En una cadena de suministro centrada en la fabricación, el aprovisionamiento de la fábrica es una decisión crítica que impulsa el rendimiento y la entrega a tiempo. Si hay más de un centro disponible para producir un producto, es importante equilibrar la carga entre los centros de producción dentro de la cadena de suministro para garantizar que la capacidad disponible se utiliza de forma óptima para lograr la entrega a tiempo. Esta decisión de aprovisionamiento se realiza normalmente utilizando el software de programación maestra de la producción (MPS) para asignar cada trabajo de producción a un intervalo de tiempo (por ejemplo, semanal) en un centro específico, El resultado del MPS es una lista de trabajos a producir durante cada intervalo de tiempo en cada centro de producción. A continuación, la herramienta de programación detallada de la producción toma el resultado del MPS y genera una programación detallada dentro del intervalo de tiempo actual para un centro específico.
Utilización del enfoque de planificación de la capacidad aproximada
El MPS asume un plazo de producción fijo y utiliza un enfoque de planificación de la capacidad de corte aproximado (RCCP) basado en una medida de capacidad simple (p. ej, total de horas de trabajo asignadas por cubo de tiempo) para seleccionar el cubo de tiempo apropiado y limitar el trabajo que se asigna a cada cubo de tiempo en cada centro de producción, utilizando centros secundarios según sea necesario para evitar la sobrecarga del centro de producción preferido. Sin embargo, en su enfoque RCCP y la medición simplificada de la capacidad disponible, el MPS ignora muchas restricciones de capacidad importantes, como los cambios, el utillaje, la mano de obra, la manipulación de materiales y las reglas de producción. A continuación, el MPS emplea un solucionador heurístico (por ejemplo, CPLEX) que suele tardar horas en resolverse, Aunque los sistemas heredados presentan su solución como óptima, el solucionador heurístico no suele encontrar la solución óptima, sino simplemente la mejor solución que puede encontrar el algoritmo de búsqueda durante el tiempo asignado para resolver el problema (normalmente unas horas).Además, su aproximación aproximada tanto de la capacidad como del tiempo arroja resultados que no suelen ser procesables en el sistema real y, en consecuencia, están desalineados con el programa de producción real, que debe tener en cuenta todas las restricciones pertinentes. Esta desalineación entre el plan maestro y los programas de fábrica detallados se ilustra a continuación y es una de las principales causas del bajo rendimiento de la cadena de suministro.
El problema de un sistema MPS desalineado
Esta desalineación crea incoherencias en toda la cadena de suministro y puede hacer que se planifiquen, compren y transporten materiales incorrectos a cada centro. En muchos casos, el MPS envía más trabajo y materiales asociados a un centro de producción de los que se pueden producir dentro del intervalo de tiempo, dadas las limitaciones reales de producción en el centro de producción.
Como se ilustra a continuación, incluso cuando el MPS genera una lista factible de órdenes de producción, el uso de cubos de tiempo artificiales roba capacidad al sistema, ya que la producción para el conjunto de órdenes asignadas debe aumentar y disminuir al final de cada cubo de tiempo para completar todo el trabajo asignado dentro del cubo de tiempo. Para evitar esta pérdida de capacidad, el programa de fábrica se completa a veces con órdenes de trabajo ad hoc no planificadas, que no forman parte del plan maestro de la cadena de suministro. Estos pedidos ad hoc no suelen coincidir con la demanda de los clientes, lo que abulta el inventario con productos equivocados.
Mejorar el modelo con una simulación detallada
Por el contrario, la Plataforma de soluciones Simio para la cadena de suministro multiplanta captura todas las restricciones críticas en cada centro de inventario y producción a lo largo de un horizonte temporal real y produce un plan coherente, optimizado y procesable en toda la cadena de suministro. Esta solución combina modelos de simulación detallados de cada centro para capturar con precisión el estado evolutivo del sistema, la lógica de reposición DDMRP para generar órdenes de reposición, y redes neuronales para estimar dinámicamente los plazos de producción en cada centro de producción, que luego se utilizan para optimizar la asignación de órdenes de producción a los centros. Este uso sinérgico del DDMRP para planificar cuándo debe producirse el reaprovisionamiento y de las redes neuronales (NN) para optimizar la selección entre los centros de producción candidatos elimina la necesidad del módulo de software MPS, independiente y de larga duración, de preasignar trabajo a cubos de tiempo artificiales en los centros y permite planificar la producción a lo largo de un marco temporal continuo.
Como se ha indicado anteriormente, el DDMRP se utiliza en el modelo de cadena de suministro para generar órdenes de reabastecimiento, que a su vez pueden generar órdenes de producción. Cuando hay más de un centro candidato que puede suministrar la orden de reabastecimiento, es necesario tomar una decisión de abastecimiento. Si el centro preferido dispone siempre de cantidades adecuadas de existencias intermedias, el plazo de entrega disociado (DLT) que se utiliza para dimensionar las existencias intermedias del DDMRP garantiza que el reaprovisionamiento desde el centro preferido se producirá a tiempo para evitar pedidos tardíos. Sin embargo, la variación de la demanda puede hacer que el inventario del centro de reaprovisionamiento preferido sea bajo o esté agotado, y la congestión en un centro de producción preferido puede provocar un plazo de entrega más largo de lo previsto para completar un pedido de reaprovisionamiento, creando así pedidos tardíos. En este caso, deben considerarse centros de reaprovisionamiento alternativos para equilibrar la carga de producción entre los centros.
Cómo influye el plazo de entrega limitado en el modelo
Cada centro candidato tiene un plazo de entrega limitado (CLT) que es diferente del DLT que se utiliza para la planificación DDMRP. El CLT es el plazo de entrega basado en las restricciones reales del sistema dado el estado actual del centro. El CLT se ve afectado por los niveles de inventario, la mezcla de productos y los cambios, la mano de obra, las herramientas, etc. A diferencia del DLT, el CLT cambia dinámicamente a medida que llegan nuevos pedidos al centro y la producción avanza. Por ejemplo, si un centro de producción no tiene existencias y tiene mucho trabajo en curso con una gran mezcla de productos que requiere cambios prolongados, el CLT para un nuevo pedido puede ser significativamente más largo que el DLT utilizado para la planificación DDMRP. En este caso, puede ser conveniente recurrir a un proveedor alternativo con un CLT menor.
El CLT de un centro candidato depende del nivel actual de existencias, de la hora prevista de llegada de los pedidos de reaprovisionamiento que ya estén en curso y de la hora prevista de reaprovisionamiento si debe completarse un nuevo reaprovisionamiento antes de poder servir el pedido. Si un nuevo reaprovisionamiento procede de la producción, el tiempo de reaprovisionamiento es el tiempo de producción previsto dado el estado actual del centro de producción. Si la reposición procede de un proveedor, el CLT es el CLT del proveedor seleccionado, que puede retroceder por la cadena de suministro hasta llegar a un centro de producción.
El único componente difícil para calcular el CLT es estimar el plazo de producción en un centro de producción basándose en el estado actual del centro. Sin embargo, las funciones de red neuronal de Simio ofrecen una solución ideal a este problema. La decisión de aprovisionamiento puede entonces optimizarse en función del CLT previsto para cada centro candidato, seleccionando el centro menos costoso que pueda entregar a tiempo.
Efectos de la participación de la IA y de terceros
Aunque la IA ha demostrado ser muy eficaz para resolver problemas de regresión difíciles, uno de los principales retos de la IA es disponer de los datos de entrenamiento etiquetados necesarios para entrenar el algoritmo. Muchas aplicaciones de IA fracasan por falta de buenos datos de entrenamiento etiquetados. Los datos de entrenamiento etiquetados nunca están disponibles cuando se evalúa un nuevo sistema e incluso en los casos con instalaciones existentes cualquier dato histórico pierde validez una vez que se introduce en el sistema una nueva pieza o un cambio en el flujo. Sin embargo, las funciones integradas de Simio para recopilar y etiquetar automáticamente datos de formación sintéticos resuelven este problema. El Gemelo Digital de Proceso de la cadena de suministro puede autogenerar todos los datos necesarios para entrenar las redes neuronales y predecir con precisión el plazo de producción en función del estado actual de la planta.
Las funciones de IA integradas en Simio permiten definir, entrenar y utilizar la red neuronal clásica de regresión feed forward. Sin embargo, como se ilustra a continuación, no está limitado a este algoritmo de aprendizaje automático, ya que también puede importar y utilizar en Simio cualquier modelo de regresión de aprendizaje automático de más de 50 terceros, incluidos Google y Microsoft, que admitan el formato de intercambio de modelos ONNX. Puede crear y entrenar modelos en herramientas de terceros e importarlos después a Simio para tomar decisiones complejas dentro de su modelo. También es posible exportar al formato ONNX. También puede utilizar los modelos de Simio para generar datos de entrenamiento sintéticos etiquetados y exportarlos para su uso en herramientas de terceros.
Alcanzar los objetivos con un gemelo digital basado en IA
Las ventajas de la plataforma de soluciones Simio para la programación multiplanta comienzan con su modelo de capacidad preciso, su horizonte temporal continuo, la optimización basada en IA del abastecimiento de las fábricas y su rápida ejecución para generar programaciones procesables que estén alineadas en toda la cadena de suministro. Pero las ventajas culminan en la capacidad de Simio Solution Platform para comunicar su estructura, la lógica de su modelo y los programas de producción resultantes a todo aquel que necesite conocerlos. Simio proporciona más información operativa que los resultados estáticos tradicionales de MPS gracias a la animación 3D interactiva de la programación, que permite a los usuarios previsualizar un flujo de trabajo planificado. La animación detallada muestra el movimiento de las piezas, los trabajadores, los dispositivos de manipulación de materiales y otras limitaciones críticas a medida que se desarrolla la planificación. Simio también registra datos transaccionales detallados de todas las acciones relacionadas con las restricciones en registros de programación que pueden visualizarse, filtrarse y utilizarse para generar informes y cuadros de mando personalizados que pueden compartirse en toda la empresa mediante el Portal de Simio. Los datos de estos registros incluyen información sobre materiales, recursos, pedidos y equipos de manipulación de materiales, así como el tiempo sin valor añadido empleado por los pedidos restringidos por el sistema. Esta información tiene un valor incalculable no sólo para juzgar la calidad del calendario, sino también para mejorarlo proporcionando información sobre la causa raíz de los retrasos.
Las tecnologíasDDMRP, AI y Process Digital Twin en las que se basa la Plataforma de soluciones Simio para la programación multiplanta han evolucionado y se están convirtiendo en la corriente principal. Encontrará más información sobre la Plataforma de soluciones Simio en este libro blanco: En qué se diferencian los objetos de Simio de otras herramientas de modelado orientadas a objetos. Encontrará más información sobre las funciones DDMRP de Simio en este libro blanco: Demand Driven Material Requirements Planning Powered by Simio. Ha llegado el momento de sustituir su MPS heredado por un Gemelo Digital de la cadena de suministro impulsado por IA.