EN
Din CMM-målemaskine holder aldrig op med at arbejde. Hver dag genererer den strømme af data. Hver dag registrerer den mål, tolerancer samt godkendte eller afviste resultater. De fleste værksteder – hvis ikke alle – bruger disse optegnelser til at køre dele og tildele en 'god' eller 'dårlig' status. De fleste værksteder gemmer endda disse optegnelser for at kunne svare på fremtidige kundespørgsmål. Selvom disse praksisser er almindelige, udgør de en betydelig mængde utiliseret potentiale.
Dine måleudstyr registrerer data, der kan åbne hele din værksted. Typisk bruges datafangstudsæt kun til at måle kvalitetslås eller godkendelse. Og selvom dette er en væsentlig og nyttig funktion, begynder måleudstyr, når de bruges længe nok, at identificere potentiale og tendenser, tæt på afdrift, som er indikatorer på fremtidige kvalitetsproblemer. Dette er målet med kontinuerlig forbedring.
At gå ud over den simple godkendelse eller afvisning
Måleudstyr registrerer data på det mest grundlæggende niveau for at måle dele i forhold til øvre og nedre tolerancegrænser. En del er god, hvis den er dimensionelt og funktionsmæssigt inden for de definerede grænser. En del er dårlig, hvis den er dimensionelt og funktionsmæssigt uden for de definerede grænser. Dette er den højeste, mest grundlæggende funktion af disse måleudstyr. Og selvom den er værdifuld, indeholder grænserne en enorm mængde information.
Overvej en komponent med en egenskab, der måler meget tæt på den øvre tolerancegrænse. I det øjeblik vil denne komponent bestå inspektionen. Hvis denne egenskab dog fortsætter med at bevæge sig opad for hver parti, vil den til sidst falde uden for specifikationen. En CMM-maskine vil registrere disse små ændringer. Med tilstrækkelig tid og tilstrækkeligt mange registrerede data vil du kunne se tendensen, inden den bliver et problem. Dette giver dig mulighed for at foretage procesændringer tidligere frem for at reagere efterfølgende og forsøge at fejlfinde en løsning efter en fejl.
Lokalisering af årsagen til variation
Ingen fremstillingsproces er perfekt gentagelig, og man kan sige, at der altid er en vis variation. Den afgørende spørgsmål er, om variationen er under kontrol? De data, du indsamler fra dine målinger, vil give svaret på dette spørgsmål.
Når data indsamles fra CMM-maskinen over flere dele og flere produktionsløb, vil du blive bedre i stand til at identificere og skelne mellem forskellige typer variation. Nogle af variationerne kan skyldes slid på skæreværktøjer, andre variationer kan skyldes værkstedets temperatur, og endnu andre variationer kan skyldes de forskellige metoder, operatørerne bruger til at indstille maskinen. Dataene vil give svar på de spørgsmål, du har, og derefter kan du fastslå de mest hensigtsmæssige foranstaltninger til at reducere variationen.
Opbygge tillid til processen
At opbygge tillid til din proces er en af de mindre åbenlyse, men måske mere vigtige fordele ved at bruge måledata til forbedring. Øget tillid til din proces giver mulighed for at reducere inspektionsfrekvensen. Når egenskaber demonstreres at være stabile og konsekvent inden for tolerancegrænserne, åbnes der muligheder for at reducere inspektionsfrekvensen for disse egenskaber. Dette frigør igen kapacitet til andet efterfølgende arbejde, såvel som maskin- og operatortid, som kan anvendes til andet arbejde.
Du ønsker ikke at reducere inspektionsfrekvensen uden data, der kan begrunde beslutningen. Når den historiske ydelse imidlertid er stabil, bør kvalitetsinspektionsressourcerne i stedet fokuseres på områder med mindre stabil ydelse. Dette er kontinuerlig forbedring. Det handler om mere end blot at forbedre dele i processen; endnu vigtigere er det at forbedre inspektionsprocessen.
Måling af værktøjets ydelse
Måledata fortæller dig alt, hvad du ved om værktøjets ydeevne; så hvad kan det fortælle dig om målinger af værktøjets levetid? Værktøjsudskiftning i løbet af et værktøjs levetid baseret på en god gætning eller på en forudbestemt tidsplan er en gætning på ydeevnen. At vente på værktøjsfejl er ikke en intelligent eller effektiv drivkraft for dataindsamling. Tillader man derimod data at styre processen, elimineres usikkerheden ved værktøjsudskiftning. Måling af værktøjets ydeevne er et vigtigt redskab i avanceret fremstilling.
Når en egenskab viser en tendens til at afvige i én retning, er en sandsynlig forklaring, at et værktøj er ved at slites. Dette behøver dog ikke at komme som en overraskelse for dig, da din CMM-målemaskine vil være den første, der informerer dig om det. Dette giver dig mulighed for at planlægge en værktøjsudskiftning, inden komponenterne går uden for specifikationen, og undgå kassering eller omformning. Det samme gælder for fastspændingsanordningerne. Hvis du bemærker en bestemt variation, der skyldes en bestemt fastspændingsanordning eller konfiguration, vil dataene lede dig hen imod denne problemstilling.
Sammen med kontinuerlig forbedring skal der også være en mentalitet om at måle succesen, og hermed skal der være en klar plan for at måle ændringens succes. Hvis du ændrer en fræsningsparameter, justerer en metode til fastspænding af arbejdsemner eller skifter til et andet værktøj, vil det første spørgsmål, du stiller dig selv, være, om denne ændring var fordelagtig eller ej.
Her er det, hvor måledataene spiller en afgørende rolle. CMM-målemaskinen registrerer dataene før ændringen og vil også registrere dataene efter ændringen. Hvis variationen er reduceret eller elimineret, betyder det, at ændringen var fordelagtig. Hvis der stadig er en betydelig variation, betyder det, at ændringen ikke var fordelagtig, og du skal prøve noget andet. Alt dette bidrager til kontinuerlig forbedring: Implementér dit forbedrede og nye værktøj, og have tillid til, at du vil kunne måle succesen af den pågældende ændring.
At skabe en kultur for forbedring
En ændring finder sted, når operatører og ledere opfatter måledata som et forbedringsværktøj i stedet for som en positiv eller negativ indikator. Folk bliver ofte mere nysgerrige. De stiller spørgsmål: Hvorfor stiger denne egenskab? Hvad er anderledes i den sidste parti? Er det muligt at gøre monteringen nemmere ved at stramme denne tolerance?
Det er brændstof til forbedring, og det hele starter med konsekvente og nemme at bruge data. Når måledata er dårligt organiseret, har folk tendens til at ignorere det. Når dataene først er brugervenlige, bliver de en del af daglig samtale. Holdene griber muligheden for at løse problemet sammen.
Produktion i den virkelige verden har vist den eksisterende værdi, som måledata besidder på både reelle og tydelige måder. En bruger udtalte, at tiden brugt på en højpræcisions video-målemaskine blev reduceret med 40 procent. Det er mere end blot en tidsbesparelse – det resulterer i bedre indsamling af data på kort tid og en klarere forståelse af produktionsprocesserne.
En anden bruger bemærkede, at udstyret, mens det udførte opgaver, kunne arbejde med både små og store arbejdsemner og opretholde en konstant nøjagtighed. Denne alsidighed gør det muligt at generere konsekvente og pålidelige data inden for et bredt spektrum, hvilket dermed understøtter identifikationen af tendenser, der ellers ville blive overset ved skift mellem arbejdsemner af forskellige dimensioner.
Data til handlinger
Femti procent af arbejdet består i dataindsamling. De andre femti procent består i implementeringen af handlinger, der skaber værdi ud fra de indsamlede data. Her kommer en CMM-målemaskine ind i billedet; den leverer de nødvendige mål. Disse tal skal dog analyseres konsekvent. Det betyder, at der skal afsættes tid til at vurdere mål/tal og tendenser frem for enkelte undersøgelsesresultater.
Nogle værksteder gør dette ugentligt. Andre månedligt. Uanset hvilket, styres cyklussen af mængden af dit arbejde og tempoet i ændringsprocessen. Dette er kernen i en gentagende cyklus; måledata gennemgås gentagne gange. Når dette er tilfældet, skaber værkstederne mønstre i måledata, som ellers ville gå tabt ved en enkelt undersøgelse.
Konklusion
Din CMM-målemaskine kan bruges til mere end blot at måle komponenter. Den kan bruges til at få indsigt i dine måleprocesser. De genererede data kan analyseres for at identificere, hvor variation opstår, hvornår værktøjslidelser er til stede, og om dine forbedringsindsatser har haft nogen effekt. Ved at implementere en datadrevet beslutningstagning flyttes fokuset fra blot at opdage problemer til en mere proaktiv forebyggelse af problemer.
Dette er kernen i kontinuerlig forbedring. Det handler mindre om at arbejde hårdere og mere om at arbejde smartere samt lade data styre dine beslutninger. Det hele starter med de data, som dine måleudstyr genererer.