In klassischen Bearbeitungswerkstätten wird ein Bediener pro Maschine eingesetzt. Die Produktionslinie, mit der wir arbeiten, ist jedoch stark vernetzt und wir sehen nun die Möglichkeit, die Aufgaben dynamischer auf die Arbeiter zu verteilen. Ein ereignisdiskretes Simulationsmodell der Produktionslinie zur Herstellung von Metallteilen wird erstellt, um verschiedene Zuweisungsstrategien zu testen. Wir messen, wie fortschrittlichere Strategien zu einer höheren Effizienz führen.
APN Global ist ein Produktionsunternehmen, das sich auf die Herstellung von komplexen und hochpräzisen Metallteilen spezialisiert hat. Das Unternehmen beliefert verschiedene Industriezweige, darunter auch den Luftfahrtsektor. Der Fertigungsprozess umfasst CNC-Maschinen, automatische Messstationen, manuelle Messstationen und kollaborierende Roboter. Menschen werden für verschiedene Aufgaben benötigt (z. B. Hinzufügen von Rohmaterial, Auswechseln eines Werkzeugs, Entfernen von Spänen, Qualitätskontrolle usw.). APN sammelt eine beeindruckende Menge an Daten, und die Fertigungstätigkeiten und die Entscheidungsfindung sind weitgehend automatisiert. Die Zuteilung der Arbeitskräfte erfolgt jedoch nach wie vor wie in klassischen Bearbeitungswerkstätten: Es wird einfach ein Bediener pro CNC-Maschine zugewiesen (obwohl ein Bediener für mehrere CNC-Maschinen zuständig sein kann). Das Ziel von APN ist es, mehr Maschinen mit der gleichen Anzahl von Mitarbeitern zu bedienen. Daher haben wir ein ereignisdiskretes Simulationsmodell entwickelt, um Strategien für die Zuweisung von "Mikroaufgaben" an die Arbeiter statt an die Maschinen zu bewerten.
Wir haben zunächst ein ereignisdiskretes Simulationsmodell mit SIMIO entwickelt. Während bei den meisten Simulationsmodellen der Schwerpunkt auf dem Produktfluss liegt, bestand unser Bedarf darin, Sequenzen von Aufgaben zu modellieren: einige werden von Arbeitern ausgeführt, einige von Arbeitern und Maschinen, andere einfach von Maschinen. Eine konzeptionelle Darstellung des Modells ist in Abbildung 1 zu sehen. Das Werk verfügt über 21 CNC-Maschinen (c), 31 Arbeiter mit unterschiedlichen Fachkenntnissen, (d) vier Messmaschinen (f), darunter zwei Koordinatenmessmaschinen (KMG), ein optischer Komparator und ein manueller optischer Komparator. Aus dem APN-Produktionsplan (a) können wir eine Liste von Aufgaben ableiten: Teilebearbeitung (blau), Messung (rot) und andere (gelb). Die Teile werden auf CNC-Maschinen bearbeitet. Gleichzeitig werden andere Aufgaben von den Arbeitern an einem Arbeitstisch (b) erledigt, auch wenn für einige Aufgaben die CNC angehalten werden muss. Nach dem Verlassen des Arbeitsplatzes (e) müssen einige Teile zur Qualitätskontrolle vermessen werden. Dies ist ein komplexer Prozess, an dem viele Maschinen und Arbeiter beteiligt sind. Wenn eine Messung außerhalb der Spezifikation liegt, wird eine Korrekturmaßnahme (z. B. ein Werkzeugwechsel) erstellt und an erster Stelle in die Warteschlange eingefügt.
Die verschiedenen Aspekte des Systemmodells wurden durch Interviews mit Experten, die bei APN arbeiten, validiert, um zu bestätigen, dass das Modell die Realität vor Ort abbildet. Die erwartete Dauerverteilung für die Produktionsaufgaben wurde aus der historischen Datenbank des Manufacturing Execution Systems (MES) extrapoliert. Messung und Qualitätskontrolle beruhen jedoch auf Vermutungen der Verfahrenstechniker.
Abbildung 1: Konzeptionelle Darstellung des Simulationsmodells.
Verschiedene Strategien wurden hinsichtlich ihrer Auswirkungen auf die Produktivität (Gesamtzeit, die für die Durchführung eines Produktionsplans benötigt wird) und die von den Arbeitern zurückgelegte Gesamtstrecke verglichen. Das Basisszenario wird als OneWorker bezeichnet. Ein Arbeiter wird einer CNC zugewiesen. Sobald seine Schicht zu Ende ist, übernimmt ein anderer Arbeiter. Beim ListWorkers-Szenario wissen wir, dass jeder Arbeiter für welche Maschinentypen und Aufgaben ausgebildet ist. Für jede Aufgabe weisen wir ihr dynamisch den nächstgelegenen freien und kompatiblen Arbeiter zu. Als Obergrenze haben wir auch das utopische AllWorkers-Szenario simuliert, bei dem jeder Arbeiter für alle Maschinen und Aufgaben ausgebildet wäre. Nachfolgend sind die durchschnittlichen Ergebnisse von 100 Replikationen (95 % Konfidenzintervall) eines einzigen gegebenen Produktionsplans dargestellt (die Datenextraktion war sehr zeitaufwendig).
Abbildung 2: (a) Produktionszeit (in Stunden) und (b) von den Arbeitern zurückgelegte Gesamtstrecke (km).
Im Durchschnitt reduziert die dynamische Zuweisung (ListWorkers) die Gesamtproduktionszeit um 40,4 % (siehe Abbildung 2). Noch überraschender (und eine Erklärung für das vorher Gesagte) ist, um wie viel sich auch das Konfidenzintervall verkleinert. Im ListWorkers-Szenario sind wir in der Tat viel weniger von der stochastischen Natur der Bearbeitungszeiten betroffen. Das AllWorkers-Szenario führt zu zusätzlichen Verbesserungen, setzt aber erhebliche Trainingskosten voraus. Die Gehstrecke (Abbildung 3) ist für OneWorker und ListWorkers sehr ähnlich. AllWorkers wirkt sich stark auf die Laufwege aus.
Es wurde eine ereignisdiskrete Simulation entwickelt, um die Aufgabenverteilung in einer Werkstatt für die Bearbeitung von Präzisionsmetallteilen zu simulieren. Das Hauptziel war es, zu messen, wie gut die Produktivität verbessert wird, wenn mehr Arbeiter eine bestimmte Aufgabe bearbeiten dürfen. Der nächste Schritt besteht darin, zusätzliche Experimente für viel mehr Produktionspläne durchzuführen (d. h. zusätzliche Daten zu erhalten). Wir werden auch fortschrittlichere Regeln für die Aufgabenverteilung testen und sie im Hinblick auf andere Kriterien (z. B. Fairness) bewerten. Im Anschluss daran muss das Unternehmen ein System entwickeln, mit dem die Aufgaben den Arbeitnehmern in der Praxis zugewiesen werden können.