| Summary: | Idag samlas mer data än någonsin in från olika aktiviteter i samhället. För att kunna genomföra träffsäkra analyser så måste datan som analyseras hålla en hög kvalitet. Brister kvaliteten på datan så uppstår fenomenet “skit in, skit ut”. Ett sätt att genomföra analyser är genom flödessimulering där ett datorverktyg kan användas för att simulera olika aktiviteter. Ett sätt att förbättra datakvaliteten är att tvätta data från datapunkter som av olika anledningar registrerats felaktigt. Detta är en högst subjektiv vetenskap där data kan analyseras baserat på erfarenhet hur datasetet tidigare sett ut, men också genom att korsreferera datapunkter från olika insamlingssystem. Den här studien har genomförts på Volvo GTO i Skövde som ett försök att hitta en metod för att tvätta cykeltider och stoppdata från en produktionslina samt en metod för hur datan kan förberedas för simulering. I den här studien avser cykeltider den tid en produkt bearbetas samt den tid det tar att byta produkt i maskinen. Stoppdata utgör den tid som produktionen i en maskin upphört oplanerat. Under studien har observationer och simuleringar skett, data har granskats och jämförts med verkligheten vilket tillsammans med litteraturen har analyserats för att komma fram till hur Volvo GTO i Skövde kan arbeta med tvättning av produktionsdata för flödessimulering. Utöver det har en känslighetsanalys genomförts för att ta reda på vilken data Volvo GTO bör fokusera på att tvätta. Känslighetsanalysen genomfördes genom ett 24 flerfaktorförsök där faktorerna var “Rensning Cykeltider”, “Fördelning Cykeltider”, “Rensning stoppdata” och “Gruppindelning stoppdata”. Ur känslighetsanalysen framkom det, med 5% signifikansnivå, att “Rensning stoppdata”, “Gruppindelning stoppdata” och samspelet mellan dessa ärde faktorer med störst påverkan. Det har lett till att författarna av denna studie föreslår en tvättningsmetod för flödessimulering bestående av tre moment, där fokus bör ligga på stoppdata: •Datagranskning •Datarensning •Simuleringsförberedande Först bör data granskas mot bakgrund av den givna produktionslinans förutsättningar. Här kan egenskaper hos datan så som längd, tidpunkt och mönster användas för att bedöma datans kvalitet. Sedan bör felaktiga datapunkter plockas bort ur datasetet, misstänkt felaktiga kan lämnas kvar eller tas bort. Slutligen bör datan förberedas för simuleringen, vilket innebär att en fördelning som är representativ för datan anges utifrån de förutsättningar som finns i det valda simuleringsprogrammet.
|
|---|
