När en produktionslinje stannar och operatörerna ska välja bland 40 stoppkoder på under 30 sekunder väljer de flesta ”Övrigt” och går vidare. Det är det snabbaste alternativet. Det leder inte till någon diskussion.
Är du ansvarig för produktionens effektivitet har du däremot ett problem att ta tag i. ”Övrigt” är ingen kategori. Ser du det ofta i dina rapporter är din kategoristruktur mogen för en omgörning.
Krocken mellan vaga rapporter och verkligheten
I vårt senaste webbinarium visade vi en produktionslinje med ett OEE (TAK) på 79,3 %, där de oplanerade stoppen sammanfattades som ”Övrigt – 18 min”. Noteringen berättade att linjen hade stannat. Den berättade inte vem som äger åtgärden, vad som orsakade stoppet, om det hände förra veckan eller om samma skift loggade det på samma sätt.
Det här visste man på golvet under skiftet: en givare som löste ut i 10 sekunder var sjätte minut, en hastighetssänkning efter en omställning som aldrig återställdes, korta stopp som åtgärdades innan någon hann logga dem, och skift 2 som kodade allt som ”Övrigt”.
Med tiden urholkar skillnaden tilltron till dina OEE-siffror.
5 symtom på en trasig kategoristruktur
Registrerar du stoppdata men får rapporter som säger nästan ingenting? Känner du igen något av det här i dina rapporter ger en bättre kategorisering resultat snabbt.
1. Nästan inga korta stopp registreras. Korta stopp inträffar alltid. En rapport utan dem har en lucka i insamlingen, inte en linje som går felfritt.
Ett exempel: en topping blockerade en produktionslinje i 10 sekunder, var sjätte minut, cirka 70 gånger per dygn. Ingen loggade det eftersom stoppet löste sig självt. OEE-rapporten visade inget problem. När realtidsinsamling infördes blev mönstret synligt direkt. Åtgärden var enkel: sluta överfylla behållaren. Mikrostoppen minskade med runt 50 %.
2. Stopptiderna är fulla av jämna siffror. Många stopp på 10, 20 och 30 minuter i loggen betyder att du ser mänsklig avrundning, inte verklig tid. Varje avrundning känns obetydlig. Summerat över en vecka raderar de verkliga timmar.
3. Stopporsaker som inte pekar mot en åtgärd. ”Materialproblem.” ”Teknik.” Fråga dig för varje orsak i rapporten: kan jag se vem som äger åtgärden enbart utifrån den här raden? Om inte kan kategorin inte driva något arbete.
4. Teknikens och maskinens loggar stämmer inte överens. Om maskinloggen visar 90 minuters stopp och teknikloggen visar 30 är den saknade timmen en förlust som ingen av dem tar ansvar för.
5. En återkoppling som tar en natt. Syns en förlust först i nästa morgons rapport kan du inte agera i det skift där det fortfarande spelar roll. Mätningen blir historia.
Omgörningen: så ser en fungerande kategoristruktur ut
Innan du rör något annat: bestäm de riktlinjer som dina OEE-processer ska byggas på. En tydlig kategorisering kräver 3 saker: färre koder, tydligare språk och en utpekad ägare för varje kategori.
- Max 10 koder, i ett språk operatörerna använder. En meny med 40 alternativ skapar tvekan. Operatörerna väljer ”Övrigt” och går vidare. Med högst 10 koder, skrivna så som operatörerna faktiskt pratar, blir kategoriseringen något som tar under 10 sekunder i stället för något man undviker.
- Varje kod pekar mot en tydlig ägare och en åtgärd. Kan en kod inte besvara frågan ”vem ansvarar för att lösa det här?” är den ingen användbar kod. Varje kategori behöver en utpekad funktion: underhåll, teknik, produktion, kvalitet. En kod utan ägare ger ingen ett jobb att göra.
- Samma definitioner på alla skift. Två skift som klassar samma stopp olika ger data som ser enhetlig ut men jämför olika saker. Överenskomna definitioner, delade och inövade på alla skift, är det som gör att du kan jämföra skiftens prestation på ett tillförlitligt sätt. Utan dem blir även korrekt data meningslös på aggregerad nivå.
Läs guiden: Hur man förbättrar OEE/TAK och minskar driftstopp
Det här hände när en tillverkare rättade till systemet
En tillverkare av förpackningar och etiketter hade redan OEE-programvara i drift på 3 arbetscenter. En ny produktionschef ville få ut mer av systemet, och det här förändrades:
- Stoppstrukturen byggdes om från grunden
- Produktionskalendern anpassades till verkligheten
- Operatörer, skiftledare och ledning fick var sin vy anpassad efter rollen
- Tydliga OEE-mål sattes
- Omställningarna gjordes om och förbrukningsmaterialet förbereddes i förväg
- Utrustningens börvärden korrigerades
Resultatet? OEE gick från 45 % till 68 %. Produktionen ökade med 29 %. Antalet producerade enheter per kvartal steg från 223 000 till 287 000. Ej kategoriserade stopp (motsvarigheten till ”Övrigt”) minskade från 20 % till 5 %.
Inget av det löstes av programvaran ensam. Det kom ur data man kunde lita på, tydligt ägarskap och ett team som var villigt att agera på det de såg.
Planerade och oplanerade stopp: därför spelar uppdelningen roll
Planerade stopp, som schemalagt underhåll, omställningar och rengöring, hör hemma i en annan kolumn än oplanerade stopp. Blandar du dem blåser du upp din tillgänglighet och döljer vad haverierna faktiskt kostar.
När du skiljer planerat från oplanerat kan teamen för ständiga förbättringar rikta in sig enbart på de förluster som faktiskt går att minska. Ledningen ser samtidigt exakt hur mycket kapacitet som går åt till nödvändigt underhåll, jämfört med produktionsförluster som inte borde uppstå.
Utan den uppdelningen hamnar förbättringsarbetet ofta på fel problem.
Börja med kategorierna och målen, ta nästa steg sedan
Det vanligaste misstaget när OEE underpresterar är att skaffa ett nytt verktyg innan man rättar till de data som går in i det befintliga. Rätt kategorisering är där arbetet börjar. Allt som byggs ovanpå blir mer tillförlitligt, och du får ut mer av produktionsdata i realtid.
Vill du se hela diagnosen i praktiken, inklusive ett 5-minuterstest av tillförlitligheten som du kan göra på vilken linje som helst den här veckan, se vårt webbinarium ”Varför de flesta OEE-siffror inte leder till handling”.
