Los talleres de mecanizado clásicos asignan un operario por máquina. Sin embargo, la línea de producción con la que trabajamos está muy conectada y ahora vemos la posibilidad de asignar de forma más dinámica las tareas a los operarios. Se construye un modelo de simulación de eventos discretos de la línea de producción de fabricación de piezas metálicas para probar diferentes políticas de asignación. Medimos cómo políticas más avanzadas conducen a una mayor eficiencia.
APN Global es una empresa especializada en la fabricación de piezas metálicas complejas y de alta precisión. Prestan servicio a diferentes sectores industriales, entre ellos el aeronáutico. En el proceso de fabricación intervienen máquinas de control numérico por ordenador (CNC), estaciones de medición automatizadas, estaciones de medición manuales y robots colaborativos. Los humanos son necesarios para diferentes tareas (por ejemplo, añadir materia prima, sustituir una herramienta, retirar virutas, control de calidad, etc.). APN recopila una cantidad impresionante de datos y las actividades de fabricación y la toma de decisiones están muy automatizadas. Sin embargo, la asignación de trabajadores sigue haciéndose como en los talleres de mecanizado clásicos: basta con asignar un operario por máquina CNC (aunque un operario puede encargarse de varios CNC). El objetivo de APN es hacer funcionar más máquinas con el mismo número de trabajadores. Por ello, desarrollamos un modelo de simulación de eventos discretos para evaluar políticas de asignación de "microtareas" a los operarios, en lugar de a las máquinas.
En primer lugar, desarrollamos un modelo de simulación de eventos discretos utilizando SIMIO. Mientras que la mayoría de los modelos de simulación se centran en el flujo de productos, nuestra necesidad era modelar secuencias de tareas: algunas realizadas por trabajadores, otras por trabajadores y máquinas, otras simplemente por máquinas. En la figura 1 se ofrece una representación conceptual del modelo. La planta cuenta con 21 máquinas CNC (c), 31 trabajadores con diferentes conocimientos, (d) cuatro máquinas de medición (f), incluidas dos máquinas de medición de coordenadas (MMC), un comparador óptico y un comparador óptico manual. Del programa de producción de APN (a) podemos extrapolar una lista de tareas: mecanizado de piezas (azul), medición (rojo) y otras (amarillo). Las piezas se mecanizan en CNC. Al mismo tiempo, los trabajadores realizan otras tareas en una mesa de trabajo (b), aunque algunas pueden requerir la parada del CNC. Después de salir del centro de trabajo (e), algunas piezas deben medirse para el control de calidad. Se trata de un proceso complejo en el que intervienen muchas máquinas y operarios. Si una medida está fuera de especificación, se crea una tarea de acción correctiva (por ejemplo, cambio de herramienta) y se inserta en primer lugar en la cola de espera.
Los distintos aspectos del modelo del sistema se validaron mediante entrevistas con expertos que trabajan en APN para confirmar que el modelo es representativo de la realidad sobre el terreno. La distribución de la duración prevista para las tareas de producción se extrapoló de la base de datos histórica del sistema de ejecución de fabricación (MES). Sin embargo, la medición y el control de calidad proceden de "conjeturas educadas" de los ingenieros de procesos.
Figura 1: Representación conceptual del modelo de simulación.
Se compararon distintas políticas en función de cómo afectaban a la productividad (tiempo total necesario para llevar a cabo un programa de producción) y a la distancia total recorrida por los trabajadores. El escenario del caso base se denomina OneWorker. Se asigna un trabajador a un CNC. Una vez finalizado su turno, otro trabajador toma el relevo. En el escenario ListWorkers, somos conscientes de que cada trabajador está capacitado para qué tipos de máquinas y tareas. Para cada tarea, le asignamos dinámicamente el trabajador libre y compatible más cercano. Como límite superior, también simulamos el escenario utópico AllWorkers, en el que cada trabajador estaría entrenado para todas las máquinas y tareas. A continuación se muestran los resultados medios de 100 réplicas (intervalos de confianza del 95 %) de un único programa de producción dado (la extracción de datos llevó mucho tiempo).
Figura 2: (a) Tiempo de producción (en horas) y (b) Distancia total recorrida por los trabajadores (km).
Por término medio, la asignación dinámica (ListWorkers) reduce el tiempo total de producción en un 40,4 % (véase la figura 2). Lo que resulta aún más sorprendente (y explica lo anterior) es en cuánto se reduce también el intervalo de confianza. En efecto, en el escenario ListWorkers nos vemos mucho menos afectados por la naturaleza estocástica de los tiempos de procesamiento. El escenario AllWorkers da lugar a mejoras adicionales, pero supone importantes costes de formación. En cuanto a la distancia recorrida (Figura 3), es muy similar para OneWorker y ListWorkers. AllWorkers tiene un gran impacto en la distancia a pie.
Se ha desarrollado una simulación de eventos discretos para simular la asignación de tareas en un taller de mecanizado de piezas metálicas de alta precisión. El objetivo principal era medir en qué medida mejora la productividad cuando se permite a más trabajadores procesar una tarea determinada. El siguiente paso es realizar experimentos adicionales para un número mucho mayor de programas de producción (es decir, obtener datos adicionales). También probaremos reglas de distribución de tareas más avanzadas y las evaluaremos en función de otros criterios (por ejemplo, la equidad). A continuación, la empresa tendrá que desarrollar un sistema para asignar las tareas a los trabajadores en la vida real.