Critical Studies on Cycle Time Reduction Using Lean Tools in Aerospace Components Manufacturing Industries

In de hooggestane wereld van de lucht- en ruimtevaartproductie is het vervaardigen van een enkel onderdeel voor een straalmotor of een satelliet een prestatie van extreme precisie. Deze componenten, vaak gemaakt van taaie materialen zoals titanium of gespecialiseerde legeringen, moeten perfect zijn. Een kleine fout kan het verschil betekenen tussen een veilige vlucht en een catastrofale mislukking. Daarom is het proces traag, zwaar gereguleerd en ongelooflijk complex. In tegenstelling tot een fabriek die miljoenen identieke artikelen uitspuugt, maken lucht- en ruimtevaartfabrieken vaak kleine batches van veel verschillende, hooggespecialiseerde onderdelen. Deze "high-mix, low-volume"-aanpak betekent dat de machines constant stoppen om gereedschap te wisselen, de werknemers constant metingen controleren en de onderdelen veel tijd doorbrengen in de wachtrij. De tijd die het kost om een ruwe blok metaal te veranderen in een afgewerkt, gecertificeerd onderdeel, wordt de cyclustijd genoemd. Voor fabrikanten is het verkorten van deze tijd een belangrijk doel; het betekent dat ze onderdelen sneller kunnen leveren, hun dure machines efficiënter kunnen gebruiken en kosten kunnen verlagen zonder ooit de veiligheidsnormen op te offeren die de lucht veilig houden.

Decennialang hebben fabrieken een reeks managementprincipes gebruikt, bekend als Lean Manufacturing, om zaken te versnellen. Beschouw deze principes als een manier om een werkplek te organiseren zodat niets in de weg staat van het werk. Hulpmiddelen zoals Value Stream Mapping fungeren als een kaart om te vinden waar onderdelen onnodig wachten, terwijl Single-Minute Exchange of Die werknemers helpt om machineopstellingen in minuten in plaats van uren te wisselen. De luchtvaartindustrie heeft echter ontdekt dat deze traditionele methoden, hoewel nuttig, soms tegen een muur aanlopen. De processen zijn simpelweg te ingewikkeld en de gegevens te omvangrijk voor menselijke managers om elke vertraging in realtime bij te houden. Dit is waar de nieuwe golf van technologie in beeld komt. Door deze klassieke organisatiemethoden te combineren met moderne kunstmatige intelligentie, proberen onderzoekers nu een slimmere manier te creëren om de productie te beheren. Het doel is om computers niet alleen te gebruiken om vast te leggen wat er is gebeurd, maar om te voorspellen wat er vervolgens zal gebeuren, waardoor fabrieken problemen kunnen oplossen voordat ze zelfs maar een vertraging veroorzaken.

Een team van onderzoekers, onder leiding van Sasidharan TP, K Manjunatha en Jayashish Kumar Pandey, zette zich af om precies te testen hoe goed deze combinatie werkt. Ze richtten zich op een specifieke productiefaciliteit voor lucht- en ruimtevaartcomponenten in India die structurele beugels en motoronderdelen produceert. De onderzoekers gokten niet zomaar op een oplossing; ze bouwden een stapsgewijs framework dat eerst de belangrijkste redenen identificeerde waarom de productie vertraagt. Ze verzamelden input van een panel van experts, waaronder productiemanagers en kwaliteitsingenieurs, om te rangschikken wat het meest belangrijk is. De resultaten waren duidelijk: de meest kritieke factor was niet een specifieke machine of gereedschap, maar de toewijding van het hogere management om de veranderingen te ondersteunen. Daarbij waren de betrouwbaarheid van de machines en de training van de werknemers de volgende belangrijkste pijlers. Zonder sterk leiderschap en goed onderhouden, bekwame apparatuur zou geen enkele software vertragingen kunnen oplossen.

Toen ze wisten waar ze zich op moesten richten, pasten ze een mix van Lean-tools en kunstmatige intelligentie toe op een echte productielijn. Ze begonnen met het in kaart brengen van de huidige werkstroom, wat onthulde dat onderdelen een aanzienlijke hoeveelheid tijd doorbrachten wachtend tussen de stappen, of liggend in opslag. Vervolgens introduceerden ze verbeteringen zoals betere planning en predictief onderhoud, waarbij het systeem werkers waarschuwt om een machine te repareren voordat deze defect raakt. Cruciaal was dat ze een AI-laag toevoegden die historische gegevens kon analyseren en kon voorspellen hoe lang het precies zou duren om een nieuw onderdeel te maken. Dit stelde de fabriek in staat om haar planning met veel grotere nauwkeurigheid te maken. Het team testte vier verschillende soorten AI-modellen om te zien welk model het beste was bij deze voorspellende taak. Ze ontdekten dat een model genaamd Long Short-Term Memory, dat is ontwor Wet voor het begrijpen van reeksen gebeurtenissen, het meest accuraat was. Het kon de tijd die nodig is voor een complex onderdeel voorspellen met een foutmarge van minder dan twee uur, een niveau van precisie dat menselijke planners niet uit zichzelf konden bereiken.

De resultaten van deze zes maanden durende proefperiode waren opmerkelijk. Voordat het nieuwe systeem in gebruik was genomen, omvatte de totale tijd om een onderdeel te maken vele uren wachten en inefficiënte bewegingen. Nadat het Lean- en AI-framework werd geïmplementeerd, daalde de tijd aanzienlijk in elke fase van de productie. Voor de bewerkingsfase, die het snijden en vormen van het metaal omvat, daalde de tijd van 42 uur naar 31 uur. De assemblagefase, waar onderdelen worden samengesteld, werd teruggebracht van 30 uur naar 22 uur. Zelfs de laatste inspectie, die cruciaal is voor de veiligheid, werd sneller en daalde van ks 24 uur naar 17 uur. In totaal zag de fabriek een enorme vermindering in de tijd die onderdelen doorbrachten wachtend of onnodig bewegend. De hoeveelheid tijd dat machines daadwerkelijk werkten, ook wel benutting genoemd, verbeterde ook drastisch. Bijvoorbeeld, de belangrijkste computergestuurde snijmachines gingen van een bezettingsgraad van ongeveer 72 procent naar 90 procent aan het einde van de studie.

De studie keek ook naar de algehele gezondheid van de apparatuur, gemeten met een score genaamd Overall Equipment Effectiveness. Deze score combineert hoe vaak een machine draait, hoe snel hij draait en hoeveel goede onderdelen hij produceert. Voordat de veranderingen werden doorgevoerd, schommelde deze score rond de 68 procent. Na de implementatie van het nieuwe systeem steeg deze gestaag naar 88 procent. Dit betekent dat de fabriek niet alleen sneller werkte, maar ook slimmer, met minder uitval en minder defecte onderdelen die opnieuw bewerkt moesten worden. De onderzoekers ontdekten dat de grootste winsten kwamen uit het verminderen van de "wachttijd", die bijna een kwart van alle verspilde tijd in de fabriek besloeg. Door AI te gebruiken om knelpunten te voorspellen en de Lean-tools om de workflow te stroomlijnen, elimineerde de fabriek veel van deze stilstandtijd. De verspilling door oververwerking, waarbij onderdelen vaker werden bewerkt of geïnspecteerd dan nodig, daalde ook aanzienlijk.

Wat dit onderzoek bijzonder waardevol maakt, is dat het bewijst dat deze twee werelden — traditionele fabrieksorganisatie en geavanceerde computerwetenschap — effectief samen kunnen werken. De studie toonde aan dat je niet simpelweg een nieuw computerprogramma kunt installeren en verwachten dat problemen verdwijnen; het menselijke element en de fysieke organisatie van de fabriek moeten eerst worden aangepakt. Het AI-model werkte het best omdat het werd gevoed met gegevens van een fabriek die al georganiseerd was om efficiënt te zijn. De onderzoekers bevestigden dat de verbeteringen niet slechts een gelukje of een tijdelijke piek in prestaties waren. De winst in snelheid en efficiëntie hield gedurende de maanden van de studie stand, wat suggereert dat de nieuwe manier van werken duurzaam is.

Het team concludeerde dat voor producenten in de lucht- en ruimtevaart die sneller en efficiënter willen worden, de weg vooruit in deze geïntegreerde aanpak ligt. Ze toonden aan dat door prioriteit te geven aan managementondersteuning en machinebetrouwbaarheid, en daar vervolgens intelligente voorspellende tools bovenop te leggen, fabrieken een niveau van prestatie kunnen bereiken dat voorheen onbereikbaar was. De studie beweerde niet dat dit elk probleem in de productie oplost, noch suggereerde het dat menselijke werkers zouden worden vervangen. In plaats daarvan toonde het aan dat wanneer geschoolde werkers worden ondersteund door hulpmiddelen die de toekomst van de productie kunnen zien, het hele systeem veerkrachtiger en krachtiger wordt. Voor een industrie waar elke uur telt en veiligheid niet onderhandelbaar is, biedt deze combinatie van menselijke expertise en machine-intelligentie een duidelijke, bewezen weg naar de toekomst van de luchtvaart.