Hoe je met SPC tot een beter product komt!

22 juni 2021

00:03
Goedemorgen allemaal welkom bij de webinar “Hoe je met SPC tot een beter product komt”. Ik ben Bart Mans, technisch manager bij AT-Automation en ik ga jullie vandaag meenemen in de wereld van SPC.

00:15
De afgelopen jaren heb ik samen met collega’s en klanten veel mooie, technische en innovatieve oplossingen neergezet. Voor dat we verder kunnen met SPC wil ik jullie graag eerst meenemen in wat SPC is. SPC staat voor statistische procescontrole oftewel statistische procesbeheersing.

00:33
Met SPC beheers je het proces door variatie te reduceren met behulp van statistische technieken. Zo krijg je dus een stabieler proces en uiteindelijk ook een beter product.

00:47
Waar gaan we vandaag naar kijken? Deze ochtend gaan we kijken naar waarom SPC de oplossing is. Dit doen aan de hand van een casestudie van Cookies & Co. Maar ook gaan we kijken waarom SPC interessant voor jou zou kunnen zijn. Vervolgens kijken we hoe SPC werkt en wat AT-Automation met SPC doet. Op het einde hebben nog de mogelijkheid om vragen te stellen.

01:11
Mocht je tussendoor vragen hebben stuur ze via de chat en dan kunnen we ze op het einde even behandelen.

01:17
Waarom SPC de oplossing is? Zoals ik net al aangaf doen we dat aan de hand van de case van Cookies & Co. Cookies & Co is een fictief bedrijf wat SPC geïmplementeerd heeft. Laten we eens gaan kijken naar de uitdaging van Cookies & Co.

01:31
Cookies & Co is een bedrijf dat koekjes produceert. De koekjes die ze maken zijn kleine koekjes met aardbeienvulling. Het is dan ook belangrijk dat de koekjes goed zijn en dat de vulling goed is. Cookies & Co streeft ernaar om continu te verbeteren. Aan de hand van een OEE- analyse hebben ze ontdekt dat Cookies & Co vaak slechte kwaliteit producten aflevert. De koekjes komen dan verbrand uit de oven. Uiteraard kan deze verbranding voorkomen worden. Daarvoor moeten we gaan kijken naar de oorzaak.

02:05
Een aantal mogelijke oorzaken van verbranding. Zo zou bijvoorbeeld de oventemperatuur te hoog kunnen zijn waardoor de koekjes zwart worden. De koekjes zouden te dun kunnen zijn. Er zou een verkeerde baktijd ingesteld kunnen worden of de operators blijven steeds aan instellingen sleutelen waardoor elke keer weer een andere oorzaak waar is. En dan zou het ook kunnen zijn dat alle bovenstaande oorzaken de oorzaak zijn van de verbranding.

02:33
Om te kunnen achterhalen wat een mogelijke oorzaak zou kunnen zijn moeten we eerst kijken naar de beschikbare procesdata. Als we kijken naar het productieproces van Cookies & Co dan hebben we een aantal machine-elementen. Zo hebben we links een menger, in het midden hebben we een vormwals die de koekjes perst en vervolgens vult met een aardbeienvulling. En uiteindelijk hebben we een oven.

03:00
Van de menger hebben we beschikbare procesdata zoals bijvoorbeeld het type koekje oftewel het recept dat gekozen is.

03:05
Vervolgens zijn we bij de vormwals en kunnen we achterhalen wat het gewicht en de dikte van het te maken koekje is. In de oven hebben we uiteraard een temperatuur en een baktijd ingesteld. Dit zijn allerlei procesdata die we kunnen gebruiken bij de analyse van waarom koekjes verbrand geraken.

03:24
Als we kijken naar de beschikbare data dan zien we dat een aantal parameters een instelling hebben en vervolgens ook een boven- en een ondergrens hebben. Een upper specification limit of een lower specification limit.

03:37
Zo is dat bijvoorbeeld bij de dikte ingesteld op 10 mm, maar het koekje moet tussen de 8 en 12 mm dik zijn. Of de oven temperatuur welke ingesteld is op 200 graden, maar de boven-en ondergrens is 175 tot 225 graden. 

Om te kunnen achterhalen waar het fout gaat moeten we focussen op één enkele parameter. Dat doen we in dit geval op temperatuur. Om meer te weten te komen over deze parameters moeten we een experiment doen.

04:09
Bij de productie van 1.000 koekjes meten we de oventemperatuur bij het bakproces. De operators mogen tijdens dit experiment geen wijzigingen doen zoals bijvoorbeeld het wijzigen van parameters. Ook moet de oven dicht blijven en ze mogen geen deuren opentrekken of ze mogen geen andere dingen aanpassen.

04:31
Na het meten van de temperatuur van 1.000 koekjes analyseren we de data. We doen dat door middel van een histogram. Hierbij wordt gekeken naar het aantal keren dat een waarde voorkomt in een bepaalde range, van bijvoorbeeld 5 graden. Zo kunnen we zien in het histogram dat 173 keer een koekje gebakken is met een temperatuur tussen de 205 en 210 graden.

05:00
Als laatste voegen we de upper and lower specificatie limits toe en de setting point. En dan wordt inzichtelijk hoe de data van ons experiment past bij ons ideale product. Uiteraard kunnen we aan hand van deze data en deze waarden al een conclusie trekken Er zijn namelijk veel producten boven de bovengrens. De lower specification limit en de upper specification limit matchen dus niet met ons histogram. We zijn dus al, op basis van deze data, afval aan het produceren. Hoe kom je dan weer in het midden? Hoe kunnen we deze data bijregelen?

05:39
We hebben een aantal scenario’s die zich voor kunnen doen naar aanleiding van ons experiment. Zo kunnen we bijvoorbeeld hebben, dat we afval produceren boven of onder één van onze specificatielimieten. In het voorbeeld van Cookies & Co zijn we afval aan het produceren boven de upper specification limit. Dit zijn de rode kolommen in het histogram.

06:00
Het zou natuurlijk ook voor kunnen komen dat we boven en onder de specificatie limieten afval aan het produceren zijn. Ook dit is natuurlijk niet goed. Het beste is natuurlijk als het histogram binnen de specificatie limieten valt. Dit zou betekenen dat we geen afval aan het maken zijn. Wat we zien bij het derde histogram, is wel dat er een minimale marge is. Mochten we namelijk een experimentgetal hebben wat afwijkt, dan zal dat al snel buiten de specificatie limieten vallen.

06:32
Vervolgens hebben het laatste scenario. Uiteraard het beste scenario is dat we geen afval aan het produceren zijn, maar wel een marge hebben. Mocht er een uitschieter in de data voorkomen dan betekent dat niet direct dat we een slecht koekje hebben. Nu we weten wat er kan gebeuren kunnen we de oveninstellingen bijstellen om uitschieters te voorkomen. Zo kan de regeling worden bijgesteld waardoor de variatie in temperatuur minder wordt. Maar er kan natuurlijk meer.

07:03
We hebben nu de regeling bijgesteld. We zien dat het histogram smaller is geworden. Dit betekent dat het beter past tussen de lower en upper specification limits. Ook kunnen we zien dat het setpoint nu in het midden van het histogram ligt. De ovenregeling is dus bijgesteld. Het probleem is dan niet volledig verholpen. De kans op uitschieters is minder geworden,  maar het kan natuurlijk nog steeds gebeuren. Hoe kunnen we nou ons histogram en ons experiment nog verder gebruiken?

07:32
Als we in detail kijken naar ons histogram dan kunnen we een lijn denken waarbinnen honderd procent van de meetwaarden zitten. Statistisch gezien zit 50% van de meetwaarden rechts en 50% links van het gemiddelde van de lijn. Daarnaast is de lijn symmetrisch. Deze lijn geeft ook de kansverdeling aan en we noemden lijn dan ook wel een normaalverdeling.

07:58
Als we kijken naar deze normaalverdeling dan valt op dat de meeste waarden in het midden zitten. Hoe verder we van het midden afgaan hoe minder waardes dat er zitten. De meesten waardes zitten dus in het midden. Om een vaste interval aan te geven van het percentage meetwaarden wat onder de normaalverdeling valt bestaat er de standaarddeviaties. Deze beschrijft het percentage van de metingen binnen een bepaald bereik. Als we deze bepalen dan is dat bijvoorbeeld één standaarddeviatie van het gemiddelde af, is dan 34%. Dit is een gegeven en één standaarddeviatie van het gemiddelde is altijd 34%. Wat de standaarddeviatie is of dat bijvoorbeeld 10 of 30 graden is dat verschilt per proces.

08:50
Binnen SPC gebruiken we statistische analyse ook nog meer. We kunnen namelijk ontdekken dat als we deze percentages bij elkaar optellen, 99,4% van de meetwaarden binnen drie standaarddeviaties vallen. Op deze plekken tekenen we dan ook onze controlelimieten.

09:09
Controlelimieten geven dus aan dat 99,4% van de meetwaarden binnen onze controlelimieten vallen. De normaalverdeling vertelt ons dus iets over de gemeten waardes. Hierop kunnen we dus de machine bijstellen zoals we eerder gedaan hebben met de ovenaanpassing bij Cookies & Co.

09:41
Laten we bij de normaalverdeling de controlelimieten tekenen waarbinnen we dus die 99,4% van de meetwaarden vangen. En laten we ook het gemiddelde tekenen. Als we deze normaalverdeling draaien, kunnen we nieuwe metingen op ons model plotten. We gebruiken dan onze normaalverdeling als model. We gebruiken het model van ons experiment dan als chart. Je kunt dus ook nieuwe waardes gaan plotten over de tijd. Statistisch gezien zouden de waardes binnen moeten komen volgens de normaalverdeling waardoor de meeste waardes dicht bij het gemiddelde liggen. Hoe verder we van het midden afgaan, hoe minder waardes zich daar bevinden. 99,4% van de waardes zouden ook binnen de controlelimieten moeten liggen.

10:32
Mocht er dus een waarde buiten deze limieten gemeten worden dan zouden we deze kunnen classificeren als een uitschieter. We moeten dus focussen of de waardes binnen de controlelimieten liggen. Daarnaast kunnen wij aan de hand van het ontdekken van patronen zien of er iets met een proces aan de hand is. We moeten dus naast het controleren van de controlelimieten ook op patronen in de data letten.

11:00
Om daar wat meer over te weten wil ik graag enkele voorbeelden laten zien. Statistisch zouden de waardes binnen moeten komen volgens de normaalverdeling. Echter kunnen door verschillende oorzaken patronen ontstaan in de data. Een voorbeeld bijvoorbeeld is als de oven een luik open heeft staan. De over krijgt het dan niet meer warm genoeg en de temperatuur blijft afnemen. Op een gegeven moment wordt de temperatuur zo laag dat die buiten de controlelimieten valt. Op dat moment zijn we dus ook slechte kwaliteit koekjes aan het produceren,

11:30
Echter kunnen we ver van tevoren ook al zien dat de temperatuur aan het dalen is. Er is namelijk al een zichtbaar patroon, van een aflopende temperatuur in dit geval. Een ander voorbeeld is bijvoorbeeld een kapotte ovenregeling waarbij de temperaturen steeds verder uit elkaar liggen. De oven wordt steeds warmer en ook steeds kouder. Het duurt steeds langer voordat de oven reageert op de actuele temperatuur.

11:59
De waarden liggen dan ook steeds verder uit elkaar. Ook hier komen de waarden uiteraard een keer buiten de controlelimieten. En ook hier is alweer eerder een zichtbaar patroon duidelijk, namelijk een uiteenlopende temperatuur. SPC zorg bij Cookies & Co voor inzicht in de procesdata en helpt bij het correct bijstellen van de parameters. Daarnaast geeft SPC tijdig aan dat parameters de verkeerde kant op gaan zodat op tijd kan worden bijgestuurd.

12:34
Hierdoor wordt het produceren van slechte kwaliteit of verbrande koekjes voorkomen. Nu we gekeken hebben naar de case van Cookies & Co en hoe SPC daar geïntegreerd was gaan we opnieuw kijken hoe SPC voor jullie interessant zou kunnen zijn. Welke toepassingen zijn er?

12:54
Als we kijken naar de case van Cookies & Co dan heeft SPC ervoor gezorgd dat er duidelijkheid is. Duidelijkheid voor onder andere de operators. Waar de operators in het verleden bij verbande koekjes het proces gingen bijstellen op basis van gevoel, weten ze nu aan de hand van een SPC-dashboard en triggers welke parameter bijgesteld moet worden. Daarnaast geven de control charts aan hoe stabiel een proces is. Zo kan worden ontdekt dat bijvoorbeeld een deur van de oven open is blijven staan bij een aflopende grafiek. Of dat de ovenregeling kapot is bij een uiteenlopende grafiek.

13:31
Operators proberen continu te acteren op basis van de output van een productielijn. In het verleden werd aan de hand van een gevoel bij verbrande koekjes de oventemperatuur lager gezet en werden de koekjes dikker gemaakt. Beide acties zouden ervoor kunnen zorgen dat de koekjes niet meer verbrand uit de oven komen. Dit gebeurde ook. Echter waren de koekjes nu niet goed genoeg gebakken. Van het ene uiterste, verbrande koekjes, werd gegaan naar het anders te uiterste, niet goed doorbakken koekjes. Door inzicht zorgt SPC voor een stabieler proces en minder mislukte koekjes bij Cookies & co.

14:14
Door inzicht is het proces optimaal bij te sturen en wordt er minder afval en rework geproduceerd. Daarnaast wordt het potentieel afval en rework sneller opgemerkt door het identificeren van patronen, waardoor tijdig bijgeschakeld kan worden. Naast de besturing van een proces kunnen de meetwaarden ook worden gebruikt om klanten en leveranciers inzicht te geven in de meetwaarden. Zo kun je eenvoudig de kwaliteit van de producten aantonen bij klanten en keuringsinstanties. Daarnaast kun je leveranciers aanspreken op de kwaliteit van het geleverde product. Bijvoorbeeld als er uitschieters of veranderde meetwaarden zijn in het proces. Deze zijn vaak terug te leiden naar een van de grondstoffen bijvoorbeeld.

15:01
Je kunt SPC dus voor meer gebruiken dan alleen het voorkomen van slechte koekjes. Nu we weten welke toepassingen er zijn voor SPC, gaan we kijken naar hoe SPC werkt. Dat laat ik zien aan de hand van een aantal stappen. Daar gaan we nu naar kijken. Om SPC toe te kunnen passen moeten we beginnen met het identificeren van de verschillende vormen van data. Binnen SPC kennen we namelijk twee varianten. Variabelen, dit zijn meetbare eigenschappen van een product bijvoorbeeld baktemperatuur of het gewicht. Daarnaast hebben we ook eigenschappen. Dit zijn eigenschappen die telbaar zijn bijvoorbeeld een percentage koekjes waarvan de vorm niet goed is of waarvan de vulling mist. Beide type data kunnen worden geanalyseerd met SPC. Tot nu toe hebben we vooral de focus gelegd op variabele. Bij Cookies & Co hebben we namelijk gekeken naar de temperatuur van het product.

16:01
Echter komen bij de volgende slides ook SPC-voorbeelden van eigenschappen aan bod. De data die we zonet geïdentificeerd hebben zal verzameld moeten worden. Dit kan automatisch of handmatig. Automatische dataverzameling gebeurt vaak door het uitlezen van een sensor in het productieproces. Denk hierbij aan een temperatuursensor die bij Cookies & Co gebruikt werd.

16:29
Belangrijk om te vermelden is dat we de actuele temperatuur en niet de instelling gebruiken. De instelling kan namelijk gelijk blijven terwijl de actuele temperatuur afwijkt. Indien dat het geval is zou je iets in het PLC-programma aan moeten passen. Een ander voorbeeld van automatische dataverzameling is het uitlezen van een checkweigher aan het einde van de productielijn.

16:52
De net genoemde voorbeelden zijn beide variabele. Voorbeelden van automatische dataverzameling voor productie eigenschappen zijn bijvoorbeeld envision systemen dat misvormde koekjes registreert of een metaaldetector die het aantal producten met metaal erin telt. Naast automatische dataverzameling wordt ook veel productiedata nog handmatig verzameld. Bijvoorbeeld omdat het productieproces het niet toelaat of doordat aanwezige systemen verouderd zijn en deze data dus niet kunnen aanleveren.

17:31
Variabelen kunnen dan op een spreadsheet genoteerd worden door bijvoorbeeld een operator welke dan vervolgens in een SPC-tool worden geïmporteerd. Dit zou kunnen doordat de spreadsheet wordt overgetikt of dat de spreadsheet wordt geïmporteerd. Bij deze methode loopt analyse uiteraard achter. Die heet dan ook offline SPC. Daarnaast komt het vaak voor dat productie eigenschappen handmatig worden verzameld. Bijvoorbeeld of de bedrukking van een eindproduct goed is. Door het registreren van het mislukte aantal en als aanvulling wat er dan aan de hand is kan vervolgens een analyse gemaakt worden.

18:11
Productie eigenschappen worden dus vaak handmatig verzameld. In de online variant wordt het handmatig verzamelen van productiedata vaak getriggerd door het SPC-systeem. Door middel van bijvoorbeeld een pop up of het maken van een actie wordt de operator gevraagd de benodigde data aan te voeren. Op deze manier kan dus ook handmatige data op een vast interval verzameld worden. En als groot voordeel ook direct geanalyseerd worden. Op deze manier kunnen we dus nog steeds met handmatige data-invoer goede SPC-analyses doen. Zodra de data verzameld is kan deze worden geanalyseerd. Bij plotten van de waardes is soms meteen duidelijk wat er fout gaat.

18:59
Zo was bij Cookies & Co uit de data te halen dat de oven vaak veel warmer wordt dan was toegestaan volgens specificatie eisen van de koekjes. Dus volgens de lower specification limit en de upper specification limit. Door middel van het aanpassen van de ovenregeling loopt het proces vervolgens beter in lijn met de specificatie limieten. Dit is natuurlijk duidelijk zichtbaar na een tweede analyse. Waarbij in het begin veel koekjes te warm werden gebakken en de range erg groot was, past na het bijregelen van de oven de range beter en zijn de koekjes ook beter gebakken.

19:39
Naast de interpretatie van de data is het belangrijk om te controleren of de data überhaupt als een normaalverdeling binnenkomt. Is dit niet het geval dan is het systeem niet stabiel genoeg. Het zou dan kunnen zijn dat er continu deuren van de over worden opengemaakt of dat de onregelmatige luchtstroom in de fabriek de temperatuur van de ovens verstoren.

20:01
Zodra het systeem stabiel is zou je een normaalverdeling moeten kunnen herkennen. Om beter te kunnen bepalen of de normaalverdeling netjes binnen de specificatielimieten van het product ligt, kijken we naar de controlelimieten. Deze geven de range aan van de meetwaarden. Net als bij specificatielimieten hebben we hiervoor verschillende scenario’s.

20:25
De controlelimieten geven de grenzen aan van de voorspelling op basis van de normaalverdeling, welke dan weer op de data gebaseerd is. 99,4% van de toekomstige meetwaarden zullen tussen deze controlelimieten liggen. Vervolgens zijn er een aantal verschillende scenario’s. Als de controlelimieten buiten de specificatielimieten liggen dan is het proces niet optimaal omdat je statistisch gezien al een gedeelte van de productie afval aan het maken bent. Hoe verder de controlelimieten binnen de specificatielimiet liggen, hoe stabieler het proces en hoe minder afval.

21:03
In het linker plaatje kunnen we dus zien dat er alleen boven de upper specificatielimiet afval wordt gemaakt. Bij het tweede plaatje kunnen we zien dat er afval onder en boven de specificatielimieten wordt gemaakt. In het derde plaatje kunnen we zien dat er geen afval gemaakt wordt maar dat de marge minimaal is waarbij dat we in het laatste plaatje kunnen zien dat we geen afval maken maar dat er wel een marge is.

21:30
Specificatielimieten veranderen niet bij hetzelfde product. Een koekje mag nu eenmaal alleen maar tussen een temperatuur van 175 en 225 graden gebakken worden. Controlelimieten zijn echter gebaseerd op de data die verzameld is. Controlelimieten worden daarnaast ook vaak opnieuw berekend aan de hand van nieuwe datasets. Met welke frequentie controlelimieten berekend worden is afhankelijk van het proces. Zo kunnen controlelimieten veranderen door bijvoorbeeld mechanisch slijten van onderdelen.

22:02
Zo kan de oven van Cookies & Co na veelvuldig gebruik, deuren hebben die niet netjes meer sluiten. Dit heeft uiteraard effect op de ovenregeling en dus ook op de temperatuurverschillen in de oven. Een ander voorbeeld is het vervangen van componenten. Stel je gebruikt SPC om het stroomverbruik van de motor te monitoren. Je hebt dan op basis van oude data controlelimieten vastgesteld. Op het moment dat je de motor vervangt kan het zijn dat de nieuwe veel efficiënter is en minder stroom verbruikt. De controlelimieten van de oude motor passen dan helemaal niet meer bij de meetwaarden van de nieuwe. Op zo een moment moet dus opnieuw een experiment uitgevoerd worden en moeten nieuwe controlelimieten bepaald worden. Het is dus raadzaam om altijd goed te kijken of de controlelimieten nog passen bij de data die verzameld wordt.

23:01
Ook eigenschappen van een product die verzameld zijn, zijn te analyseren. Een voorbeeld is de vullingscontrole bij Cookies & CO. Hierbij zijn de koekjes gecontroleerd op de volgende afwijkende vullingseigenschappen: of er een te groot gat zit waar de vulling in moet op het koekje. Of bijvoorbeeld een te klein gat. Of helemaal geen gat voor de vulling of missende of overgelopen vulling. Daarnaast is geregistreerd hoe vaak die afwijking gemeten is. Vaak is het zo dat er een aantal afwijkingen zijn die de meeste problemen veroorzaken. Om dit in kaart te brengen is de Pareto chart in gebruik genomen.

23:40
Deze chart geeft de afwijkende aantallen weer en het daarbij behorende cumulatieve percentage. Hierdoor geeft het aan waar de grootste pijnpunten zitten en waar dus de focus op gelegd moet worden. De 80/20 regel is hierbij vaak van toepassing. 80% van de mislukte koekjes, in het voorbeeld van Cookies & Co komt vaak door 20% van de afkeuroorzaken. De zojuist behandelde analyse van productiedata is grotendeels uitgevoerd met de hiervoor ontwikkelde charts. Naast de Pareto chart en het histogram welke we zojuist behandeld hebben voor de data-analyse, zijn er nog andere interessante charts voor een realtime overzicht. Voor productie eigenschappen wordt over het algemeen de Pareto chart gebruikt. Bij initiële analyse en bij realtime analyse.

24:36
Zo kunnen bijvoorbeeld de afkeurwaardes van Cookies & Co continu aangevuld worden om binnen een tijdsframe de verhoudingen van de afkeur te identificeren. De data in de Pareto chart kan dus vervolgens in een rapport verschijnen van bijvoorbeeld de afgelopen week. Voor variabelen wordt over het algemeen een control chart gebruikt zodra het proces stabiel is en de limieten bekend zijn. De control chart geeft ons inzicht in de relatie tussen de meetwaarden van de analyse, oftewel het experiment en de meetwaarde die realtime binnenkomen. Omdat het uiteraard mogelijk is dat een enkel product een afwijkende waarde heeft, willen we oppassen met de metingen die we doen. Als we namelijk één enkele uitschieter te pakken hebben willen we niet het hele proces bijstellen.

25:26
Pas als meerdere meetwaarden patronen vertonen kunnen we het beste actie ondernemen. Om dit goed inzichtelijk te maken duiken nog wat verder in de control chart.

25:41
Om ervoor te zorgen dat onze control chart een goede representatie geeft van het complete proces en niet één enkele uitschietende meetwaarde, worden op een vast moment meerdere metingen verricht. Dit aantal meerdere metingen noemen we de sample size. Zo worden er bijvoorbeeld 20 metingen uitgevoerd waarvan vervolgens het gemiddelde wordt berekend. Dit gemiddelde wordt dan ook gebruikt in de control chart. Op deze manier worden dus eigenlijk bij elke meetwaarde een soort kleine histogram gemaakt van de gemeten waardes.

26:16
Naast de gemiddeldes van de histogrammen zijn we ook nog geïnteresseerd naar de range van de meetwaardes. Deze zeggen namelijk ook iets over de stabiliteit van het proces op het moment van sample name. Zo kunnen we in het voorbeeld al verschillen ontdekken in de grootte van de histogrammen. Zo kunnen we zien dat het tweede histogram veel groter is dan het laatste histogram.

26:36
Door enkel het gemiddelde te visualiseren krijgen we de X-chart. De range van de meetpunten wordt vervolgens in een range chart gezet. Net als de X-bar chart heeft de range chart een limiet voor de range. Door deze twee charts dus te combineren is het mogelijk om meetwaardes goed te interpreteren en vervolgens ook regels hierop los te laten.

27:04
Deze SPC-regels gaan we bekijken in de volgende slide. Nadat de verschillende soorten visualisaties zijn gemaakt kunnen deze in gebruik worden genomen. Om door het SPC-systeem patronen te laten herkennen kunnen standaard gedefinieerde regels worden geactiveerd. Een voorbeeld van deze regels zijn de Nelson rules waarvan ik de eerste vier op deze slide heb gezet.

27:32
De eerste Nelson rule die kijkt of er een waarde buiten de controlelimieten ligt. Met deze manier kunnen we dus identificeren dat we een verkeerd product aan het maken zijn oftewel afval aan het produceren zijn. Bij de tweede regel kijken we of veel meetwaarden boven het gemiddelde liggen. Als we deze regel dus activeren en we hebben veel meetwaarden boven het gemiddelde, krijgen we er dus een melding van.

27:59
De derde regel kijkt naar een stijging of een daling van verschillende meetwaarden achter elkaar. En de vierde regel kijkt naar de verhouding tussen de verschillende meetwaarden en of dat die steeds boven en onder het gemiddelde liggen. Statistisch gezien is de kans namelijk heel klein dat we continu een waarde boven en continu een waarde onder het gemiddelde hebben.

28:23
Naast deze vier regels zijn er nog veel meer regels die we kunnen gebruiken binnen SPC en vaak ligt het dan ook aan het proces welke regels dat we kunnen activeren. Binnen SPC zijn altijd alle regels mogelijk, maar we moeten dan per parameter de regels activeren of deactiveren. Om SPC te integreren in je productieproces moet je door een aantal fasen heen. We beginnen daarbij altijd bij fase nul. Fase nul is het analyseren van de data, oftewel ons experiment zoals we dat zojuist bij Cookies & Co hebben uitgevoerd.

28:59
Procesdata wordt verzameld en gevisualiseerd in charts. Eventueel wordt er bijgestuurd op basis van de experimentdata, ook zoals we dat bij Cookies & Co gedaan hebben. Vervolgens moet het experiment weer opnieuw uitgevoerd worden. Op het moment dat we stabiele data hebben en een stabiel productieproces, kunnen we overgaan naar fase 1, het bijsturen op basis van SPC.

29:24
We verzamelen dan realtime data welke we vervolgens analyseren en op basis daarvan kunnen we bijsturen. We gebruiken dan ook onze SPC-regels die we dan kunnen implementeren. Pas als we volledig onze SPC-regels kunnen implementeren, kunnen we zelfs overgaan op een fase 2 welke relatief nieuw is en nog minimaal gebruikt wordt binnen de wereld van SPC. Deze tweede fase is het bijsturen van MSPC. MPSC staat voor Multivariate Statistical Process Control en kijk dus naar meerdere variabelen tegelijkertijd, waarbij dat we op basis van SPC een dashboard genereren, waar dat de operator de verschillende waardes kan bekijken, kijken we bij MSPC naar de combinatie van meetwaardes.

30:14
Om daar net iets verder op in te duiken gaan we naar volgende slide. Belangrijk is om te vermelden dat we alleen maar kunnen bijsturen op basis van MSPC, dus alleen maar door kunnen naar fase 2 als fase 1 volledig is uitgevoerd. Bij klassiek SPC kijken we naar de data van één enkele parameter, welke we met charting goed in de gaten houden. Hierdoor kunnen we natuurlijk tijdig bijschakelen. Het kan echter voorkomen dat de waardes prima presteren maar dat er toch een slecht product wordt gemaakt. Zo zie je dat in de charts van Cookies & Co van de baktemperatuur en de dikte van het koekje.

30:54
In de eerste instantie ziet de data van de twee chartes er super goed uit. De waardes liggen binnen de controlelimieten en er zijn geen speciale patronen zichtbaar. Toch zou het zo kunnen zijn dat op basis van deze proceswaardes slechte kwaliteit koekjes gemaakt worden bij Cookies & Co. Zo kunnen we zien dat de temperatuur aan de hoge kant zit maar wel nog binnen de grenzen en zonder patronen. De dikte van het koekje zit daarentegen aan de lage kant en ook nog binnen de grenzen en zonder patronen. Als we logisch nadenken kunnen we begrijpen waarom de kwaliteit op dit moment niet goed zou zijn. Dunne koekjes hebben uiteraard minder hitte nodig om te verbranden bij deze hogere temperatuur.

31:38
Met de dunne koekjes gaat dus toch nog wat mis. Om dit te kunnen identificeren maken we gebruik van MSPC, welke door middel van meer geavanceerde statistische analyses de relatie tussen twee of zelfs meerdere parameters identificeert. Mocht er zich dan een situatie als deze voordoen dan kan MSPC deze ontdekken en tijdig waarschuwen wat aan de hand is. En welke parameter hier de meeste invloed op uitoefent.

32:06
Zo weet de operator altijd welke parameter het beste bijgesteld kan worden. Want als de operator beide parameters bijstelt, zouden we alsnog een verkeerd product kunnen maken. Dan krijgen we namelijk dikkere koekjes met een minder hoge temperatuur en hebben we niet goed doorbakken koekjes. Belangrijk om te vermelden is dat het proces eerst geanalyseerd moet worden door middel van SPC. Mocht SPC ervoor zorgen dat er nauwelijks meer regels worden overtreden dan pas kan er gekeken worden naar de implementatie van MSPC. Implementatie van SPC gaat dus altijd voor implementatie van MSPC.

32:48
Nu we weten hoe SPC werkt is het natuurlijk interessant wat wij voor jullie kunnen betekenen en hoe AT-Automation kan helpen met de integratie van SPC bij jullie bedrijf. AT-Automation is in 2006 opgericht door Ard Triepels. Ard is altijd actief geweest in de automatiseringswereld. Zo hebben we bijvoorbeeld veel ervaring met het bouwen en ombouwen van besturingen waarin bijvoorbeeld oude PLC’s vervangen moeten worden. Naar aanleiding van de expertise op besturingstechnisch gebied werd vaak de vraag gesteld van onze klanten of de beschikbare data ook verzameld en geanalyseerd kan worden. Aan de hand hiervan zijn we begonnen met SCADA- en MES-integraties met het pakket Ignition.

33:30
Ignition focust op veelvoorkomende pijnpunten in de markt en heeft dus veel voordelen ten opzichte van andere pakketten. AT-Automation is in de afgelopen 7 jaar daardoor dé expert geworden op het gebied van integratie van SCADA en MES. Ignition is het universele Amerikaanse softwareplatform voor SCADA, HMI, MES, IIoT en meer omdat traditionele softwarepakketten inflexibel, kostbaar en inefficiëntie zijn. Zo heeft Ignition namelijk een onbeperkt licentiemodel, wat onder andere betekent dat er verbonden kan worden met een onbeperkt aantal parameters op een onbeperkt aantal PLC’s met ook alle type PLC’s.

34:19
Ook het aantal personen dat tegelijkertijd de applicatie wil gebruiken is onbeperkt. Op deze manier heb je met Ignition dus geen limieten. Ignition heeft vele voordelen ten opzichte van andere traditionele SCADA- en MES-systemen. Ignition is namelijk een modulair softwareplatform dat wordt opgebouwd uit modules. Zo betaal je dan ook alleen voor de functionaliteiten die jij nodig hebt.

34:46
Alle Ignition modules werken naadloos samen en kunnen gemakkelijk worden toegevoegd waardoor jouw werkvloer data verbindt met de gehele organisatie binnen een universeel platform. De licenties worden verkocht per server waardoor je toegang hebt tot een ongelimiteerd aantal gebruikers, tags, verbindingen en PLC’s, databases en meer. Je betaalt dus nooit om meer tags te gebruiken of gebruikers toe te voegen in de toekomst.

35:18
Mocht je op een later moment een module toe willen voegen is dat uiteraard ook geen enkel probleem. Ignition is beschikbaar op elk apparaat met een webbrowser en wordt ondersteund op MAC, Windows, Linux, IOS en Android besturingssystemen waardoor je dus eigenlijk altijd en overal toegang hebt tot de data die je nodig hebt.

35:39
Met Ignition kun je daarnaast ook nog gemakkelijk uitgebreide PDF-rapporten maken die je bijvoorbeeld elke week automatisch in je mailbox zult ontvangen. Zo maakt Ignition dataverzameling inzichtelijk. Zoals ik al eerder verteld heb wordt een Ignition applicatie opgebouwd uit modules. Elk met een eigen functionaliteit. Zo heeft Ignition dus ook een module specifiek voor SPC. Bij AT-Automation hebben we de afgelopen jaren al verschillende SPC-projecten succesvol afgerond en zijn onze Ignition engineers, ook wel Ignition Magicians genoemd, gold gecertificeerd voor het toepassen van deze module in de praktijk.

36:23
Om een idee te krijgen hoe SPC in Ignition eruit ziet hebben we een voorbeeld. Binnen onze MES-demo hebben we ook een stukje SPC-demo geïmplementeerd. Daar gaan we nu even naar kijken. Op het moment dat we op SPC klikken komen we op de overzichtspagina van ons weighing station. Waarbij dat we de gewichten van bijvoorbeeld de koekjes meten. Hier worden continu gewichten realtime gelogd in onze realtime control charts. De individual control chart van de meetwaarden maar ook de moving range control chart, dat is de tweede. Ook kunnen we bijvoorbeeld nu zien dat er een signaal out of control is. Er is namelijk een limiet, in dit geval, boven de controle limieten gemeten.

37:07
Vervolgens zien we onderaan nog een capability chart welke de normaalverdeling aangeeft van een set samples op een specifieke interval. Deze data blijft realtime binnenkomen. Zo kun je nu ook zien dat de uitschieter niet meer relevant is. Zoals eerder aangegeven kunnen we dus ook handmatig controles uitvoeren. In dit geval zijn we een handmatige controle aan het doen op een zakje met noten.

37:37
We kunnen linksboven ingeven dat we in dit geval 5 producten willen controleren of bijvoorbeeld of de zipper goed dicht is en of het raampje goed in de verpakking zit. In dit geval geven we dus bijvoorbeeld in dat niet alle producten helemaal goed zijn. Bijvoorbeeld één window is niet goed. Vervolgens slaan we deze data op waarna we die in een non-performing chart kunnen zien. Dan kunnen we dus over de tijd zien hoeveel producten niet voldoen aan de specificatie eisen. Vervolgens kunnen we in een Pareto chart zien hoe de verhouding is tussen het percentage en het aantal gemeten foute producten.

38:16
Zoals eerder aangegeven hebben we erg veel settings binnen SPC. We kunnen namelijk van parameters, regels aan- en uitzetten en daarnaast kunnen we handmatige metingen gaan definiëren. Dat doen we allemaal met het Definition Management van SPC. In dit geval hebben we daar een complete pagina voor ontwikkeld maar in veel gevallen werken we deze samen met onze klanten uit en gaan we samen kijken naar welke regels relevant zijn en welke regels überhaupt in het systeem moeten zitten.

38:48
Daarnaast kunnen we ook een hele andere visualisatie maken waardoor het wellicht voor de klant veel gemakkelijker wordt om SPC-regels aan of uit te zetten of om het nemen van samples aan te passen. Zo wordt hier ook gespecificeerd hoe dat een sample genomen wordt.

39:07
Dat was een voorbeeld, een klein voorbeeld van hoe SPC binnen een MES-pakket geïntegreerd kan worden.

39:16
Zo, dat was onze webinar over SPC. Ik hoop dat alles een beetje duidelijk was. Tijdens de webinar hebben we enkele vragen gekregen die achter de schermen even bij elkaar verzameld zijn. Een aantal daarvan willen we graag even behandelen. We gaan ze allemaal beantwoorden en sturen ze in een e-mail welke jullie deze week zullen ontvangen. Daarnaast zit er nog een whitepaper bij over hoe je SPC binnen je bedrijf kunt implementeren.

39:36
Maar laten we nu een aantal vragen beantwoorden. Even kijken, de vraag is: “Wij zijn bezig met een onderzoek naar MES binnen onze organisatie. Is SPC een onderdeel waarmee je start of iets wat je pas in een later stadium implementeert?”

39:56
Als we er even over nadenken dan is het logisch om bijvoorbeeld eerst met OEE en vooral met dataverzameling te starten. Want voor SPC heb je natuurlijk data nodig en om data te kunnen verzamelen moeten we eerst beginnen met een basisintegratie van MES. Zo zetten we dan een Ignition server neer en gaan we data uit het productieproces verzamelen en in kaart brengen. Op het moment dat je die data dan visualiseert kun je al verschillende analyses doen. Maar op het moment dat die data stabiel is en dus ook die normaalverdeling daarin zit, kunnen we verder gaan met SPC-integratie en uiteindelijk hopelijk ooit Multivariate SPC-integratie.

40:33
“Hoelang duurt het om een SPC-applicatie te ontwikkelen?” Dat is uiteraard afhankelijk van de staat van het proces en ook welke eventueel andere applicaties al geïmplementeerd zijn. Als je bijvoorbeeld een productieproces hebt waar nog geen of een verouderde PLC in zit, dan zouden wij die wellicht eerst kunnen vervangen om vervolgens daar verbinding mee te maken. Heb je al een productieproces met allemaal PLC’s die eenvoudig kunnen communiceren, dan kun je die data wat eenvoudiger verzamelen en gaat de integratie natuurlijk sneller. Heb je misschien zelfs al Ignition?  Dat zou helemaal mooi zijn, dan kunnen we de data die al in Ignition binnenkomt meteen gebruiken om de SPC-integratie te starten. Daarnaast is het natuurlijk ook belangrijk om een proces te hebben waar dat we mee aan de slag kunnen. Als je een heel wisselend proces hebt zou dat moeilijk kunnen worden.

41:21
“Wat is het resultaat van SPC?” Ja dat is een goede vraag. SPC heeft heel veel resultaten natuurlijk. Zo kun je de kwaliteit verhogen, eventueel kosten verlagen doordat je weet waar je op bij moet sturen. Je kunt de klantenklachten verminderen maar ook kun je klanten aangeven waarom dat jij altijd goede kwaliteit produceert. Door het verzamelen van die procesdata kunnen we de kwaliteit inzichtelijk maken en kunnen we klanten laten zien dat wij altijd goede productiekwaliteit produceren. En natuurlijk zorgt SPC gewoon voor een hogere productiviteit. Waar de operator in het verleden wellicht op gevoel de machine bij aan het stellen was, steeds weer aan parameters aan het draaien was en er eigenlijk nooit een goed product uit de machine kwam, weten we nu precies aan welke knoppen we moeten draaien en hoe we dan een goed product kunnen maken.

42:11
“Begeleidt of adviseert AT-Automation in het vaststellen van de juiste meetpunten?” Zeker, dat is echt één van de belangrijkste dingen om te doen bij SPC. Je moet namelijk kennis hebben van SPC zelf, de theoretische kennis maar ook hoe dat je het kunt implementeren in een pakket zoals wij dat doen in Ignition. Maar proceskennis is ook heel belangrijk. Wij hebben dus ook altijd bij een SPC-integratie de klant nodig om samen tot de beste oplossing te komen. Samen kunnen we dus SPC integreren.

42:43
De vijfde vraag is: “Is SPC alleen nuttig in de foodsector?” Dat is zeker niet het geval. Wij hebben het voorbeeld nu van Cookies & Co gebruikt omdat het gewoon een heel leuk fictief bedrijf is en met een makkelijk product, koekjes, wie houdt er niet van. Maar SPC kan in alle processen en alle sectoren gebruikt worden als er maar procesdata verzameld kan worden en als we de procesdata dan maar inzichtelijk kunnen maken.

43:08
“Wat kost SPC binnen Ignition?” Dat is natuurlijk ook weer een hele goede vraag. Die lijkt wel een beetje op, hoelang het duurt om een SPC-applicatie te ontwikkelen. Maar de kosten hangen uiteraard samen met de duur van het traject en als je bijvoorbeeld al Ignition hebt en je bijvoorbeeld ook al dataverzameling van Ignition hebt, dan is SPC uiteraard gemakkelijker te implementeren dan wanneer je nog helemaal geen PLC’s hebt en dan ook helemaal geen data kunnen verzamelen, handmatig of automatisch. Dus dat zijn echt wel een aantal stappen waar we verder naar zouden moeten kijken dan. Maar natuurlijk kunnen wij daarbij adviseren dus jullie kunnen altijd contact met ons opnemen om daar nog verder over in gesprek te gaan. Onze collega’s of ikzelf kom dan graag een keer langs om er verder op in te gaan.

43:54
Dit waren een aantal vragen die we wilden behandelen. Zoals ik al zei, er zijn meer vragen binnengekomen. We gaan ze niet allemaal behandelen maar die andere vragen worden allemaal beantwoord in de e-mail en ook een in de whitepaper die jullie vervolgens nog krijgen. Deze krijgen jullie ergens deze week nog.

44:12
Ik wil jullie nog een fijne dag wensen en alvast smakelijk voor dadelijk. Bedankt.