Ontwikkeling chemische fabriek op basis van procesdata

Een chemisch conglomeraat heeft op basis van procesdata een nieuwe chemische fabriek ontwikkeld op industrieterrein Moerdijk. Op basis van het gevaarlijke Ethyleen Oxide maakt de fabriek additieven met eigen recepten voor de pharmaceutische industrie.
           

QUESTDe fabriek kent twee reactoren waarin chemische reacties tot stand worden gebracht en de reacties van de twee reactoren zijn verschillend. Deze factoren bepalen dat er ervaring opgedaan moet worden met hoe de fabriek reageert bij verschillende recepten. Het ene product kan niet zomaar het andere product in dezelfde reactor opvolgen, omdat er onbeheersbare reacties kunnen optreden. Om dat te voorkomen moet de reactor tussen twee van zulke producten gewassen worden, wat productieverlies betekent.
De fabriek moet daarnaast produceren ‘to order’. Het chemisch bedrijf heeft weliswaar standaard recepten, maar produceert hoeveelheden op basis van de vraag. Dit omdat men het hebben van voorraad zoveel mogelijk wil voorkomen. Het is echter nog ongewis hoe groot de vraag is. Het bijpassende business model moet dus kunnen variëren van bulkproductie (in tonnen) tot kleine hoeveelheden (minder dan 1 ton).
Kortom, de vraagstelling is complex. Enerzijds moet men de fabriek leren kennen: hoe gedraagt de reactor zich, waar ontstaan bottlenecks, hoe is de fit tussen de layout van de fabriek en de vraag? Anderzijds moet men logistieke problemen oplossen. Hoe kan op basis van de vraag de planning van de productie optimaal worden gemaakt zodat er geen voorraden ontstaan, de reactoren zo min mogelijk moeten worden stilgelegd opdat klanten op tijd beleverd kunnen worden?

ACTION
Op basis van data uit SAP en uit de technische installatie van de fabriek (apparatuur zoals reactoren, finishers, packagers, verdelers) zijn we er in geslaagd het proces direct na inbedrijfstelling op basis van de data enorm te verbeteren. De focus lag in eerste instantie op het leren kennen van de fabriek, daarna op het optimaliseren van de planning en daarna op overige optimalisatiepunten.
Op basis van data- en proces-analyses konden een paar successen zeer snel worden bereikt. We ontdekten een volgorde en verdeling van producten waarbij het aantal wassingen van de reactoren in een productiecyclus van een week gemiddeld werd teruggebracht van 16 naar 3! Gegeven het feit dat een wassing 2 uur in beslag neemt levert dit een tijdwinst op van 26 uur, oftewel 15%. De planning is zodanig geoptimaliseerd dat de productie in tonnen in 3 maanden gemiddeld met 25% is gestegen. Er is geconcludeerd dat de layout van de fabriek niet rendeerde met kleine hoeveelheden. Daarop is het businessmodel bijgesteld en is de layout aangepast. Dit heeft geen gevolgen gehad voor de klanten. Klanten die vroegen naar kleinere hoeveelheden worden vanuit een andere fabriek beleverd. De logistiek van trucks op het terrein is verbeterd. De aanvoer van grondstoffen en de afvoer van gereed product werd een botteleneck op het moment dat de productie toenam. Dit gegeven de aanwezigheid van een beperkt aantal laad- en losstations en één weegbrug. Deze bottlenecks zijn door een nieuwe in- en uitgang van het terrein in combinatie met een betere planning en afroep van trucks weggenomen. Kortom, de data- en proces-analyse hebben geleid tot een betere productie en daarmee hoger rendement, tot een beter business model en daarmee succesvollere sales. Het wegnemen van bottlenecks leverde tevreden klanten, leveranciers van grondstoffen en transportbedrijven, omdat leveringen nauwkeuriger werden.

 

Comments are closed.

UA-57560273-2