DIPARTIMENTO DI INGEGNERIA IMPIANTI INDUSTRIALI. Andrea Chiarini Andrea Chiarini 1

Transcript

1 IMPIANTI INDUSTRIALI Andrea Chiarini Andrea Chiarini 1

2 PARTE 14 IL MIGLIORAMENTO DEI PROCESSI PRODUTTIVI (slides tratte in parte dai testi: Total Quality Management di A. Chiarini, ed. Franco Angeli; Strumenti statistici avanzati per la qualità di A. Chiarini e M. Vicenza, ed. Franco Angeli) Andrea Chiarini 2

3 IL MIGLIORAMENTO DEI PROCESSI PRODUTTIVI Analisi di Fattibilità e pianificazione Progettazione e sviluppo del prodotto Progettazione e sviluppo del processo Validazione del prodotto e del processo Produzione Feedback Andrea Chiarini 3

4 Il miglioramento continuo (Kaizen) Gli strumenti Lean già visti portano alla riduzione dei lead-time (Lean means speed) attraverso la riduzione dei 7 sprechi Gli strumenti Lean non sono però così performanti nello stabilizzare i processi, ovvero ridurre/togliere le cause di variabilità dei processi (leggi difettosità) Gli strumenti del Total Quality Management (TQM) e del Six Sigma nascono proprio per ridurre la variabilità dei processi e quindi la difettosità (costi della non qualità cost of poor quality) La variabilità dei processi è data da cause comuni e speciali Questi strumenti sono di ausilio tutte le volte che si vuole capire quale è la causa di un problema (problem solving). Ad esempio se vogliamo capire qual è la causa di un guasto nel TPM Andrea Chiarini 4

5 CONTINUO Per il miglioramento si possono utilizzare un enormità di strumenti, dal semplice Pareto ai più avanzati strumenti statistici Vediamo i 7 strumenti base del miglioramento In Giappone negli anni sono stati ideati 7 semplici strumenti per definire, misurare, analizzare, risolvere e controllare i problemi, questi sono: Foglio raccolta dati Stratificazione dei dati Analisi di Pareto Diagramma causa-effetto o di Ishikawa o lisca di pesce Analisi di correlazione lineare Istogramma di frequenza Carte di controllo Andrea Chiarini 5

6 IL FOGLIO RACCOLTA DATI E LA STRATIFICAZIONE Capito qual è il problema, occorre raccogliere dati relativi al fenomeno. Questo di solito avviene tramite fogli elettronici/dbase/fogli cartacei. I dati raccolti tramite misure possono essere stratificati per meglio essere interpretati ed analizzati Esempio, problema di difettosità in tre reparti. Si vuole capire come si distribuisce la difettosità durante la settimana e i turni Lun Mar Mer Giov Ven Turno Turno Turno difetti in totale, di quali tipologie? Andrea Chiarini 6

7 L ANALISI DI PARETO O ANALISI ABC Legge empirica approssimativa: la maggior parte degli effetti (circa 80%) è dovuta a poche cause (20%) Esempio: dei 102 difetti rilevati, 62 sono di tipo A (es. tondità) Esempio con curva cumulativa A B C D E F G G Andrea Chiarini 7

8 DIAGRAMMA DI ISHIKAWA A LISCA DI PESCE O CAUSA - EFFETTO Serve per una prima analisi di qualitativa di quali possono essere le cause che producono l effetto Esempio indaghiamo sulle ammaccature. Quali possono essere le potenziali cause? Madre natura Materiale Manodopera Es: stanchezza operatore Es: acciaio non a specifica EFFETTO (aste ammaccate) Es: morsa troppo stretta Es: utensile da sostituire Strumenti Macchina Metodo di misura Ishikawa pensò di classificarle in quattro categorie, le 4M, poi diventate 5, 6 etc. Andrea Chiarini 8

9 DIAGRAMMA DI ISHIKAWA A LISCA DI PESCE O CAUSA - EFFETTO I post-it nelle lisce del pesce sono potenziali cause elencate in Brainstorm da un team di operatori che deve risolvere velocemente il problema nato sul processo/impianto Supponiamo che sulla lisca Manodopera ci sia un post-it che faccia riferimento ad una causa del tipo l operatore butta le aste una sopra l altra per tanto si ammaccano, guardando il foglio raccolta dati stratificato il dato è maggiore nei turni notturni la stanchezza aggrava la situazione. 5 WHYs (5 perché) per arrivare alla vera causa alla radice. Esempio: l operatore butta le aste una sopra l altra. Perché, è soltanto la stanchezza la causa? il pallet aste è scomodo da raggiungere. Perché, è solo una questione di scomodità? il pallet non è collegato all impianto da uno scivolo come nei restanti impianti Vera causa: manca lo scivolo, non è colpa dell operatore 5WHYs significa non accontentarsi della prima causa, chiedersi perché più volte Andrea Chiarini 9

10 ANALISI TRAMITE STRUMENTI STATISTICI Il diagramma causa-effetto offre un primo approccio di tipo qualitativo, non quantitativo all analisi dei problemi e ricerca cause Spesso per capire quali sono le vere cause che influenzano gli effetti (output) si devono utilizzare strumenti statistici Nel caso di correlazione fra 2 variabili si utilizzano gli strumenti sotto IV DV Hypothesis Test Esempio Categoriale Categoriale Chi-square, Phi & Cramers V Categoriale Continua T-test, Mann- Whitney U, ANOVA, SI RIMANDA AL CORSO DI STATISTICA E/O TESTI SPECIFICI Intervalli di classe di pressione e conformità Intervalli di classe di pressione e temperatura Continua Continua Regressioni lineari Pressione e temperatura Andrea Chiarini 10

11 REGRESSIONI LINEARI Serve per valutare se esiste una correlazione fra una IV e DV di tipo continuo Esempio, sospettiamo esista una relazione lineare fra pressione di esercizio dell impianto e temperatura. Raccogliamo n coppie di valori (x i ; y i ). Sistemiamo le coppie di valori su un diagramma cartesiano analizzando qualitativamente se possa esistere una relazione y = f(x) X i Y i Andrea Chiarini 11

12 Figura 7: Diagrammi di correlazione DIPARTIMENTO DI INGEGNERIA Y Y REGRESSIONI LINEARI Le situazioni di figura sono abbastanza chiare Di fronte a situazioni di incertezza e comunque se vogliamo calcolare il grado di correlazione possiamo utilizzare il coefficiente r di Bravais Pearson : Cov(X,Y) 1 r 1 VAR(X)VAR(Y) ovvero r n i1 n i1 ( x ( x i i x) ( y x) n i ( y y) i i1 r=+1: r=0: r=-1: y) Correlazione lineare positiva Andrea Chiarini 12 Y Assenza di correlazione lineare X X Correlazione lineare negativa Y Correlazione di secondo grado perfetta dipendenza lineare diretta (retta con inclinazione positiva) assenza di correlazione perfetta dipendenza lineare inversa (retta con inclinazione negativa) X X

13 CENNI SULLE DISTRIBUZIONI NORMALI L istogramma di frequenza che si ottiene può essere interpolato da una curva normale. Quest ultima che ovviamente si ottiene con n infinito risponde ad una funzione del tipo: f ( x) ( x) e 2 2 funzione di distribuzione gaussiana o di densità di probabilità dove σ è la deviazione standard e µ la media, questi ultimi nel caso di un campione n di dati si approssimano con (M media del campione): s n i1 ( x i n 1 M ) 2 L area sottesa dalla curva da - a + è ovviamente uguale a 1, poiché l intera area sotto la curva rappresenta il 100% dei valori presi in considerazione Se prendiamo ad esempio l area sottesa fra -3s e + 3s, -3s +3s troviamo il 99,73% dei valori. L area sottesa si calcola con l integrale F(x), funzione cumulativa, della funzione f(x), funzione di distribuzione Andrea Chiarini 13

14 ISTOGRAMMI DI FREQUENZA Come già visto nelle slide 13 le distribuzioni di tipo normale mi permettono di fare dell inferenza statistica (campione stima sulla popolazione) Si raccoglie un determinato campione n di misure X i di una caratteristica di prodotto o di processo, si calcolano media X e deviazione standard s (stima) Assumendo che la distribuzione sia approssimativamente normale si confronta la Tolleranza T o Range con quante deviazioni standard stanno all interno di tale range: T/ns = 1 significa che n volte s cade esattamente all interno di T = LTS LTI. Ad esempio, calcolato s se esattamente T/6s =1 allora si può stimare che il 99,73% della popolazione (area compresa fra -3s e + 3s), rimanendo il processo in quelle condizioni, è compreso all interno di T. Se al di fuori dei limiti di T il prodotto/processo non è accettato significa che ho una probabilità del 0,27% di uscire da tali limiti Andrea Chiarini 14

15 T ISTOGRAMMI DI FREQUENZA Per capire se un processo è capace di rispettare le tolleranze definite dai progettisti si calcolano quindi indici del tipo T/nσ detti indici di capacità del processo o C p (Capability). Per processi/impianti medi dell industria tipo senza particolari rischi per l utilizzatore (evidenziati tramite FMEA) si considerano gli indici in basso a destra con ±3σ Per capire la centratura è importante il Cpk LTI Cp=Cpk=1 LTS LTI Cp > 1 Cpk < 1 LTS POSSIBILE ESERCIZIO PER LO SCRITTO Andrea Chiarini 15 LTI Cpk Cp LTS LTS LTI 6σ LTS LTI min, 3 3

16 ESERCIZIO DIPARTIMENTO DI INGEGNERIA Una pressa stampa particolari in alluminio. La caratteristica critica di questi prodotti è la lunghezza del prodotto stampato che, secondo i progettisti, deve avere valore target di 200 mm con tolleranza compresa fra +/- 50 mm. Misurati gli scostamenti rispetto al target (0) di 20 prodotti stampati consecutivi si trova un campione di 20 misure siffatto. Calcolare Cp e Cpk con 6s M = (246.47) S = 3.40 Cp = ( )/6*3.40 = 4.9 Cpk = MIN [( )/3*3.40 ; ( )/3*3.40] = 0.34 Concludo con il dire che c è una distribuzione molto spostata verso il LST e quindi con forte probabilità di spostarsi nel tempo fuori dal range con produzione di nc Andrea Chiarini 16 xi x1 40 x2 40 x3 46 x4 46 x5 47 x6 49 x7 49 x8 48 x9 50 x10 51 x11 44 x12 43 x13 41 x14 52 x15 51 x16 44 x17 43 x18 46 x19 46 x20 47 Scostamento misurato da 0

17 LA MACHINE CAPABILITY I calcoli dei Cp e Cpk sono particolarmente importanti per l ingegnere di processo e di prodotto per validare la produzione (vedere sequenza della slide pagina 3), OVVERO RENDERE CAPACE AL MEGLIO LA MACCHINA/IMPIANTO PER POI PARTIRE CON LA PRODUZIONE L'obiettivo di questo studio è quello di indagare sulla sola variabilità della macchina, pertanto le restanti cause di variazione (si ricordino le 4 M) quali materiali, manodopera e metodi, devono essere sotto controllo. Ciò equivale a lavorare in macchina/impianto materia prima/semilavorato ben testato (conforme), avere metodi certi e manodopera ben addestrata. A queste punto i Cp e Cpk se non performano bene ci dicono che le cause di variazione andranno ricercate nell impianto in sé e non in qualcosa di altro Andrea Chiarini 17

18 CONSIDERAZIONI SULLA NORMALITA DEI DATI Prima di arrivare a conclusioni del tipo non è normale quindi non posso fare le considerazioni delle pagine precedenti è meglio a volte riflettere è veramente una distribuzione non normale? A - Rettangolare piatto forse strumento di misura a bassa precisione B -A pettine forse troppe classi C - Asimmetrico a precipizio forse dati omessi D Bimodale forse dati mescolati Andrea Chiarini 18

19 Valor Spessore DIPARTIMENTO DI INGEGNERIA LE CARTE DI CONTROLLO Supponiamo di avere un impianto di levigatura in funzione. L ingegneria definisce che una determinata superficie debba avere spessore di circa 20 micron con Tolleranza accettata Al di fuori di questi limiti il prodotto levigato è scarto. Se ogni ora, considerati due turni (16 ore), si misura lo spessore e lo si riporta in un diagramma temporale si ottiene una cosiddetta carta di controllo UCL CL LCL Numero della misura oraria Le Carte di Controllo possono essere definite come strumenti grafici di controllo continuo in linea del processo, del quale forniscono una rappresentazione grafica dell evoluzione temporale Andrea Chiarini 19

20 LA CARTA PER INDIVIDUI La carta di controllo nella quale si utilizza la singola misura della caratteristica nel tempo, si chiama carta per variabili per individui. Per fare, però, le considerazioni di inferenza già viste per gli istrogrammi di frequenza, incluso il calcolo del Cp e Cpk con le medesime formule, la distribuzione deve essere di tipo normale LA CARTA DELLE MEDIE TEOREMA DEL LIMITE CENTRALE Sfruttando il teorema del limite centrale un ingegnere che lavorava nei laboratori AT&T americani (Shewart, 1939) mise a punto le carte più utilizzate in industria: la carta per variabili delle medie Teorema del limite centrale: se consideriamo un campione formato da un numero n sufficientemente grande di elementi, la distribuzione campionaria della media aritmetica può essere approssimata dalla distribuzione normale. Questo vale qualsiasi sia la distribuzione dei singoli valori della popolazione da cui il campione è tratto Il fatto che valga qualsiasi la distribuzione dei singoli valori è molto importante poiché non è così scontato che gli output dei processi rispondano a distribuzioni normali! Andrea Chiarini 20

21 LE CARTE DI CONTROLLO TEOREMA DEL LIMITE CENTRALE La distribuzione della media campionaria ha una deviazione standard stimata pari a: σ = s ' n dove n è la numerosità campionaria e σ è la deviazione standard della distribuzione originaria. Ma se la distribuzione delle medie campionarie approssima una normale, possiamo fare le medesime considerazioni viste con gli istogrammi di frequenza, ovvero una volta terminata la compilazione di una carte di controllo delle medie possiamo calcolare il Cp e Cpk LCS LC LCI P (D) = 0,00135 ZONA A P (A) = 0,02135 ZONA B P (B) = 0,1360 ZONA C P (C) = 0,34130 ZONA C P (C) = 0,34130 ZONA B P (B) = 0,1360 ZONA A P (A) = 0,02135 P (D) = 0,00135 Andrea Chiarini

22 LE CARTE DI CONTROLLO I LIMITI DI CONTROLLO SUPERIORE ED INFERIORE Nelle carte di controllo µ ±3σ vengono chiamati limiti di controllo (superiore ed inferiore) DA NON CONFONDERE CON I LIMITI SUPERIORE ED INFERIORE DELLA TOLLERANZA DEFINITI DALL INGEGNERIA! LCS LC LCI P (D) = 0,00135 ZONA A P (A) = 0,02135 ZONA B P (B) = 0,1360 ZONA C P (C) = 0,34130 ZONA C P (C) = 0,34130 ZONA B P (B) = 0,1360 ZONA A P (A) = 0,02135 P (D) = 0, Andrea Chiarini 22

23 Valor Medio DIPARTIMENTO DI INGEGNERIA LE CARTE DI CONTROLLO INTERPRETAZIONE E CONTROLLO La carta di controllo sotto mostra un andamento causale e i punti stanno all interno dei limiti di controllo (µ ± 3σ) pertanto abbiamo oltre il 99,73% di probabilità che il processo Numero del Sottogruppo mantendosi tale non vada oltre i limiti della tolleranza (generando non conformi) I limiti di controllo sono calcolati al termine di un carta (normalmente formata da sottogruppi) e riportati su quella successiva LST LSC LIC LIT Andrea Chiarini 23

24 LE CARTE DI CONTROLLO INTERPRETAZIONE E CONTROLLO Cause comuni e cause speciali (o attribuibili) Le Cause comuni sono intrinseche al processo: esistono sempre e sono indicate come la causa della naturale variazione di un processo. Provengono da fattori generalmente numerosi e individualmente poco importanti e sono di difficile identificazione. Non possono essere eliminate totalmente. Quando la variabilità dovuta ad esse è piccola, si ha un sistema stabile di cause comuni : un processo operante in queste condizioni è detto sotto controllo statistico e l andamento della carta di controllo è del tutto casuale Le Cause speciali provengono invece da fattori che contribuiscono alla variabilità in modo maggiore che non le cause comuni. Tali fattori possono essere identificati ed eliminati apportando un miglioramento al processo. Se nascono delle cause speciali l andamento della carta non è più casuale, bensì nascono degli andamenti che hanno pochissime probabilità di accedere La prima causa speciale: sforare i limiti di controllo! Anche se non si ha bucato il limite della tolleranza (prodotto ancora conforme), si ha lo 0,27 % di probabilità di generare nc rimanendo in tali condizioni Andrea Chiarini 24

25 Valor Medio Valor Medio DIPARTIMENTO DI INGEGNERIA Valor Medio LE CARTE DI CONTROLLO ESEMPI DI CAUSE SPECIALI Numero del Sottogruppo UCL CL LCL Derive graduali (es. utensili che si usurano, utile per la manutenzione predittiva ) UCL Numero del Sottogruppo Ciclicità (es. forniture cicliche, cambio periodico di operatore) Valor Medio CL LCL Valor Medio 40 UCL CL LCL Numero del Sottogruppo Tendenze (es. parti che si usurano utile per la manutenzione predittiva) Andrea Chiarini Numero del Sottogruppo Stratificazione (es. strumento di misura) UCL CL LCL Numero del Sottogruppo UCL CL LCL Gruppi (4 o più punti oltre 2σ) es. macchine diverse usate per breve periodo, cambio di operatore per breve periodo

26 Il miglioramento continuo (Kaizen) L approccio alla risoluzione di un problema (difettosità, scarse performance dell impianto/processo, guasti, etc.) segue, quando il problema è complesso, le fasi DMAIC del Six Sigma. Quest ultimo prevede un team strutturato con un team leader (Black Belt) e spesso mesi di intervento per raggiungere i risultati Molti problemi possono invece essere risolti in modo veloce quando compaiono, senza necessità di un DEFINE MEASURE approccio così strutturato quale quello offerto dal Six Sigma 6 Piccoli o grossi che siano, i problemi, nell ottica CONTROL Kaizen, NON DEVONO ASPETTARE IMPROVE Andrea Chiarini 26 ANALYZE

27 Il DMAIC del Six Sigma nasce traendo spunto dal principio di miglioramento PDCA di Deming DEFINE MEASURE CONTROL 6 ANALYZE IMPROVE Il PDCA è un approccio generale al miglioramento. Può essere applicato a miglioramenti di medio-lungo periodo quali quelli introdotti dai sistemi di gestione per la qualità ISO 9001 a miglioramenti day-by-day su problemi nati in produzione o negli uffici Andrea Chiarini 27

28 ALCUNE DOMANDE TIPICHE DELLO SCRITTO - Elencare almeno 5 tipologie di impianti di servizio: - Quali sono le caratteristiche principali di un impianto di servizio effettuare una trasformazione fisica del prodotto nell ambito del processo produttivo; alimentare un impianto di produzione o suoi servomezzi fornendo ad esempio energia; non è soggetto ai requisiti essenziali della Direttiva Macchine in quanto serve altri impianti Necessita comunque di un fascicolo tecnico e di un manuale di uso e manutenzione per legge - Il metodo del pay-back: calcola in quanto tempo i cash-flow dell impianto recuperano l investimento iniziale anche senza conoscere il tasso di interesse; pone il tasso di interesse i come incognita dell equazione; si calcola attualizzando i flussi di cassa al tempo 0 tramite un tasso i di attualizzazione Un impianto di abbattimento polveri rientra nel percorso A, pertanto: il costruttore deve sempre redigere un fascicolo tecnico con l analisi dei rischi il costruttore deve sempre redigere la dichiarazione di conformità ai sensi delle direttive il costruttore può volontariamente redigere un manuale di uso e manutenzione ed una dichiarazione di conformità Il costruttore può volontariamente utilizzare un ON e seguire il percorso B+H Andrea Chiarini 28

29 ALCUNE DOMANDE TIPICHE DELLO SCRITTO - Se progetto un layout per reparti, significa che di solito: seguo il flusso della VSM e sistemo gli impianti vicini allo scopo di produrre i prodotti della famiglia; sistemo gli impianti nella stessa area in base alle loro funzioni (es. torni e frese assieme, stampaggi assieme, etc.); creo una cella ad U all interno di ogni reparto aumento il lead time causa tempi di trasporto - L OEE di un impianto: Cresce se cala la difettosità dell impianto; Cresce se applico un efficace manutenzione predittiva; Cala se cala l MTTF dei singoli componenti dell impianto - Per ridurre i tempi di set-up, occorre: Convertire il maggior numero di attività IED in OED Convertire il maggior numero di attività OED in IED Utilizzare molti bulloni in modo da aumentare i serraggi Utilizzare un minimarket con kanban per gli approvvigionamenti dei prodotti sull impianto - L intervallo di tempo P-F netto: Permette di calcolare al meglio la legge di Little E alla base di un efficace riduzione dei tempi di set-up E alla base di un efficace manutenzione predittiva E stabilito e calcolato dagli operatori che svolgono la manutenzione autonoma Andrea Chiarini 29