Vinstgenererande underhåll? Om kopplingen mellan vinstgenerering och underhåll från ett informationsteknologiperspektiv Presentation SOLE 20/-07 Växjö irka Kans, Teknologie licentiat i systemekonomi, Växjö universitet
Vinstgenerering, en underhållsfråga Om vi inte har några haverier, varför kostar underhållet så förbenat mycket? Du, vår kärnverksamhet fungerar effektivt tack vare bra underhåll. en vad är bra underhåll och hur ska vi veta att vi utför bra underhåll? Och kan vi förbättra vårt underhåll?
Kopplingen mellan underhåll och vinstgenerering Underhållets verksamhetsmål Underhållets produktivitet Underhållets effektivitet Underhållets kostnadseffektivitet Kostnadskontroll - Produktions- och underhållskostnader Vinstgenererande underhåll Företagets mål Differentiering - Leveranssäkerhet - Högkvalitativa produkter - Gott rykte
Underhållsbeslut förankras i företagets strategi Företagets strategiska mål Uppföljning Produktionens verksamhetsmål Underhållets verksamhetsmål Daglig underhållsverksamhet
Ta vara på dataresurserna, de ger ger svar på hur väl underhållet utförs om underhållsstrategin är effektiv om underhållspolicyn passar företagets verksamhet ytterligare förbättringar av underhållet för att uppnå: inskade olyckor och personskadorskador Högre och stabilare produktion Lägre produktions/ underhållskostnader
Exempel på underhållsrelaterad data Organisatorisk underhållsdata Ex. använda underhållsstrategier, kunskap hos UHpersonal Teknisk underhållsdata Ex. antal utförda underhållsarbeten, tidsåtgång per arbete Ekonomisk underhållsdata Ex. direkta underhållskostnader, potentiella besparingar, underhållsinvestering
Exempel på underhållsrelaterad data Teknisk och ekonomisk produktionsrelaterad data Ex. produktionsvolym, produktkvalitet, produktionstid, fasta och rörliga produktionskostnader Teknisk och ekonomisk maskinrelaterad data Ex. komponenttillstånd, stoppfrekvens, felfrekvens, fasta maskinkostnader
Problem vid insamling av data Frustration hos tekniker -Duplicering av datainsamling/inmatning -anuell datainmatning -Ingen feedback -Aktiviteten känns inte värdeskapande anuella informationskällor -Pärmar och pappersregister -Teknikernas kunskaper -Externa konsulter/experter -Data som skapas men inte lagras IT-baserade källor -Data på för hög nivå (aggregerad) -Data på för låg nivå -Feltolkad data Data av låg kvalitet -Fattas -Inte fullständig -Felaktig -Inte i tid
Fallstudie: UH-data och IT på pappersbruk Syftet var att analysera användandet av befintliga IT-system för underhålls- och produktionsstyrning. De övergripande målen var att motivera behovet av ett datoriserad beslutsfattande i form av ett DSS samt att kartlägga möjligheten att implementera systemet på pappersbruk med avseende på: Nya funktioner som inte finns i de befintliga IT-systemen. Integration av ett nyutvecklat beslutsstödsystem (BETUS) med de befintliga IT-systemen på pappersbruk eller andra processindustrier. Det nya beslutsstödsystemet kostnadseffektivitet.
Exempel på UH-data pappersbruk Leverantörsuppgifter Total tid underhåll AFFÄRS- SYSTE Stopptid EKONOI- SYSTE Antal och pris uttaget material DB PRODUKTIONS- STYRSYSTE DB 2 DB 3 Teknisk och ekonomisk information återfinns i minst tre system (i IT-systemen för produktionsstyrning och ekonomistyrning samt i manuella register) medan planering och styrning sker i ett fjärde system (affärssystemet).
Exempel på data som är svår att finna (från pappersbruksfallet) Stopp klassificerades som antingen planerade eller icke planerade. er detaljer kring stoppen, t.ex. om de var oplanerade men utfördes på grund av indikationer från tillståndsövervakningsdata att haveri var nära. Det var inte möjligt att separat identifiera och samla in direkta underhållsrelaterade kostnader kopplat till en viss underhållspolicy. Dessa data återfanns som en del av de totala direkta underhållskostnaderna, uppdelade i mantimmar, reservdelar etc. Kvalitetsbrister som härrör sig från delar i systemet kunde inte fångas automatiskt, utan måste uppskattas.
Fallstudie datatäckning i CS och DCQ = ( cs + c + co + cout ) ( P R) affärssystem. Direkta underhållskostnader per per producerad enhet av hög kvalitet (DCQ). 2. Förluster í form av outnyttjade fasta kostnader som härrör från störningar i produktionsprocessen (NPD). c ( ) F tupbfr + t S + t F NPD = t P
Resultat CS Grundläggande ekonomisk och teknisk data återfinns, men inte produktionsrelaterad data. Varken DCQ eller NPD kan uppskattas. DCQ = ( c ) S + c + co + cout ( ) P R NPD = c F ( t ) UPBFR + ts + t F t P
Resultat affärssystem Underhållsmodulen innehåller såväl underhållsspecifik data som data rörande produktion. Data för att uppskatta DCQ finns, medan vissa data för NPD inte är tillgängliga. DCQ = NPD = ( c ) S + c + co + cout ( ) c F P R ( t ) UPBFR + ts + t F t P
Förhållandet produktion-underhåll Underhållsinformation Produktionskapacitet Produktionsutrustningens tillstånd Produktionskapacitetsinformation Kapacitetsplaneringsinformation Planerad produktionsutrustningstillgänglighet Information om preventivt/prediktivt underhåll IEC 62264-
Information Process Informationsflöde Ledning Inköp Leverantör Reellt flöde LCC mål materialbehov planering planering alternativa lösningar mål Underhåll Produktion uppföljning alternativa lösningar utförda aktiviteter problem utförda aktiviteter Kvalitet Produktionslogistik alternativ problem planering effektivitet processcapacitet Kund
Krav på underhållsrelaterad data Identifierade problem: Underhållsdata är heterogen med avseende på automationsnivå, uppdateringsfrekvens och datagenererings- och lagringsplats. Underhåll är inte en isolerad ö i företaget, utan en verksamhet som berör och berörs av andra verksamheter. Därför behöver vi tillgång till inte enbart underhållsspecifik data, utan data från ett flertal aktiviteter/processer inom företaget. Lösning: En common database En common database för underhållsbehov är en konceptuell (beskrivande) databasmodell som innehåller all relevant data som behövs för att stödja ett helhetsperspektiv på underhåll.
Att koppla databehov till underhållsverksamhetens behov De beslut som kan göras inom underhåll är beroende på den förståelse för underhåll som IT-utveckarna har. Därför är en lösning på dataintegrationsnivå att föredra framför en på IT-integrationsnivå. Relevant data DSS
Common database Administrativa system Affärssystem Ekonomisystem CS On-line övervakningssystem PLC Tekniska system SCADAsystem Relevant data (Common database) Pappersregister Arbetarnas kunskap anuella system
Exempel på konceptuell UH-data Production RAW has ATERIAL is made has of N is made PRODUCT through is made according to cost PREPARATION OPERATOR System is operated by is dependent on LOCATION QUALITY PRODUCTION has has is made on SYSTE has has AINTENANCE contr ols ACTION N STOPPAGE happens on consists of has SYSTE COST leads to N consists of is made on N SYSTE PERFORANCE COPONENT N is based on the condition of gives rise to influences N SYSTE CONDITION is dependent on aintenance AINTENANCE POLICY gives rise to AINTENANCE COST gives rise to AINTENANCE INVESTENT has ENVIRON- ENT is found in
en hur ska man veta vilken data som behövs?. Identifiering av data för beslutsfattande måste följa en strukturerad metod 2. Valet av data påverkas av t.ex.: ål och strategier för verksamheten Beslutsfattande-processen Den operativa uppgiften som ska utföras 3. an måste förankra beslut på operativ och taktisk nivå med mål på strategisk nivå
Exempel på underhållsbeslut Frågor rörande läget Ska vi stoppa produktionen? Vilka är de möjliga orsakerna till läget och vad blir konsekvenserna? Frågor rörande indikatorer Hur kan vi mäta/dokumentera läget? Vilket sätt att mäta/dokumentera är det bästa? Närärvärdetpå indikatorn inte acceptabelt? Frågor rörande data Var finns data till indikatorerna att finna? Hur säkra är indikatorerna?
Dataidentifieringsprocessen A. Nulägesbeskrivning ) Identifiera kostnadseffektiva beslut inom underhåll kopplat till företagets strategi 2) Diagnosistera och utvärdera situationen B. Val av indikatorer 3) Övervaka utvalda tekniska och ekonomiska nyckelindikatorer 4) Identifiera de nyckelindikatorer som är relevanta 5) Definera övre/nedre gränser för indikatorerna C. Val av data 6) Identifiera lämpliga datakällor 7) Definiera datainsamlingspolicy 8) Identifiera relevanta mätvariabler
TACK FÖR UPPÄRKSAHETEN! FRÅGOR? irka Kans: mirka.kans@vxu.se