ایجاد پایگاه دانش خرابی-علت-قطعات یدکی برای نمایان بودن هزینه در زمان خرابی

چرا نمایان بودن هزینه زمان توقف بیش از آنچه فکر می کنید اهمیت دارد؟

زمان توقف برنامه ریزی نشده سالانه 1.4 تریلیون دلار به بخش تولید جهانی خسارت وارد می کند. این رقم غالباً یک مشکل عمیق‌تر را پنهان می‌کند: بیشتر سازمان‌ها نمی‌توانند این هزینه را دقیقاً به خرابی‌های خاص، دلایل ریشه‌ای یا مصرف قطعات یدکی نسبت دهند. هنگامی که یک خط تولید متوقف می شود، تأثیر مالی فوری - از دست رفتن توان عملیاتی و تعمیرات اضطراری - ثبت می شود. اما زهکش های پنهان مانند حق بیمه اضافه کاری، حمل و نقل سریع برای قطعات تعویضی و کاهش اعتماد مشتری در درازمدت، نامرئی می مانند زیرا هرگز به رویداد مبدا گره نمی خورند.

این فقدان قابل مشاهده هزینه منجر به تخصیص سرمایه معیوب می شود. شما ممکن است در برخی از قطعات یدکی حیاتی سرمایه گذاری کمتری داشته باشید زیرا هزینه واقعی غیبت آنها هرگز محاسبه نشده است. یا ممکن است برای اقلامی که به سرعت در حال حرکت هستند موجودی زیادی داشته باشید که به ندرت باعث قطعی طولانی مدت می شوند، صرفاً به این دلیل که تدارکات تعداد مصرف بالایی را بدون زمینه می بیند. بدون یک پایگاه دانش ساختاریافته که هر شکست را به هزینه‌های مربوط به آن مرتبط می‌کند، داده‌های زمان خرابی شما فقط نویز است، نه هوشمندی عملی.

در تولید مواد غذایی، این هزینه های پنهان حتی سریعتر افزایش می یابد. توقف خط به مدت چند دقیقه می‌تواند باعث شود تا کل دسته‌های خمیر یا سس فاسد شدنی به دلیل مقررات بهداشتی دور ریخته شوند. بدون سیستمی که ضایعات را مستقیماً به خرابی یاتاقان یا فرسودگی برد کنترل ردیابی می کند، هرگز تصویر مالی کامل را نمی بینید.

پایگاه دانش آناتومی یک شکست-علت-قطعات یدکی

در هسته خود، پایگاه دانش یک مدل داده رابطه‌ای است که به سه سؤال پاسخ می‌دهد: چه چیزی شکست خورد، چرا شکست خورد، و کدام قطعه یدکی برای رفع آن مورد نیاز بود. هر رویداد خرابی به رکوردی تبدیل می شود که تجهیزات، حالت خرابی، علت اصلی و قطعات مصرف شده را به همراه مدت زمان و هزینه های اندازه گیری شده مرتبط می کند. این ساختار سفارشات کاری مجزا را به شبکه ای قابل جستجو از روابط علت و معلولی تبدیل می کند.

جدول زیر حداقل فیلدهای داده مورد نیاز را نشان می دهد. توجه داشته باشید که محیط‌های فرآوری مواد غذایی نیازمند چند افزودنی منحصربه‌فرد هستند، مانند شناسه‌های دستور غذا یا فرمول و داده‌های چرخه تمیز کردن، زیرا تغییرات مواد تشکیل دهنده و روال‌های بهداشتی اغلب باعث خرابی‌هایی می‌شوند که مدل‌های عمومی نادیده گرفته می‌شوند.

ساخت این مدل یک حلقه بازخورد ایجاد می کند. هنگامی که حالت خرابی یکسانی در چندین دارایی ظاهر می‌شود، می‌توانید به سرعت همه دلایل ریشه‌ای مرتبط را جستجو کنید و ببینید کدام قطعات یدکی به طور مکرر ظاهر می‌شوند. این شناخت الگو اولین گام به سمت تغییر از آتش نشانی واکنشی به مداخلات مبتنی بر شرایط است. به عنوان مثال، اگر پایگاه دانش نشان می دهد که 70٪ از شکل گیری درام جم روی ماشین آلات لکه گیری اتوماتیک ناشی از درزگیرهای فرسوده است که بلبرینگ ها را آلوده می کند، می توانید فواصل تعویض پیشگیرانه را تنظیم کنید و هزینه کل خرابی را به شدت کاهش دهید.

مرحله 1: جمع آوری داده ها - استخراج منابع موجود شما

شما در حال حاضر مالک بیشتر داده های خام هستید. چالش این است که در سیلوهای جدا شده زندگی می کند. سیستم‌های سفارش کار توصیفات خرابی و مُهرهای زمانی را در خود نگه می‌دارند، اما به ندرت به قطعه یدکی خاص مورد استفاده مرتبط می‌شوند. گزارش‌های برداشت موجودی ثبت می‌کنند که کدام قطعات از انبار خارج شده‌اند، با این حال به ندرت به رویداد خرابی که باعث برداشت شده است اشاره می‌کنند. و گزارش‌های اپراتور ممکن است حاوی یادداشت‌های متنی ارزشمندی باشند - مانند خوانش رطوبت خمیر - که هرگز با سوابق نگهداری ترکیب نمی‌شوند.

با جمع آوری یک تیم چندکاره برای موجودی هر منبع خرابی و داده های تعمیر شروع کنید. چک لیست زیر رایج ترین مخازن را پوشش می دهد.

• سیستم مدیریت نگهداری کامپیوتری (CMMS): سفارشات کاری، کدهای شکست، تاریخچه دارایی.
• سیستم مدیریت موجودی: صدور قطعات یدکی، هشدارهای ذخیره مجدد، ارزش هزینه.
• مورخان PLC / SCADA: سیاهههای مربوط به زنگ ماشین، شمارش چرخه، مُهر زمان خرابی.
• نکات تغییر اپراتور: مشاهدات دستی در مورد کیفیت محصول، صداهای غیرمعمول یا توقف های جزئی.
• سوابق تدارکات: سفارشات خرید اضطراری و هزینه های حمل و نقل سریع.
• گزارش های کیفیت: مقادیر ضایعات و نگهداری دسته ای ناشی از خرابی تجهیزات.

پس از شناسایی خوراک‌های خام، قبل از وارد کردن هر چیزی به پایگاه دانش، سه مرحله تمیز کردن ضروری را اعمال کنید. اول، حذف سفارشات کاری که برای یک رویداد باز شده اند (یک زنگ موتور ممکن است در عرض چند دقیقه چندین بلیط ایجاد کند). دوم، استاندارد کردن کدهای قطعات یدکی ; یک یاتاقان ممکن است به عنوان "BRG-6205"، "skf 6205" و "6205-2RS" در سراسر سیستم ها توصیف شود. بدون کد یکپارچه، نمی توانید مصرف قطعات را به طور دقیق جمع آوری کنید. سوم، توصیفات شکست میراث را به یک واژگان کنترل شده نگاشت . عباراتی مانند "موتور متوقف شده"، "موتور خاموش" و "اضافه بار موتور" باید در یک حالت خرابی جمع شوند تا پایگاه داده بتواند تجزیه و تحلیل قابل اعتمادی را انجام دهد.

مرحله 2: ساختار داده - ساخت مدل رابطه

با در دست داشتن داده های تمیز، گام بعدی تعریف روابطی است که به جای فهرستی مسطح از سوابق، یک پایگاه دانش ایجاد می کند. پیوند مرکزی یک نگاشت چند به چند بین حالت های خرابی و قطعات یدکی است. یک شکست منفرد، مانند "لغزش تسمه نقاله" می تواند ناشی از فرسودگی غلتک های کششی، تسمه آسیب دیده یا یک قرقره درایو نامناسب باشد. هر علت ریشه ای به قطعات یدکی مختلفی اشاره دارد که برخی از آنها ممکن است در سایر حالت های خرابی نیز دخیل باشند.

جدول زیر این ساختار به هم پیوسته را برای خط تشکیل غذا نشان می دهد. توجه کنید که چگونه یک علت اصلی را می توان در چندین حالت خرابی به اشتراک گذاشت و چگونه حتی قطعات ساده در چندین ردیف ظاهر می شوند. این شبکه همان چیزی است که به پایگاه دانش قدرت تشخیصی می دهد.

برای ماشین آلات مواد غذایی، شما همچنین باید علل ریشه ای ناشی از فرآیند را که در مدل های عمومی نامرئی هستند، شناسایی کنید. چسبندگی خمیر، دمای پر شدن و بقایای مواد شیمیایی CIP همگی می توانند باعث خرابی های مکانیکی شوند. یک پایگاه دانش که کد دسته‌ای و دستور پخت را در کنار خطای مکانیکی ثبت می‌کند، کارخانه تولیدی را قادر می‌سازد تا پارامترهای عملیاتی را قبل از اینکه یک الگو به یک محرک هزینه مزمن تبدیل شود، تنظیم کند. راه‌حل‌های شکل‌دهی سفارشی‌شده اغلب شامل اجزای آماده حسگر هستند که این جمع‌آوری داده‌ها را ساده‌تر می‌کنند و اتصال متغیرهای فرآیند را مستقیماً به سوابق خرابی آسان‌تر می‌کنند.

مرحله 3: اسناد هزینه - تعیین کمیت هر رویداد خرابی

مشاهده تنها زمانی عملی می شود که یک رقم دلار را به هر گره در پایگاه دانش وصل کنید. هدف، ماتریس انتساب هزینه خرابی است که هر رویداد را به سطل های هزینه تشکیل دهنده آن تقسیم می کند: قطعات یدکی، کار تعمیر و نگهداری، تولید از دست رفته و ضایعات مرتبط با کیفیت. جمع کردن این موارد در تمام رویدادها برای یک دارایی خاص یا حالت شکست نشان می دهد که سرمایه واقعاً در کجا خونریزی می کند.

ماتریس را با یک ردیف در هر رویداد بسازید. ستون ها ابعاد هزینه را نشان می دهند که از فیلدهای داده ای که قبلاً پاک کرده اید استخراج شده است. با گذشت زمان، جمع‌آوری این داده‌ها گران‌ترین الگوهای شکست را نشان می‌دهد – نه لزوماً آن‌هایی که اغلب اتفاق می‌افتند، بلکه آنهایی که بیشترین تأثیر کل را در هر رخداد دارند.

این ماتریس محاسبه مقدار هزینه به ازای هر حالت شکست را آسان می کند. در مثال بالا، درام جم در Encrusting Machine L3 به طور متوسط ​​2559 دلار در هر رویداد است. اگر این سه بار در ماه اتفاق بیفتد، هزینه سالانه از 92000 دلار فراتر می رود - برای توجیه کامل سرمایه گذاری 20000 دلاری در برنامه جایگزینی پیشگیرانه سیل و ارتقاء یاتاقان مقاوم در برابر رطوبت کافی است. بدون پایگاه دانش، آن مورد تجاری هرگز محقق نمی شود زیرا هزینه در بودجه های بخش پراکنده می شود.

یک بعد اغلب نادیده گرفته شده در فرآوری مواد غذایی هزینه ضایعات محصول است که به دلیل پروتکل های ایمنی مواد غذایی قابل نجات نیست. هنگامی که یک خط متوقف می شود، خمیر و مواد پر شده که فراتر از آستانه دمایی معینی در حال پردازش بوده اند باید دور ریخته شوند. گنجاندن آن داده ها در ماتریس اسناد مستلزم همکاری با تیم های کیفیت و بهداشت است، اما می تواند هزینه محاسبه شده برخی از خرابی ها را دو برابر کند.

مرحله 4: حکمرانی پایگاه دانش - زنده نگه داشتن آن

پایگاه دانشی که یک بار ساخته شده و رها می شود سریعتر از هر دارایی مکانیکی از بین می رود. حالت‌های خرابی جدید با تغییر دستور العمل‌ها، قدیمی شدن ماشین‌ها، و تجدیدنظر در شماره کاتالوگ تامین‌کنندگان قطعات یدکی ظاهر می‌شوند. بدون پروتکل حاکمیتی، داده های شما که به دقت ساختار یافته اند در عرض چند ماه به سمت هرج و مرج باز می گردند.

یک فرآیند به‌روزرسانی حلقه بسته ایجاد کنید که هر زمان که یک شکست جدید رخ می‌دهد فعال شود. تیم تعمیر و نگهداری رویداد را در CMMS ثبت می کند، یک علت اصلی اولیه ذکر می شود و قطعات یدکی استفاده شده ثبت می شوند. سپس یک مهندس قابلیت اطمینان یا برنامه ریز تعمیر و نگهداری، پیوند را تأیید می کند، پایگاه دانش را به روز می کند و تغییر را منتشر می کند. این چرخه ساده مدل رابطه ای را جاری و قابل اعتماد نگه می دارد.

1. ضبط: رویداد خرابی را با تمام فیلدهای مربوطه بلافاصله پس از بازیابی مستند کنید.
2. تجزیه و تحلیل: تجزیه و تحلیل علت ریشه ای ساختاریافته را در عرض 48 ساعت انجام دهید و دلایل تأیید شده را تعیین کنید.
3. نقشه: روابط خرابی-علت-قطعه را به روز کنید و در صورت استفاده از قطعات جدید، فهرست قطعات یدکی مورد انتظار را اصلاح کنید.
4. هزینه: ارقام زیان کار، قطعه و تولید واقعی را وارد کنید، هر گونه برآورد اولیه را بازنویسی کنید.
5. اعتبارسنجی: سرنخ قابلیت اطمینان قبل از انتشار آن در پایگاه دانش مشترک، ورودی را از نظر سازگاری بررسی می‌کند.

ممیزی‌های فصلی را برنامه‌ریزی کنید که در آنها تأیید می‌کنید که SKUهای قطعات یدکی هنوز فعال هستند، داده‌های هزینه نشان‌دهنده قیمت‌گذاری فعلی است و روابط قدیمی منسوخ شده‌اند. ادغام با یک سیستم مدیریت دارایی سازمانی بسیاری از این موارد را خودکار می کند، اما یک ایست بازرسی انسانی ضروری باقی می ماند، به خصوص زمانی که تغییر وضعیت نظارتی (مانند مواد تماس با مواد غذایی که گواهی FDA خود را از دست می دهد) می تواند مجموعه کاملی از توصیه های قطعات یدکی را نامعتبر کند.

مطالعه موردی: چگونه یک تولیدکننده مواد غذایی با یک پایگاه دانش زمان توقف را تا 15 درصد کاهش داد

یک تولیدکننده مواد غذایی منجمد که چندین خط پرسرعت برای دامپلینگ و اسپرینگ رول کار می‌کند، با توقف‌های مکرر برنامه‌ریزی نشده‌ای مواجه شد. دستگاه پیراشکی اتوماتیک . واحد شکل‌دهی بدون اخطار گیر می‌کرد و هر رویداد به طور متوسط ​​120 دقیقه از کار افتاد، زیرا کارکنان تعمیر و نگهداری از میان سطل‌های قطعات یدکی فهرست‌بندی‌شده ضعیف و سیاهه‌های مربوط به تعمیر و نگهداری نابسامان شکار می‌کردند. تکنسین ها گزارش کردند که صرفاً برای شناسایی بلبرینگ یا مهر و موم صحیح تا 45 دقیقه وقت صرف کرده اند.

تامین کنندگان ماشین آلات ساخت Gyoza، تولید کنندگان ماشین پیراشکی اتوماتیک

به عنوان تولید کنندگان، تامین کنندگان و کارخانه های سفارشی سازی ماشین آلات ساخت Gyoza در چین، Chengtao از ماشین آلات تولید دامپلینگ در رستوران/صنعت عمده فروشی استفاده می کند.

مشاهده محصول →

پس از اجرای یک پایگاه دانش خرابی-علت-قطعات یدکی، کارخانه تمام رویدادهای مربای تاریخی را به سه دلیل اصلی ترسیم کرد: سایش یاتاقان ناشی از رطوبت، رانش فرمول خمیر، و تخریب مهر و موم ناشی از مواد شیمیایی تمیزکننده. هر علت اصلی به صورتحساب دقیقی از مواد مرتبط بود که شامل بلبرینگ مهر و موم شده خاص، کیت مهر و موم مواد غذایی، و در صورت لزوم، مجموعه ای از محدوده پارامترهای فرآیند برای مخلوط کن خمیر بالادست بود. پایگاه دانش با CMMS ادغام شد به طوری که وقتی هر درام گیر کردن رخ می داد، سیستم بلافاصله محتمل ترین علل را بر اساس رویدادهای گذشته پیشنهاد می کرد.

نتایج قابل اندازه گیری بود. میانگین زمان تعمیر (MTTR) برای تشکیل گیرهای واحد از 120 دقیقه به 45 دقیقه کاهش یافت و زمان جستجوی قطعات یدکی به کمتر از 5 دقیقه در هر حادثه کاهش یافت. جدول زیر با KPI های قبل و بعد از آن مقایسه می کند.

مهمتر از آن، پایگاه دانش تغییری در نحوه مدیریت موجودی کارخانه توسط کارخانه ایجاد کرد. با پیوند دادن قطعات به احتمال خرابی، تیم تعمیر و نگهداری یاتاقان مهر و موم شده را مجدداً به عنوان یک مورد مهم A طبقه بندی کرد و یک نقطه سفارش مجدد تعیین کرد که خریدهای اضطراری را حذف کرد. هزینه‌های نگهداری موجودی برای قطعات یدکی واحد شکل‌دهی تا 20 درصد کاهش یافت، زیرا تیم دیگر قطعاتی را که داده‌ها نشان می‌داد به ندرت درگیر توقف‌های عمده بودند، بیش از حد ذخیره نمی‌کردند.

نتیجه گیری: از واکنشی تا پیشگیرانه - ارزش استراتژیک دید

پایگاه دانش خرابی-علت-قطعات یدکی بیش از مستندسازی گذشته انجام می دهد. هر دقیقه از کار افتادگی را به لحظه ای قابل آموزش تبدیل می کند که استراتژی های تجهیزات آینده، سیاست های ذخیره سازی قطعات یدکی و برنامه های سرمایه گذاری سرمایه را شکل می دهد. سه مزیت استراتژیک فوری واضح است.

• بهینه سازی موجودی قطعات یدکی: طبقه‌بندی ABC-XYZ همراه با داده‌های فرکانس خرابی به شما امکان می‌دهد موجودی با اندازه مناسب داشته باشید - قطعات با اهمیت بالا را نزدیک نگه دارید و اقلام کم‌ضریب را بدون خطر در دسترس بودن خط کاهش دهید.
• تعمیر و نگهداری پیشگیرانه هدفمند: هنگامی که روند خرابی به الگوهای سایش قابل پیش بینی اشاره می کند، می توانید مهر و موم یا یاتاقان ها را بر اساس یک برنامه زمان بندی مبتنی بر شرایط جایگزین کنید و اکثر رویدادهای برنامه ریزی نشده را حذف کنید.
• تخصیص سرمایه با اطمینان: دید در سطح دارایی نشان می دهد که کدام ماشین ها مراکز هزینه مزمن هستند. اگر یک مدل خاص 60 درصد از هزینه های خرابی خط را به خود اختصاص دهد، مورد تجاری برای ارتقا یا طراحی مجدد خود را می نویسد.

تولیدکنندگان مواد غذایی با لایه‌ای از پیچیدگی روبرو هستند، زیرا تغییر محصول، چرخه‌های بهداشتی و تنوع مواد، حالت‌های شکست منحصر به فرد را ایجاد می‌کنند. با این حال، همان اصول اعمال می شود. پایگاه دانشی که حول محور خود می سازید تجهیزات آماده سازی و تشکیل خطوط پایه و اساس برنامه‌های نگهداری پیش‌بینی‌کننده می‌شود که رئولوژی خمیر، دمای پخت و قرار گرفتن در معرض مواد شیمیایی CIP را در نظر می‌گیرند - عواملی که مدل‌های صنعتی عمومی به طور کامل از آن‌ها غافل هستند.

آماده سازی

آماده سازی

مشاهده محصول →

بازگشت این تلاش انتزاعی نیست. هزینه ساخت و اداره یک پایگاه دانش معمولاً چندین بار در 12 ماه اول بازیابی می شود، تنها از طریق اولین حمل و نقل قطعات یدکی اضطراری اجتناب شده و اولین خرابی که به درستی پیش بینی شده است. ریاضی ساده است: هر ساعت از توقف جلوگیری شده، حاشیه مستقیم برگردانده می شود.