Productie en Duurzaamheid Optimaliseren bij Griffith Foods

De uitdaging

Een fysieke uitbreiding van de faciliteiten was geen optie, dus moest Griffith Foods op zoek naar andere manieren om meer te kunnen produceren. Een pijnpunt in hun productieproces was de stilstand van de productielijnen tijdens reinigingen. Om de kwaliteit van elk product te garanderen en kruisbesmetting, zoals het mengen van kleurstoffen of allergenen, te vermijden, moet de productielijn volledig gereinigd worden tussen de verschillende producttypes.

Dit proces staat bekend als wet cleaning. Het duurt 30 tot 90 minuten en legt de productielijnen vaak stil. Stilstand betekent omzetverlies, dus de nood was hoog om de reinigingstijd te beperken. Maar gelukkig is een uitgebreide wet cleaning niet altijd nodig. Als producttypes compatibel zijn, is een snelle dry cleaning voldoende, waarbij de machines met hoge luchtdruk worden schoongespoten.

AI Expertise

Data Science & Machine Learning

Oplossing

Om de reinigingstijd te beperken, schreven onze specialisten een AI algoritme gebaseerd op de productdata van Griffith Foods. Het algoritme gebruikt deze data om een optimale productvolgorde op basis van overeenkomsten en verschillen tussen producten. Zo worden reeksen gevormd van producten waartussen alleen een dry cleaning nodig is. Hierdoor neemt het aantal lange wet cleanings af, en zijn ze alleen nog nodig tussen niet-compatibele productreeksen.

Implementatie

Om te voorkomen dat Griffith Foods investeerde in een kunstmatig intelligentiemodel dat niet de beste resultaten zou opleveren, hebben we eerst handmatig data verzameld en geanalyseerd over de belangrijkste kenmerken die het planningsproces beïnvloeden, daarbij geholpen door de planningsexperts van Griffith Foods zelf. Na het identificeren van deze kritieke factoren selecteerden onze AI-experts potentiële modellen en voerden ze verschillende testrondes uit. Deze handmatige methode hielp ons om twee modellen te selecteren die goed presteerden. Deze modellen konden verder worden getraind voor nog betere resultaten en uiteindelijk kozen we het best presterende model voor implementatie.

De operatoren van Griffith Foods speelden een cruciale rol in dit implementatieproces door hun specifieke kennis te delen. Ze hebben jarenlange ervaring in het signaleren van de parameters die de planning beïnvloeden, waardoor hun expertise van onschatbare waarde was bij het verfijnen van de modellen. Bovendien werd de evaluatie van “welk model presteert het best” samen met hen uitgevoerd, zodat elk model met een zichtbare foutmarge werd geëvalueerd op de gevolgen in reële scenario’s.

Uiteindelijk werd het model in de praktijk getest en vergeleken met handmatige planning door de operatoren, die nog steeds in realtime konden ingrijpen als er problemen zouden optreden in de supply chain. Deze aanpak maximaliseert niet alleen de ondersteuning die we aan de operators en planners bieden, maar erkent ook de waarde van hun jarenlange ervaring.

Griffith Foods speelde ook een belangrijke rol in het verzekeren van het succes van dit project na de initiële implementatie. Hun managementteam werkte actief met ons samen om een interne communicatiestrategie te ontwikkelen die de voordelen en successen van de gekozen oplossing benadrukte. Gezien het succes in hun Belgische fabriek is het managementteam van Griffith Foods nu de mogelijkheden aan het onderzoeken om dit model verder te ontwikkelen en te implementeren in hun productielocaties in andere landen.

Resultaten

Minder stilstand door wet cleanings resulteerde meteen in een winst van 17 productiedagen. Dankzij de optimalisaties door de Hyperion experten zijn nu 5% minder wet cleanings nodig.

De return on investment voor Griffith Foods is dan ook duidelijk:

De 17 productiedagen per jaar die de machines extra kunnen draaien zorgden voor een terugverdientijd van slechts 10 maanden.
Bovendien had het project ook een positief effect op duurzaamheid binnen Griffith Foods. Minder wet cleanings betekent een waterbesparing van 1000 m² per jaar en minder gebruik van schoonmaakmiddelen.