Wyznaczanie kluczowych wskaźników wydajności procesu produkcyjnego – część II: badania przemysłowe

pol Artykuł w języku polskim DOI: 10.14313/PAR_237/19

wyślij Dariusz Król*, Jan Skowroński*, Maciej Zaręba**, Krzysztof Bartecki*** * Politechnika Wrocławska, Wydział Informatyki i Zarządzania, Katedra Informatyki Stosowanej ** DSR S.A. *** Politechnika Opolska, Wydział Elektrotechniki, Automatyki i Informatyki, Katedra Automatyki

Pobierz Artykuł

Streszczenie

Zastosowanie nowych technologii w Przemyśle 4.0 umożliwia lepszą organizację, monitorowanie, kontrolę oraz skuteczną optymalizację procesów produkcyjnych, szczególnie w zakresie wydajności. Prezentowane rozwiązanie opiera się na hierarchicznej analizie wskaźników efektywności, w tym głównie na kontroli wskaźnika ogólnej efektywności zasobów produkcyjnych OEE. Rosnąca liczba możliwych do uzyskania skwantyfikowanych sygnałów monitorujących pracę maszyn, temperaturę otoczenia czy częstotliwość drgań sprawia, że narzędzia wspomagające decyzje są coraz bardziej wyrafinowane i, poza prezentacją obecnego stanu zasobów, coraz częściej obejmują także analizę predykcyjną. Opisywane narzędzie PUPMT pozwala zidentyfikować kluczowe zdarzenia, które mają istotny wpływ na bieżącą lub przyszłą efektywność produkcji. Umożliwia także analizę typu what-if, dopuszczając symulację wpływu projektowanych zmian, a wyniki tej symulacji uzależnia od skutków podobnych zmian, które miały miejsce w przeszłości w danym przedsiębiorstwie. Dzięki automatycznej identyfikacji potencjalnych zależności rozwiązanie dostosowuje się do specyfiki firmy lub wybranej jednostki produkcyjnej. Początkowe rozdziały zawierają m.in. opis najważniejszych metod wykorzystywanych w rozwiązaniu PUPMT. W dalszej części przedstawiono wybrane wyniki badań przemysłowych, które przeprowadzono na kilkudziesięciu jednostkach produkcyjnych.

Słowa kluczowe

kluczowe wskaźniki wydajności, pomiary, proces produkcyjny, przemysł 4.0, systemy wspomagania decyzji

Key Performance Indicators as a Tool for Production Process Assessment – Part II: Industrial Research

Abstract

The use of new technologies in Industry 4.0 enables better organization, monitoring, control and effective optimization of production processes, especially in terms of efficiency. The solution is based on a hierarchical analysis of key performance indicators, including mainly the control of Overall Equipment Effectiveness (OEE). The growing number of quantifiable signals monitoring machine operation, ambient temperature or even the frequency of vibrations makes decision support tools more and more sophisticated. Moreover, they also include predictive analysis in addition to presentations of the current state of resources. PUPMT tool allows identifying key events that have a significant impact on current or future production efficiency. It also allows the what-if type analysis, running the simulation of the impact of the proposed changes, and the results of this simulation depend on the effects of similar changes that occurred in the past in a given enterprise. Thanks to the automatic identification of potential dependencies, the proposed solution adapts to the specifics of a given company or even a selected production unit. The paper in the first part contains a description of the essential methods used in the PUPMT tool. The second part presents selected results of industrial research, which were carried out on several dozen production units.

Keywords

decision support systems, industry 4.0, key performance indicators, measurements, production process

Bibliografia

  1. Bartecki K., Król D., Skowroński J., Wyznaczanie kluczowych wskaźników wydajności procesu produkcyjnego - część I: badania teoretyczne, „Pomiary Automatyka Robotyka”, R. 22, Nr 3/2018, 5-13, DOI: 10.14313/PAR_229/5.
  2. Da Silva V.L., Kovaleski J.L., Pagani R.N., De Matos Silva J., Corsi A., Implementation of Industry 4.0 concept in companies: empirical evidences. “International Journal of Computer Integrated Manufacturing”, Vol. 33, No. 4, 2020, 325–342, DOI: 10.1080/0951192X.2019.1699258.
  3. Felsberger A., Qaiser F.H., Choudhary A., Reiner G., The impact of Industry 4.0 on the reconciliation of dynamic capabilities: evidence from the European manufacturing industries. “Production Planning & Control”, 2020, 1–24, DOI: 10.1080/09537287.2020.1810765.
  4. Ginder A., Robinson A., Robinson C.J., Implementing TPM: The North American Experience. CRC Press, 1995
  5. Hoyer Ch., Gunawan I., Reaiche C.H., The Implementation of Industry 4.0 – A Systematic Literature Review of the Key Factors. “Systems Research and Behavioral Science”, Vol. 37, No. 4, 2020, 557–578, DOI: 10.1002/sres.2701.
  6. Huang S.H., Dismukes J.P., Shi J., Su Q., Wang G., Razzak M.A., Robinson D.E., Manufacturing system modeling for productivity improvement. “Journal of Manufacturing Systems”, Vol. 21, No. 4, 2002, 249–259, DOI: 10.1016/S0278-6125(02)80165-0.
  7. Iannone R., Nenni M.E., Managing OEE to optimize factory performance. Operations Management. InTech, 2013, DOI: 10.5772/55322.
  8. International Standard ISO 22400–1. Automation Systems and Integration – Key Performance Indicators (KPIs) for Manufacturing Operations Management – Part 1: Overview, Concepts and Terminology. Geneva: International Standard Organization (ISO), 2014.
  9. International Standard ISO 22400–2. Automation Systems and Integration - Key Performance Indicators (KPIs) for Manufacturing Operations Management – Part 2: Definitions and Descriptions. Geneva: International Standard Organization (ISO), 2014.
  10. Jodłowiec M., Krótkiewicz M., Wojtkiewicz K., Rezultaty prac wykonanych przez Politechnikę Wrocławska dla DSR S.A. w ramach projektu Production Unit Performance Management Tool (PUPMT), raport, 30 lipiec 2018.
  11. Lycke L., Team development when implementing TPM. “Total Quality Management & Business Excellence”, Vol. 14, No. 2, 2003, 205–213, DOI: 10.1080/1478336032000051395.
  12. Moore R., Combining TPM and reliability-focused maintenance. “Plant Engineering”, Vol. 51, No. 6, 1997, 88–90.
  13. Muchiri P., Pintelon L., Performance measurement using over all equipment effectiveness (OEE): literature review and practical application discussion. “International Journal of Production Research”, Vol. 46, No. 13, 2008, 3517–3535, DOI: 10.1080/00207540601142645.
  14. Nakajima S., Introduction to TPM: Total Productive Maintenance (Preventative Maintenance Series). 1998. ISBN 0-91529-923-2.
  15. Shi Z., Xie Y., Xue W., Chen Y., Fu L., Xu X., Smart factory in Industry 4.0, “Systems Research and Behavioral Science”, Vol. 37, No. 4, 2020, 607–617, DOI: 10.1002/sres.2704.
  16. Trotta D., Garengo P., Assessing Industry 4.0 Maturity: An Essential Scale for SMEs. 8th International Conference on Industrial Technology and Management (ICITM), 2019, 69–74, DOI: 10.1109/ICITM.2019.8710716.
  17. Viswanadham N., Narahari Y., Performance modeling of automated manufacturing systems (497–508). Englewood Cliffs, NJ: Prentice Hall 1992.
  18. Wireman T., Total productive maintenance. Industrial Press Inc. 2004.