Analysis of bottlenecks and volume increases in a dairy production

Sammanfattning: Arla Foods står konstant inför nya volymförändringar i produktionen och kräver därför kontinuerligt arbete med att studera om mejeriet har kapacitet att ta sig an nya volymökningar. Mejeriet i Linköping har tagit över produktionen av Gräddfil från ett annat mejeri. Det innebär en volymökning i den dagliga produktionen men framför allt runt midsommar då en tydlig säsongstrend infinner sig. Arla Foods mejeri i Linköping vill därför att studien ska undersöka hur volymökningar av produkter vid bland annat midsommar påverkar produktionen. Studien syftar därför till att undersöka hur volymökningar påverkar produktionen genom att identifiera flaskhalsar, ta fram produktionsledtider och mäta utnyttjandegrad på resurser i form av pastör, förpackningsmaskiner och tankarna i produktion. För att besvara syftet konstruerades följande frågeställningar: Hur förändras produktionsledtider vid olika volymökningar? Hur förändras utnyttjandegraden av resurserna vid volymökningar? Var uppstår och hur förändras eventuella flaskhalsar före och efter volymökningar? Den huvudsakliga metoden som studien använde var diskret händelsestyd simulering. För att bygga simuleringsmodellen behövdes data samlas in och bearbetas. Största delen av den data som samlades in hämtades via Arla Foods interna system eller semistrukturerade intervjuer. Den data som samlades in bearbetades och anpassades för att matcha simuleringsmodellen och spegla verkligheten. För att svara på studiens frågeställningar skapades fyra olika scenarion. Ett grundscenario baserat på medelvolymer per vecka som skulle motsvara nuläget för studien. Nästa scenario inkluderade den totala volymökningen som skedde efter prognos för vecka 24 och resulterade i 162 % volymökning. Då hela volymökningen inte hann genomgå systemet valdes nästa scenario till att studera den maximala volymökningen studiens utformade system kunde hantera, baserat på det skapta produktionsschemat. Detta resulterade i en volymökning på 31 %. Sista scenariot studien studerade hanterade en volymökning på 18 %. Experimenten resulterade i väntetider till resurser, ledtider genom systemet, utnyttjandegrad för resurserna och hur resursernas tillgängliga tid var fördelad mellan tillstånden: ”i produktion”, ”rengöring”, ”störningar”, ”raster” och ”outnyttjad tid”. Studien landade i att produktionsledtiderna både blev kortare och längre vid olika volymökningar, vilket berodde på väntetider och produktionsschemats konstruktion. Utnyttjandegraden för maskin 1, 2, pastör P5 och tankarna ökade med volymökningarna medan för maskin 3 och 4 fanns det ingen statistisk signifikant skillnad i utnyttjandegraden mellan volymökningarna. Flaskhalsarna i produktionen identifierades som olika beroende på vilken parameter som studerades. Om parametern väntetid studerades var maskin 4 flaskhals vid grundscenariot och för resterande volymökningar bedömdes tankarna som flaskhals. Studerades i stället parametern utnyttjandegrad ansågs maskin 1 vara flaskhals i grundscenariot. I scenariot med en volymökning på 18 % gick det inte att bedöma vilken resurs som var flaskhals, men maskin 2 och pastör P5 hade högst utnyttjandegrad. Det fanns däremot ingen statistisk signifikant skillnad dem emellan och därav kunde inte en specifik flaskhals identifieras. Vid 31 % volymökning ansågs maskin 2 vara flaskhalsen och vid 162 % volymökning identifierades pastör P5 som flaskhals. Ytterligare en slutsats som drogs med hjälp av experimenten är den att flaskhalsarna är dynamiska och alltid förändras.