Assemblagelijn

Een assemblagelijn is een productiemethodologie die een proces opsplitst in discrete stappen die op een iteratieve manier worden uitgevoerd. De assemblagelijnproductie heeft haar wortels in de verwerkende industrie en wordt vaak geassocieerd met Henry Ford en de massaproductie van auto's.

Fords inspiratie om over te stappen op een continue-productiemethode kwam waarschijnlijk uit verschillende voedselgerelateerde industrieën, maar wordt vaak toegeschreven aan zijn observatie van hoe demontagelijnen werden gebruikt in de vleesverwerkende industrie aan het begin van de vorige eeuw. Ford merkte op dat arbeiders in vleesfabrieken in een stilstaande positie steeds dezelfde kleine taak uitvoerden, terwijl het product - in dit geval een dierenkarkas - in beweging kwam. Omdat de arbeiders slechts verantwoordelijk waren voor één kleine taak, konden de managers van de fabriek ongeschoolde arbeiders inhuren en hen zo nodig vrij gemakkelijk vervangen.

Als gevolg van wat hij leerde, veranderden Henry Ford en zijn managers de manier waarop Ford-auto's werden geproduceerd en gebruikten zij vier leidende principes om de productiekosten te verlagen:

  • Maak een arbeidsverdeling
  • Minder verspilde moeite
  • Gebruik uitwisselbare onderdelen
  • Produceer in een continue stroom

In 1908 introduceerde de Ford Motor Company de bewegende assemblagelijn en wist de productietijd voor een enkele auto met succes terug te brengen van meer dan 12 uur tot slechts 93 minuten. De verandering in het productieproces zorgde ook voor een aanzienlijke verkorting van de assemblagetijd per voertuig en een verhoging van de winstmarge voor elke auto.

De productieprincipes van Ford zijn overgenomen door talloze andere industrieën. Vandaag de dag zijn assemblagelijnen gangbare methoden voor de assemblage van complexe voorwerpen zoals transportmiddelen, huishoudelijke apparaten en elektronische goederen. Assemblagelijnen en de productie-industrie blijven evolueren met technologische innovaties zoals arbeidsautomatisering, 3D-printing en machine learning.