L estrusione secondo il metodo OEE Parte seconda: Performance Questo è il secondo di tre articoli riguardanti l applicazione del metodo OEE in estrusione, nel quale saranno approfondite le performance di produzione. L obiettivo è di superare la semplice analisi del KPI generico Performance, per creare e gestire dei KPI più specifici che permettano un immediata individuazione della causa di eventuali basse performance e le possibili soluzioni: definire dei KPI specifici è necessario in quanto un KPI generico rappresenta una semplice media, anche se ponderata. Progettare e analizzare KPI più specifici permette di conoscere e migliorare situazioni che un KPI generico può evidenziare come buone, ma che nella realtà hanno grandi possibilità di miglioramento. Per raggiungere questo risultato, come specificato anche nell articolo precedente, è necessario definire un percorso di analisi che, partendo da dati aggregati legati alla produttività, permetta di arrivare al singolo dettaglio. Come misurare le Performance di produzione Nella fig.1 è visualizzato il KPI generico Performance = D/C (Kg/h netti reali/ Kg/h netti teorici; evidenziato dal rettangolo rosso) che misura i cali di produttività causati dalla riduzione della velocità di estrusione, da mancate ottimizzazioni della billetta, degli scarti tecnici e da una cattiva pianificazione. Analizzeremo di seguito l aumento delle performance in funzione della riduzione degli scarti tecnici e definiremo i KPI fondamentali necessari per il loro controllo. Controllare e analizzare i KPI legati alla produzione è infatti indispensabile per raggiungere l obiettivo del miglioramento continuo. Nell analisi delle performance non sono invece considerati i tempi di fermo durante la produzione in quanto già considerati nel precedente articolo (KPI Availability). Fig. 1
Nei grafici seguenti è rappresentata la logica di funzionamento dei KPI Availability e Performance. La base del KPI Perfomance è il tempo reale di utilizzo dell impianto ( Operating time ) e il KPI Net Kg/h, senza considerare i tempi di fermo, così da separare i KPI legati ai tempi di fermo dai KPI legati alle velocità (Velocità Puller) e all ottimizzazione della billetta (scarti tecnici). Tale analisi viene effettuata basandosi sui dati di un impianto che utilizza un sistema di ottimizzazione della billetta, la cui lunghezza viene calcolata in funzione dell ordine e delle caratteristiche della lega. Ciò comporta che la percentuale di scarto tecnico sia sempre calcolata sulla lunghezza ottimale della billetta. KPI Availability Il KPI Availability viene calcolato con la seguente formula: B/A= Availability (Operating Time / Planned production time). KPI Performance Il KPI Performance viene calcolato con la seguente formula: D/C= Performance (Real net Kg/h / Theoretical net kg/h); C= Theoretical net kg/h = kg netti Teorici producibili nel Planned Production Time; D= Real net kg/h = kg netti reali prodotti nell Operating Time. Nella figura 2 sono riportati i KPI che si consiglia di tenere sotto controllo per ottenere una buona gestione degli scarti tecnici; in rosso sono evidenziati i KPI analizzati in questo documento. Fig. 2 Descrizione Produzione kg lordi (Messa in Lavoro, MIL ) Produzione Kg netti Scarto tot Kg Kg/h netti teorici (tempo di lavoro) Kg/h netti reali (senza 1 a billetta) Kg/h netti reali (con 1 a billetta) UM Kg Kg Kg Kg/h Kg/h Kg/h
Kg/h netti reali(con 1 a billetta lunga) Kg/h scarto Kg/h Kg/h Scarto tecnico tot % % Scarto tecnico senza 1 a billetta% % Scarto tecnico con 1 a billetta% % Lunghezza media ponderata billetta Lunghezza media ponderata banco Quantità media ponderata per lotto mm mm kg Scarti tecnici Per scarti tecnici si intendono gli scarti di testa, di coda, le giunte e i fondelli, le billette necessarie per la formazione del profilo e gli scarti alla cesoia, cioè tutti quegli scarti non eliminabili, ma che, se ottimizzati, permettono di effettuare un estrusione di qualità maggiore. Quanto vale ridurre di un punto percentuale( 1%) gli scarti tecnici? Nella fig. 3 sono visualizzati i differenti risultati ottenuti considerando produzioni effettuate in impianti Europei, con lega 6060, con billette comprese tra 7 e 10 pollici e ipotizzando un recupero medio di un punto percentuale (1%). Diametro billetta Produzione attuale Riduzione scarti % Aumento produzione t/anno pollici mm t/anno % t 7 178 6000 1% 60 8 203 8200 1% 82 9 228 10200 1% 102 10 254 14500 1% 145 Fig. 3
L analisi si baserà su dati raccolti da un impianto di tre presse e un KPI di scarto tecnico teorico pari al 10%. Nella fig. 4 è rappresentata la produzione giornaliera progressiva, evidenziando kg lordi, kg netti e percentuale di scarto. La media ponderata dello scarto reale, delle tre presse, restituisce un KPI con valore 10,9%. Il grafico evidenzia un trend in ascesa ma con un andamento sostanzialmente positivo in quanto si ha uno scostamento dal KPI teorico pari a 0,9%. Partendo da questo dato si ha la possibilità di verificare se esistono margini per la riduzione degli scarti tecnici; occorre quindi capire da cosa è generato questo dato e soprattutto valorizzare i vantaggi economici derivanti da una sua riduzione. drill down Fig. 4 È possibile inoltre fare una simulazione che, ipotizzando di ridurre al valore del KPI teorico (10%) gli scarti di tutte le matrici che l hanno superato, restituirà i vantaggi teorici di una loro riduzione.
La fig. 5 mostra l interfaccia utente dove si definisce la percentuale di scarto sulla quale basare la simulazione (in questo caso 10%) mentre l immagine successiva mostra i risultati ottenuti. La simulazione ricalcola tutte le produzioni del periodo in esame (2 mesi e mezzo su 3 linee) e restituisce dei risultati interessanti: risulta infatti che per effettuare la stessa produzione netta di 3.631 tonnellate è possibile utilizzare una quantità di materia prima inferiore del 2,15% (circa 87 t per il periodo in esame; circa 400 t su base annua). Se invece si ipotizza invece di mantenere costante la materia prima utilizzata (4.077t) si ottiene un aumento di produzione netta pari a 78 t (8 7t 10% scarto tecnico), equivalente al 2,17% (circa 370 t su base annua). Fig. 5 La fig. 6 (grafico risultante dalla simulazione) mostra per ogni pressa la differenza tra i valori reali e quelli simulati, da cui risulta in modo evidente quali siano i margini di miglioramento, in particolare per la pressa 1 e la pressa 3. Fig. 6
Analisi della pressa 3 Con un drill down sul grafico della produzione progressiva (fig. 4) viene visualizzato un nuovo grafico che mostra le leghe utilizzate durante il periodo in esame (fig. 7). drill down Fig. 7 6060 6063 6082 6005 6005A 6061 Effettuando un nuovo drill down si analizzano nel dettaglio i dati relativi alla lega 6082, dove c è uno scarto tecnico medio del 17,9%. L analisi consiste nel cercare tutte le matrici con uno scarto tecnico superiore al 10% e capire se è possibile mantenere il 10% come soglia massima per ognuna di esse. Il drill down mostra le matrici che hanno concorso maggiormente alla formazione di questo scarto e rivela con chiarezza che sono possibili considerevoli miglioramenti (la fig. 8; riporta le 10 matrici con più alta incidenza). Naturalmente le matrici possono essere visualizzate non solo graficamente, ma anche in liste ordinate in base alla scelta dell utente. Fig. 8 Questo esempio di analisi evidenzia che, pur partendo da un risultato medio complessivamente buono (10,9% di scarto medio rispetto al 10% teorico), analizzando i dati correttamente, si possono individuare matrici con scarti tecnici percentuali tali da giustificare un intervento migliorativo.
Scarti tecnici e prima billetta Uno scarto tecnico normalmente è espresso con un valore percentuale legato unicamente a scattivazioni di testa, centro, coda, spessore del fondello e alla prima billetta necessaria per la formazione profilo. Ciò che molte volte sfugge è la dimensione del lotto da produrre, mentre è evidente che l incidenza della prima billetta varia in base alla dimensione del lotto; pertanto nella definizione dei KPI degli scarti tecnici sono separati gli scarti tecnici definiti come scattivazioni dagli scarti tecnici legati alla dimensione del lotto. La fig. 9 mostra questa situazione (scarti tecnici in funzione della dimensione del lotto e della lunghezza della prima billetta). I calcoli sono stati effettuati basandosi sui seguenti dati: Pressa 1650 t, doppio banco, peso profilo 1600 g, lunghezza barra 6500 mm, scarti totali 2550 mm, fondello 20 mm, velocità 20 m/min. Le linee del grafico rappresentano: - linea Marrone, 1 a billetta di scarto (400 mm); - linea Marrone chiaro, 1 a billetta di scarto (250 mm); - linea Arancione, no 1 a billetta; - linea viola, 1 a billetta lunga. Sia nella situazione con una prima billetta da 250 mm che nella situazione con una prima billetta lunga (400 mm) è stata fatta un ottimizzazione per raggiungere l aggancio del puller: in questo secondo caso l ottimizzazione prevede un allungamento della prima billetta e lo scarto è quindi rappresentato da un solo fondello. È evidente che l estrusione di lotti molto piccoli è molto spesso la causa principale di elevati scarti tecnici mentre, invece, una buona pianificazione, che permetta di accorpare più ordini in un singolo ordine di produzione più grande, è la migliore soluzione possibile per ridurre questi scarti. Fig. 9
La fig. 10 mostra la produttività (Kg/h) in funzione della dimensione del lotto di produzione. L utilizzo, quando possibile, di una prima billetta lunga permette di incrementare notevolmente la produttività, perché viene eliminato quasi tutto il tempo di ciclo della prima billetta. Fig. 10
Un esempio di controllo ottimale è rappresentato nella fig. 11 in cui è riportata una videata nella quale sono gestiti i seguenti indicatori che monitorano 3 tipologie di evento: - Kg/h netti; - Scarti %; - Velocità di settino. I KPI inclusi nella fig. 11 (interfaccia di controllo performance della pressa) sono rappresentati con barre verticali colorate: - blu (valori teorici); - arancioni (valori reali senza considerare la prima billetta); - marroni (valori reali considerando la prima billetta). I valori teorici sono calcolati, billetta per billetta, in tempo reale, basandosi sui parametri di riferimento memorizzati in un database tecnologico; questi calcoli sono effettuati senza considerare la prima billetta in quanto l incidenza del suo tempo di ciclo e degli scarti può variare considerevolmente in base alla dimensione del lotto (i dati reali sono raccolti automaticamente dalla pressa). I KPI inclusi sono: - kg/h netti teorici (barra blu); - kg/h netti reali senza considerare la prima billetta (barra arancione); - kg/h netti reali considerando la prima billetta (barra marrone;) - scarti teorici % (barra blu); - scarti % reali senza considerare la prima billetta (barra arancione); - scarti % reali considerando la prima billetta (barra marrone); - velocità di setting teorica (barra blu); - velocità di setting reale (barra arancione). L area di sinistra include i dati raggruppati per turno mentre quella di destra include i dati della matrice selezionata. Le barre orizzontali sono indicatori che rappresentano la differenza tra valori teorici e reali: - indicatori kg/h, che evidenziano una situazione positiva se >=1, negativa se <1; - indicatori di scarto, che evidenziano una situazione positiva se <=0, negativa se >0. Tutti questi dati provano l elevata incidenza della prima billetta, quindi la necessità di una sua ottimizzazione e di una buona pianificazione. Fig. 11
Le fig. 12 e 13 rappresentano il metodo procedurale utilizzato per il miglioramento delle performance. Le fasi Extrusion Intelligence e Data Update sono le fasi di maggior importanza strategica in quanto, per ottenere risultati significativi, è necessario effettuare un analisi approfondita dei dati di produzione e applicare la filosofia del miglioramento continuo. Questa filosofia prevede che, fase dopo fase, i risultati raggiunti siano la base di partenza per nuovi obiettivi e quindi i KPI dovranno essere modificati e analizzati, in ogni fase, con strumenti rapidi e affidabili; e altrettanto affidabili dovranno essere i sistemi di raccolta dati. Server Data Update Press Check Press Modification Production Office Extrusion Intelligence Server Storage Fig. 12 Fig. 13
Note L analisi e lo sviluppo sono state effettuate con software di controllo e ottimizzazione di processo sviluppati da A.t.i.e. Uno Informatica (www.unoi.it) e software di analisi su piattaforma multidimensionale HiQube di Altair Engineering (www.altairengineering.it). Autori Massimo Bertoletti, Extrusion Specialist and Sales Manager, A.t.i.e. Uno Informatica Srl Email: massimo.bertoletti@unoi.it Marco Bosisio, Chief Analyst & Technical Manager, A.t.i.e. Uno Informatica Srl Email: marco.bosisio@unoi.it Ing. Fabrizio Bovo, Extrusion Manager, Gastaldello Sistemi Spa Email: fabrizio.bovo@gastaldellosistemi.it Dott. Franco Gennari, Marketing manager, Altair Engineering Srl Email: franco.gennari@altairengineering.it