Skalierung der Fertigung um das 45-fache: Wie die LMAC Group Simio einsetzte, um einen Metallbearbeitungsbetrieb zu transformieren

Die Herausforderung

Einführung

Als ein neuseeländisches Metallverarbeitungsunternehmen die Produktion seines firmeneigenen Produkts von 600 auf 26.000 Einheiten erhöhen musste - eine Steigerung um das 45-fache - stand es vor einer wichtigen strategischen Entscheidung. Konnte das Unternehmen diese enorme Skalierung erreichen und gleichzeitig die Produktion im Land halten und die Stückkosten senken? Anstatt Investitionsentscheidungen auf der Grundlage von Annahmen zu treffen, entwickelte das Unternehmen gemeinsam mit der LMAC Group einen datengestützten Ansatz unter Verwendung der Simulationssoftware Simio.

In dieser Fallstudie wird untersucht, wie die LMAC Group die Simulation nutzte, um den gesamten Produktionsprozess zu modellieren, Einschränkungen zu identifizieren, Optimierungsszenarien zu testen und eine zukünftige Fabrik zu entwerfen, die in der Lage ist, ehrgeizige Produktionsziele zu erreichen. Das Projekt zeigt, wie die Simulationstechnologie die Entscheidungsfindung in der Fertigung verändern kann, indem sie konkrete Daten vor der physischen Umsetzung liefert, was letztendlich das Risiko reduziert und die Kapitalinvestitionen optimiert.

Kundenhintergrund

Die LMAC Group ist ein neuseeländisches Produktivitätsberatungsunternehmen, das im Jahr 2005 gegründet wurde. Mit Beratern in Neuseeland, Australien, dem asiatisch-pazifischen Raum und Europa hat sich LMAC darauf spezialisiert, Unternehmen dabei zu helfen, durch strategische betriebliche Verbesserungen hohe Leistungen zu erzielen. Ihr Ansatz integriert Lean-Methoden, Prozessoptimierung und Technologie-Implementierung, um die Transformation sowohl auf Unternehmens- als auch auf Branchenebene voranzutreiben.

"Wir sind stolz darauf, unabhängig zu sein", erklärt Adam, der Vertreter von LMAC, der dieses Projekt leitete. "Unsere Aufgabe ist es, Unternehmen dabei zu helfen, ihre Strategie zu verstehen, den Wandel, den sie durchlaufen müssen, um diese Strategie zu erreichen, und sie dann unabhängig zu beraten, welche Software, welche Automatisierung oder welche Märkte sie angehen sollten."

Bei dem Kunden in dieser Fallstudie handelt es sich um ein neuseeländisches Metallverarbeitungsunternehmen, das sich auf die Entwicklung, Fertigung und Produktion von Metallprodukten spezialisiert hat. Das Unternehmen hatte ein firmeneigenes Produkt entwickelt, das in einer Pilotproduktion von 600 Stück mit den vorhandenen Anlagen, Geräten und Mitarbeitern erfolgreich hergestellt wurde. Das Produkt hatte sich auf dem Markt als erfolgreich erwiesen, so dass es dringend erforderlich war, die Produktion drastisch zu erhöhen, um die Nachfrage zu befriedigen.

Aufgabenstellung

Das Metallverarbeitungsunternehmen stand vor einer komplexen Skalierungsherausforderung mit mehreren Beschränkungen und Zielen:

• Produktionsvolumen: Skalierung der Produktion von 600 Einheiten auf ca. 26.000 Einheiten im gleichen Zeitraum - eine 45-fache Steigerung des Ausstoßes.
• Kostenreduzierung: Gleichzeitige Senkung der Produktionskosten pro Einheit, um die Wettbewerbsfähigkeit zu erhalten.
• Fertigung vor Ort: Beibehaltung der Produktion in Neuseeland anstelle der Auslagerung an Offshore-Einrichtungen, Förderung der lokalen Beschäftigung und Aufrechterhaltung der Qualitätskontrolle.
• Produktflexibilität: Anpassung an unterschiedliche Produktgrößen und -formen unter Beibehaltung desselben grundlegenden Produktionsprozesses.
• Optimierung der Kapitalinvestitionen: Treffen Sie datengestützte Entscheidungen über Änderungen an der Anlage, die Anschaffung neuer Geräte oder eine vollständige Umgestaltung, um die erforderliche Größe zu erreichen.

Der Herstellungsprozess umfasste mehrere Schritte: Laserschneiden von Blechen in Komponenten, Falten, Montage und Endbearbeitung. Die bestehende Anlage reichte für den Pilotversuch aus, musste aber eindeutig modifiziert werden, um die angestrebte Größenordnung zu erreichen.

"Die Herausforderung für sie besteht nun darin, wie wir die Produktion skalieren können", erklärte Adam. "Das Pilotprojekt selbst war sehr erfolgreich. Aber um die erforderliche Größenordnung zu erreichen, müssen sie eine neue Anlage in Betracht ziehen oder zumindest ihre derzeitige Anlage in irgendeiner Weise optimieren."

• Bevor das Unternehmen erhebliche Investitionen tätigte, musste es sich Klarheit verschaffen:
• die maximal mögliche Produktionskapazität der derzeitigen Fabrikkonfiguration
• die spezifischen Zwänge, die die Produktion in der derzeitigen Anlage einschränken
• Potenzielle Optimierungsstrategien, die ohne größere Kapitalinvestitionen umgesetzt werden könnten
• das optimale Design für den zukünftigen Zustand, falls neue Anlagen oder Einrichtungen erforderlich wären

Die Lösung

Simulations-Ansatz

Die LMAC Group arbeitete mit Simio zusammen, um einen umfassenden Simulationsansatz zu entwickeln, der diese kritischen Fragen beantworten sollte. Das Projekt folgte einer strukturierten Methodik:

1. Prozessabbildung und Datenerfassung

Das Team begann mit der Abbildung des gesamten Produktionsprozesses unter Verwendung von Konstruktionssoftware, um jeden Schritt des Fertigungsflusses zu dokumentieren. Sie sammelten detaillierte Daten über:

• Bearbeitungszeiten der Maschinen
• Rüstzeiten für jeden Arbeitsgang
• Anforderungen an die Materialhandhabung
• Bewegungsmuster der Arbeiter
• Lagerkapazität und -orte

Diese Daten bildeten die Grundlage für die Erstellung eines genauen Simulationsmodells.

2. Entwicklung des aktuellen Modells

In Zusammenarbeit mit Simio entwickelte LMAC ein detailliertes Simulationsmodell, das den gesamten Produktionsprozess vom Rohmaterial bis zum fertigen Produkt abbildet. Das Modell umfasst:

Materialflussmodellierung: Die Simulation verfolgte den Weg der Bleche von der anfänglichen Lagerung über die Schneidevorgänge (bei denen größere Bleche in mehrere kleinere Komponenten umgewandelt wurden), die Lagerung der Komponenten, die verschiedenen Verarbeitungsstationen (Biegen, Formen usw.) und schließlich die Montage und die Lagerung des fertigen Produkts.

Modellierung des Arbeitnehmerverhaltens: Einer der komplexesten Aspekte des Modells war die genaue Darstellung des Verhaltens der Arbeiter, einschließlich:

• Transport von Materialien zwischen den Stationen
• Bedienung von Maschinen, die manuelle Eingriffe erfordern
• Priorisierung von Aufgaben auf der Grundlage der Produktionsanforderungen
• Stapelverschiebung von Materialien, falls erforderlich

"Die größte Hürde für dieses spezielle Modell war die Modellierung der Arbeiter selbst, d. h. die Frage, wie wir die Prioritäten für das Greifen an einer Maschine und das Entnehmen aus einem Regal richtig setzen können", erklärt Chiara, die als Ingenieurin für Simio-Lösungen an dem Projekt gearbeitet hat.

Modellierung von Lagerregalen: Das Team entwickelte eine ausgeklügelte Prozesslogik, um die Einlagerung und Entnahme von Komponenten aus den Regalen in der gesamten Anlage zu modellieren:

• Unterbrechung der Einlagerung bestimmter Produkte, wenn diese nachgelagert werden müssen
• Freigabe von Produkten entsprechend den Produktionsanforderungen
• Verfolgung der Lagerbestände an jedem Lagerort

Maschinelle Verarbeitung: Das Modell enthielt genaue Darstellungen der Fähigkeiten der einzelnen Maschinen, einschließlich:

• Bearbeitungszeiten für verschiedene Produktvarianten
• Rüstanforderungen zwischen Produktwechseln
• Kapazitätsbeschränkungen

3. Entwicklung von Szenarien und Experimente

Nachdem das Basismodell erstellt war, entwickelte das Team Experimente, um verschiedene Optimierungsszenarien zu testen:

Strategien für die Zuweisung von Arbeitskräften: Testen verschiedener Ansätze für die Zuweisung von Arbeitskräften und die Priorisierung von Aufgaben zur Optimierung der Ressourcennutzung.

Änderungen des Schichtmodells: Bewertung der Auswirkungen der Einführung von Mehrschichten zur Steigerung der Produktion ohne zusätzliche Ausrüstung.

Modifikationen der Ausrüstung: Bewertung der potenziellen Auswirkungen einer Kapazitätserweiterung für bestimmte Maschinen, die als Engpass identifiziert wurden.

Anpassungen der Lagerkapazität: Prüfung, ob eine Erhöhung der Lagerkapazität an Schlüsselstellen den Gesamtfluss verbessern würde.

Jedes Szenario wurde anhand des Durchsatzes (fertiggestellte Einheiten), der Maschinenauslastung, der Auslastung der Mitarbeiter und der Identifizierung von Produktionsengpässen bewertet.

Einzelheiten zur Durchführung

Die Umsetzung des Simulationsprojekts umfasste mehrere wichtige Phasen und technische Herausforderungen:

Modellentwicklungsprozess

Das Team verfolgte beim Aufbau des Simulationsmodells einen iterativen, mehrschichtigen Ansatz:

• Basisschicht: Zunächst Festlegung des grundlegenden Prozessablaufs ohne Mitarbeiter zur Validierung der Produktionssequenz.
• Entwicklung der Lagerlogik: Erstellung einer ausgefeilten Prozesslogik zur Modellierung der Lagerregale und des Komponentenflusses zwischen den Arbeitsgängen.

"Als wir mit der Modellierung begannen, bestand der wichtigste Teil darin, das Modell in überschaubare Teilprojekte zu zerlegen", erklärt Chiara. "Wir mussten damit beginnen, wie der Fluss insgesamt aussah. Wir konzentrierten uns zu Beginn nicht zu sehr auf die Zuweisung der Arbeiter, sondern begannen damit, den Fluss, die Prozesse und die Lagerbereiche korrekt zu modellieren."

• Implementierung des Arbeiterverhaltens: Hinzufügen von Arbeitern mit komplexer Entscheidungslogik, um realistisches Verhalten darzustellen.

"Wir mussten die Prozesslogik nutzen, um eine Art Entscheidungsfindung hinzuzufügen, um ihr Verhalten zu ändern und zu sagen: Okay, basierend auf deiner Fahrkapazität, die die maximale Menge sein wird, wann möchte ich, dass du das Produkt kommissionierst? Will ich, dass du es nimmst, wenn noch 25 Stück verfügbar sind? Will ich, dass Sie warten, bis alle 50 Stück verfügbar sind? Oder möchte ich, dass du nur eines nach dem anderen nimmst?" beschreibt Chiara.

• Datenintegration: Verbindung des Modells mit Datentabellen, die eine einfache Änderung von Parametern wie Bearbeitungszeiten, Kapazitäten und Arbeitsplänen ermöglichen.
• Versuchsaufbau: Schaffung eines strukturierten Ansatzes für das Testen verschiedener Szenarien und die Erfassung der Ergebnisse.

Technische Herausforderungen und Lösungen

Während der Implementierung stieß das Team auf mehrere technische Herausforderungen und meisterte diese:

Modellierung von Speicherregalen: Anfänglich verwendete das Team Server zur Modellierung von Wartebereichen, aber dieser Ansatz erwies sich als einschränkend. Das Team ging dann dazu über, Regale mit benutzerdefinierter Prozesslogik zu verwenden, um die Lagerung zu unterbrechen und Produkte nach Bedarf freizugeben.

"Dann gingen wir dazu über, Racks zu verwenden. Aber wie können wir die Lagerung von nur bestimmten Produkten zu bestimmten Zeiten unterbrechen? Dazu haben wir die Unterstützung einiger unserer SIM-Bits genutzt, um die grundlegende Prozesslogik zu verstehen, die wir zur Unterbrechung des Haltens verwenden wollten", erklärt Chiara.

Priorisierung von Arbeitern: Entwicklung einer Logik, die sicherstellt, dass die Mitarbeiter die wichtigsten Aufgaben priorisieren und nicht in ineffizienten Mustern stecken bleiben.

"Wir mussten all das berücksichtigen. Und die größte Hürde für dieses spezielle Modell, als es darum ging, die Arbeiter selbst zu modellieren, bestand darin, zu verstehen, wie wir dem Greifen an einer Maschine und dem Entnehmen aus einem Regal die richtige Priorität einräumen können." bemerkte Chiara.

Modellierung von Stapelbewegungen: Erstellung einer flexiblen Logik zur Darstellung von Arbeitern, die Materialien in Chargen unterschiedlicher Größe auf der Grundlage von Produkteigenschaften bewegen.

Validierung und Verifizierung

Das Team validierte das Modell, indem es seine Ergebnisse mit den bekannten Produktionsergebnissen aus dem Pilotlauf von 600 Einheiten verglich. Auf diese Weise wurde sichergestellt, dass die Simulation das aktuelle Produktionssystem genau abbildete, bevor sie zur Vorhersage künftiger Szenarien verwendet wurde.

Die Auswirkungen auf das Geschäft

Ergebnisse und geschäftliche Auswirkungen

Das Simulationsprojekt lieferte mehrere wertvolle Erkenntnisse und geschäftliche Auswirkungen:

Analyse der aktuellen Kapazität

Die Basissimulation bestätigte, dass die derzeitige Fabrikkonfiguration das angestrebte Produktionsvolumen von 26.000 Einheiten nicht innerhalb des vorgegebenen Zeitrahmens erreichen konnte. Dies bestätigte, dass entweder eine erhebliche Prozessoptimierung oder Kapitalinvestitionen in neue Anlagen erforderlich waren.

Identifizierung von Beschränkungen

Das Modell identifizierte spezifische Beschränkungen im Produktionsprozess:

Ineffiziente Zuteilung der Arbeitskräfte: Die Simulation zeigte, dass die Arbeiter in einigen Bereichen nicht ausgelastet waren, während sie in anderen Bereichen Engpässe verursachten. Durch die Visualisierung der Bewegungen und der Auslastung der Arbeiter konnte das Team Möglichkeiten für eine bessere Aufgabenzuweisung ermitteln.

Maschinenkapazitätsbeschränkungen: Das Modell hob bestimmte Maschinen hervor, die den Gesamtdurchsatz einschränkten, und lieferte klare Ziele für potenzielle Kapazitätssteigerungen.

"Die Dashboards, die z. B. die Maschinenauslastung anzeigen, sind in diesem Bereich sehr hilfreich, weil wir damit zeigen können, dass wir an einem Tag oder in einer Woche so viel produzieren können. Aber wir können auch sehen, wo die Maschinen nicht genügend Material haben und wo es Ausfallzeiten gibt", erklärt Adam.

Begrenzte Lagerkapazität: Die Simulation zeigte Punkte im Prozess auf, an denen unzureichende Lagerkapazität zu Engpässen führte.

Optimierungsmöglichkeiten

Das Testen der Szenarien ergab mehrere Optimierungsmöglichkeiten:

Auswirkungen auf den Schichtbetrieb: Durch die Einführung des Zweischichtbetriebs konnte die Produktionsleistung erheblich gesteigert werden, ohne dass Kapitalinvestitionen erforderlich waren.

Verbesserungen bei der Zuweisung von Arbeitskräften: Die Änderung der Regeln für die Zuteilung von Arbeitskräften verbesserte den Arbeitsfluss und verringerte die Wartezeit, was die Gesamteffizienz erhöhte.

Optimierung der Chargengröße: Durch die Anpassung der Losgrößen für den Materialtransport wurden die Bewegungen der Mitarbeiter im gesamten Werk optimiert.

Datengestützte Investitionsplanung

Am wichtigsten ist vielleicht, dass die Simulation eine datengestützte Grundlage für Investitionsentscheidungen lieferte:

ROI-Berechnung: Durch die Modellierung der Auswirkungen von neuen Anlagen oder Anlagenänderungen vor der Implementierung konnte das Unternehmen den erwarteten ROI mit größerer Genauigkeit berechnen.

Risikoreduzierung: Durch die Möglichkeit, mehrere Szenarien zu testen, wurde das mit großen Kapitalinvestitionen verbundene Risiko praktisch reduziert.

Stufenweise Planung der Implementierung: Mit Hilfe der Simulation konnte ermittelt werden, welche Verbesserungen die größten Auswirkungen haben würden, was eine nach Prioritäten geordnete, schrittweise Umsetzung ermöglichte.

Schlussfolgerung und zukünftige Anwendungen

Die Partnerschaft zwischen der LMAC Group und Simio lieferte erfolgreich eine umfassende Simulationslösung, die die kritischen Fragen des Metallverarbeitungsunternehmens zur Skalierung der Produktion beantwortete. Der Ansatz zeigte, wie die Simulationstechnologie die Lücke zwischen den aktuellen Fähigkeiten und den zukünftigen Anforderungen schließen kann, wodurch Risiken reduziert und Investitionsentscheidungen optimiert werden.

"Ein Großteil der Logik, die wir hier in Bezug auf die Mitarbeiter, die Gestelle und den ersten Server entwickeln konnten, weil dieser erste Server ein Teil aufnimmt und mehrere Teile produziert, hat uns eine Grundlage gegeben, die wir auch anderen Kunden anbieten können, weil viele dieser Herausforderungen, über die wir hier sprechen, in der Fertigung sehr häufig vorkommen", so Adam abschließend.

In der nächsten Phase des Projekts wird ein detailliertes 3D-Modell der vorgeschlagenen zukünftigen Fabrik entwickelt, das den Materialfluss, die Bewegung der Arbeitskräfte und die Anordnung der Anlagen berücksichtigt. Dieses Modell wird genaue ROI-Berechnungen für Kapitalinvestitionen ermöglichen und die Implementierungsplanung unterstützen.

Der in dieser Fallstudie vorgestellte Ansatz lässt sich auf Fertigungsunternehmen übertragen, die vor ähnlichen Skalierungsherausforderungen stehen, insbesondere auf solche, die ihre Produktion im Inland aufrechterhalten und gleichzeitig im globalen Wettbewerb bestehen wollen. Zu den übertragbaren Schlüsselelementen gehören:

• End-to-End-Prozessmodellierung: Die Fähigkeit, komplette Produktionssysteme anstelle isolierter Komponenten zu simulieren.
• Simulation des Arbeitnehmerverhaltens: Ausgefeilte Modellierung von Personalressourcen zur Optimierung der Zuweisung und Ermittlung des Schulungsbedarfs.
• Szenario-Tests: Virtuelles Experimentieren mit verschiedenen Konfigurationen vor der physischen Implementierung.
• Datengestützte Entscheidungsfindung: Ersetzen von Annahmen durch konkrete Daten für die Planung von Kapitalinvestitionen.

Da Fertigungsunternehmen weltweit unter zunehmendem Druck stehen, ihre Abläufe zu optimieren, Kosten zu senken und schnell auf Marktanforderungen zu reagieren, werden Simulationsansätze, wie sie von der LMAC Group und Simio demonstriert wurden, zu immer wertvolleren Werkzeugen für die strategische Entscheidungsfindung und operative Exzellenz.