Optymalizacja
Kiedy stosunek pomiędzy analizami rutynowymi a niestandardowymi jest zdrowy, a wyniki FTR wysokie, można podejść do optymalizacji, gdzie podstawowym celem powinno być:
•    Wyeliminowanie zbędnych analiz.
•    Uwzględnienie analiz związanych z wyzwaniami, usunięcie analiz związanych z problemami historycznymi.
•    Zweryfikowanie planu we współpracy z działami produkcyjnymi i sprawdzenie ich potrzeb:
o    jakie analizy są naprawdę potrzebne i w jakiej częstotliwości? Np.: wyniki goryczy mieszczą się w specyfikacji przez 3 lata bez większych odchyleń, czy można zmniejszyć częstotliwość analizy?
o    zweryfikować wyniki w oparciu o trendy i specyficzne uwarunkowania browaru i ocenić, czy są one wciąż potrzebne.
•    Współpraca z innymi browarami w ramach grupy lub wśród zaprzyjaźnionych zakładów produkcyjnych, aby wymieniać się dobrymi praktykami.
•    Zdefiniowanie Trigger Point dla częstotliwości próbkowania (np.: trendy z ostatnich 6 miesięcy, wyniki FTR), które pozwolą zdecydować, czy można je zmienić.

Aby mieć większą świadomość przy optymalizacji planu działań, należy wprowadzić podstawowe zasady statystyczne, które pomogą ograniczyć defekty poprzez zawężenie zakresu odchyleń, co pozwoli dalej optymalizować plan kontroli.

Plan można też optymalizować poprzez weryfikację metod laboratoryjnych lub wprowadzenie nowych metod analitycznych, które są prostsze lub eliminują pewne operacje, np. zastąpienie pomiaru gazów obcych przez wysycenie KOH w kolumnie miareczkowej przez automatyczny sprzęt GVA-710 (przedstawiony na fot. 1), który ogranicza czas zajętości laboranta na analizę z 15 do 3 min, które potrzeba na włożenie i wyjęcie próbki z analizatora, odczytanie wyników i przepłukanie układów. Podobnie wdrożenie analizatorów in-line, które mogą kompletnie wyeliminować operację w laboratorium.

 
FOT. 1 Analizator GVA-710 dla analizy gazów obcych w piwie (źródło: https://www.kem.kyoto/en/wp-content/uploads/sites/2/2021/11/gva710.png – dostęp 31.01.2023 r.)

 

Z kontroli produktu na kontrolę procesu
Kiedy system kontroli jakości bazujący na kontroli produktu jest właściwie wdrożony i działa na wysokim poziomie powtarzalności, można przejść z kontroli produktu na kontrolę procesu, wykorzystując do tego statystyczną kontrolę procesu (SPC), pozwalającą zmniejszyć częstotliwość pobierania próbek/analiz. SPC dotyczy wykorzystania technik statystycznych do osiągnięcia następujących celów:
•    zwiększenie wiedzy o procesie wśród operatorów,
•    sterowanie procesem, aby zachowywał się w pożądany sposób,
•    ograniczenie zmienności parametrów produktu końcowego lub w inny sposób poprawienie wydajności procesu.
Aby właściwie wdrożyć SPC należy wybrać krytyczne parametry/charakterystyki produktu, na przykład:
•    których parametrów nie można analizować w trybie in-line?
•    liczba defektów na produkt/parametr.
•    istniejące już narzędzia kontroli procesów (np. MES).
Kolejnym elementem, który pomaga właściwie zaimplementować SPC, jest zidentyfikowanie kluczowych zmiennych procesów powiązanych z krytycznymi parametrami produktu poprzez:
•    diagramy przepływu, aby zidentyfikować kluczowe wejścia i wyjścia procesu,
•    warsztaty i burze mózgów ze specjalistami z danego obszaru,
•    wykorzystanie zaawansowanych narzędzi takich jak DoE (Projektowanie Eksperymentów) do oceny relacji zmiennych wejściowych i wyjściowych.

Finalnie w celu wdrożenia SPC należy właściwie zdefiniować specyfikację i wartości graniczne procesu, po przekroczeniu których będzie on generował niedopuszczalne parametry produktu końcowego. Aby SPC funkcjonowało właściwie nie można zapomnieć o doskonaleniu procesu w celu zmniejszenia ewentualnych odchyleń dla parametrów. Przykłady historycznych kart SPC przedstawione są na rys. 4.

 
RYS. 4 Przykładowa karta SPC (źródło: materiały własne Grupa Żywiec SA)

Aby przesunąć punkt ciężkości z kontroli produktu na kontrolę procesu należy zastąpić analizy off-line pomiarami parametrów procesów, które zapewnią odpowiednią jakość produktu końcowego. Przykład – wyeliminowanie/zastąpienie analiz offline kontrolą procesu, np. w procesie CIP (przepływ, ciśnienie, przewodność, czas). Przejście na kontrolę procesu wiąże się ze zmianą KPI, ponieważ FTR produktu końcowego staną się mniej istotne, gdy browar przejdzie na kontrolę procesu, a w ich miejsce powinny się pojawić KPI dotyczące kontroli procesu, np. FTR związany z osiąganymi parametrami CIP.

Kolejnym krokiem jest wdrożenie analityki predykcyjnej, która prognozuje przyszłe wyniki na podstawie danych historycznych w połączeniu z modelowaniem statystycznym. Modele predykcyjne dają wgląd w usprawnienie procesu decyzyjnego i dodatkowo umożliwią ograniczenie analiz off-line (powiązanie parametrów procesu i parametrów produktu odbywa się za pomocą algorytmu). Aby analityka predykcyjna działała konieczne jest „nakarmienie” stworzonego algorytmu danymi (np. parametry stosowanego słodu, jęczmienia czy kukurydzy w połączeniu z otrzymanymi wybiciami brzeczki na warzelni w ciągu ostatnich lat). Algorytm oszacuje, jakich wybić należy się spodziewać w przypadku aktualnie dostarczanych surowców oraz ich stosunku w zasypie, pozwalając opracować najbardziej efektywną receptę.

Najwyższym osiągnięciem w Inteligentnej Kontroli Jakości jest dotarcie do podejścia „ZERO”, które przejawia się osiągnięciem ZERA strat, ZERA defektów i maksymalnego ograniczenia zbędnych kosztów. Aby to osiągnąć należy określić kluczowe parametry (Q-parametry), które śledzone przez operatorów i utrzymane we właściwym przedziale gwarantują osiągnięcie np. ZERA defektów w danym obszarze. Uzyskanie takiego stanu zależy od poziomu świadomości pracowników browaru w aspektach jakościowych – muszą być oni właściwie przeszkoleni i posiadać autonomiczność, która pozwoli im w sytuacjach krytycznych podjąć właściwe decyzje celem utrzymania wysokiej jakości finalnego produktu.

 

[1] Deming W.E.: Quality, Productivity and Competitive Position, MIT Press, Cambridge 1982, s. 1-2.

[1] Nęcki Ł.: Kontrola jakości procesu produkcji z wykorzystaniem metody wizualnej. Studium przypadku, Zeszyty Naukowe Quality. Production. Improvement 2014, nr 1(2), s.40-53.