GRUPPARBETE. SCA Fellängder. IEK215 Statistisk processtyrning och Sex Sigma Ht-2005. Claes Gustafsson Mikael Bengtsson Adam Franz Andreas Persson

GRUPPARBETE SCA Fellängder IEK215 Statistisk processtyrning och Sex Sigma Ht-2005 Claes Gustafsson Mikael Bengtsson Adam Franz Andreas Persson Luleå tekniska universitet Institutionen för industriell ekonomi och samhällsvetenskap Avdelningen för kvalitets- och miljöledning

Innehållsförteckning 1 Introduktion...3 1.1 Bakgrund... 3 1.2 Mål och syfte... 3 2 Teori...4 2.1 Sex sigma... 4 2.1.1 DMAIC... 4 2.2 Styrdiagram... 5 2.2.1 Krav på styrdiagram... 5 2.2.2 EWMA... 6 2.3 Duglighet... 6 3 Define...8 3.1 Problembeskrivning... 8 3.2 Nulägesbeskrivning... 8 3.3 Processkartläggning... 9 3.4 Avgränsningar... 9 3.5 Orsak-Verkan-diagram... 10 4 Measure/Analyze...11 4.1 Datainsamling... 11 4.2 Fördelning... 11 4.3 Duglighetsanalys... 13 4.4 EWMA-Diagram... 13 5 Improve / Control...15 5.1 Förbättringsförslag... 15 Människa... 15 Mätinstrument... 15 Processen... 15 6 Diskussion...16 7 Referenser...17 Bilagor Bilaga 1 Datainsamling 1 sida 2

1 Introduktion I kursen IEK215 Statistisk processtyrning och sex sigma ingår ett projekt där tillämpning av DMAIC-cykeln är ett moment genom hela kursen. Tillämpningen bör ske i en process där det kan finnas en förbättringspotential för att fullt ut kunna utnyttja alla delar i DMAIC. Den process som valdes att studera är justerverket på sågverket i Munksund utanför Piteå. 1.1 Bakgrund SCA investerade i en ny såg 1999 i Munksund för 400 miljoner kronor. Den nya sågen har en produktion på 265 000 m 3 sågad vara per år, det kan jämföras med en fördubblad produktion jämfört med den gamla sågen. Det är Sveriges modernaste sågverk som genomför mätning med hjälp av kameror och avancerad produktstyrning vilket har förbättrat sågutbytet och kvaliteten väsentligt. SCA har en stor kundkrets, dvs. de producerar kvantitet till en god kvalitet. Exempel på kunder är byggföretag stora som små. De täcker in kunder över stora delar av världen. De flesta kunderna är nöjda med produkterna de köper, det finns däremot även en del missnöjda som till exempel en japansk kund som är väldigt noggrann med att måtten ska vara exakt som de har beställt. Eftersom SCA har en spridning på sina planks längder kan de vara tvungna att skicka tillbaka leveransen för att få en ny sändning, vilket sker ganska ofta och det gör så att kostnaderna stiger ganska markant. 1.2 Mål och syfte Syftet är att undersöka och komma med något förslag på förbättring i justeringsverket på SCA, dvs. minska spridningen på längdvariationer på planken och brädorna. Detta kommer att genomföras med hjälp av statistiska verktyg samt arbetssättet DMAIC-cykeln. 3

2 Teori 2.1 Sex sigma Begreppet Sex Sigma introducerades vid Motorola under 1980-talet som namn på deras förbättringsprogram med fokus på reduktion av oönskad variation. Karakteristiskt för Sex Sigma program är just att den högste ledarens roll i programmet betonas så starkt. Utan ett engagerat, helhjärtat och uthålligt stöd från högsta ledningen har förbättringsprogram av typen Sex Sigma svårt att överleva och nå riktigt stora genombrott i organisationen. (Bergman, Klefsjö, 2001) Genom att eliminera, eller åtminstone minska, variationen i parametrar som påverkar egenskaper som är viktiga för kunden kan man åstadkomma dramatiska resultatförbättringar. Sex Sigma symboliserar målet att ytterligt sällan inte mer än i genomsnitt ca 3.4 gånger per miljon möjligheter skall en för kunden viktig egenskap vara otillfredsställande. För en tillverkningsprocess som är i statistisk jämvikt och har ett normalfördelat utfall skall, enligt synsättet i Sex Sigma, avståndet från processens genomsnittvärde till närmaste toleransgräns vara åtminstone sex gånger processens standardavvikelse. Ofta störs dock processen, förutom av den slumpvariation som finns då processen är i statistisk jämvikt, också av viss systematisk variation vars orsaker i princip är urskiljbara. Om denna variation inte är alltför stor kan den accepteras, enligt synsättet inom Sex Sigma. Man anser att så länge denna variation är sådan att genomsnittsvärdet högst avviker ± 1.5 sigma från målvärdet är den acceptabel. Sannolikheter för felaktiga resultat under dessa förutsättningar är högst 3.4 gånger per miljon möjligheter. (Ibid) Målet för programmet Sex Sigma är en dramatisk och mätbar reduktion av oönskad variation, som innebär en kostnadsreduktion eller förbättrad kundtillfredsställelse. Reduktion av variation kan också leda till förbättrad leveranssäkerhet och ett förbättrat processutbyte. (Ibid) 2.1.1 DMAIC DMAIC-cykeln är ett förbättringsverktyg som är väldigt passande att använda sig av vid sexsigma projekt. Cykeln är uppdelad i fem olika faser som genomgås steg för steg. Nedan förklaras de fem olika faserna. (Sung-H, Park, 2003) Define; Den första av de fem faserna och som syftar till att identifiera och definiera processen, dess problem och vilken omfattning problemet har. Här bestäms även vilket mål projektet har och vem kunden är samt hur kunden påverkas av processen eller det problem som undersöks. Lämpliga verktyg att använda sig av i denna fas är t.ex. enkäter, fokusgrupper, orsak-verkan diagram, benchmarking och paretoanalys. Measure; i denna fas samlas data/information in från processen och man försöker uppskatta dess resultat och orsaker. Vilken sorts data kan hjälpa till att finna viktigaste grundorsakerna är också en fråga man vill besvara i denna fas. Användbara verktyg kan t.ex. vara mätsystemanalys, datainsamling, orsak-verkan diagram och styrdiagram för processens nuläge. 4

Analyse; Beroende på problem och process väljs strategi och verktyg. För att komma åt grundorsaken till problemet använder man sig av dataanalys eller processanalys. När grundorsaken är identifierad vidtas åtgärder för att lösa problemet. Lämpliga verktyg att använda i analyse-fasen kan vara t.ex. brainstorming. FMEA, SPS och orskak-verkan diagram. Improve; I denna fas utarbetas och implementeras lösningarna för att eliminera grundorsakerna till problemet. Man undersöker även vilken av de påkomna åtgärderna som är mest realistisk. En kostnadsplan upprättas för att se vilken åtgärd som är mest ekonomisk. Ett pilottest görs för att säkerställa att de föreslagna lösningarna passar problemet. Försöksplanering, brainstorming och de sju ledningsverktygen är exempel på passande verktyg att använda i Improve-fasen. Control; I denna fas är processen optimerad och övervakas nu med hänsyn till företagets verksamhet och uppfyllandet av kundens behov. En ansvarig på företaget tar över och implementerar den i den dagliga verksamheten. De närmaste månaderna mäts processen systematiskt för att säkra en permanent processförbättring. För att mäta detta är t.ex. SPS, styrdiagram och FMEA användbara verktyg. 2.2 Styrdiagram Ett viktigt verktyg i statistisk processtyrning för att finna urskiljbara orsaker till variation är styrdiagram. Idén är att man med vissa tidsmellanrum tar ut ett antal observationer från processen och med hjälp av dessa beräknar någon form av kvalitetsindikator som man avsätter i ett diagram. En kvalitetsindikator är alltså en storhet som är beräknad med utgångspunkt från de erhållna observationerna. Det kan exempelvis vara deras medelvärde, standardavvikelse eller antal fel. (Bergman, Klefsjö, 2001) Som kvalitetsindikator kan man tänka sig varje storhet som på lämpligt sätt indikerar processens utfall. Indikatorn behöver alltså inte baseras på mätningar på själva produkten. Det är i stället en fördel om den baseras på mätningar redan i processen och inte på produkten, eftersom framförhållningen då blir större. (Ibid) Styrgränser beräknas och utnyttjas i ett styrdiagram för att avgöra om den aktuella processen är stabil eller inte. Toleransgränser sätts för att avgöra om en enskild enhet uppfyller ställda produktkrav. Styrgränser är alltså kopplade till en process, medan toleransgränser är kopplade till en enskild enhet. (Ibid) 2.2.1 Krav på styrdiagram Ett styrdiagram bör uppfylla följande krav: Med dess hjälp skall man snabbt kunna upptäcka systematiska förändringar och därigenom bidra till att man finner urskiljbara orsaker till variation. Det skall vara enkelt att hantera 5

Det skall inte ge falska alarm i onödan, dvs risken skall vara liten att en punkt hamnar utanför styrgränserna när ingen systematisk förändring har skett Man skall i styrdiagrammet kunna uppskatta tidpunkten för förändring och slaget av förändring för att få hjälp i felsökningsarbetet Det skall kunna fungera som ett kvitto på om processen varit stabil, dvs i statistisk jämvikt Det skall tjäna som underlag för värdering av spridningen hos processen och därmed processens förmåga att leverera enheter inom uppskatta toleranser Det skall kunna fungera som ett kvitto på att ett förbättringsarbete har varit lyckosamt Det skall vara motivationsstärkande och ständigt föra uppmärksamheten på variationer i processen och på kvalitetsfrågor Det skall ge information för förändringar i framtida styrdiagram (Bergman, Klefsjö, 2001) 2.2.2 EWMA Ett EWMA (Exponontially Weighted Moving-Average) diagram är ett styrdiagram för variabeldata, data som är både kvantitativ och kontinuerlig. Den plottar värden som tar hänsyn till de föregående värdena. Hur stor hänsyn den ska ta till de tidigare värdena bestäms av användaren. Detta regleras av en viktningskonstant (lambda) som användaren väljer själv. Normalt väljs lambda till ett värde mellan 0.2 och 0.5 där ett lågt värde betyder att diagrammet tar större hänsyn till de äldre värdena än om lambda antar ett högt värde. Ett lågt lambda används för att upptäcka små skift och ett högt lambda för att upptäcka stora skift. Eftersom att EWMA diagrammet använder sig av information från alla observationer detekterar den mycket mindre skift i processen än ett vanligt styrdiagram. Den upptäcker däremot inte lika snabbt större skift i processen. EWMA används också för att minska effekten av kända okontrollerbara störningsmoment i datamaterialet. Valet av lambda kan således användas till att göra diagrammet mer eller mindre känsligt för dessa okontrollerbara störningar. När man har en provgruppsstorlek bestående av en observation är EWMA klart att föredra då diagrammet använder sig av flera observationer till varje plottad punkt och får då väl definierade kontrollgränser. (Internet 1) 2.3 Duglighet Duglighet är ett mått man använder när man vill mäta förmågan hos en process att producera enheter som ligger inom uppsatta toleransgränser. Med hjälp av den information man får fram från den statistiska processtyrningen kan man definiera olika mått för denna förmåga. (Bergman, Klefsjö, 2001) Dugligheten hos en process bestäms av den statistiska fördelning som den studerande produktstorheten följer. När processen är i statistisk jämvikt kan denna fördelning i många fall med god approximation beskrivas av en normalfördelning. Dugligheten bestäms då av motsvarande genomsnittsvärde µ och spridning σ samt av den övre toleransgränsen T ö och den undre toleransgränsen T u. 6

Exempel på ett duglighetsindex är C p, ett mått på processens möjligheter att producera enheter inom de uppsatta toleransgränserna när man har under och övre toleransgräns. Det är allmänt känt att ett C p över 1,33 anses vara en duglig process. Formeln för C p är: Tö T C p = 6σ (Bergman, Klefsjö, 2001) u 7

3 Define 3.1 Problembeskrivning SCA kan i dagsläget inte producera fullständigt inom sina toleransgränser. De har heller inga förbättringsåtgärder inom den närmsta framtiden för att ändra i processen så att spridningen minskas till en respektabel nivå jämfört med kundkraven. 3.2 Nulägesbeskrivning Verksamheten på SCAs justerverk är idag att kvalitets- och måttbestämma virket samt att förpacka. När virket kommer till justerverket är det redan färdigkapat i höjd och bredd men endast grovkapat på längden. Uppgiften blir därför att kvalitetsbestämma och kapa virket efter specifika längder enligt kundens önskemål. Detta sker med fullständig automatik där virket fotas av ett nytt system som heter FINSCAN. Detta system består av väldigt känsliga kameror som läser av sprickbildning, antal kvistar samt röta för att därefter skicka informationen i form av grafiskt illustrerade bilder till ett datasystem som bestämmer kvaliteten på virket efter givna specifikationer. Därefter transporteras virket vidare längs ett transportband och sågas i en trimmer som består av 19 klingor med 30 cm mellanrum enligt vad FINSCAN bestämt för längd. När virket transporterats genom trimmern kontrollmäts det med laser för att bekräfta att längden blev den rätta. Om det inte blev rätt längd sågas den ytterligare en gång till någon annan längd som passar bättre i robotkapen och transporteras därefter vidare till olika fack med specifik längd och kvalitet. När de olika facken fått rätt antal bitar virke töms detta ner på ytterligare en rullbana som slutar i en förpackningsprocess som består av tre moment. Det första av dessa tre moment är läggning, vilket betyder att man lägger ett visst antal lager i paketet med ett visst antal bräder eller plank i bredd. Operatören som står vid läggningsprocessen har utöver övervakning även kvalitetskontroll och sållning som uppgift. Därefter bandas paketen ihop som steg två med automatiska bandningsmaskiner och transporterar därefter paketet till steg tre som är plastning som sker med hjälp av anställda. Det är mellan steg ett och steg två i denna paketeringsprocess som mätvärdena på virket tagits ut. 8

3.3 Processkartläggning För att lättare förstå hur det ser ut på SCAs justerverk visar bild 3.1 en förenklad ritning över hur processen går till. Virket går från vänster till höger i bilden. Bild 3.1. Visar processen i justerverket. 1. Laser för längdmätning samt kamera för kvalitetskontroll. 2. Automatisk virkesvändare. 3. Laser för längdmätning samt kamera för kvalitetskontroll. 4. Klaffar för placering till trimmer. 5. Trimmer 6. Laser för kontrollmätning av kapat virke. 7. Robotkap för korrigering 3.4 Avgränsningar Vi valde att mäta virkets fellängder på SCAs sågverk i Piteå. Avgränsningen i produktionen blev att vi tittade på justerverket för att där kontroll sågas virket samt att det är där de största felen uppstår. En annan avgränsning var att anta att de olika dimensionerna på virket inte hade någon betydelse för hur mycket fel processen sågade. Hade detta inte antagits hade vi fått lov att mäta en stor mängd paket med samma längd i. I justerverket valde vi att mäta fellängderna i slutet på processen, vi valde att inte mäta fellängderna på flera ställen i processen då det hade tagit för lång tid samt att vi inte kunde avbryta produktionen för att mäta dem. Yttre påverkan har inte heller tagits hänsyn till t.ex. luftfuktighet 9

3.5 Orsak-Verkan-diagram För att lättare se vad som kan tänkas vara orsaker till mätfelen hos SCA skapade vi ett fiskbensdiagram. Vi utgick från frågan Varför blir längderna på virket så olika? utifrån detta fick vi fram följande diagram: Processen Klaffarna placerar virket dåligt Dålig placering av virket Ojämna kanter på virket Dålig klinga Dåligt underhåll Sågar fel Virke läggs i fel fack Längd variation Mäter fel Dåligt underhåll Dålig programvara Dålig planering Fel placerad Dålig utbildning Dålig kontroll Mätinstrument Människa Bild 3.2 Orsak-verkan-diagram För att hitta vilka de orsakande problemen kan tänkas vara så gjorde vi en utvärdering av varje orsak efter de att vi varit på studiebesöket. Vi kom fram till följande starka kopplingar. Dålig programvara Dålig placering av virket Virket läggs i fel fack Dålig kontroll Mätinstrumentet kan ha en tendens att mäta fel, detta kan bero på att programvaran inte är korrekt kalibrerad. När virket ska placeras rätt i trimmern så kan klaffarna ibland lägga dem fel vilket gör att längderna blir olika, detta gör även att robotkapen kapar fel. När virket ska läggas i de olika facken kan det ibland hamna fel. Vid maskinen som lägger samman virket till ett paket skall operatören plocka ut virke som inte är rätt längd och kvalitet vilket ibland kan missas och på så sätt hamnar det fellängdat virke i paketen. 10

4 Measure/Analyze 4.1 Datainsamling Datainsamlingen gick till så att vi med hjälp av ett ISO 701 måttband mätte längder på 50 olika virkesbitar från 15 paket. Se våra rådata i bilaga 1. Vi utgick från att längden på virket inte skulle ha någon betydelse för hur stor avvikelsen skulle bli på slutprodukten. Eftersom varje paket har helt slumpmässigt lagt samman virket till ett paket så var det inte intressant vilka bitar vi mätte i paketen. Samtliga bitar i paketen var producerade inom ett kort tidsintervall och paketen som mättes var efter varandra direkt följande ur produktionen. Mätningarna genomfördes under en hel dag på justerverket som även innefattar skiftbyten och driftuppehåll. Detta mätsätt antog vi skulle vara effektivt för att på så sätt få möjligheten att identifiera längdproblemet med olika skift och produktionsstop. Svagheten med det valda mätsättet är att upplösningen på måtten är låga och ger problem i fördelningsbestämningen. 4.2 Fördelning När analysen av vilken fördelning mätvärdena tillhörde antog vi att de tillhörde normalfördelningen. När vi genomförde analyser med hjälp av Statgraphics och testade med Shapiro-Wilks W visade tabell 4.1 det sig att värdena med 95 % säkerhet inte tillhörde en normalfördelning eftersom P-värdet var mycket lägre än 0.05. Tests for Normality for Col_1 Test Statistic P-Value Shapiro-Wilks W 0.967668 2.57927E-12 Tabell 4.1 Tabell över test med Shapiro-Wilks W Efter att testet visat att värdena inte tillhörde en normalfördelning togs förslag på alternativa fördelningar med hjälp av godness-to-fit fram i statgraphics enligt tabell 4.2 där Logistic var den fördelning som stämde bäst med mätvärdena. Comparison of Alternative Distributions Distribution Est. Parameters Log Likelihood KS D Logistic 2-1790.64 0.0957658 Normal 2-1800.4 0.10739 Laplace 2-1809.46 0.155437 Smallest Extreme Value 2-1826.91 0.105925 Uniform 2-2351.62 0.393449 Exponential <no fit> Largest Extreme Value <no fit> Lognormal <no fit> Weibull <no fit> Gamma <no fit> Pareto <no fit> Loglogistic <no fit> Tabell 4.2 Tabellen visar resultat från godness-to-fit 11

Eftersom det är väldigt liten skillnad mellan Logistic- och Normalfördelning i Log likelihood som finns i diagram 4.2 undersöktes fördelningarna vidare och kom fram till att orsaken att inte normalfördelningen passade mätvärdena var dålig upplösning på mätvärdena, mätdata är tagen med 1 millimeters noggrannhet, enligt bild 4.1. percentage 99.9 99 95 80 50 20 5 1 0.1 Normal Probability Plot -13-9 -5-1 3 7 11 Col_1 Bild 4.1. Visar normalfördelningen på data. Trots att statgraphics föreslog Logistic som fördelning valdes ändå normalfördelning för mätvärdena eftersom orsaken till att mätvärden inte passade normalfördelningen särskild bra antogs vara dålig upplösning. Resonemanget om att mätvärdena trots allt är normalfördelade stöds av Density trace som kan ses i bild 4.2. Detta eftersom att Density Trace visar en bild över hur mätvärdena är fördelade med hjälp av att ge de värden som är längst från centrum minst betydelse. Även Histogrammet visar en relativt tydlig bild av en normalfördelning enligt bild 4.3, det är dock inte en perfekt bild av en normalfördelning men detta kan bero på ett flertal störmoment som t.ex. för lite mätvärden. density 0.12 0.1 0.08 0.06 0.04 0.02 Density Trace 0-13 -9-5 -1 3 7 11 Col_1 Bild 4.2. Graf från Density trace visar på en normalfördelning frequency 120 100 80 60 40 20 Histogram 0-15 -5 5 15 25 Col_1 Bild 4.3 Graf från histogrammet visar på en normalfördelning 12

4.3 Duglighetsanalys När man vet att processen är stabil och normalfördelad kan en duglighetsanalys göras. För att studera om processen producerar enheter med mått inom toleransgränserna, 0 och +5 mm, mäter man dugligheten hos processen. Eftersom vi har antagit att våra mätvärden är normalfördelade kan en analys göras. I duglighetsanalysen har dels C p och C pk beräknats. C p har beräknats för att se om processen är duglig inom övre och lägre toleransgränsen. C pk är ett index för att mäta avståndet mellan processens genomsnittsvärde och närmaste toleransgräns i förhållande till 3σ där σ är 1,90443 och räknas fram med formel 4.1. Formel 4.1 visar beräkning av sigma. Bägge måtten har vi fått genom Statgraphics. De kan ses i tabell 4.3 och graferna kan ses i bild 4.4. C m är 0,437576 och för processdugligheten är den 0,312054. Det är låga värden på bägge dessa vilket visar att det är defekta enheter som produceras. C m för de lägre toleransgränserna i maskindugligheten är 0,366397 och för processdugligheten 0.261293, för den övre gränsen är de 0,508755 och 0,362814. Även dessa värden är mycket låga i förhållande till vad en process som är duglig bör vara, vi kan dock se att värdena för de övre C pk är bättre än de lägre men ändå inte bra. Se tabell 4.3. Capability Indices for Col_1 Specifications USL = 5.0 LSL = 0.0 Short-Term Long-Term Capability Performance Sigma 1.90443 2.67048 Cp/Pp 0.437576 0.312054 Cpk/Ppk 0.366397 0.261293 Cpk/Ppk (upper) 0.508755 0.362814 Cpk/Ppk (lower) 0.366397 0.261293 DPM 199313. 354754. Based on 6 sigma limits. Short-term sigma estimated from average moving range. Tabell 4.3. Visar duglighetsindex för maskin och processen. 4.4 EWMA-Diagram EWMA har använts för att ha möjligheten att vikta mot föregeende värden samt att vi ville ha känslighet mot små skift i processen, detta på grund av känsligheten mot skift i produkten. I EWMA- analysen så har ett lambda på 0.2 använts för att minska känsligheten för falsklarm samt öka chansen att upptäcka mindre skift tidigt. Vid analysen har alla 750 mätvärden använts eftersom vi löste upp provgrupperna på grund av dålig sammansättning. Som bild 4.5 visar ligger 169 mätvärden utanför styrgränserna vilket indikerar på att processen är ostabil och inte är i statistisk jämvikt. I intervallet 400-600 ligger virke som har 13

ett målvärde på 450 och 480 cm. I detta intervall larmar statgraphics på nästan samtliga mätvärden vilket innebär att ett skift har skett i processen. E W M A C hart for C ol_1 EWMA 7.6 5.6 3.6 1.6 UCL = 4.00 CTR = 2.09 LCL = 0.19-0.4-2.4 0 200 400 600 800 Observation Bild 4.5 I EWMA-diagrammet kan man se att brädorna 450-600, vilket är brädorna med längderna 4500-4800 mm, ligger utanför den övre styrgränsen, vilket tyder på att ett skift i processen har skett. ARL Curve for EWMA Average run length 600 500 400 300 200 100 0 0 1 2 3 4 Process mean Bild 4.6 Bilden visar ARL kurvan ARL kurvan visar att processen ger falsklarm vid var 550:e mätvärde. Om processen skiftar med 0,25 sigma så larmar vid det 150:e mätvärdet. Om processen skiftar 0,5 sigma larmar det vid det 45:e mätvärdet. I genomsnitt larmar den vid dessa punkter. Se bild 4.6 14

5 Improve / Control 5.1 Förbättringsförslag De felen vi har hittat i processen kan lätt härledas till de tre rubrikerna nedan, människa, mätinstrument och processen. Dessa tre områden kom vi fram till genom att använda oss av ett orsak-verkan-diagram se bild 3.2. Diagrammet visar även trolig orsak till fel inom varje område. Vidare har vi under dessa rubriker sammanställt de mest troliga felorsakerna samt att vi har gett förslag på hur dessa kan förbättras. Människa Inom detta område är kontinuerlig utbildning och information de största förbättringsområdena när det gäller de anställda inom företaget. Eftersom människan ofta är en av de största orsakerna till fel bör man genomföra kontinuerlig utbildning på maskiner och arbetsrutiner. På grund av den mänskliga faktorn i kombination med maskinella fel är det största problemet att felaktigt virke som borde plockas ur produktionen ändå paketeras och skickas till kund. Med hjälp av utbildning och information om hur viktigt det är att felaktigt virke inte skall skickas till kund bör man till största del kunna undvika detta. Om företaget försöker tillhandahålla mer utbildning och information får man mest troligt även mer engagerad och arbetsvillig personal. Mätinstrument Eftersom mätinstrumenten är en väldigt viktig del i arbetet är det även väldigt viktigt att samtliga fel som existerar här tas bort. Med detta menas inte enbart de fel som är kända utan även de som inte är kända vilket leder till att företaget måste arbeta mer mot underhåll och förebyggande arbete. Detta sker med hjälp av bättre utarbetade rutiner för underhållsarbeten samt uppföljning utav dessa. Att samtliga mätinstrument är rätt kalibrerade är också väldigt viktigt och det bör upprättas rutiner för detta samt kontroller. En orsak till mätfel kan vara smuts eller liknande på mätinstrumenten och därför kan det även vara bra med städrutiner på speciella punkter för att undvika enkla mätfel. Processen Med processen menas maskiner som används inom produktionen i justerverket. Dessa områden innefattas delvis av de två föregående områdena men består även av maskinkalibrering. Detta bör genomföras kontinuerligt för att inte hela partier av producerat virke skall sågas fel och skapa merkostnader. Dessa problem undviks på ett enkelt sätt med hjälp av rutiner och instruktioner för kalibrering. Genomgång för betydelsen samt hur förfarandet för kalibrering går till bör genomföras för att underlätta för personalen att genomföra kalibrering. 15

6 Diskussion Under projektets gång har det kommit upp några saker som kanske kunde ha gjorts annorlunda. När det bestämdes att mäta fellängderna i virket hos SCA så gjordes inga beräkningar på hur många virkesbitar i varje paket som vi skulle mäta, 50 virkesbitar i varje paket togs ut, detta kan ge ett fel utslag i analysen. Det hade kunnat undgås genom att beräkna hur många virkesbitar som skulle ha tagit ut. Beräkningen skulle ha skett genom att en OCkurva använts för en bestämd sannolikhet av betafel för att på så sett få fram den optimala provgruppstorleken. Det gick inte heller att ta hänsyn till att variationen i längder beror på de olika dimensionerna, hade det funnits mer tid så hade det tagits ut olika grupper av dimensioner, klassat dem och mätt grupperna tillsammans. Det fanns dock inte tid till att ta ut 20 stycken provgrupper på alla dimensioner. Detta hade dock gett en mer insikt i hur dimensionerna beror på fellängderna. På grund av att fellängderna inte kunde mätas i processen utan efter så gick vi miste om var i processen de uppstår. Kameror och laserutrustningar finns som bekant utsatta på flera ställen i processen så vi har svårt att med precision säga var i linjen felen uppstår. Hade det funnits mer tid kunde vi ha gjort mätningar längs hela linjen för att på så sätt säkerställa var de uppstår. Problem uppstod även vid själva mätningen av virket på grund av att det bara användes millimetermåttband. Detta gjorde att upplösningen i mätvärdena inte vart helt tillfredställda. Det gjorde att problem uppstod vid t.ex. normalfördelningen där värdena istället för att hamna utefter linjen staplades på varandra. Detta gjorde att det blev svårt att tolka vilken fördelning processen tillhör och gav följd fel utefter hela vår analys. Slutsatsen blir att vi anser att SCA ska införa ett sex sigma system genom hela företaget där de genomför regelbundna och ordentliga mätningar samt uppföljningar och förbättringar. De måste ändra sitt tankesätt från att vara ett företag som anser att det funkar bra nu till att försöka sträva efter ständiga förbättringar. Det är deras brist i att göra kontrollmätningar som gör att materialet oftast måste köras igenom sågen igen. Skulle man utnyttja en sexsigma struktur med DMAIC tänkande så skulle man få bättre kontroll på sin produktion. 16

7 Referenser Bergman, B. & Klefsjö, B (2001) Kvalitet från behov till användning 3:e uppl. Lund, Studentlitteratur. ISBN: 91-44-01917-3 Sung-H Park 2003, Six Sigma for Quality and Productivity Promotion ISBN: 92-833-1722-X Internet 1 (http://www.qualityamerica.com/knowledgecente/knowctrexponentially_weighted _MOVING_AV.htm) 2005-12-09 17

Bilaga 1 Datainsamling Nr/mm 2070 3020 3600 3020 2700 2700 3900 3900 4800 4500 4800 3900 2990 2990 2990 1 2704 3024 3604 3020 2701 2700 3904 3905 4804 4505 4803 3898 2988 2990 2992 2 2702 3020 3603 3015 2702 2701 3898 3896 4807 4505 4804 3899 2991 2992 2993 3 2703 3020 3603 3024 2701 2701 3906 3903 4805 4504 4803 3897 2990 2988 2992 4 2702 3019 3604 3019 2701 2702 3906 3904 4809 4505 4807 3900 2993 2992 2988 5 2702 3022 3603 3019 2702 2700 3897 3903 4805 4506 4807 3892 2989 2992 2989 6 2702 3020 3604 3019 2702 2701 3905 3899 4805 4506 4806 3898 2990 2989 2989 7 2702 3021 3603 3026 2702 2702 3898 3904 4804 4505 4804 3898 2990 2992 2987 8 2702 3023 3604 3023 2703 2702 3896 3904 4805 4505 4804 3898 2988 2994 2987 9 2702 3023 3602 3019 2704 2702 3905 3904 4804 4505 4807 3904 2987 2992 2982 10 2702 3023 3603 3029 2702 2701 3905 3905 4804 4506 4804 3898 2994 2994 2988 11 2703 3020 3603 3020 2701 2701 3898 3899 4805 4504 4806 3904 2990 2990 2989 12 2702 3021 3604 3019 2702 2703 3898 3905 4803 4506 4808 3904 2991 2991 2993 13 2701 3021 3603 3023 2701 2702 3896 3904 4801 4505 4807 3898 2992 2993 2991 14 2702 3024 3602 3023 2702 2702 3898 3898 4803 4504 4803 3903 2991 2990 2993 15 2701 3018 3603 3023 2703 2701 3904 3905 4805 4508 4806 3890 2990 2989 2988 16 2702 3020 3599 3024 2703 2701 3899 3899 4800 4500 4808 3893 2992 2991 2994 17 2702 3019 3603 3021 2701 2702 3900 3904 4804 4508 4803 3898 2992 2994 2991 18 2702 3021 3603 3023 2702 2701 3905 3900 4804 4505 4803 3904 2991 2990 2990 19 2702 3019 3604 3022 2702 2702 3900 3905 4804 4508 4801 3900 2991 2992 2994 20 2702 3019 3603 3025 2703 2701 3904 3905 4803 4505 4803 3905 2991 2990 2991 21 2703 3022 3603 3019 2702 2702 3905 3905 4803 4506 4806 3904 2993 2992 2991 22 2702 3019 3604 3021 2702 2701 3900 3904 4804 4508 4803 3900 2992 2991 2993 23 2702 3018 3605 3024 2701 2702 3898 3898 4804 4510 4806 3903 2995 2995 2994 24 2702 3024 3603 3019 2702 2703 3904 3899 4801 4507 4807 3897 2993 2991 2990 25 2701 3022 3604 3021 2701 2702 3898 3904 4805 4502 4804 3904 2990 2995 2990 26 2702 3024 3604 3018 2702 2702 3900 3904 4802 4504 4803 3904 2992 2990 2994 27 2701 3018 3603 3021 2702 2701 3905 3903 4802 4504 4803 3896 2994 2990 2990 28 2701 3025 3603 3017 2701 2702 3899 3903 4804 4504 4804 3898 2990 2990 2990 29 2702 3022 3602 3021 2701 2701 3898 3900 4805 4505 4803 3899 2992 2992 2992 30 2701 3016 3603 3020 2703 2700 3897 3900 4805 4504 4802 3899 2990 2988 2990 31 2701 3024 3604 3022 2700 2702 3898 3905 4805 4503 4803 3897 2994 2995 2993 32 2702 3019 3604 3024 2701 2701 3899 3904 4805 4505 4804 3897 2990 2993 2991 33 2702 3021 3602 3019 2702 2700 3900 3905 4808 4506 4803 3905 2995 2991 2993 34 2703 3019 3603 3021 2703 2702 3900 3900 4805 4505 4803 3904 2995 2993 2991 35 2702 3018 3603 3023 2701 2701 3900 3905 4805 4505 4803 3905 2990 2993 2993 36 2702 3023 3603 3025 2701 2700 3905 3898 4804 4505 4803 3905 2987 2993 2992 37 2702 3021 3604 3019 2702 2702 3905 3899 4806 4505 4803 3905 2994 2994 2990 38 2702 3021 3603 3021 2703 2701 3899 3898 4807 4506 4803 3905 2990 2892 2991 39 2703 3020 3605 3021 2701 2700 3903 3896 4805 4505 4803 3901 2990 2992 2993 40 2702 3023 3604 3023 2703 2701 3899 3899 4807 4505 4802 3897 2992 2993 2987 41 2701 3024 3602 3025 2702 2702 3905 3905 4805 4505 4807 3903 2990 2996 2987 42 2701 3022 3604 3019 2701 2688 3904 3900 4807 4505 4803 3898 2990 2988 2995 43 2702 3016 3603 3021 2702 2701 3905 3904 4804 4503 4804 3904 2991 2992 2988 44 2701 3019 3604 3021 2702 2702 3900 3905 4804 4504 4811 3905 2994 2995 2990 45 2706 3023 3604 3020 2702 2701 3900 3905 4803 4505 4801 3908 2992 2993 2990 46 2702 3020 3603 3019 2702 2702 3900 3902 4805 4504 4804 3904 2990 2992 2990 47 2701 3018 3603 3022 2701 2700 3900 3899 4806 4504 4803 3904 2992 2995 2991 48 2701 3021 3604 3018 2703 2702 3899 3904 4805 4505 4806 3899 2993 2899 2987 49 2702 3014 3603 3022 2703 2701 3899 3903 4805 4504 4806 3905 2990 2990 2988 50 2702 3018 3602 3019 2702 2701 3905 3904 4803 4504 4804 3897 2991 2901 2987 18