Maintaining a Healthy Balance - PC & ASSOCIATES CONSULTING

Article by Fabio Tiviti, Vice President, ASEAN, Infor

Both the pandemic and Brexit have aggravated the challenges faced by food and beverage manufacturers, with consumer demand fluctuating, supply bottlenecks in certain areas and rising costs all converging to create a perfect storm. Safety recalls in particular, continue to represent one of the biggest challenges facing manufacturers, proving both costly and risky.

A report launched in 2019 indicated that food safety recalls were on the rise. But rather than pointing to a dip in standards, reasons cited typically centred around new labelling requirements, improved capacity for identifying anomalies, and growth in the “free from” sector which is particularly vulnerable to cross contamination issues.

And of course, Covid has since brought with it a renewed focus on the contamination risk from people and pathogens within the production plant.

In a world where food safety is paramount, and brand reputation king, even one safety recall is too many. And when it comes to addressing this problem, asset management and maintenance remains, for many, an area which holds huge potential for improvement.

Maximising automation, minimising risk
It’s no secret that the key to addressing these challenges resides in digital transformation. Many plants still use manual, spreadsheet-centric processes to support their equipment maintenance programmes, which is hugely risky as it leaves food companies vulnerable to errors, exposed to unnecessary downtime and costs, and potentially lengthy compliance processes. In addition, the resources required to support such a model would clearly hold more value if deployed elsewhere.

The level of automation associated with food production facilities varies immensely but one thing is clear. The more limited the automation, the greater the risk from human error, which can result in downtime, safety risk and waste. High levels of automation, machine learning and intelligence through adopting a predictive, or prescriptive, approach to asset management and maintenance, can reduce this risk substantially, minimising recalls and maximising reputation and profits.

The big data challenge
Sensors on all machines and production lines can help to provide the real-time data necessary to deliver on this, providing an opportunity to map live data with historical and third party information and make informed decisions quickly.

The level of granularity of insight which can be obtained using sensors is hugely valuable. For example, on certain machines, vibrations can be monitored to detect the extent to which bearings are morphing from round to oval shapes, thus impacting the reliability of the piece of equipment and predicting the point at which it will fail.

But the end goal is far greater than merely improving Overall Equipment Effectiveness (OEE) across the production line. For example, it’s not uncommon to hear about recalls involving the risk of metal contaminants in products. Typically, this kind of recall is synonymous with machines failing and a theoretical risk that batches have been compromised. The problem is that machine insights are often collected at the end of the day, rather than in real-time, resulting in a lag which quickly translates into a bottleneck and reputational and logistical risk.

And when it comes to potential contamination from Covid or indeed viruses or bacteria, increased automation inevitably results in a need for fewer people on the shop floor, reducing that risk, but equally, can help through collating data from temperature scanners and image recognition. These insights can help to provide data on those operatives displaying signs of infection, and provide an opportunity to reduce this risk. In parallel, predictive maintenance software can identify the right cleaning intervals to minimise contamination risk, but avoid unnecessary cleaning which could impact a machine’s lifespan.

Through collating insights in real time to be able to foresee malfunctions, rather than at the end of the day once the damage has been done, manufacturers can truly spot anomalies before they become big, debilitating problems.

Essentially, all of the sensors in the world can’t help to deliver value, drive performance or reduce risk if they are unconnected and the resulting data sits dormant.

Maintenance 4.0
Maintenance 4.0 addresses this disparity through capturing sensor readings in a ‘data lake’ repository, applying algorithms and analytics to understand precisely why assets wobble or fail, and identifying how to correct the problem, all in a live environment. Crucially this approach leverages these insights to advise maintenance personnel on the actions to take to avoid asset malfunction.

This move from reactive maintenance, which is considered the easiest approach but often the most expensive one in the long term, to a condition-based, predictive strategy is a crucial shift in the quest to raise standards and expand market share.

This ability to identify, and resolve issues in real time ensures the smooth running of the food production plant and reduces the risk of waste, contamination and downtime.

A converged model
Digital transformation is undoubtedly seeing the convergence of IT, operations and business to scope out models which are predictive rather than reactive, and minimise the risk of recalls substantially.

So much more than OEE, which was typically the end goal in earlier maintenance solutions, in-depth insights and analysis stand to refine reliability and performance, and ultimately, raise safety standards and demonstrate best practice across the food industry.

Given the shifts taking place across the food sector in the wake of the pandemic, few can afford to gamble on their reputations and profit margins. Forward thinking food companies are waking up to the prospect of a Maintenance 4.0 approach in their quest to protect both the customers they serve, and their brand reputations.

บทความโดย นายฟาบิโอ ทิวิติ รองประธาน บริษัท อินฟอร์ อาเชียน

ทั้งการแพร่ระบาดของโรคและการถอนตัวออกจากสหภาพยุโรปของสหราชอาณาจักร (เบร็กซิต – Brexit) ล้วนแต่ซ้ำเติมความท้าทายต่าง ๆ ที่ผู้ผลิตอาหารและเครื่องดื่มต้องเผชิญอยู่ให้รุนแรงมากยิ่งขึ้น อีกทั้งความต้องการของผู้บริโภคที่เปลี่ยนแปลงตลอดเวลา ปัญหาติดขัด ณ จุดใดจุดหนึ่งที่ไม่สามารถหลีกเลี่ยงได้ และต้นทุนที่เพิ่่มสูงขึ้น ทั้งหมดล้วนเป็นมรสุมธุรกิจลูกใหญ่ โดยเฉพาะอย่างยิ่งการเรียกคืน สินค้าเพื่อความปลอดภัยยังคงเป็นหนึ่งในความท้าทายที่ยิ่งใหญ่ที่สุดที่บรรดาผู้ผลิตต้องเผชิญ ส่งผล ทำให้ค่าใช้จ่ายและความเสี่ยงเพิ่มสูงขึ้น

จากข้อกำหนดของ GFSI (The Global Food Safety Initiative) ซึ่งเป็นองค์กรอิสระด้านความปลอดภัย อาหารที่ได้รับการยอมรับทั่วโลกระบุว่า ผู้ผลิตต้องมั่นใจว่ามีการดำเนินมาตรการควบคุมที่เพียงพอที่จะป้องกันการปนเปื้อนของสารก่อภูมิแพ้ ส่วนผสมทุกชนิดที่เป็นสาเหตุของการแพ้อาหารในผลิตภัณฑ์จะต้องมีการระบุและสื่อสารอย่างชัดเจนต่อผู้บริโภค เพราะในบางกรณีสารก่อภูมิแพ้แม้เพียง 1 มิลลิกรัม ก็สามารถกระตุ้นให้เกิดการตอบสนองและอาจถึงแก่ชีวิตได้ FARE (Food Allergy Research & Education) เผยว่าในแต่ละปีชาวอเมริกันจำนวนสูงถึง 200,000 คน ต้องเข้ารับการรักษาตัวจากอาการ แพ้อาหาร และจำนวนเด็กแพ้อาหารระหว่างปี 2540-2542 และปี 2552-2554 มีจำนวนสูงขึ้นถึง 50%

และแน่นอนว่าโควิดได้ทำให้เรากลับมาให้ความสำคัญกับเรื่องความเสี่ยงต่อการปนเปื้อนจากมนุษย์ และเชื้อโรคภายในโรงงานผลิตอีกครั้งหนึ่ง

ในโลกที่ความปลอดภัยของอาหารถือเป็นสิ่งสำคัญสูงสุด และเป็นสิ่งสำคัญต่อชื่อเสียงของบริษัท การเรียกคืนสินค้าเพื่อความปลอดภัยแม้เพียงครั้งเดียวก็ถือว่ามากเกินพอ และสำหรับผู้ผลิตจำนวนมาก เมื่อต้องแก้ไขปัญหานี้ การบริหารจัดการสินทรัพย์และการบำรุงรักษายังคงเป็นเรื่องที่ต้องอาศัยศักยภาพอย่างมากในการปรับปรุงให้ดีขึ้น

ใช้ประโยชน์จากระบบอัตโนมัติให้มากที่สุด เพื่อลดความเสี่ยงให้เหลือน้อยที่สุด
เห็นได้ชัดว่ากุญแจสำคัญในการจัดการกับความท้าทายเหล่านี้อยู่ที่การทำดิจิทัลทรานส์ฟอร์เมชั่น (digital transformation) โรงงานหลายแห่งยังคงมีการใช้กระบวนการทำงานแบบแมนวล ใช้สเปรดชีท เป็นหลักเพื่อรองรับโปรแกรมการบำรุงรักษาอุปกรณ์ของตน ซึ่งนับว่ามีความเสี่ยงสูงมากเนื่องจากทำให้ บริษัทอาหารต้องเสี่ยงต่อการเกิดข้อผิดพลาด การหยุดทำงานของระบบ (downtime) และค่าใช้จ่าย ต่าง ๆ ที่ไม่จำเป็นที่อาจเกิดขึ้น รวมถึงขั้นตอนที่ต้องปฏิบัติตามข้อกำหนดต่าง ๆ ที่อาจใช้เวลายาวนาน ยิ่งไปกว่านั้น การใช้ทรัพยากรต่าง ๆ เพื่อสนับสนุนการทำดิจิทัลทรานส์ฟอร์เมชั่นสามารถเพิ่มมูลค่าให้กับบริษัทมากยิ่งขึ้น

สิ่งหนึ่งที่เห็นได้ชัดเจนคือระดับของการใช้ระบบอัตโนมัติที่เกี่ยวข้องกับโรงงานผลิตอาหารนั้น มีความแตกต่างกันอย่างมาก ยิ่งระบบอัตโนมัติมีข้อจำกัดมากเท่าไหร่ ความเสี่ยงที่เกิดจากความผิดพลาดของผู้ปฏิบัติงานก็จะยิ่งมากขึ้นเท่านั้น ซึ่งอาจส่งผลให้เกิด downtime ความเสี่ยงด้านความปลอดภัยและสินค้าเสียหายขึ้นได้ การใช้ระบบอัตโนมัติระดับสูงอย่างแมชชีนเลิร์นนิ่ง (Machine Learning – ML) และปัญญาประดิษฐ์ (Artificial Intelligence – AI) ผ่านการใช้วิธีการจัดการและบำรุงรักษาสินทรัพย์ที่คาดการณ์หรือกำหนดล่วงหน้า จะช่วยลดความเสี่ยงนี้ลงได้มาก อีกทั้งยังลดการเรียกคืนสินค้าให้เหลือ น้อยที่สุด และเพิ่มชื่อเสียงพร้อมผลกำไรให้กับบริษัทได้มากที่สุดอีกด้วย

ความท้าทายด้านบิ๊กดาต้า
เซ็นเซอร์บนเครื่องจักรและสายการผลิตทั้งหมดช่วยให้ข้อมูลแบบเรียลไทม์ที่จำเป็นสำหรับเรื่องนี้ได้ โดยให้โอกาสในการวางแผนใช้ไลฟ์ดาต้า (live data) กับข้อมูลในอดีตและของบุคคลที่สาม และทำการตัดสินใจต่าง ๆ ตามที่กำหนดได้อย่างรวดเร็ว

ระดับความละเอียดของข้อมูลเชิงลึกที่ได้จากตัวเซ็นเซอร์นั้นมีคุณค่ามหาศาล เช่น ในเครื่องจักรบางรุ่นสามารถตรวจสอบการสั่นสะเทือน เพื่อค้นหาบริเวณที่ตลับลูกปืนเกิดการบิดเบี้ยวจากรูปทรงวงกลมเป็นวงรี ซึ่งส่งผลกระทบต่อความน่าเชื่อถือของชิ้นส่วนอุปกรณ์ พร้อมทั้งคาดการณ์จุดที่จะเกิดข้อผิดพลาดได้

แต่ทว่าเป้าหมายท้ายสุดไปไกลเกินกว่าจะเป็นเพียงแค่การปรับปรุงประสิทธิผลโดยรวมของเครื่องจักร (Overall Equipment Effectiveness – OEE) ในสายการผลิต เช่น การเรียกคืนสินค้าอันเนื่องมาจากความเสี่ยงของโลหะปนเปื้อนในผลิตภัณฑ์ซึ่งถือเป็นเรื่องธรรมดาที่เรามักจะได้ยินกันอยู่เสมอ โดยปกติแล้วการเรียกคืนแบบนี้มีความหมายเทียบได้กับความผิดพลาดในการทำงานของเครื่องจักร และความเสี่ยงในทางทฤษฎีที่อาจเกิดความเสียหายในแบชการผลิตต่าง ๆ ปัญหาคือข้อมูลเชิงลึกของเครื่องจักร มักจะรวบรวมเมื่อสิ้นวันแทนที่จะเป็นแบบเรียลไทม์ ส่งผลให้เกิดความล่าช้าซึ่งหมายถึงอาจจะกลายเป็นปัญหา ณ จุดใดจุดหนึ่ง (bottleneck) และเกิดความเสี่ยงต่อการขนส่ง และชื่อเสียงของผู้ผลิตได้อย่างรวดเร็ว

และเมื่อพูดถึงเรื่องการปนเปื้อนที่อาจเกิดจากโควิดหรือไวรัสหรือแบคทีเรียจริง ๆ การทำงานแบบอัตโนมัติที่เพิ่มขึ้นย่อมส่งผลให้มีการใช้คนในพื้นที่ร้านค้าน้อยลง ซึ่งช่วยลดความเสี่ยงดังกล่าว แต่ในขณะเดียวกันก็สามารถช่วยรวบรวมข้อมูลจากเครื่องตรวจจับอุณหภูมิ และการจดจำภาพได้เช่นกัน ข้อมูลเชิงลึกเหล่านี้สามารถให้ข้อมูลเกี่ยวกับผู้ปฏิบัติงานที่ส่งสัญญาณการติดเชื้อ และเป็นโอกาสในการลดความเสี่ยงนี้ได้ ในขณะเดียวกันซอฟต์แวร์การบำรุงรักษาเชิงคาดการณ์ยังสามารถระบุช่วงเวลาการทำความสะอาดที่เหมาะสม เพื่อลดความเสี่ยงในการปนเปื้อนลงให้เหลือน้อยที่สุด โดยหลีกเลี่ยงการทำความสะอาดที่ไม่จำเป็นซึ่งอาจส่งผลกระทบต่ออายุการใช้งานของเครื่องจักรได้

ด้วยการรวบรวมข้อมูลเชิงลึกแบบเรียลไทม์เพื่อให้สามารถคาดการณ์การทำงานผิดปกติใด ๆ ที่อาจเกิดขึ้นแทนที่จะเป็นตอนสิ้นวันเมื่อความเสียหายได้เกิดขึ้นแล้ว ผู้ผลิตจะสามารถสังเกตเห็นความผิดปกติจริง ๆ ที่เกิดขึ้นก่อนจะกลายเป็นปัญหาใหญ่ที่ทำให้ไม่สามารถดำเนินงานตามปกติได้

ที่สำคัญคือเซ็นเซอร์ทั้งหมดในโลกนี้จะไม่สามารถส่งมอบคุณค่า เพิ่มประสิทธิภาพการทำงานหรือลดความเสี่ยงใด ๆ ได้เลย หากไม่ได้มีการเชื่อมต่อและใช้งานข้อมูลที่มีอยู่ในระบบ

การบำรุงรักษา 4.0
การบำรุงรักษา 4.0 แสดงให้เห็นถึงความแตกต่างนี้ผ่านการแคปเจอร์การอ่านค่าเซ็นเซอร์ในแหล่งเก็บข้อมูลดาต้าเลค (data lake) การใช้อัลกอริทึ่ม และการวิเคราะห์เพื่อให้เข้าใจอย่างถ่องแท้ว่า เพราะเหตุใดเครื่องจักรและอุปกรณ์ต่าง ๆ ถึงไม่เสถียรหรือทำงานล้มเหลว พร้อมทั้งระบุวิธีแก้ไขปัญหาที่เกิดขึ้น ซึ่งทั้งหมดนี้เกิดขึ้นในสภาพแวดล้อมการทำงานจริง แนวทางการทำงานนี้ใช้ประโยชน์จากข้อมูลเชิงลึกเหล่านี้เพื่อแนะนำเจ้าหน้าที่บำรุงรักษาให้กระทำการใด ๆ เพื่อหลีกเลี่ยงความผิดปกติด้านเครื่องจักรและอุปกรณ์ใด ๆ ที่อาจเกิดขึ้น

การเปลี่ยนจากการซ่อมบำรุงเชิงตั้งรับซึ่งถือเป็นแนวทางที่ง่ายที่สุด แต่มักเป็นวิธีที่แพงที่สุดในระยะยาวไปเป็นกลยุทธ์แบบคาดการณ์ตามเงื่อนไขเป็นการเปลี่ยนแปลงสำคัญในการยกระดับมาตรฐานการผลิต และขยายส่วนแบ่งทางการตลาด

ความสามารถในการระบุและแก้ไขปัญหาแบบเรียลไทม์นี้ช่วยให้โรงงานผลิตอาหารทำงานได้อย่างราบรื่น และลดความเสี่ยงเรื่องการสูญเสีย การปนเปื้อน และการหยุดทำงานได้เป็นอย่างดี

รูปแบบที่เป็นหนึ่งเดียว
ดิจิทัลทรานส์ฟอร์เมชั่นมองเห็นการรวมไอที การดำเนินงาน และธุรกิจเข้าเป็นหนึ่งเดียวกันโดยปราศจากข้อกังขา เพื่อสำรวจรูปแบบต่าง ๆ ที่สามารถคาดการณ์ได้แทนที่จะตั้งรับแต่เพียงอย่างเดียว และลดความเสี่ยงในการเรียกคืนสินค้าให้เหลือน้อยที่สุดได้อย่างมีนัยสำคัญ

ดังนั้นดิจิทัลทรานส์ฟอร์เมชั่นจึงเป็นอะไรที่มากกว่าการปรับปรุงประสิทธิผลโดยรวมของเครื่องจักร ซึ่งโดยปกติแล้วเป็นเป้าประสงค์สุดท้ายของโซลูชั่นการบำรุงรักษารุ่นก่อนหน้านี้ การใช้ข้อมูลและการวิเคราะห์เชิงลึกมีไว้เพื่อช่วยปรับให้ความน่าเชื่อถือและประสิทธิภาพในการทำงานดีขึ้น และท้ายที่สุดเพื่อเป็นการยกระดับมาตรฐานความปลอดภัย และแสดงแนวปฏิบัติที่ดีที่สุดในอุตสาหกรรมอาหารทุกประเภท

จากการเปลี่ยนแปลงที่เกิดขึ้นในอุตสาหกรรมอาหารเมื่อเกิดการแพร่ระบาด มีผู้ผลิตเพียงไม่กี่รายที่สามารถรับความเสี่ยงที่จะเกิดขึ้นกับชื่อเสียงและผลกำไรของตนได้ บริษัทที่มีความคิดก้าวไกลกำลังตื่นตัวกับค้นหาแนวทางด้านการบำรุงรักษา 4.0 เพื่อปกป้องทั้งลูกค้าและชื่อเสียงของแบรนด์ตนเอง