Экспертный взгляд: формирование будущего управления отходами в цифровую эпоху

Отходы. Это слово, с которым мы все знакомы в производственной отрасли и вызов, с которым мы постоянно сталкиваемся. Оно приходит во многих разных формах, не только из сырья, компонентов или дефектных продуктов, которые никогда не попадают в руки платящих клиентов, но и в ресурсы, используемые на каждом этапе производственного процесса — такие как труд, энергия, хранение, транспорт и активы, включая заводы и оборудование — которые потребляются, но не вносят вклад в общую выручку. Просто сказано, отходы — это стоимость входов, которые не монетизированы, и поэтому выходы в эффективности, продуктивности, гибкости и качестве — все прокси для отходов.

Хотя отходы стали более формализованным понятием под философией Lean Manufacturing, это вызов, проникавший в отрасль с рождения современного производства. Когда Мэттью Болтону и его бизнес-партнеру Джонзу Фотергиллу открыли Сого Манюфактори в Бирмингеме, Англия в 1766 году, они ввели концепцию «массового производства» для революционизации неэффективных кустарных промышленностей того времени. В 1782 году они заменили свой водяной металлический прокатный станок на революционный новый источник энергии — паровой двигатель Уатта — и так началась «война с отходами».

С тех пор мы непрерывно изобретали новые техники, методы, процессы и технологии для сокращения отходов. Когда крупные инновации, как паровой двигатель Уатта, появлялись, наши предки реализовывали сейсмические выгоды в эффективности и продуктивности, за которыми следовал период непрерывных улучшений и тонкой настройки. Это максимизировало выгоды от тех инноваций еще больше и продолжалось до появления следующих крупных инноваций, таких как электричество, где электрические двигатели заменили пар и позволили энергии быть высоко распределенной, более рентабельной и надежной. Затем конвейер ввел новую парадигму для разделения и использования труда, а транзистор дал рождение промышленному компьютерному контролю и автоматизации.

Каждый из этих крупных вех видел начальное воздействие, за которым следовал период непрерывного уточнения и улучшения, где последовательные улучшения доставляли всё убывающие доходности до следующего сейсмического сдвига. Когда ищут области для улучшения производственного процесса, большинство организаций будут склонны выбирать «низко висящие фрукты» сначала, прежде чем искать более трудные и тонкие улучшения, пока они непрерывно стремятся найти новые способы устранить отходы. Однако они скоро достигнут точки, где стоимость устранения источника отходов становится равной или больше реализованной выгоды — увы, закон убывающей доходности.

На этом этапе просто становится неэкономично делать эти улучшения, и в результате приросты эффективности и продуктивности начинают плато. Я верю, что это где большинство производителей сегодня, и это частично объясняет так называемый парадокс продуктивности. Несмотря на инвестиции в новое оборудование, процессы и техники, рост продуктивности остается плоским, потому что низко висящие фрукты собраны и бизнесы застревают в цикле убывающей доходности на единицу инвестиций. Парадокс продуктивности может быть нарушен только когда следующий сейсмический сдвиг появится для доставки значительных улучшений в производительности.

Как история показала, эти сдвиги не происходят за ночь. Они изначально встречаются с скептицизмом и часто насмешками, прежде чем пройти через период хайпа, за которым следует разочарование, когда воспринимаемые выгоды не материализуются. Этот переход может часто занимать несколько лет, возможно, десятилетия, прежде чем постепенно осязаемые выгоды начинают появляться через то, что аналитическая фирма IT, Gartner, называет «склоном просвещения» — четвертой фазой Цикла хайпа. Цифровизация, Умные Заводы, Завод Будущего, Индустрия 4.0 и Промышленный Интернет Вещей (IIoT) — все вариации одной темы и представляют корни этого следующего крупного цикла. Хотя много было и продолжает сообщаться об этих темах, они все основаны на эксплуатации одного фундаментального ингредиента — информации, следующего критического оружия в войне с отходами.

ТАКЖЕ ЧИТАЙТЕ:

• Мартовый выпуск Manufacturing Global доступен
• Женевский автосалон: топ автотехнологических трендов, которые вы не захотите пропустить
• Siemens готов приобрести KACO new energy для улучшения производственных возможностей
• Bray International: изменение мышления клапанного производства через цифровую трансформацию

Убывающие доходности эффективности и продуктивности от существующих цеховых технологий, таких как автоматизация и офлайн-методологии улучшения производительности вроде Six Sigma, достигли прverbialного стеклянного потолка. Возьмем, для примера, меру Общей эффективности оборудования (OEE), обычно используемой для оценки того, насколько эффективно используется производственная операция. OEE 100% указывает на идеальную производственную среду, с только хорошими продуктами, производимыми так быстро, как возможно, и нулевым простоями. Достижение этого уровня OEE, возможно, невозможно, однако общее исследование по широкому спектру исследований показывает, что мировые производители стремятся к OEE около 80-85% с 50-60% более типичным, и 30-40% не редкостью. Не только это иллюстрирует, что все еще есть значительное пространство для улучшения в терминах эффективности и продуктивности, это также раскрывает, что наши усилия по улучшению производительности очень редко «двигают иглу». Вместо этого производители полагаются на кульминацию большого числа меньших, и иногда затратных, улучшений для создания любого реального воздействия.

Чтобы прорвать этот стеклянный потолок, нам нужно использовать информацию и данные активов, разрабатывая больший уровень операционной остроумия, чем у нас сегодня. В физических системах у нас всегда будет уровень естественной вариативности и непредсказуемости, но мы не должны продолжать использовать это как оправдание для субоптимальных производственных процессов. Вместо этого, нам нужно использовать эту информацию для понимания когда и где эти случаются (в реальном времени или близком к реальному времени) и иметь механизмы на месте для ответа на и смягчения той вариативности и непредсказуемости «как-это-случается», или еще лучше «прежде-чем-это-случается».

Это не легко, и требует непрерывного понимания и мониторинга многих переменных, не только по одному измерению, процессу или характеристике продукта, но по всей причинной ландшафтности. В производственной среде процессы редко полностью изолированы, так как производительность одного процесса вероятно будет вызвана множеством других влияний — как прямыми, так и фоновыми. Это часто называется «Проклятием размерности» — чем больше измерений у нас, тем больше данных нам нужно и тем труднее становится получение действенного инсайта. К сожалению, человеческий мозг не спроектирован для обработки этого уровня сложности, так как мы боремся с пониманием выводов через очень низкое число измерений и в очень седитарном темпе.

К счастью, несколько возникающих технологий сходятся и созревают, формируя фундаменты для следующего сдвига в производственной эффективности и продуктивности. Стоимость и миниатюризация передовых датчиков позволяет организациям всех размеров захватывать невообразимые объемы данных непрерывно от их цепочек спроса и поставок или даже встроенных в сами продукты. В зависимости от их уровня сложности, это может обеспечить автономные вычислительные операции с использованием передовых алгоритмов, встроенных непосредственно в датчики (известные как Edge Computing), чтобы работать напрямую с другими датчиками и устройствами в замкнутом цикле (Machine-to-Machine). Благодаря подъему повсеместных коммуникационных сетей (тренд, который будет трансформирован снова, когда новый стандарт 5G станет мейнстримом) эти датчики способны передавать собранные данные на высокой скорости из любой локации в мире.

Эти потоки данных требуют огромных объемов хранилища данных и вычислительных ресурсов, способных фильтровать, сортировать и анализировать информацию на скорости, чтобы генерировать инсайты в реальном времени, и это обеспечивается большими данными и облачными вычислениями, которые быстро разделяют бизнес-ценность данных и информации от затратной on-premises инфраструктуры. Наконец, анализ и инсайты, полученные из этих данных, должны быть доступны в правильном месте в правильное время для эффективных действий, всегда доступны на практически любом устройстве, в высоко визуальной и интуитивной форме, которую работники могут легко интерпретировать и действовать. Это становится возможным благодаря эволюции облачных Software-as-a-Service (SaaS) и Rich Web Application (RWA) интерфейсов, которые становятся мейнстримом сегодня.

Цифровизация завода, цеха и цепочки поставок позволит производителям быстро идентифицировать и устранить отходы способами, ранее невозможными или неэкономически целесообразными, и это введет новую эру эффективности и продуктивности. Как только низко висящие фрукты будут собраны, мы продолжим развивать технологии и техники для нахождения новых и инновационных способов сократить отходы еще дальше, пока законы убывающей доходности не начнут кусать, и мы будем искать следующий крупный сдвиг. Однако, как напоминает гуру ИИ Эндрю Нг, беспокоиться об этом сейчас — это как беспокоиться о перенаселении на Марсе.

InfinityQS — ведущий провайдер Статистического Процессного Контроля (SPC) программного обеспечения и услуг для производителей по всему миру. Его решения автоматизируют сбор и анализ данных во время производственного процесса, чтобы обеспечить решения по улучшению процесса в реальном времени и предотвратить дефекты до их возникновения. Разработанное промышленными статистиками с использованием проверенных методологий для анализа и контроля качества, решения InfinityQS экономят ведущим производителям миллионы долларов каждый год.