自工廠問世起,製造商便不斷尋求各種方式來提高生產力。現在,整個專業領域無不奉行此一目標。一般而言,上述做法確實帶來了穩定,甚至是很驚人的生產力提升。這也同時催生了無數的技術、方法、規定和哲學,致力於尋求直接或間接的機會,以實現更出色的製造成果,進而降低成本、提高利潤,或是兩者兼顧。而分散的資料來源和不一致的數據,往往會提升此一複雜度,進而產生容易誤導且相互矛盾的結果。
正如同所有現代化製造商一樣,您所面臨的壓力,絕不僅限於改善和持續做出改善,更來自如何證明您確實做出了改善。在追蹤數據方面,「改善」本身往往具備明確的方向,不過,有效比較不同的數據,則絕非易事。光是在不將分散的方法和數據複雜化的情況下,著手建構生產力的「完整真相」,就有相當高的難度。正因如此,過去數十年來,即便企業在先前提到的所有層面導入了越來越多的「科學」,工廠生產力的量測和管理仍舊像一門「藝術」,而製造專業人員的直覺則如同報告篩選器一般。在此一情況下,情況的真相往往會視觀察者的主觀判斷而定。
設備整體效益 (OEE) 是最廣為接受的製造作業效能量測方法,但儘管行之有年,此一方法也有機會對生產改善生態系統帶來更多複雜度。OEE 可透過許多方程式計算得出,而每種方程式都是其部署環境下的有效方法。其中一個最簡單的有效 OEE 計算方式,會採用 (良品計數 x 理想週期時間)/(計劃性生產時間) 進行計算,當中並不會納入與損失相關的特定變數,相較之下,另一個 (可用性 x 效能 x 品質) 方程式,則會著重在這些因素上。
從六個標準差 (Six Sigma)、Lean、SCADA 到 MES,企業持續部署越來越多種技術,以進一步了解、控制和最佳化旗下工場的營運。但這些林林總總的方法,也造就了驚人的複雜度,而 30 年前成立的製造企業解決方案協會 (簡稱 MESA),則以解決該複雜度做為創辦宗旨。即便大家預期在單一工廠內會看到某種程度的統合,在這樣的複雜度之下,不同的資料來源和量測標準的存在,已是在所難免的情況。
此外,您為了評估 OEE 而量測的項目,本身就分屬不同類型,因此,依照單位加以說明的傳統做法,也無法立即相互比較。舉例來說,針對預期和非預期的當機時間及轉換時間,一般會使用時數進行量測。生產速度則會使用每小時單位數 (Unit per hour) 加以量測。短時間的停擺或廢料,一律會使用絕對單位來量測。這些數據所代表的意義,並非源自於單一且可比較的事實檢視方式。
在此同時,關鍵任務資料則會收集並存放在製造生態系統中的不同地點。而彙總這些資料也是一大挑戰。畢竟,這些資料來源不僅分散,更隸屬不同的類型,例如:ERP 系統、您的 MES、PLC、物聯網 (IoT) 資料和 SCADA 系統。當然,環境中往往還有自行開發的單點解決方案,而且只有一小部分的團隊能完整掌握其複雜性和屬性。
為了識別生產瓶頸和契機、辨別原因和效果,以及採取最有效的行動,組織經常預設採用以百分比為基礎的報告模式,但此一方法也很容易造成誤解。原因在於,輸入至報告的資料來自眾多來源,所呈現的情況可能缺乏一致性、不連貫、比較不精確,且較難有效預測所應採取的最佳行動。畢竟,微不足道的問題所呈現的大幅改善百分比,遠遠比不上重要步驟的小幅改善。此外,這類型的報告具有回溯性質,僅能呈現在進行指定量測當下的情況,如果使用先前提到的眾多篩選器和運算方式處理,勢必需要花費更多的時間來呈現結果。
資料無所不在,但真相會存在於何處?鑑於相互矛盾的系統、眾多變數及不同的資料來源,會衍生驚人的複雜度,真實資料必定不易取得。如果比較擷取自不同來源的異質資料類型,且以百分比呈現的報告,需面對多項固有的挑戰,身為營運經理,您該如何明確辨認最理想且最具影響力的後續步驟,並優先推動?您又要如何使用能和各方互通有無的語言,著手打造專屬於您的案例?
PTC 推出的 Digital Performance Management (DPM) 可改變此一僵局。DPM 經過精心構思和設計,可透過單一通用詞彙,著手評估、優先推動和解決在製造生產力方面最具影響力的問題。如此一來,攸關現代化生產線資料流程的所有複雜度,就可望迎刃而解,並使用統一的數據 (生產時數) 來合理化,藉此傳達明確且易於理解的意義。而真實資料 (以及通往可量測與可證明生產改善之道的途徑) 也可透過更清晰的方式加以呈現。
歡迎關注本部落格,以深入了解時間,而時間也是 DPM 針對改善製造作業所提供的共通語言。
DPM 提供您所需的深入分析資訊,讓數位轉型不再遙不可及。