Znaleźć przyczynę braków: analiza przyczyn źródłowych na danych produkcyjnych

Wyłapywanie braków to początek, a nie cel

Coraz więcej zakładów produkcyjnych ma kontrolę jakości poukładaną: kontroler przy linii, system wizyjny, pomiar w linii. Wadliwe produkty są wyłapywane, zanim opuszczą zakład, i to jest zysk. Ale kto tylko wyłapuje, ten dalej płaci: materiał został już zużyty, czas maszyny wykorzystany, a moc produkcyjna przepadła. Kosz z brakami zapełnia się tydzień po tygodniu.

Prawdziwe pytanie nie brzmi więc, czy produkt jest dobry czy wadliwy. Prawdziwe pytanie brzmi, dlaczego poszło źle. To jest domena analizy przyczyn źródłowych: od objawu (braku) z powrotem do przyczyny (surowca, nastawy, zużytego elementu), żeby dało się ją usunąć.

Dlaczego szukanie przyczyny zwykle zostaje odłożone

Zapytaj zespół produkcji, dlaczego powstają braki, a rzadko dostaniesz odpowiedź z danych. Nie dlatego, że brakuje chęci, tylko dlatego, że informacja jest rozrzucona:

• Wyniki kontroli zostają na ekranie przy linii albo w osobnym rejestrze jakości.
• Dane procesowe, takie jak temperatury, ciśnienia i czasy cyklu, pozostają w sterowniku i tam znikają.
• Dane o partiach i zleceniach stoją w ERP, na dokumencie dostawy albo na papierze.

Zanim ktoś znajdzie czas, żeby rozgryźć skok braków, ślad jest już zimny. Która partia surowca wtedy szła? Jakie były nastawy? Która zmiana stała? Nikt już dokładnie nie pamięta. Zespół wraca więc do doświadczenia i przeczucia oraz do leczenia objawów: częstsze kontrole, zaostrzone normy, dodatkowe próby wyrywkowe. Same braki się przez to nie zmieniają.

Klucz: wyniki kontroli obok danych produkcyjnych

Analiza przyczyn źródłowych staje się praktycznie wykonalna dopiero wtedy, gdy każdy wynik kontroli dostaje kontekst. Każda kontrola daje zapis: ocenę, klasę wady i czas, powiązane z maszyną, zleceniem i partią. Umieść te zapisy w tym samym miejscu co dane maszynowe i warunki procesu, a pytanie „dlaczego mieliśmy w tym tygodniu tyle braków?" zmienia się ze śledztwa w filtr.

Dokładnie to robi MeshOS: zbiera wyniki kontroli, dane maszynowe, przestoje i informacje o partiach w jednej warstwie danych. Źródło danych z kontroli nie ma przy tym znaczenia. Może to być system wizyjny oceniający każdy produkt, jak przy systemach wizyjnych kontroli jakości, pomiar w linii albo cyfrowy rejestr jakości.

W wypiekającej wafle firmie Daelmans kamera laserowa 3D mierzy na przykład każdy wafel na linii: średnicę, grubość i kształt. Odchylenia widać, kiedy partia jeszcze się produkuje, a wszystkie dane jakościowe trafiają do rejestru per linia i per partia. Taki zbiór danych, w którym każdy produkt jest zmierzony i opatrzony kontekstem, to dokładnie ten fundament, którego potrzebuje analiza przyczyn źródłowych.

Trzy wzorce, które zdradzają przyczynę

Gdy wyniki kontroli i dane produkcyjne stoją obok siebie, w praktyce wracają wciąż te same trzy wzorce.

1. Braki skaczą po zmianie czegoś

Braki rosną po partii surowca, przezbrojeniu albo zmianie receptury? Ponieważ każdy wynik jest powiązany ze zleceniem i partią, związek staje się widoczny od razu. Chodzi na przykład o wady zgrzewu zaczynające się przy nowej partii folii albo odchyłki wymiarowe po przezbrojeniu. Bez danych to rodzaj związku, który rzuca się w oczy dopiero po tygodniach; z danymi widzisz go jeszcze tego samego dnia.

2. Jedna maszyna, forma albo zmiana odstaje

Ta sama kontrola, inny wynik: porównaj klasy wad dla maszyny, linii, formy albo zmiany i zobacz, gdzie powstaje różnica. Jedno gniazdo formy odpowiadające za większość wad kształtu. Jedna linia stale wykazująca więcej zabrudzeń. Zmiana pracująca na innych nastawach niż reszta. Różnica jest wskazówką: co ta jedna maszyna, forma albo brygada robi inaczej?

3. Jakość przesuwa się razem z procesem

Zestaw wady z temperaturą, prędkością, czasem cyklu albo zużyciem i zobacz, które warunki procesu poprzedzają braki. Dzięki temu pełzający dryf staje się widoczny, zanim normy zostaną przekroczone: braki powoli rosnące w miarę zużywania się narzędzia albo spadek jakości zbiegający się zawsze z tym samym warunkiem procesu. To czyni reakcję sterowaną danymi: przegląd wtedy, gdy dane tego wymagają, a nie według kalendarza.

Od wzorca do trwale mniejszych braków

Wzorzec to jeszcze nie przyczyna. Sposób postępowania, który sprawdza się w praktyce, jest zawsze ten sam:

1. Zauważ wzorzec w danych: gdzie i kiedy braki odbiegają od normy?
2. Postaw hipotezę razem z zespołem: operatorzy i technolodzy znają proces i we wzorcu często od razu widzą możliwe wyjaśnienie.
3. Wykonaj celowe działanie: zmień jedną rzecz, na przykład nastawę, surowiec albo termin przeglądu.
4. Sprawdź efekt w tych samych danych: czy braki naprawdę spadły, czy to był przypadek?

Dane wskazują kierunek, ale interpretacja pozostaje pracą ludzi. Zmienia się to, że dyskusje przestają dotyczyć opinii, a zaczynają dotyczyć pomiarów, i że efekt każdego działania widać czarno na białym. Jakość staje się w ten sposób sygnałem procesowym, którym sterujesz codziennie, tak samo jak dostępnością i wydajnością w dashboardzie OEE na żywo.

Czego do tego potrzebujesz?

Analiza przyczyn źródłowych nie wymaga rocznego projektu hurtowni danych. W rdzeniu potrzebujesz czterech rzeczy:

• Kontroli albo pomiaru zapisującego każdy wynik: systemu wizyjnego, pomiaru w linii albo cyfrowego rejestru jakości, byleby ocena była zapisywana, a nie tylko pokazywana.
• Danych maszynowych i warunków procesu: odczytanych z istniejących sterowników i czujników, przez komputer edge obok linii.
• Powiązania ze zleceniem i partią: żeby każdy wynik miał kontekst i dało się go sprowadzić do tego, co wtedy szło.
• Jednego miejsca, które to zbiera: żeby jakość, dane procesowe i informacje o partiach stały obok siebie, a nie w trzech systemach.

Zacząć można od małego: jedna linia, jedna kontrola, która teraz ma znaczenie, i od tego rozbudowa. Więcej przykładów, jak to wygląda w praktyce, znajdziesz w naszych realizacjach.

Najczęstsze pytania o analizę przyczyn źródłowych

Czym jest analiza przyczyn źródłowych?

Analiza przyczyn źródłowych to sprowadzenie problemu, takiego jak braki albo odchylenie jakościowe, do przyczyny leżącej u podstaw, żeby dało się ją usunąć zamiast wciąż zwalczać objaw. W produkcji znaczy to: od odrzuconego produktu z powrotem do surowca, nastawy, maszyny albo warunku procesu, który wywołał wadę.

Czy potrzebuję do tego systemu wizyjnego?

Nie. Punktem wyjścia może być każde źródło zapisujące wyniki jakościowe: pomiar 3D, tensometr, cyfrowy rejestr prowadzony przez operatorów. Obowiązuje jednak zasada: im bardziej automatyczna kontrola, tym gęstszy zbiór danych. System wizyjny oceniający każdy produkt daje na partię setki punktów danych tam, gdzie próba wyrywkowa daje garstkę.

Jakich danych potrzebuję minimalnie?

Minimum to wynik kontroli z czasem, powiązany z maszyną, zleceniem albo partią. Już to pokazuje skoki po zmianach oraz różnice między maszynami i zmianami. Gdy dołożysz warunki procesu, takie jak temperatury, prędkości i czasy cyklu, widoczny staje się także dryf i możesz sprowadzać przyczyny dalej w głąb procesu.

Czy system znajdzie przyczynę automatycznie?

Nie, i uważaj na dostawców, którzy to obiecują. Dane uwidaczniają związki, które inaczej zostają ukryte, ale interpretacja tych związków i wybór właściwego działania pozostaje pracą ludzi znających proces. Różnica polega na tym, że nie muszą już zgadywać.

Podsumowanie: nie kończ na wyłapywaniu braków

Kontrola jakości, która tylko wyłapuje, utrzymuje kosz z brakami pełny. Prawdziwy zysk leży krok dalej: zestawić wyniki kontroli z danymi maszynowymi, warunkami procesu i informacjami o partiach, zobaczyć wzorce i usunąć przyczyny. Wtedy analiza przyczyn źródłowych staje się kwestią zestawienia danych obok siebie zamiast zgadywania, a braki spadają trwale.

Meshnex buduje potrzebny do tego łańcuch, od kontroli na linii po warstwę danych, która wszystko zbiera. Zobacz nasze rozwiązanie systemy wizyjne kontroli jakości, przeczytaj, jak MeshOS zbiera twoje dane produkcyjne, albo skontaktuj się z nami, żeby porozmawiać, co jest możliwe w twoim zakładzie.