Tämä simulaatiomallien käyttöön ja hyödyntämiseen tehty toimintamalli on suunniteltu kuvaamaan tuotannon kokonaiskuormitusta ja konekohtaista käyttöä koneistustuotannossa karkealla tasolla. Monilla konepajoilla on rajalliset resurssit laajoihin analyyseihin, ja suuren datamäärän tehokas hyödyntäminen vaatii erityisosaamista, mikä vaikeuttaa tuotannon tilannekuvan muodostamista. Yrityksillä on usein hyvä yleiskäsitys tuotannostaan, mutta hektinen työtahti vaikeuttaa ongelmakohtien, kuten kuormittuneimpien koneiden, tunnistamista. Koneiden ylikuormitus ei välttämättä näy jatkuvasti, mutta toistuu kuitenkin systemaattisesti, mikä vaikeuttaa tilanteen hahmottamista ja etenkin syiden yksilöimistä.

Tämä todelliseen dataan perustuva case-tapaus sisältää kaksi päävaihetta, kevyen analyysin ja simulaatiomallin. Analyysillä tarkastellaan kattavaa lähtödataa, ja määritellään mitä kannattaisi simuloida muun muassa havainnollistamalla tuotteittain laskennallisen ja toteutuneen työajan eroja. Simulaatio mahdollistaa muutosten testaamisen ja niiden vaikutusten arvioinnin tuotannon kokonaiskuormitukseen. Se paljastaa pullonkaulat ja osoittaa, mille koneille työkuorma keskittyy eniten. Simulaatiomalli toimii pohjamallina, jota voidaan kehittää edelleen eri näkökulmista tuotannon kehittämisen tueksi.

Kuva 1. Tässä tapauksessa käytetty data-analyysin ja simuloinnin prosessi.

Tämä toimintamalli sekä liittyvä simulaatiomalli on tehty osana Savonia-ammattikorkeakoulun Simulaatiomallit teollisissa prosesseissa-hanketta. Hankkeen tarkoituksena on edistää simulaatiomallien hyödyntämistä Pohjois-Savossa tarjoamalla julkisia case-esimerkkejä simulaatioiden käytöstä.

Lähtötiedot ja analyysi

Jotta simulaatiomallista saadaan mahdollisimman tarkka ja hyödyllinen, lähtötietojen tulee olla kattavia ja tarkkoja. Tässä tapauksessa lähtötietoina oli toiminnanohjausjärjestelmän jälkilaskentaraportit, jotka käsittivät neljän eri asiakkaan tuotetiedot neljältä vuodelta. Raportit olivat MS Excel pohjaisia, ja sisälsivät noin 90 000 riviä dataa. Raporttien muokkaus ja datan puhdistus toteutettiin Python-ohjelmalla, jonka jälkeen data vietiin analysoitavaksi MS PowerBI -ohjelmistoon. Data muokattiin sellaiseen muotoon, jotta se sopii hyvin sekä PowerBI:llä käsiteltäväksi, että Anylogic-simulointiohjelmistoon lähtötiedoksi. Analyysissa tunnistettiin ja tarkasteltiin seuraavia avainkohtia:

• Toteutuneiden ja laskennallisten työtuntien vertailu

• Nimikkeiden toistuvuus

• Nimikkeiden vaiheistus

• 50 menestyneimmän ja 50 huonoimman tuotteen valinta tarkempaa tarkastelua varten

Kuva 2. PowerBI analyysin näkymä

Tällä analyysillä on helppo ja nopea tarkastella mitkä tuotteet onnistuvat suunnitellusti ja mitkä eivät, perustuen toiminnanohjausjärjestelmään kirjattuihin tietoihin. Analyysin perusteella on kuitenkin vaikea arvioida, miten paljon kokonaisuuteen vaikuttaa, jos esimerkiksi tehdään seuraavia muutoksia:

• Kehitetään valittujen tuotteiden tuotantoprosessia paremmaksi

• Muutetaan tuotteiden vaiheistuksia

• Jonkin tuotteen tuotantomäärä kasvaa tai vähenee

• Jne.

Vaikutukset tuotannon kokonaisuuteen saadaan selkeimmin esille simulaatiomallin avulla. Data sisältää 995 yksilöllistä tuotetta ja 4495 työtä. Dataa analysoimalla erotettiin, mitkä 50 tuotetta onnistuu heikoiten tuotannossa, eli niiden valmistus kestää merkittävästi kauemmin, kuin on suunniteltu. Näin voidaan arvioida esimerkiksi sitä, miten monen tuotteiden valmistusaikaa täytyy kehittää, että vaikutuksia tuotannon kokonaisuudessa alkaa näkymään.

Simulaatiomallin rakentaminen

Simulaatioon mallinnettiin tuotannon prosessi karkealla tasolla, kuvaten tuotteiden viipymistä tuotannossa. Malliin luotiin kaikki käytettävissä olevat työvaiheet, eli jokainen tuote seuraa sille datassa määrättyä vaiheistusta. Jokaisella nimikkeellä voi olla tässä tapauksessa enintään kolme peräkkäistä työvaihetta, ennen kuin nimike on valmis. Simulaatiomallissa kaikki nimikkeet lasketaan tuotantoon kerralla, eli ne jonottavat saapumisjärjestyksessä työvaiheiden kohdalla. Simulaatiossa koneet voivat pyöriä 24/7, eli tässä mallissa ei ole huomioitu esimerkiksi työvuoroja tai häiriöitä. Tämän lähestymistavan etuna on antaa ns. absoluuttista vertailuarvoa eri skenaarioiden välille yksinkertaisella toteutuksella.

Kuva 3. Kuvankaappaus simulaatiomallista, johon on tehty yksinkertainen tuotantoprosessi, tuotannon kokonaiskäyttöasteen ja konekohtaisten käyttöasteiden graafit.

Luomalla erilaisia muokattuja datasettejä ja antamalla ne simulaatioon, saadaan tarkasteltua muutoksien vaikutusta kokonaisuuteen. Tässä tapauksessa simulaatiota varten analyysin pohjalta luotiin datasetit, joihin korjattiin 5, 10, 25 tai 50 heikointa tuotetta siten, että niiden suunniteltu valmistusaika vastaa todellisuutta. Simulaation tuloksena saadaan seuraavia:

• Kaikkien nimikkeiden valmistamiseen mennyt kokonaisaika

• Konekohtaiset käyttötunnit

• Konekohtainen keskimääräinen käyttöaika per vuorokausi

• Konekohtainen käyttöaste

• Prosentuaaliset erot ensimmäiseen simulaatioajoon verrattuna

Kuva 4. Simulaation tulostaulukko

Hyödyt ja sovellettavuus yrityksille

Analyysi antaa yrityksille tarkemman ymmärryksen tuotannon suorituskyvystä ja auttaa tunnistamaan kehityskohteita. Laskennallisten ja toteutuneiden työtuntien vertailu paljastaa poikkeamat, jotka voivat johtua esimerkiksi prosessien vaihtelusta tai puutteellisista työaikakirjauksista. Nimikkeiden toistuvuuden ja vaiheistuksen tarkastelu auttaa tunnistamaan volyymituotteiden käyttäytymisen ja niiden vaikutuksen kokonaisuuteen. Näiden tietojen avulla voidaan löytää tuotantoprosessin kriittiset kohdat ja arvioida, miten pienillä muutoksilla voidaan saavuttaa merkittäviä parannuksia. Kuitenkin analyysin perusteella on haastavaa arvioida, miten yksittäiset muutokset vaikuttavat kokonaisuuteen, mikä tekee simulaatiosta tehokkaan jatkotyökalun.

Kuva 5. Simulaation hyödyntämisen prosessi.

Simulaatiomalli mahdollistaa erilaisten skenaarioiden testaamisen ja antaa tietoa siitä, miten muutokset vaikuttavat tuotannon kokonaistehokkuuteen. Se auttaa tunnistamaan pullonkauloja ja näyttää, mitkä koneet kuormittuvat eniten. Kokonais- ja konekohtaiset käyttöastegraafit sekä numeeriset tulokset auttavat hahmottamaan tuotannon läpimenoa ja mahdollisia kehityskohteita. Simulaatio mahdollistaa myös esimerkiksi vaiheistuksien vertailun, jolloin päätös niiden muuttamisesta ei perustu pelkkään tuntumaan. Tämän tapauksen simulaatiomallia voidaan kehittää edelleen lisäämällä esimerkiksi työvuorot, häiriötekijät tai materiaalien käyttö, jolloin se kuvaa entistä tarkemmin tuotannon dynamiikkaa ja auttaa optimoimaan toimintaa. Simulaatiomallien käyttö tarjoaa siis yrityksille mahdollisuuden tunnistaa tehostamiskohteet, ennakoimaan muutosten vaikutuksia ja tekemään dataan perustuvia päätöksiä. Hyödyntämällä simulaatiota kuvan 5 prosessin mukaisesti yritykset voivat parhaillaan parantaa kilpailukykyään sekä tehostaa toimintaansa strategisesti ja käytännönläheisesti.

Tämän tapauksen simulaatiomalli löytyy julkisena versiona Anylogic Cloud-pilvipalvelusta osoitteesta: https://cloud.anylogic.com/model/aed3d475-66d0-4663-8a69-e7edb811a333

Kirjoittaja:

Ari Tanskanen

TKI-asiantuntija

Savonia-ammattikorkeakoulu