Gdy operatorzy nie ufają danym: jak wdrożyć IoT na hali produkcyjnej

Dlaczego operatorzy nie ufają sygnałom z maszyn

Na typowej linii w istniejącym zakładzie nieufność ma kilka źródeł. Każde z nich ma przyczynę, którą da się usunąć.

Wdrożenie IoT to projekt zmiany, a o jego powodzeniu decyduje hala. Prosci ustaliło, że projekty z doskonałym zarządzaniem zmianą mniej więcej siedem razy częściej osiągały cele niż projekty, w których zarządzanie zmianą było słabe.

Najpierw popraw dane, potem proś o zaufanie

Błędne liczby zużywają wiarygodność, która będzie potrzebna później, dlatego popraw sygnał, zanim cokolwiek opublikujesz.

Maszyna jest liczona jako „praca”, bo prąd silnika przekracza próg, choć kręci się na pusto bez materiału. Przezbrojenie wyświetla się jako nieplanowany przestój. Wolne cykle pozostają niewidoczne, bo odczytywana jest tylko kolumna sygnalizacyjna.

Przykład: system pokazuje 40 minut przestoju na prasie, a operator pamięta 15. Różnica to 25-minutowa przerwa, której nikt nie wpisał do kalendarza zmian (liczby przykładowe). Jedna taka błędna wartość na tablicy sprawia, że cały system wygląda na niewiarygodny.

Zapobiega temu krótka procedura weryfikacji:

1. Uruchom system na tydzień lub dwa bez publikowania liczb.
2. Na każdej zmianie operator i lider zmiany porównują oś czasu maszyny z tym, co faktycznie się działo.
3. Każda rozbieżność staje się poprawką: progu, wpisu w kalendarzu, brakującego sygnału.
4. Publikuj dopiero wtedy, gdy operatorzy zgodzą się, że oś czasu wygląda jak ich zmiana.

Jaki kontekst trzeba dodać, wyjaśniamy w artykule o tym, dlaczego dane z maszyn bez kontekstu są bezużyteczne.

Niech operatorzy napiszą listę przyczyn

Przyczyny przestojów spisane w biurze rzadko pasują do hali. Operatorzy wybierają wtedy „inne” albo pierwszą pozycję, a Pareto wypełnia się szumem.

Usiądź na godzinę z dwoma lub trzema operatorami z każdego typu maszyny i zapytaj, co naprawdę zatrzymuje maszynę. Zostaw 10 do 15 przyczyn, ich słowami. „Czekam na wózek” działa lepiej niż „Opóźnienie logistyki wewnętrznej”.

Potwierdzenie tego podejścia można znaleźć także poza IoT. W projekcie dotyczącym przekazania zmiany, opisanym przez The Keil Centre, osoby korzystające z nowych dzienników współtworzyły je, a autor przypisuje temu zaangażowaniu sukces całego rozwiązania (Lardner, 1999).

Przeglądaj listę co miesiąc. Jeśli „inne” przekracza około 10% czasu przestojów, brakuje jakiejś przyczyny. W aplikacji operatora DBR77 IIoT właściciel linii zmienia listę bez zgłoszenia do IT.

Pokazuj operatorom efekty ich własnych zgłoszeń

Operatorzy dużo szybciej zaczynają ufać systemowi, gdy widzą, że ich zgłoszenie doprowadziło do poprawki, a przestają cokolwiek zgłaszać, gdy uwagi znikają bez śladu.

Weźmy typową sytuację. Operatorzy na linii pakującej regularnie oznaczają krótkie postoje jako „zacięcie folii”. Po trzech tygodniach dane pokazują, że to największa strata na linii pod względem minut, choć każdy postój trwa poniżej dwóch minut. Vorne zauważa, że większość firm nie mierzy dokładnie takich krótkich postojów. Utrzymanie ruchu wymienia prowadnicę folii i postojów jest mniej (przykład poglądowy).

Potem powiedz o tym zmianie. Powieś informację na tablicy przy linii: „W trzy tygodnie oznaczyliście »zacięcie folii« 140 razy. Prowadnica została wymieniona we wtorek. Oto wykres od tamtej pory.” Operatorzy widzą, że ich dwie sekundy przy postoju miały sens. Toyota ujmuje to wprost: maszyny zatrzymują się przy nieprawidłowości, ale „tylko ludzie mogą wdrażać kaizen”.

Jak analizować obejścia systemu przez operatorów

Prędzej czy później operatorzy zaczynają obchodzić system. Zmieniają przyczynę po fakcie, oznaczają postój jako planowany albo potwierdzają alert bez reakcji. Pierwszy odruch to nazwać to oszukiwaniem, ale ten odruch zwykle jest błędny.

Obejście to informacja o regule, która nie pasuje do rzeczywistego procesu. Brytyjski urząd BHP (Health and Safety Executive) zauważa, że świadome odstępstwa od procedury często pojawiają się tam, gdzie zadanie zostało źle zaprojektowane, i jako rozwiązanie zaleca przeprojektowanie zadania lub sprzętu.

Co tydzień przeglądaj obejścia z liderami zmian:

• Grupuj je według reguły. Dziesięć obejść jednego progu alertu to jedno ustalenie.
• Zapytaj operatora, dlaczego. Odpowiedź jest zwykle prosta: alert włącza się podczas planowego mycia albo brakuje częstego przypadku.
• Zmień regułę albo ją wyjaśnij. Jeśli jest błędna, zmień ją i powiedz o tym na początku następnej zmiany.
• Śledź odsetek obejść. Z czasem powinien spadać.

Częstym powodem są alerty generujące szum; zobacz, dlaczego alerty IIoT zawodzą na hali.

Dane mają pomagać, nie karać

Najszybszy sposób, by stracić halę, to wykorzystać dane z pierwszego miesiąca w rozmowie dyscyplinującej. Potem przyczyny stają się coraz bardziej ogólnikowe, a obejść przybywa.

Ludzie zmieniają też zachowanie, gdy wiedzą, że są mierzeni. Przegląd systematyczny opublikowany w Journal of Clinical Epidemiology wykazał, że sam fakt bycia badanym wpływa na badane zachowanie. Operatorzy, którzy czują się obserwowani, sprawią, że dane pokażą ich tak, jak chcą wyglądać.

Przed startem spisz kilka zasad: dane przegląda się per linia i zmiana, bez rankingów osób; postój prowadzi do pytania o proces; operatorzy widzą te same ekrany co kierownictwo; przedstawiciele pracowników poznają zasady jako pierwsi.

Najczęstsze pytania

Ile trwa, zanim operatorzy zaczną ufać danym IoT?

Na jednej linii licz się z czterema do ośmiu tygodni. Zaufanie przychodzi, gdy oś czasu zgadza się z ich zmianą i gdy co najmniej jedna poprawka wynikła widocznie z ich zgłoszenia.

Czy operatorzy powinni móc zmienić przyczynę postoju po fakcie?

Tak, w ramach tej samej zmiany i z zapisem zmiany w historii. Blokowanie korekt popycha ludzi do wybierania „inne”. Zapisane zmiany pokazują, gdzie słaba jest lista przyczyn albo logika stanów.

Czy pokazywać OEE dla każdego operatora?

W pierwszych miesiącach odradzamy. Wynik zależy od materiału, utrzymania ruchu i planowania w takim samym stopniu jak od człowieka.

Co, jeśli jedna zmiana uparcie odrzuca system?

Spędź z nią jedną zmianę. Zwykle ludzie znaleźli prawdziwy błąd w danych albo liczby zostały użyte przeciwko nim. Najpierw to napraw.

Podsumowanie

Zanim operatorzy na linii zaufają liczbom, mija zwykle od czterech do ośmiu tygodni, a większość tego czasu idzie na dopracowanie osi czasu. Wybierz jedną linię i przez tydzień lub dwa uruchom system bez publikowania czegokolwiek. Pod koniec każdej zmiany niech operator i lider zmiany porównają oś czasu maszyny z tym, co się działo, a każdą rozbieżność zamień w poprawkę progu, kalendarza albo sygnału, zanim pierwsza liczba trafi na tablicę.

Źródła

• Prosci, The Correlation Between Change Management and Project Success, 2023
• The Keil Centre (R. Lardner), Safe Communication at Shift Handover: Setting and Implementing Standards, 1999
• Vorne, The Six Big Losses
• Toyota Motor Corporation, Toyota Production System
• Brytyjski urząd BHP (UK Health and Safety Executive), Managing human failures, 2024
• McCambridge J., Witton J., Elbourne D., Systematic review of the Hawthorne effect, Journal of Clinical Epidemiology, 2014