Voorbeeldproject Six Sigma, met Design of Experiments

Six Sigma projecten die complexe productieprocessen verbeteren, zijn heel wisselend van aard. Onderstaand voorbeeld is een typische Six Sigma-aanpak.

De situatie:
Een relatief nieuw (bijna twee jaar oud) productieproces omvatte het mengen van grondstoffen en processtappen met meerdere ovens. Producten werden gemaakt in een aantal batches per week. Van de producten werden steekproeven genomen, waarop een aantal kwaliteitstesten werden uitgevoerd, waaronder de productsterkte. Sommige van die testen werden herhaald na drie dagen productveroudering, en ook dan moesten de testen gepasseerd worden.

Het probleem:
Sommige van die batches bleken tot wel 100% afkeur te hebben op productsterkte, wat pas zichtbaar werd na de veroudering van enkele dagen. Naast de directe kosten van productafkeur, had dit veel gevolgen voor de leveringszekerheid en voor mogelijke aansprakelijkheidsrisico’s door klanten. Op jaarbasis betrof de afkeur 15% van het productievolume, ter waarde van 80.000 euro. Zonder verbetering zou deze productie niet succesvol kunnen blijven bestaan.

"Met brainstormtechnieken werden 67 mogelijke probleemoorzaken aangewezen"

De aanpak:
Gedurende de eerste twee jaar van dit proces waren de reguliere pogingen om het proces te stabiliseren niet succesvol geweest. Ten tijde van dit project was Data Science nog onvoldoende beschikbaar, maar het was het in dit proces goed mogelijk om een serie experimenten uit te voeren. Dit project werd daarom aangepakt met de reguliere Six Sigma DMAIC methodiek.

In Define-fase werden de projectdoelstellingen vastgelegd. Met brainstorm technieken werden 67 mogelijke probleemoorzaken aangewezen. Met prioriteringstechnieken werd gekomen tot de meest waarschijnlijke oorzaken van de problemen, en dat waren er negen.
 
In de Measure-fase werd onderzocht of de meetsystemen die gebruikt werden voor het vaststellen van de kwaliteitskenmerken voldoende nauwkeurig waren. Na enkele aanpassingen in de meetmethoden, werden deze voldoende nauwkeurig om inzetbaar te zijn bij een serie experimenten. Zonder die aanpassingen zouden de experimenten onbruikbare resultaten hebben kunnen opleveren, dus dit was al een cruciale verbetering in de zoektocht naar probleemoorzaken in het productieproces.
 
Analyse-fase
In de Analyse-fase bleken de oude beschikbare data onvoldoende goed bruikbaar, door zowel de fragmentarische opzet van de data, als de te grote meetspreiding bij het vaststellen van de kwaliteit. Daarom werd met de verbeterde meetprocedures een serie experimenten gepland op de productielijn. Met de statistische methodiek Design of Experiments (DOE) werd een tweetal series experimenten ontworpen. Daarmee konden de negen mogelijke probleemoorzaken worden onderzocht, inclusief hun mogelijke interacties met elkaar. De achttien vereiste combinaties van instellingen vergden in totaal drie dagen productie.
 
De analyse van de DOE liet zien dat er vijf procesvariabelen gekoppeld waren aan productsterkteproblemen, en twee daarvan hadden een duidelijk interactie-effect. Vier van die procesvariabelen konden zonder investeringen aangepast worden naar een nieuwe combinatie van procesinstellingen.

"Op één kritieke kwaliteitsparameter werd SPC ingevoerd, om eventuele problemen in de toekomst snel vast te kunnen stellen"

In de Improve-fase werd gecontroleerd of de resultaten uit de Analyse-fase daadwerkelijk gerealiseerd konden worden. De nieuwe instellingen werden gecheckt met een serie productiebatches die op zowel oude als nieuwe instellingen geproduceerd werden. Deze korte termijn proeven waren geheel succesvol. De vijfde (ook belangrijke) procesvariabele kon daardoor ongemoeid blijven, waardoor investering niet nodig was.
 
In de Control-fase van het project werden de resultaten geëvalueerd, en werd onderzocht hoe de gewenste veranderingen geborgd konden worden op lange termijn. Op één kritieke kwaliteitsparameter werd SPC ingevoerd, om eventuele problemen in de toekomst snel vast te kunnen stellen. Toekomstige batches werden gemonitord om ook de lange termijn de stabiliteit te kunnen vaststellen.
 
De conclusies:
De Six Sigma aanpak bleek zeer effectief. In slechts drie maanden doorlooptijd werden de problemen van de afgelopen twee jaar teruggebracht van 8% afkeur op jaarbasis naar minder dan 1%, waardoor de afkeur met circa 90% daalde tot een, voor dit soort processen, zeer acceptabel niveau. Het proces liep ook jaren later nog prima.

De kern van het probleem bleek te liggen in de complexiteit van het proces als geheel, inclusief de aanvankelijk matige meetmethode van de productsterkte. Door de statistiek te hulp te roepen, kon met een beperkt aantal experimenten de complexiteit ontrafeld worden, waardoor het proces ook robuust gemaakt kon worden tegen wisselende omgevingsinvloeden. Daardoor konden voortaan alle batches stabiel geproduceerd worden.

Loopt u tegen soortgelijke problemen aan? Doe dan een beroep op Quality Target en haal meer resultaat uit uw verbeterprojecten.