en enstycks-tillverkning.

Duglighetsstudier

Det första begreppet som vi beskriver blir Duglighet. Denna studie handlar om att vi samlar in data från maskinen eller från processen (skillnaderna mellan dessa två val kommer vi att gå igenom längre ner i inlägget) för att sedan kontrollera variationerna från insamlade data samt läget (medelvärdet) mot ett givet målvärde och egenskapens krav (toleranser).

En Duglighetsanalys visar oss maskinens eller processens förmåga att leverera utefter ställda krav. Om vi har en maskin med stora variationer och vi ska tillverka en egenskap med små toleranser, kommer analysen visa oss att maskinen inte klarar detta. Ännu bättre kommer den att visa oss hur mycket, statistiskt sätt, som kommer att falla utanför ställda krav, vilket gör att vi får en uppfattning om vilka kvalitetsbrister som vi kan förvänta oss.

Maskinduglighet

En maskinduglighet fokuserar på variationerna från maskinen. Vi samlar in betydligt färre data i denna analys, jämfört med en processduglighet. Normalt sätt tar man ut mellan 30st och 50st mätningar i följd under löpande drift. Under denna insamling sker ingen påverkan på maskinen, dvs vi byter inga verktyg, vi byter inga material-batscher, vi gör inga maskininställningar osv. Detta gör vi för att säkerställa att variationerna vi ser i studien baseras på maskinen och inte på andra, utomstående faktorer.

En maskinduglighet utförs innan en processduglighet då en underkänd maskinduglighet direkt visar att en processdugligheten blir onödigt arbete. Vi kan aldrig får en godkänd procesduglighet om maskinen i sig är underkänd.

Processduglighet

En processduglighet syftar till att kontrollera processens samtliga variationer. Till skillnad från maskindugligheten ska vi här tillåta verktygsbyten, material från olika leveranser och maskinjusteringar, enligt normal drift. Vi vill se hur dessa utomstående variationer tillsammans med maskinens variationer påverkar tillverkningsprocessen och dess förmåga att leverera enligt ställda krav.

För en processduglighet krävs betydligt fler data, jämfört med en maskinduglighet och dessutom sker insamlingen över tid. Ett riktvärde kan vara att ta ut 5st detaljer i följd för att skapa en provgrupp. Detta upprepas sedan med jämna mellanrum tills vi har 60st till 75st provgrupper med data.

Båda dessa studier genererar index-värden som vi kan använda för att tolka maskinens eller processens förmåga.

Processefter

Index-värden

Till båda dessa analyser, maskinduglighet och Processduglighet, finns indexvärden. De benämns lite olika beroende på om det handlar om maskin eller process men i det här inlägget går vi inte in på djupet utan ger en övergripande bild av arbetssättet.

Oavsett om vi pratar om maskin eller process så är det två index-värden som är av intresse. Det första indexvärdet avgörs baserat på variationen i den insamlade data ställt mot de toleranser som egenskapen har. Om variationerna får plats inom toleransområdet med en viss marginal, blir indexvärdet godkänt och om det är för stora variationer blir värdet underkänt.

I nästa index-värde adderar man även läget på den insamlade data (medelvärdet) i förhållande till det målvärde som egenskapen har. Vi kan ta ett exempel med diameter 4,1±0,1. Här är minvärde 4,0 och maxvärdet 4,2. Målvärdet är normalt sätt värdet i mitten, vilket i det här exemplet skulle innebära 4,1.

Om insamlade data har ett medelvärde på eller i närheten av 4,1 samt en liten variation blir indexvärdet högt (bra). Om läget skulle vara långt ifrån 4,1 eller om variationen skulle vara stor så blir indexvärdet lågt (sämre).

Med hjälp av dessa två indexvärden kan vi avgöra om det räcker med en centrering av data mot målvärde eller om vi måste arbeta med att få ner variationerna. Vi behöver båda värdena för att kunna avgöra om det är problem med centrering eller med variation (eller i värsta fall, båda).

Kvalitetsbristkostander

Kvalitetsbrister som uppstår i samband med underkänd Duglighet är omarbeten, kassationer, missade leveranser, materialåtgång, transporter, energiförluster, övertid, maskin-beläggning, process-beläggning, personal-beläggning mm.

Om vi vet att 5% till 10% av det vi stoppar in i processen kommer att vara underkänt så leder det till ovanstående. Det resulterar även i att samtliga producerade enheter måste kontrolleras (mätas) eftersom vi inte vet vilka av alla detaljer som blir underkända.

Produkten blir dyr att tillverka vilket i sin tur leder till att vinsten för produkten försvinner. Med en Duglighetsanalys kan vi förstå detta bättre samt få information om vad som behöver utföras för att undvika detta framåt.

Leverantörsutveckling

Statistisk Processtyrning

Det andra begreppet heter Statistisk Processtyrning (SPS) som är en metod för att löpande styra processen. Vi plockar ut produkter och mäter dem enligt en viss frekvens och denna data förs sedan in i ett verktyg som hjälper oss att se om utfallet är stabilt eller om justeringar är nödvändiga. Med hjälp av detta verktyg kan vi lära oss mycket om maskinen och processen, vilket gör att vi kan undvika kvalitetsbristerna vi tog upp tidigare.

Verktyget som används heter Styrdiagram och det visar oss ett antal fakta om utfallet. Vi kan se mätresultat, medelvärde samt styrgränser.

Styrefter

Mätresultat

Man brukar prata om två olika Styrdiagram för variabeldata, ett för enskilda mätvärden samt ett för data insamlade i grupper. Antingen ser vi varje mätpunkt separat eller så ser vi ett medelvärde från en provgrupp (exempelvis medelvärdet av 5st mätpunkter).

Det vanligaste i serietillverkning är att använda data i grupper. Varje enskilt mätvärde får då inte en avgörande betydelse för resultatet, utan det blir medelvärdet från provgruppen som skapar en mätpunkt i Styrdiagrammet.

Utbildade operatörerna har lärt sig tolka diagrammet och utför justeringar och noteringar under löpande drift. De använder sig av verktyget för att få information om när en eventuell justering måste ske men lika viktigt är att de inte reagerar och utför ändringar om verktyget inte indikerar på förändring. Nyckeln är utbildning och förståelse vilket vi kommer att skriva mer om längre ner i detta inlägg.

Medelvärdet

Medelvärdet uppdateras kontinuerligt i grafen och visar utfallets läge. Detta läge används som tidigare beskrivet för beräkningen av ett av de två index-värdena. Som operatör är det viktigt att kontrollera läget och dess stabilitet över tid. Om ett läge varierar kraftigt under en tillverkningsperiod indikerar det att maskinen eller processen är ostabil, vilket kommer att påverka utfallet negativt. En stabil process där variationerna är mindre är betydligt enklare att styra.

För att verkligen dra nytta av verktyget ska arbetet fokuseras kring Målvärdes-centrering. Operatörerna ska sikta på att tillverka produkten mot målvärdet då detta ger bästa tänkbara förutsättningar. Anledningen är att variationer alltid finns, det kommer vi inte ifrån. Om produkten tillverkas mot målvärdet så har vi längsta möjliga avstånd till den övre och undre toleransen, vilket minskar risken att vi skulle komma för nära eller till och med förbi egenskapens toleranskrav.

Erfarenhetsmässigt ser vi ibland verksamheter som ställer sina verktyg mot minvärdet då man vet att egenskapen blir större när verktyget slits. Man vill alltså få ut så mycket som möjligt av verktyget innan det måste bytas ut.

Det man missar med detta arbetssätt är att vi inte kan styra processen. Vi får variationer som egentligen inte stämmer, utan som tillkommer på grund av mänsklig påverkan. I dessa processer kan vi inte avgöra maskinens eller processens förmåga att tillverka enligt ställda krav.

Styrgränser

Styrgränserna beräknas utifrån insamlade data och ska inte förväxlas med egenskapens toleransgränser. En Styrgräns ändras inte manuellt utan påverkas endast genom att arbeta med utfallets variationer.

En liten variation i utfallet gör att styrgränserna är närmare varandra och närmare medelvärdet. En stor variation gör att styrgränserna flyttas längre ifrån medelvärdet och avståndet mellan den övre och den undre styrgränsen blir längre.

Om styrgränserna närmar sig toleransgränserna innebär det att vi kommer att se sämre index-värden, vilket i sin tur leder till kvalitetsbrister i verksamheten.

Hur kommer man igång?

Nedan finns förslag på aktiviteter som underlättar implementeringen av Duglighet och Statistisk Processtyrning. I inlägget har vi dock inte möjlighet att utföra en detaljerad beskrivning av varje steg och hur de går till. Syftet med inlägget är att skapa ett intresse och en grundläggande förståelse för koncepten.

Kompetens

Kunskaper inom området är nödvändigt för att lyckas och här rekommenderar vi en breddutbildning där både ledare, tekniker och operatörer finns med. Värdet i att breddutbilda personalen är flera. Man skapar samsyn mellan operatörer, maskin-ställare, tekniker, personal från kvalitet och ledare. Man säkerställer även att personalen förstår företagets inställning till kvalitetsarbete och vikten av att skapa varor som innehåller de krav som ställs på produkten.

Erfarenhetsmässigt vet vi att utbildad personal inom området reagerar oftare och bättre på avvikelser. Detta är inte så konstigt eftersom de har förutsättningarna att se förändringar och därmed agera när något frångår det normala.

Vi brukar även rekommendera en endagars-kurs för företagets ledningsgrupp. Även om de inte arbetar med maskinerna eller processerna så är kunskapen viktig. De ska kunna efterfråga information och ställa krav på metodiken.

Exempelvis kan en ledningsgrupp ställa krav på de interna processerna att Duglighet ska utföras innan maskininköp, innan en produkt flyttas från en maskin till en annan eller att en Duglighet ska utföras enligt en viss frekvens på samtliga kritiska maskiner och egenskaper.

Analysverkstan erbjuder en digital kurs i Duglighet och Statistisk Processtyrning. Ni kan läsa mer om innehållet i den kursen via denna länk som tar er till produktsidan. Skulle ni vara mer intresserade av en lärarledd utbildning samt en endagars-kurs för ledningsgruppen, har vi ett samarbete med företaget MIQ

Val av egenskap(er)

Vi kan inte och ska inte kontrollera varje egenskap på produkterna. Det blir orimligt då en produkt kan besitta hundratals egenskaper och det skapar heller inget värde. I stället ska man fokusera på egenskaper som är kritiska för produkten eller kunden. Här kan det handla om funktions-kritiska egenskaper eller egenskaper kopplade mot olika typer av risker som framkommit i genomförd riskanalys.

Det kan även vara egenskaper som är svåra ur ett maskin-tekniskt perspektiv där en tekniker kan påvisa att om egenskapen X blir godkänd så kommer alla egenskaper inom ett visst område att bli godkända. Det kan exempelvis handla om att flera egenskaper tillverkas med samma verktyg och i samma operation. Om egenskapen med hårdast ställda krav kontrolleras, omfattas de andra egenskaperna också.

Rekommendationen är att göra urvalet tillsammans i en tvärfunktionell arbetsgrupp. Här måste tekniker och personal med kunskaper om maskinerna få tycka till. Använd ritningar och kundspecifika krav för att se om det finns egenskaper som naturligt måste ingå i Duglighetsanalysen. Ett exempel kan vara att det finns klassade egenskaper som enligt standarden måste inkluderas i en Duglighetsanalys. Detta är ofta förkommande inom fordonsindustrin, standarder så som TS 16949 och VDA.

Arbetsgång

Nedan finner du en kortfattad summering av de steg som genomförs i arbetet med Duglighet och Statistisk Processtyrning.

block pie graph data sheet

1) Insamling av data

Arbetet börjar med att vi kartlägger hur insamlingen av data ska hanteras. Vilken data behöver vi för maskindugligheten. Här brukar man samla in mellan 30st till 50st mätdata som används för att bedöma maskinens förmåga.

duglighet och processtyrning produktbild

2) Data från stabil maskin

När data samlats in börjar vi med att kontrollera om data kommer från en stabil maskin/process. Detta gör vi eftersom data från en ostabil process innebär att vi inte kan lita på utfallet i kommande duglighetsstudie.

Normalfördelning

3) Kontroll av fördelning

När vi vet att data kommer från en stabil process så kontrolleras även fördelningen. Många mjukvaror och mallar har beräkningar som bygger på att data är av typen "Normalfördelning". Skulle insamlad data ha en annan typ av fördelning är risken att utfallet i duglighetsanalysen misstolkas.

effektiva utbildningar

4) Maskinduglighet

När ovanstående steg påvisar data från en stabil process och ett Normalfördelat material så genomförs en maskinduglighet. I denna analys kontrolleras de båda index-värdena som tillsammans ger oss information om maskinen är duglig eller inte.

block pie graph data sheet

5) Insamling av data Processduglighet:

Vid en godkänd maskinduglighet så vet vi att maskinen i sig är kapabel att tillverka detaljer enligt ställda krav. Det vi vill undersöka nu är hur processens samtliga variationer påverkar utfallet. För detta behöver mer data samlas in och det ska ske över tid för att säkerställa att vi får med processens samtliga variationer.

duglighet och processtyrning produktbild

6) Data från en stabil process

Precis som inför en maskinduglighet så ska data kontrolleras så att vi inte har avvikelser som kan ställa till det för oss när vi senare tolkar utfallet i processdugligheten. Vi använder os av Styrdigrammet för att kontrollera detta.

Normalfördelning

7) Normalfördelning

Även här behöver vi kontrollera fördelningen på insamlade data. Vi söker en normalfördelning för att vara säkra på att vi tolkar resultatet i kommande studie på rätt sätt.

effektiva utbildningar

8) Processduglighet

I denna analys ska samtliga av processens variationer inkluderas. Här vill vi se om processen i sin helhet har förmågan att leverera mot ställda krav.

control chart

9) Fortsatt styrning

I det här läget har vi förhoppningsvis en godkänd processduglighet som visar att variationerna i processen är tillräckligt små samt att vi har en god centrering av data mot uppsatt målvärde. Det är nu dags att inför SPS (Statistisk Processtyrning) så att processen kan övervakas och styras.

Skapa en dugligare tillverkning

Inlägget ger en övergripande bild av Duglighet och Statistisk Processtyrning och arbetar du inom ett tillverkande företag och inte använder dessa arbetssätt så är risken att stora kostnader uppstår. Du är varmt välkommen att kontakta Analysverkstan för en diskussion om hur vi kan stötta er i arbetet mot en dugligare tillverkning.

Lämna en kommentar