מ Log מכונה לתובנה

בעולם החדש שבו אנחנו חיים נאספים כמויות גדולות מאד של נתונים.

clueless

הבעיה היא שלא תמיד קל לנבור בהם ולהבין מהם משהו.

ניקח לדוגמה log עצירות של מכונה. זהו אחד הדברים הכי משעממים שיש אם תנסו לקרוא אותו כמו שהוא. מדובר בדרך כלל באלפי שורות לכל מכונה ולפעמים אף רבבות. אנחנו נפעיל על ה log הזה מספר טכניקות שיאפשרו לנו להפוך את מסת הנתונים למידע מעניין שלא תמיד היה זמין קודם לכן. זהו אחד הסודות הסמויים של המצויינות התפעולית.

הדבר הראשון והכי חשוב הוא להבין מה אומרים הנתונים בדו"ח. אנחנו לא חייבים להבין מה המשמעות של כל הכתוב שם אבל אנחנו צריכים להבין מה כל שדה בדו"ח אומר ואנחנו צריכים למצוא אדם שמבין את המשמעות האמיתית של כל עצירה שרשומה בדו"ח.

אני אישית ניתחתי באופן הזה אין ספור טבלאות נתונים ענקיות בלי להבין יותר מדי בפרטים

sorter
צריך מתרגם טוב שימיין נכון לקטגוריות

הקטנים. אני תמיד מוצא את האדם הנכון שיתרגם לי ויהפוך את הפרטים הקטנים לקטגוריות. אני לומד טוב את התהליך אותו אני חוקר מבחינת סדר פעולות ומה משפיע על מה ושוב לא חייבים לרדת לפרטים הקטנים כפי שיעשה מהנדס התהליך.

למה הדבר דומה? כאשר מכינים חביתה, אנחנו יודעים שצריך לשבור ביצה, לשים במחבת חמה ולהוציא את הביצה מהמחבת לפני שהיא נשרפת. אנחנו לא צריכים להבין את הכימיה של החלבונים שפוגשים חום גבוה, אנחנו גם לא צריכים להבין את ההרכב הכימי של המחבת בשביל להבין איך היא עובדת. טוב, עכשיו אחרי החפירות הללו בואו נעבור לדוגמה שתמחיש הכל.

ניקח Log עצירות של מכונות ניתן להוריד אותו בלינק הבא: Log מכונות למידע.

גיליון ה INPUT מראה איך נראה ה log באופן הגולמי שלו.Input table

ב Log  הנ"ל מופיע שם המכונה, המק"ט המיוצר, מספר הפק"ע, סיבת העצירה (או האי עצירה במקרה של WORK) ובסוף התאריך והשעה שבו דווחה הפעולה. עכשיו בואו נראה מה אפשר לעשות עם המידע:

  1. זמן שהיה במצב – ע"י חיסור התאריכים בין שורת דיווח אחת וקודמתה אנחנו יכולים לדעת כמה זמן המכונה שהתה במצב. בדוגמה למעלה המכונה היתה במצב WORK (מייצרת) מהשני לראשון 2015 בשעה 6 בבוקר ועד שדווחה תקלה ב 3/1/2015 בשעה 4:20 כלומר המכונה עבדה קצת יותר מ 22 שעות באופן תקין באופן הזה אנחנו יכולים לקבל את זמן השהיה של המכונה במצב על פני כל הרשומות.
  2. הוספת קטגוריות – כדי לנתח מסות של מידע רצוי לקבץ אותם לקטגוריות. יש 212 סיבות עצירה, אני משייך כל אחד מהם לפי קטגוריה. הקטגוריות בדרך כלל נקבעות לפי האחראי לשיפור התהליך בתחום הזה. לדוגמה תקלות במכונה יהיו שייכות לאחזקה. בעיות במוצר הדורשות תיקון בהתאם לבדיקת המעבדה יהיו שייכות לטכנולוג וכך הלאה. אתם יכולים לעבור לגיליון "קטגוריית עצירות" על מנת לראות איך תרגמתי כל עצירה לקטגוריה (זה דורש לפעמים את המומחה שמבין באמת מה אומרת כל סוג של עצירה).
  3. הוספת תקופות זמן מקבצות – כאשר אנחנו עובדים עם כמות נתונים גדולה רצוי מאד להסתכל על מסגרות זמן גדולות כמו, חודש, רבעון או שנה. כאשר אנחנו עובדים ב BI המערכת נותנת לנו לבד לקבץ את המידע לפי מסגרות זמן אבל כאשר אנחנו עובדים על אקסל צריך לתרגם את תאריך הפעולה ליום, חודש, רבעון ושנה וכך נוכל להציג את הנתונים בחתכי זמן שונים.Input table expandedעכשיו יש לנו כבר מספיק נתונים כך שנוכל להשתמש בטבלאות וגרפי פיבוט בקלות והנה הגרפים והתובנות שיוצאותTool - time breakdown by valuesהגרף הנ"ל כבר מאפשר לנו לראות מידע ולא נתונים. נייצר אותו כגרף אחוזים שמסתכם ל 100 אחוז מהזמן, זה יאפשר לנו להשוות בין תקופות זמן שלא בהכרח שוות.Tool - time breakdown by percentageעכשיו ניתן להבין שהמכונה מייצרת כ 60 אחוז מהזמן בלבד. ניתן לראות שהמכונה היתה מושבתת הרבה ברבעון השלישי של 2016. ניתן גם לראות שמחצית השנה השניה של 2016 יש צמצום בזמני הסאטאפ שמתורגמת לעליה בזמן הייצור ברבעון האחרון של 2016.בקובץ אקסל המצורף ניתן לייצר גרפים כאלו לכל אחת מהמכונות ולכולם או חלקן ביחד (ע"י שינוי גרפי הפיבוט) על פני תקופות זמן שונות.

    מה עוד אפשר לעשות עם המידע?

    • תחקור קטגוריות –  כאשר אנחנו מפלטרים את המידע לפי קטגוריות נחשף לנו עולם שלם של מידע. הנה מספר דוגמאות:
    • נפלטר לפי אחזקה ונייצר את עשרת התקלות המובילות מבחינת שימוש בזמן מכונה (נתונים של שנתיים):התקלות המובילות

      תובנות מהגרפים

        • ניתן לראות שאחזקה מתוכננת היא הגורם מספר אחת לעצירת המכונות שזה בעיקרון טוב. הנתון הזה מאפשר לנו להבין שאם נצמצם את הזמן של האחזקה המונעת ב 25% נרוויח 100 שעות מכונה. איך מצמצמים זמן של אחזקה מונעת בדיוק כמו זמן סאטאפ, קראו את הפוסט הבא.
        • ניתן גם לראות איזה תקלות גורמות לכמות גדולה של תקלות וזמן השבתה מתמשך. למשל בגרף למעלה ניתן לראות שהיו 25 תקלות של מייבש שצרכו 281 שעות. אלו לא תקלות אקראיות, אלו תקלות שקורות פעמיים בחודש וצורכות בממוצע כ 11 שעות. האם ניתן למפות את התקלות הלו ולהחזיק חלקי חילוף מתאימים? האם ניתן למצוא פתרונות פשוטים להרכבה ופירוק של המייבש כך שניתן יהיה להחליף אותו או את חלקו ללא צורך בתיקון און ליין?
      • טכנולוגיה – נסנן לפי קטגוריית טכנולוגיה ונבחרת את עשרת הבעיות העיקריות:ההמתנות כתוצאה מבעיות טכנולוגיות
      • ניתן לראות שהגורם מספר אחת בתחום הוא ההמתנה לטכנולוג/ית ואחר כך ההמתנה לתיקון שזה למעשה אותה הבעיה רק עם המתנה למנהל משמרת. שימו לב שמדובר ב 700 שעות! זה המון וכדאי למצוא פתרון אחר. פתרונות לדוגמה:
        • מציאת סיבות המקור לכך שיש כל כך הרבה תיקונים נדרשים וטיפול בהם (דרך אחת לזהות מקרים כאלו היא באמצעות כלי RFT-right first time) ראו פוסט רלוונטי.
        • דרך שניה היא יצירת תסריטי בעיות כאשר בכל שלב מוצגת למפעיל שאלה שתוביל אותו לפתרון והוא לא יאלץ להמתין למישהו אחר. אני מקווה שבעתיד אכתוב על זה פוסט שידגים את הכלי.
        • יש עוד הרבה דרכים לשפר בעיות טגנולוגיות ובשביל 700 שעות מכונה יכול להיות שגם כדאי להעסיק טכנולוג נוסף (למרות שזה פתרון פשוט ולא בהכרח יוצר סביבה לומדת).

אני יכול להמשיך ולנתח ככה כל אחת מהקטגוריות ובזמן קצר מאד לעלות על הבעיות העיקריות של המכונות. שימו לב שניתן לנתח ברמת המכונה הנפרשת או ברמה של כל המכונות ביחד. זה מאד תלוי בכמה המכונות מתנהגות אותו הדבר.

מה עוד אפשר לעשות עם הנתונים הללו?

  1. להוסיף קטגוריה גם למוצרים לדוגמה מוצרים שחורים שמזהמים או למוצרים לבנים שדורשים ניקיון סופר איכותי. לכל אחד מהם יכולים להיות עצירות מסיבות שונות לגמרי. לחומר השחור יכולה להיות בעיית זרימת חומר ואילו לחומר הלבן בעיקר בעיות זיהומיות. כל אחד צריך להיות מטופל שונה והארגון צריך לדעת לטפל בכל סוג בנפרד.
  2. לחקור זמני SETUP של מעבר מקטגוריות מוצרים אחת לשניה. האם מעבר הדרגתי בין צבעי מוצרים מהבהיר לכהה באמת יותר יעיל מייצור רנדומלי לפי הצורך של המפעל (רמז: אין לזה תשובה חד משמעית).
  3. המיונים שעשינו למעלה היו לפי שעות עצירה בפועל.  עכשיו כדאי למיין לפי מספר ארועים בסדר יורד מכיוון שיכול להיות שיש תקלה קצרה מאד שחוזרת בכל פעם שאנחנו מפעילים את המכונה וקל מאד לתקן אותה אבל קשה לראות את זה בשעות השבתה כי התקלה מאד קצרה. למה אני מתכוון? תחשבו על סטרטר באוטו, אם הוא לא עובד כמו שצריך אנחנו צריכים לעשות כל מיני פעולות בעת שאנחנו מתניעים את הרכב. בסך הכל זה עולה לנו עשר עשרים שניות וזה כלום לעומת השבתת האוטו כתוצאה מבעיה במנוע אבל אם לא נטפל בסטרטר אנחנו נצטרך לעשות את הפעולות המיותרות האלו מספר פעמים ביום.

סיכום

כפי שראיתם למעלה התחלנו מ Log שמכיל ארועים ותאריכים ויצרנו מקור מידע עמוק שאנחנו יכולים להסיק ממנו המון מסקנות. מרבית המכונות או מערכות המידע מאפשרות להפיק Log – ים מהסוג הזה ובעזרת שלושת השינויים:

זמן שהיה במצב

קטגוריות

קיבוץ לתקופות זמן

אנחנו יכולים לייצר המון מידע ולהסיק הרבה מסקנות.

help button

אם יש לכם log -ים שאתם מתקשים להבין מה לעשות איתם אני אשמח לעזור.

ניתן ליצור איתי קשר במייל:

גל מירום    theplanningmaster@gmail.com

 

 

 

 

פוסט זה נועד לשמש כחומר ומידע למהנדסי תעשיה וניהול ולכל מי שאוהב תעשיה וניהול

פוסט זה תומך במצויינות תפעולית בייצור

השאר תגובה