Почему секундомеры угрожают возрождению производства

Я прорезал зубы на заводе General Motors (GM) почти 25 лет назад, работая в обоих корпусах цех, в котором правили роботы, и общая сборочная площадка, где преобладали люди. Я очень быстро узнал, что к данным, полученным от роботов, легко получить доступ через Ethernet, но данные, относящиеся к людям, должны были генерироваться вручную промышленными инженерами, вооруженными секундомерами, выполняя те же исследования времени, которые Фредерик Тейлор представил примерно во времена Модели T. было сурово даже тогда:современный индустриальный век наталкивается на метод сбора данных, которому уже около 75 лет.

Четверть века спустя я все еще хожу на сборочные площадки и вижу молодых инженеров, занимающихся исследованиями времени. Инструменты изменились - они с большей вероятностью будут использовать iPhone вместо Casio, но активность остается прежней, что меня расстраивает. Исследования времени (и исследования движения) были новаторскими методами. Они сделали американское производство лучшим в мире. Но они также глубоко ошибочны. В эпоху промышленного Интернета вещей (IIoT) исследования времени не успевают за этим.

Сосредоточьтесь на времени выхода на рынок и производительности

Нет сомнений в том, что американское производство находится на подъеме, расширяясь самыми быстрыми темпами с 2004 года. В 2017 году 171 000 рабочих мест в обрабатывающей промышленности вернулись в Соединенные Штаты в результате перешоринга и прямых иностранных инвестиций. Это возрождение, возможно, главная из многих причин - это доступ к рынку.

«Решоринг - самое время для выхода на рынок», - говорит Бен Смит, старший советник консалтинговой фирмы AT Kearney. «Дело не только в том, чтобы найти старую фабрику в Питтсбурге и снова включить свет. Современные производители вполне могут предпочесть 15 небольших заводов, расположенных по всей стране, для лучшего доступа к рынкам, что означает, что руководители заводов переключают свое внимание с затрат на производительность ».

Принято считать, что IIoT повысит производительность. Согласно Accenture, Интернет вещей, возможно, станет самым большим драйвером производительности и роста в следующем десятилетии. GE Digital полагает, что IIoT будет способствовать увеличению производительности на сумму около 8,6 триллиона долларов в год.

Одна из проблем заключается в том, что большая часть стоимости, создаваемой фабрикой, исходит не от машин, а от людей. Исследование Boston Consulting Group показало, что люди по-прежнему выполняют до 90 процентов задач в производственном цехе. Таким образом, вы можете оптимизировать свои машины до тех пор, пока коровы не вернутся домой, но вы оптимизируете только 10 процентов того, что происходит на вашем предприятии.

Время выхода на рынок против времени выхода данных

«На любой производственной линии только небольшой процент задач выполняется машинами», - говорит Питер Маркотуллио, вице-президент по коммерческим исследованиям и разработкам SRI International. «Если вы контролируете машины, вы фиксируете только часть процесса».

Я понимаю привлекательность Интернета вещей. Посмотрите на размер набора данных. За то время, которое вам потребуется, чтобы провести исследование или заполнить стандартизированную рабочую диаграмму, у вас может быть 50 гигабайт машинных данных для вашего механизма прогнозной аналитики. Рассчитать общую эффективность оборудования (OEE) просто с точностью до трех десятичных знаков. Если время вывода на рынок имеет существенное значение, время вывода данных должно иметь большое значение.

Но нет прямой границы между оптимизацией оборудования и повышением общей производительности предприятия. Когда вы смотрите на долю машин в процентах от создания ценности, вы видите, что IIoT упускает из виду общую картину. Некоторые из наиболее важных решений, которые принимает руководитель предприятия - все, от ежедневного укомплектования персоналом и прогнозов выпуска до расчета затрат на работу и расценок, - требуют данных от людей. Данные, полученные от людей, определяют прибыльность и прибыль, поэтому я так сильно волнуюсь, когда вижу, что люди проводят исследования времени и движения даже сегодня.

Неполный и ненадежный набор данных

Есть две проблемы с исследованиями времени:размер набора данных и доверие, которого он заслуживает. Во-первых, временные исследования не завершены. Инженер получает похвалу по спине, если он или она возвращается с линии с 10 образцами на станцию. Но 10 образцов недостаточно значительны, чтобы учесть вариативность оператора. Имеет ли значение, если пробы будут взяты в понедельник утром или в пятницу днем? В день зарплаты или послезавтра? Недостаточно данных, чтобы установить корреляцию и причинно-следственную связь.

Это приводит ко второй проблеме:надежность данных. Вернер Гейзенберг продемонстрировал, что сам акт наблюдения может нарушить наблюдаемую систему. То, что верно для квантовой физики, верно и для рабочих станций. Некоторые рабочие двигаются быстрее, чтобы произвести впечатление на наблюдателя; другие медленно выполняют свою работу, чтобы соответствовать стандарту, который, как они знают, они создают для себя. Эту трудность усугубляют проблемы измерения. Например, наблюдатель должен постоянно определять, когда действие начинается и когда заканчивается.

Исследования времени приводят к измерениям, которые в лучшем случае сомнительны. Это влияет на выводы, которые можно сделать из них. Это также вредит операторам так же сильно, как и бизнесу, потому что, если для вывода на рынок требуются данные, а данные не могут быть легко получены от людей, производители чрезмерно индексируют машины. Люди теряют работу.

Чего не хватает на современном предприятии?

Есть много способов дополнить ваш набор данных о людях:обычные прогулки по Гемба, световые завесы с инструментами и другие системы poka-yoke, которые собирают данные, и бесчисленные физические перехватчики в системе управления производством (MES) для вычисления времени цикла и оценки производительности. Но эти данные не масштабируются. Данные о деятельности человека по сборке практически невидимы для аналитиков.

«Когда производитель хочет решить производственную проблему, он собирает рабочих и менеджеров для обсуждения идей», - говорит Аник Бозе, генеральный партнер Benhamou Global Ventures. «Если они хотят улучшить использование активов, они привлекают экспертов по бережливому производству для анализа времени и движения или полагаются на два раза в год посещения инженеров. Для представления новых продуктов они закрывали линию для проведения экспериментов. Это все ручное и специальное, потому что у них нет альтернативы. У них нет данных в реальном времени, которые позволили бы использовать какой-либо другой подход ».

Если растения с трудом могут измерить продуктивность человека, как они собираются ее улучшить? И если они не могут повысить продуктивность человека, что происходит с человеком-оператором? Я вспоминаю знаменитую цитату Маршалла Голдсмита:«То, что вас сюда привело, не приведет к вам». Исследование времени привело нас сюда, и за это я благодарю мистера Тейлора. Но когда я смотрю на «там», что я вижу как ускорение времени вывода на рынок за счет увеличения производительности (человеческого) труда, я убежден, что время для исследования пришло.

Об авторе

Доктор Прасад Акелла возглавлял команду, которая построила в GM первых в мире роботов для совместной работы. Он генеральный директор Дришти , новая компания, которая использует искусственный интеллект для взаимодействия с людьми в производственных цехах и улучшения их качества.