Kapittel 4: Fremdriftsmåling i sanntid

Transkript

1 Kapittel 4: Fremdriftsmåling i sanntid (Prosjektoppgave levert av SpeedUp studenter Therese Karlsen, Matilde Funderud, NTNU, 2016) [Case prosjekt: Campus ÅS prosjektet; Bedrifter som er studert: BundeBygg og Statsbygg] Dette kapittelet vil belyse alternative målemetoder og formidlinger av fremdrift i et byggeprosjekt. Det vil i hovedsak fokuseres på alternative måter å hente informasjon om inntjent verdi. En trinnvis prosess fra rådata til en fremdriftsmåling vi bli presentert. Denne vil innebære å identifisere råkilden, foreta en innsamling og prosessere rådataen, og avslutningsvis presentere fremdriftsmålingen. 4.1 Innledning Navon mener at kontinuerlig fremdriftsmåling er en suksessfaktor i byggeprosjekter[10]. Hvis målinger automatisk genereres og videreformidles i sanntid, vil avvik fra normal produksjon kunne oppdages på et tidlig stadium. Dette kan gjøres gjennom ulike prestasjonsindikatorer relatert til arbeidskraft, prosjektplan, kvalitet og materialforbruk[10]. Store datainnsamlinger kan brukes som et grunnlag for å måle inntjent verdi mot planlagt verdi, og videre kunne gi prognoser for fremtiden. Navon hevder videre det ikke finnes direkte metoder for å måle disse indikatorene automatisk ved byggeprosjekter i dag, men at det kan måles indirekte gjennom flere datakilder[10]. Det er erkjent at det finnes store mengder rådata i byggebransjen men at få blir utnyttet til fremdriftsmåling[9]. Det er i neste avsnitt derfor presentert en stegvis prosess for hvordan rådata kan identifiseres, innsamles og behandles for å gi ut et nyttig fremdriftsmål. 4.2 Fra rådata til fremdriftsmål En utvikling fra rådata til et fremdriftsmål kan presenteres gjennom følgende fire trinn[9]: 1. Identifiser råkilden 2. Foreta en innsamling av rådataen 3. Prosesser rådataen 4. Presenter fremdriftsmåling For å få tak i informasjonen forutsettes det blant annet at datakilden er tilgjengelig og fysisk mulig å hente ut. I tillegg burde informasjonen være enkel å prosessere og videre kunne gi ut et lesbart fremdriftsmål. Flere andre aspekter vil bli nevnt i de ulike stegene STEG 1: Hvor genereres rådata? Det er identifisert ulike måter å måle fremdrift på og det vil være varierende hvilke datakilder som kan måle fremdrift i ulike typer bedrifter. Valg av rådata for bruk til fremdriftsmålinger burde baseres på primære forretningsprosesser som er av verdiskapende art[20]. Prestasjonsmålinger foretatt i sanntid er i produksjonsindustri intet nytt, men har vært lite utprøvd i bygg-og anleggsbransjen[10]. Byggeprosjekter er komplekse og dynamiske av natur. Evnen til å identifisere nøkkelaktiviteter utført på byggeplass ved hjelp av utstyr og ansatte, kan forbedre kvalitet og pålitelighet av beslutningstaking og ledelse i prosjektet[21]. Verdikjeden viser at en sentral forretningsprosess er leveranser til byggeplass og produksjon på byggeplass.

2 Dermed vil aktivitet på byggeplass være et relevant mål. Det er antatt at aktivitet på byggeplass er mulig å kvantifisere, for eksempel ulike varianter av produktivitet. Slike harde mål vil være enklere og mindre kostbar å få tak i enn myke mål[20]. Disse er knyttet til tre kritiske ressurser og kan generaliseres som i figur over og er nummerert under[9]. 1. Arbeidskraft 2. Utstyr 3. Materialer Informasjon om planlagt fremdrift kan imidlertid genereres og formidles gjennom informasjonssystemer STEG 2: Innsamling av rådata Datainnsamling er definert som å utnytte ulike innsamlingteknikkertil å skaffe rådata fra ulike kilder[22]. Innsamling av rådata kan deles inn i to ulike kategorier[23]. Den første er innsamling av data fra fremdriftsplan og arbeidspakker som gir informasjon om planlagte aktiviteter, mens den andre tar for seg informasjon om utført arbeid på byggeplass[23]. Andersen foreslår at data kan samles inn fra eksisterende digitale eller analoge lagringsportaler, måle tid eller volum fysisk eller sette opp en ny mekanisme for å fange data elektronisk[20]. Noen aspekter som burde adresseres ved en slik datainnsamling er tilgjengelighet, presisjon av data og målemetodikken bak[20]. Faglitteraturen de siste årene fokuserer i stor grad på tilgjengeligheten av store data eller Big Data. Data som er lagret elektronisk og oppdatert jevnlig er den beste prestasjonsdataen å bruke i et prestasjonsmålingssystem[20]. Andre indikatorer kan være av en mykere art som beskrives som mål som ikke er enhetsbaserte men en skjønnsmessig vurdering[20]. Disse kan likevel være minst like viktige å samle inn som faktabaserte harde mål[20]. Tilgjengelighet I følge Olsson og Bull-Berg påvirkes tilgjengeligheten av data av ulike forhold[24]. Tilgjengelighet påvirkes blant annet av hvem som er eieren av rådataen og dermed om den kan og vil utleveres. Eiendomsrett defineres som hvem som faktisk sitter på rettighetene til informasjonen som blir samlet inn[24]. Dette kan være ulike aktører i et prosjekt, eller aktører utenfor prosjektet. Olsson og Bull-Berg skiller på eierskap av rådata og eierskap av aggregerte data, og at innsamler av rådata vil være eier av denne, mens den som utfører aggregering av rådata vil være eier av den aggregerte versjonen[24]. Data kan også være tilgjengelige, men ikke tatt i bruk fordi man ikke har sett potensiale for anvendelse[24]. Disse må derfor etterspørres. Tilgjengelige datakilder kan i følge Sørensen et al. deles inn i tre ulike kategorier[25]: 1. Nytt byggeutstyr (generere, dele og lagre data om bruk) 2. Data fra interne IT-system (planlegging, anskaffelser og BIM) 3. Mennesker (genererer en stadig økende mengde informasjon) Dette kan være datakilder som kan formidle eller generere informasjon i byggprosjekter. Informasjonen fra disse datakildene kan i noen tilfeller karakteriseres som Big Data, som er kvantifiserbare fakta av ulike typer format. George et al. Legger frem at nytten av store data er liten og at det burde foretas smart datafangst[26]. For byggebransjen kan derfor metodikken fra Big Data benyttes på mindre datasett, datasett som enten er nye data eller eksisterende ubrukte data[25]. Disse dataene kan ha høyt detaljnivå, og innebære mål på lokasjon, tid og metadata[25].

3 Relevans og pålitelighet Pålitelighet av målinger kan antas å øke hvis det gjennomføres med mindre avhengighet av menneskelig bearbeiding[10]. Noen ganger kan det likevel være utfordrende å finne en erstatning for menneskelige målinger. Andersen legger frem at formålet med målingen vil avgjøre om presisjonen er god nok eller ikke[20]. For å sikre relevans og pålitelighet ved bruk av ulike Big Data-kilder bør datakilder kvalitetssikres mot andre mer tradisjonelle datakilder[24]. Dette kan for eksempel være fremdriftsmålinger utført av entreprenør eller byggledelsen. Hyppighet og måleperiode Målingshyppighet er definert som hvor ofte en måling utføres[20]. Det er generelt ønskelig med høy hyppighet med korte måleperioder for å avdekke avvik fra daglig drift og for å gjøre raske endringer. Målinger over en lengre periode vil imidlertid kunne avdekke trender. Nødvendig hyppighet av måling vil imidlertid variere med hvor mye en prestasjon varierer over tid[20]. Imidlertid vil manuelle målinger være tidkrevende og hyppige målinger kan derfor være urealistisk å gjennomføre[20]. Hvis hyppige målinger er viktig kan dermed automatiske målinger vurderes. Universelle mål Ved utvikling av en prestasjonsmåling må det tas hensyn til at er hvert prosjekt er unikt[23]. Det bør derfor vurderes hvilke dimensjoner av et prosjekt som er universelle hvis det er ønskelig å utvikle målinger som kan brukes på flere prosjekter[23]. Potensielle datakilder Mange eksisterende objekter for innsamling av data er allerede identifisert i faglitteraturen. Noen av disse vil bli presentert under. Smarttelefon I dag tilbyr en mobil mange funksjonaliteter som kan være av interesse. Mobiltelefoner kan spore geografisk lokasjon gjennom posisjoneringssystemer, ta opp lyd med mikrofonen, fotografere, filme, måle gravitasjon, registrere strekkoder og registrere annen multimedieinformasjon[22]. Resultater fra en casestudie viste at ved å bruke smarttelefonens innebygde sensorer, ville det gi en presisjon på over 98prosent i gjenkjennelse om en motor var av, gikk på tomgang eller var i drift[21]. Loggfiler Loggfiler er en utbredt metode for datainnsamling og finnes i om lag alle digitale enheter[22]. Loggfiler genereres automatisk av et datakildesystem, og registrerer aktiviteter i ulike formater[22]. Radio Frekvens Identifikasjon (RFID) er en teknologi som muliggjør sporing av materialer og maskiner på en byggeplass[27]. En RFID-brikke vil ha et unikt IDnummer og vil kunne fanges opp automatisk av en RFID-leser tilknyttet GPS[27]. Dette kan gjøres av ansatte og maskiner og utstyr som frakter objektet som bærer RDIF-brikken[27]. Sensorer En vanlig innsamlingsmetode i dagliglivet er ved hjelp av sensorer[22]. Sensorer kan måle fysiske størrelser og konverterer dem til digitale signaler for behandling og lagring[22]. Eksempler på aktuelle råkilder for sensorer er tale, lydbølge, vibrasjon, vær, trykk, temperatur etc[22]. Informasjon fra slike sensorer kan anvendes i videoog overvåkningssystem og kan gi relevant informasjon[22]. Mange maskiner i dag er utstyrt med avanserte sensorer, digitale nettverk med ulike harde mål. Det

4 meste av materialflyt som foregår på byggeplass gjøres med maskiner/kraner, og kan derfor måles her. En utfordringen i dag er at informasjonen i liten grad lagres eller overføres til et formål. Tilgjengelige data kan være ledetid, reisetid med og uten last, tømmetid, dødtid[9]. Kran kan også gi ut nøyaktige data om vekt og posisjon[10]. Det er identifisert ulike alternativer for å måle indirekte parametre og konvertere de til noe av høyere relevans for fremdrift. En av disse er lokasjon av arbeidere, som kan benyttes som en indirekte parameter for å måle arbeidsproduktivitet[10]. I følge Navon har det blitt foretatt eksperimenterer som konverterer lokasjon til produktivitet på byggeplass med høyt presisjonsnivå[10]. Det ble gjennomført manuelle målinger parallelt i eksperimentet, for å avdekke om målingene samsvarte med fysisk utførte aktiviteter. Resultatene viste av flesteparten av aktivitetene målt gjennom modellen og manuelt hadde et avvik på mindre enn +-12prosent. Samme prinsipp har blitt testet for gravemaskiner med et avvik på -2.2 til 4.4 prosent[10]. Cheng og Teizer har presentert tre casestudier relatert til datamåling og visualisering av aktiviteter på byggeplass[9]. En generell metodikk var å benytte seg av kommersielt tilgjengelige sporingssensorer. Disse var plassert på maskiner, kraner og arbeidere på byggeplass. I følge[10] vil nesten alle komponenter på byggeplass bli transportert via maskiner eller kraner. I Cheng og Teizers casestudier var den foretrukne teknologien sensorer med liten størrelse, som kunne festes på arbeiderne[9]. Sporingsenhetene, som var identifisert med hver sitt sporingsnummer, var også robuste til å takle harde forhold som kan forekomme på byggeplass. I tillegg hadde de en nøyaktighet som klarte å skille ut aktiviteter som materialhåndtering STEG 3: Prosessering av data Som nevnt i kapittel 3 er data om planlagt utført arbeid og gjennomført arbeid nødvendige parametre for å kunne måle fremdrift. Tidligere har noe data blitt analysert isolert, men det er her et potensial for å kombinere ulike typer data[25]. Som nevnt i 4.1 finnes det kilder for rådata på byggeplasser. I prosessering av disse ligger utfordringen ofte i at det er lav digital samhandling mellom de ulike datakildene. Det kan innebære at datakildene er spredt utover, og isolert fra hverandre[25]. Videre kan de også være i ulike format. Dette skaper en utfordring i å gjøre konsolidering av data mulig[9]. Cheng foreslår to alternativer som kan være problemløsere til dette: 1. Anvend en protokoll som tilpasser seg en vilkårlig datastrøm. 2. Begrens input data til en uniform løsning. Hvis data hentes fra ulike teknologier kan det dermed være utfordrende gjøre datafusjon mulig[9]. Det er også forventet at rådata fører med seg støy og feil som må filtreres ut. Mer eller mindre avanserte algoritmer kan måtte utvikles for å filtrere disse ut og for at dataene skal gi mening sammen[9] STEG 4: Fremdriftsmål Hvis hensiktsmessige sanntidsmål utvikles, vil en sammenligning av inntjent verdi og planlagt verdi kunne gjennomføres. Sanntidsdata kan identifisere avvik fra fremdriftsplanen, samt avdekke kvalitet på gjennomføring[28]. Av mange ulike utfall kan dette avviket visualiseres gjennom Schedule Performance Index (SPI) i en Inntjent Verdi-analyse eller Plan Percent Complete (PPC) i et Last Planner-system[28; 29]. Basert på

5 trender fra inntjent verdi kan eventuelle prognoser beregnes for sluttresultat i et prosjekt[8]. En alternativ metode for å skape en intuitiv visualisering, er å vise avvik fra planlagt produksjon ved å knytte det til bilder av planlagt versus faktisk produsert på byggeplass. Hvis man kombinerer virkelige bilder fra byggeplass med relevante komponenter med 3D-modell kan dette oppnås[29]. Hvis denne informasjonen er digital kan den være uavhengig av sted og dermed bli lettere tilgjengelig for interessenter. Dette vil kunne gi en bevisstgjøring om situasjonen til alle mulige interessenter, og kan føre til at kvalitet på beslutningstaking øker[9]. Nytteverdi Prosess fra rådata til fremdriftsmål kan være både ressurs-og tidkrevende, og det er derfor viktig å vurdere disse aspektene mot nytteverdien av dataene[24]. Hvis datakilder kan antas å erstatte en eksisterende tidkrevende prosess, bør disse datakildene vurderes[24]. Dette vil være en totalvurdering av aspekter nevnt tidligere i dette avsnittet, samt andre ekskluderte aspekter nevnt i avsnitt 1.4. En oppsummering av de ulike stegene fra rådata til en fremdriftsmåling er presentert i tabell 4.1. Rådata Innsamling Prosessering Fremdriftsmål Det kan identifiseres nøkkelaktiviteter i prosjektet. Videre kan det utføres et søk etter kritiske ressurser tilknyttet aktiviteten. Dette kan være knyttet til som materialer, utstyr og arbeidsskraft Fremdriftsplaner kan inneholde informasjon om planlagt aktivitet. Mennesker, utstyr og informasjonssystemer kan generere informasjon om fysisk utført arbeid. Potensielle kilder kan være marttelefon, loggfiler og sensorer. Innsamling av data influeres av: tilgjengelighet av data, relevans, pålitelighet og hyppighet av innsamling. Prosessering er avhengig av format på data, støy rådata kan inneholde og hvor mange datakilder som må kombineres for å gi ut et fremdriftsmål. Data kan begrenses til å ha en standardisert utforming for å gjøre prosessering enklere. Fremdriftsmålinger kan visualiseres eksempelvis gjennom grafer for å avdekke trender eller ved prosentvis utført arbeid. Opptrer informasjon digitalt kan den bli tilgjengelig for prosjektdeltakere uavhengig av lokasjon. Totalvurdering av nytte burde foretas. Figur 4.1: Oppsummerende tabell fra rådata til fremdriftsmål Kilde: Karlsen, Therese & Funderud, Matilde (2016): "Hvordan styrke fremdriftsmåling i byggeprosjekter?", Prosjektoppgave, Inst. for produksjon- og kvalitetsteknikk, NTNU