Points clés
En bref: Un audit de la qualité des données en fabrication est une vérification structurée visant à déterminer si les données rapportées correspondent à la réalité du terrain.
La version la plus simple prend une journée: choisir une ligne, comparer les entrées OEE rapportées (comptages de cycles, temps d'arrêt, motifs) aux journaux PLC, à la vidéo et à l'observation en personne pour un seul poste. La plupart des audits révèlent des erreurs significatives.
Les constats alimentent le programme d'amélioration de la qualité des données. Voir aussi Qualité des données en atelier .
Les données rapportées présentent trois risques de qualité :
Sans audit, les usines partent du principe que tout va bien. Ce n'est généralement pas le cas.
Comptages de cycles : 5-15 % d'erreur lorsqu'ils sont saisis manuellement. Moins de 1 % lorsqu'ils proviennent du PLC.
Totaux de temps d'arrêt : Sous-déclaration de 10-30 %. Micro-arrêts manqués ; courts arrêts non consignés.
Codes de cause : 30-50 % mal classés. « Autre » surutilisé ; mauvaises catégories sélectionnées.
Pièces : Sous-déclaration de 10-20 %. Pièces prélevées sans enregistrement.
Heures de main-d'œuvre : 20-40 % d'erreur. Estimées plutôt que suivies.
Ce sont des fourchettes typiques. Les situations varient selon les usines.
1. Comptages de cycles saisis manuellement en fin de poste. Presque toujours incorrects. Automatiser depuis le PLC.
2. Taux de « Autre » pour les codes de cause supérieur à 10 %. La taxonomie n'a pas assez de catégories.
3. Seuil de temps d'arrêt réglé trop haut. Les micro-arrêts sont manqués. Abaisser le seuil.
4. Les PM marqués comme terminés sur papier mais pas réellement effectués. Le taux de conformité est gonflé.
5. Ordres de travail clos avec des heures de main-d'œuvre factices. Les rapports de coûts sont bruyants.
L'audit peut donner l'impression d'une inspection. Présentez-le comme une amélioration du système :
Les opérateurs accueillent souvent l'audit lorsqu'il est présenté ainsi, ils savent que les données sont sales et souhaitent que quelqu'un s'en occupe.
1. Auditer sans suivi. Des constats sans action produisent du cynisme.
2. Auditer seulement lorsqu'un problème est survenu. Des audits routiniers détectent les problèmes avant qu'ils ne provoquent des défaillances.
3. Auditer un seul type de données. Les comptages de cycles peuvent être propres tandis que les codes de cause sont bruyants. Auditer de manière large.
4. Considérer les constats comme des échecs personnels. C'est le système qui a généré les erreurs ; c'est le système qu'il faut corriger.
Une plateforme OEE moderne expose des données favorables à l'audit : journaux PLC bruts disponibles aux côtés des métriques calculées, horodatage des codes de cause vs horodatage des événements, détection automatique des écarts entre les comptages opérateur et PLC.
Le module OEE de Fabrico prend en charge les flux de travail d'audit : données brutes vs calculées côte à côte, détection automatique des écarts et rapports de tendance sur les métriques de qualité des données au fil du temps.
Voir comment Fabrico capture cela automatiquement, explorer l'OEE pour la fabrication ou réserver une démo.
Trimestriellement est typique. Après des changements majeurs (nouvel équipement, nouveau produit, nouveaux opérateurs), réaliser un audit ciblé.
Équipe transverse : opérations, maintenance, informatique, qualité. Les audits mono-fonctionnels passent à côté des problèmes transverses.
Très dépendant du cas d'usage. Pour que l'OEE guide des décisions d'amélioration : moins de 5 % d'erreur sur les comptages de cycles et les temps d'arrêt.
C'est fréquent. Considérez cela comme une opportunité. L'audit est la voie vers des données plus propres.
Partiellement. La détection des écarts entre sources peut être automatisée. L'identification des causes profondes nécessite généralement des humains.
Connexion
Blog
