Simulationsmodell-Risikobasiertes Planungstool für Fertigungsanlagen mit hoher Produktvielfalt und geringen Stückzahlen mit sequenzabhängigen Rüstzeiten

Die Herausforderung

von Jose E. Linares Blasini, Sonia M. Bartolomei Suarez, Wandaliz Torres-Garcia

Vorgestellt auf der Wintersimulationskonferenz 2019

Die Verwendung einer deterministischen Planung für Produktionsanlagen mit hohem Mischungsgrad und geringem Volumen ist aufgrund der inhärenten Variabilität und des Auftretens unsicherer Ereignisse in der Fertigung ineffizient und veraltet. In diesem Projekt wird ein robustes Planungswerkzeug für eine Produktionsanlage mit hohem Mischungsanteil und geringem Volumen mit sequenzabhängigen Rüstzeiten entwickelt, das einige der inhärenten Schwankungen in der Produktionsstätte berücksichtigt. Dieses Planungswerkzeug wird mit Hilfe des Simio-Softwarepakets erstellt, um die Erstellung von Plänen zu ermöglichen, die sich an die Bedürfnisse der Planer anpassen und gleichzeitig die Produktionseinschränkungen berücksichtigen. Dieses Analysewerkzeug wurde erstellt, um ein bestehendes Problem für einen lokalen Industriepartner zu lösen, und es wurde anhand einer Fallstudie weiter untersucht.

Einführung

Die Produktionsplanung in einem realen Szenario ist sehr komplex, insbesondere wenn der Prozess zeitaufwändige und sequenzabhängige Umstellungen beinhaltet. Produktionsanlagen mit einem großen Volumen an Produkten aus einer kleinen Mischung von Familienprodukten (High-Volume & Low-Mix) können die Planungsaufgabe mit mehr Leichtigkeit bewältigen, da weniger Umstellungen erforderlich sind. Genau das Gegenteil tritt im Planungsprozess einer Produktionsumgebung mit hohem Mix und geringem Volumen auf. Die Komplexität bei der Erstellung eines Zeitplans nimmt zu, da immer mehr Umstellungen erforderlich sind, um die Nachfrage zu befriedigen. Eine Möglichkeit, die Komplexität der Planung zu bewältigen, ist der Einsatz eines Simulationsansatzes. Ein ordnungsgemäß validiertes Simulationsmodell, das den größten Teil der Variabilität in der Produktionsumgebung erklärt, wird als Input für die Optimierung von Ressourcen und Zeitplänen verwendet. Die Variabilität des Systems lässt sich durch ein Simulationsmodell mit genau definierten Zufallsvariablen wie Ausfallzeiten, Reparaturzeiten, Fehlzeiten, Bearbeitungszeiten und Umrüstzeiten erfassen. Ein Zeitplan, der die Schwankungen in der Fertigung zusammen mit anderen Details berücksichtigt, kann dazu beitragen, Rückstände bei der Nachfrage nach bestimmten Produkten zu verringern. Ein wichtiger Entscheidungsfaktor im Planungsprozess ist die verwendete Dispositionsregel, die wir in dieser Arbeit mit Hilfe von Simulationen untersuchen.

Die Lösung

Methodik

Für die Erstellung des Dispositionswerkzeugs wurde das Softwarepaket Simio verwendet. Insbesondere die Option Risk-based Planning and Scheduling (RPS), die einen Zeitplan mit einem eingebetteten Simulationsmodell erstellt (Kelton 2014). Dieser Zeitplan zeigt eine detaillierte Zuweisung von Aufträgen zu Ressourcen auf der Grundlage verschiedener Einschränkungen wie der Anzahl der Maschinenbediener, Arbeitsschichten, Maschinenkapazitäten, Ausrüstungsausfallzeiten und Reparaturen. Diese deterministischen Zeitpläne werden mithilfe eines Simulationsmodells erstellt. Dieses Tool wurde nach den typischen Simulationsschritten entwickelt: Systemverständnis, Datenerfassung, konzeptioneller Entwurf, Input-Analyse, Modellentwicklung, Modellverifizierung, Modellvalidierung, Erstellung von Zeitplänen, Risikoanalyse und Experimentieren.

Die erste Herausforderung bei der Erstellung des Simulationsmodells war der Mangel an robusten Informationen, die auf standardisierte Weise gesammelt wurden. Daher wurde ein Datenerfassungsprozess entwickelt und implementiert, um das Variabilitätsverhalten des Systems zu charakterisieren, das zuvor nur unzureichend bekannt war. Das Verständnis dieser Unsicherheiten ermöglichte ein repräsentativeres Modell. Darüber hinaus bestand die Notwendigkeit, mit Hilfe von Simio Add-on-Prozessen maßgeschneiderte logische Unterprogramme zu erstellen, um die Herausforderungen bei der Modellierung zu bewältigen und eine genaue Darstellung des Systems zu erhalten. Einige der Herausforderungen bei der Modellierung sind: (1) Bestimmung des Umfangs der prozessbegleitenden Probenahme nach Teilenummer, (2) Auslösung von Inspektionen, (3) Verarbeitung fehlgeschlagener Messungen, (4) Bearbeitung von Ausrüstungsreparaturen, (5) Abwesenheit von Maschinenbedienern und (6) vorbeugende Wartung. Das Simulationsmodell verfügt über ein Grundgerüst aus verknüpften Tabellen, die alle für das Funktionieren des Modells erforderlichen Informationen enthalten. Diese können zu Versuchszwecken für verschiedene Planungsszenarien leicht bearbeitet werden. Es wurden zwei Simulationsmodelle erstellt, eines mit 20 Maschinen, die eine reale Produktionsanlage darstellen, und das andere mit 10 Maschinen, um mit Dispositionsregeln und anderen Faktoren zu experimentieren. Die Nachfragedaten, die für das kleinere Modell generiert wurden, bestanden aus 186 Aufträgen mit 93 eindeutigen Teilenummern, um eine High-Mix-Fertigungsanlage mit geringem Volumen und zwei verschiedenen, von der Routingsequenz abhängigen Szenarien darzustellen.

Die geschäftlichen Auswirkungen

Ergebnisse

Die Fertigungshalle wurde unter Berücksichtigung der realen Informationen und der simulierten Variabilität simuliert, je nachdem, welches Modell untersucht wurde. Die Genauigkeit des branchenorientierten Modells wurde überprüft und validiert, während das Fallstudienmodell ordnungsgemäß überprüft und untersucht wurde. Das kleinere Modell mit zehn Maschinen wurde verwendet, um mit sieben verschiedenen Dispositionsregeln (FirstInQueue, EarliestDueDate, Critical Ratio, Shortest ProcessingTime, Least Slack Time und Longest Processing Time) zu experimentieren, um monatliche Zeitpläne zu erstellen, die die Fertigstellungszeit der Aufträge reduzieren. Die Dispatching-Regel, die in Bezug auf die Fertigstellungszeit der Aufträge am besten abschnitt, war Least Setup Time, nachdem das Experiment mit über 600 Wiederholungen durchgeführt wurde, um die Halbwertsbreite des Konfidenzintervalls auf 1 Stunde zu reduzieren. Es wurden weitere Experimente durchgeführt, um die optimale Anzahl von Maschinenbedienern zu ermitteln, die für die verschiedenen Arbeitsschichten benötigt werden, um die Fertigstellungszeit und die Arbeitskosten mit der Dispositionsregel "Geringste Rüstzeit" zu minimieren. Die Ressourcenmenge pro Schicht wurde unter Verwendung von 3 bis 7 Bearbeitern mit Arbeitskosten von $25/Std. und unter Verwendung des OptQuest Add-Ins optimiert. Das beste Szenario für die 1., 2. und 3. Schicht bestand aus 3, 3 bzw. 2 Maschinenführern.

Schlussfolgerung

Letztendlich wurde in dieser Arbeit ein Simulationswerkzeug entwickelt, das die inhärente Variabilität in einer Produktionsanlage mit hohem Mischungsgrad und geringem Volumen und sequenzabhängigen Rüstzeiten modelliert und in die Erstellung risikobasierter Pläne einfließt, die es ermöglichen, mögliche Verspätungen vorherzusagen und die Pläne bei Bedarf dynamisch zu aktualisieren. Die Erstellung des Simulationsmodells für eine reale Fertigungsanlage lieferte unserem Industriepartner eine Fülle von Informationen, die ihm ein besseres Verständnis seines Systems ermöglichten. Die Datenerfassung half, viele Ineffizienzen im Fertigungsprozess zu identifizieren. Beispielsweise war die Reihenfolge der Prüfmessungen im Fertigungssystem nicht für alle Teile optimal, so dass mehr Zeit für die Durchführung aller Messungen benötigt wurde. Diese wurden dokumentiert und dem zuständigen Vorgesetzten zur Verfügung gestellt. Die Modelle enthielten viele detaillierte Einschränkungen und führten zu einer sehr großen Dateigröße des Modells. Aufgrund der Komplexität des Modells erforderte die Erprobung des Systems und der jeweiligen Alternativen mit verschiedenen Steuerungen viel Computerleistung und Zeit. Zukünftige Arbeiten würden sich darauf konzentrieren, das Modell recheneffizienter zu machen, die Kostenfunktion zu verbessern (z. B. Hinzufügen von Ausrüstungskosten, Gemeinkosten) und ihre Auswirkungen zu berücksichtigen. Das Simulationswerkzeug mit Ressourcenplanungs- und Terminierungsfunktionen kann sowohl für lange als auch für kurze Zeithorizonte verwendet werden, um den Planungsprozess in Systemen mit hohem Mix und geringem Volumen voranzutreiben.

Referenzen

Kelton, W. D., Smith, J. S., & Sturrock, D. T. 2014. "Simio und Simulation: Modeling, analysis, applications". Sewickley, PA: Simio Forward Thinking.