El entorno de la Industria 4.0 permite la comunicación directa entre el taller del fabricante y un cliente. Por lo tanto, el fabricante es capaz de responder a las solicitudes de los clientes con mayor rapidez, lo que significa que los fabricantes ahora deben controlar más estrechamente la planificación y programación de la planta de producción. Aquí presentamos un modelo de programación basado en la simulación para el control dinámico del taller del sistema de fabricación flexible. En el modelo de simulación se importan el pedido del cliente y la tabla de secuencias de procesamiento de los productos. Se realizan experimentos para el caso en que el sistema se encuentre con condiciones inesperadas. El enfoque propuesto representa una herramienta potencial para que los fabricantes tomen decisiones en tiempo real conectándose al sistema de planificación de recursos empresariales y al sistema de ejecución de fabricación.
En un entorno de Industria 4.0, los sistemas ciberfísicos se comunican entre sí y con los participantes humanos en tiempo real a través del Internet de las Cosas (IoT). Esto permite la comunicación directa entre el taller del fabricante y un cliente, y por lo tanto, la personalización en masa se adoptará como un sistema de producción (Takakuwa 2016). Los problemas de planificación y programación de procesos en el sistema de fabricación que asigna trabajos y materiales a las máquinas y decide las secuencias de procesamiento de los trabajos afectan gravemente al rendimiento del sistema. En el entorno de la Industria 4.0, la creciente personalización de los productos requiere que estos sistemas manejen un mayor número de variantes de productos, así como tamaños de lote más pequeños, por lo que los sistemas de fabricación son cada vez más complejos para hacer frente a estas situaciones de incertidumbre (Kück et al. 2016).
El sistema de fabricación flexible (FMS) es un sistema integrado de módulos de máquinas de fabricación y equipos de manipulación de materiales bajo el control de un sistema informático y permite el procesamiento aleatorio automático de piezas paletizadas (ElMaraghy 2005). El FMS está altamente automatizado y es complejo, y cada máquina puede procesar como máximo un trabajo en un momento dado. Sin embargo, organizar qué trabajo se asigna a qué máquina y mantener el control del taller en un sistema job-shop es más difícil que en un sistema flow-shop debido a la variación dinámica. Por lo tanto, el método de simulación es un enfoque bien probado para diseñar y analizar el FMS.
La investigación tradicional sobre planificación y programación se centra en cómo dar una programación determinada al sistema. Sin embargo, cuando los sistemas de fabricación se encuentran con condiciones inesperadas, como averías de la máquina y pedidos urgentes, el cronograma predeterminado puede dejar de ser el óptimo o volverse inoperativo debido a estas interrupciones inesperadas (Zhang y Wong 2017). Además, a medida que aumenta la variabilidad del tiempo de procesamiento, las decisiones pueden tomarse mediante reglas de despacho u otras heurísticas, en lugar de generar una programación completa antes de la producción real (Vieira, Herrmann y Lin 2003).
Khodke y Bhongade (2013) han revisado el estado del arte de la programación en tiempo real en sistemas de fabricación con operaciones de mecanizado y montaje, incluidos los estudios centrados en job-shop y flow-shop. Según sus resúmenes, la metodología de reprogramación dirigida por eventos y con operaciones afectadas necesita más investigación, porque el marco más apropiado podría ser la consideración de un número suficiente de trabajos gestionados con una estrategia predictiva-reactiva. Además, pocos estudios han considerado el tiempo de transferencia entre las máquinas o las simulaciones en tiempo real.
En este estudio, se construye un modelo de programación basado en la simulación para el control del taller FMS y se utiliza para examinar el caso de que el sistema se encuentre con condiciones inesperadas. Este trabajo se estructura como sigue: La Sección 2 presenta una breve descripción del modelo de fábrica FMS, así como el control de flujo de taller bajo el entorno de la Industria 4.0. En la Sección 3, se introduce el método de modelado detallado basado en un planificador de simulación. A continuación, en la Sección 4, se realizan aplicaciones de programación tanto en el caso de estado habitual como en el caso de nuevo pedido. Finalmente, en la Sección 5 se presentan las conclusiones.
El sistema considerado en este estudio es un modelo de fábrica FMS (Takakuwa 1997) situada en la Prefectura de Chiba, Japón. El FMS comprende cuatro máquinas herramienta NC, (un torno NC, un centro de torneado, dos tipos de centros de máquina (vertical y horizontal)), una lavadora, dos AGVs, y un AS/RS con un robot industrial. En la figura 1 se muestra la disposición de las instalaciones y la escala de distancias (unidad: cm) del FMS. El AGV traslada las piezas y el robot las coloca en el AS/RS. A continuación, cada pieza de trabajo es cargada por el robot industrial asociado a cada máquina herramienta antes del mecanizado, y luego descargada y después del mecanizado. En la tabla 1 se resumen las secuencias de operaciones y los tiempos medios de procesamiento históricos asociados (incluidos los tiempos de carga y descarga del robot) para las piezas seleccionadas. Además, cada pieza es preparada para su mecanizado por el robot industrial dentro del AS/RS antes del mecanizado en el centro de mecanizado vertical (V.) y en el centro de mecanizado horizontal (H.). El AGV vuelve a la zona de espera mientras está inactivo.
Tabla 1: Secuencia de mecanizado y tiempo medio de procesamiento de los productos.
La cuarta revolución industrial o Industria 4.0 es un término colectivo que representa una serie de tecnologías para la automatización, el intercambio de datos y la cadena de suministro, incluidos los sistemas de fabricación a través del Internet de las Cosas (Takakuwa 2016; Wang et al. 2016). Las necesidades de producción en masa de los clientes exigen que las respuestas de los fabricantes sean más rápidas que nunca.
Existen dos tipos de integración en la fábrica en el entorno de la Industria 4.0: la integración vertical y la integración horizontal. La primera es la integración desde la alta dirección hasta el taller dentro de una fábrica, es decir, esta integración se produce a nivel de empresa, a nivel de fábrica y a nivel de proceso, como se ilustra en la figura 2. La segunda es la integración entre los proveedores, los departamentos de ventas y distribución y los clientes. En la integración vertical, es importante la interacción entre el sistema de planificación de recursos empresariales (ERP) y el sistema de ejecución de la fabricación (MES), junto con los datos procedentes de la fábrica.
Las empresas utilizan el ERP para recopilar, almacenar, gestionar e interpretar datos de diversas actividades empresariales, como aprovisionamiento, producción, distribución, contabilidad, recursos humanos, ventas y atención al cliente.
El ERP es importante porque el sistema supervisa los datos en tiempo real y los datos de las transacciones de diversas maneras y también supervisa los datos y la información de la planta de producción en el entorno de la Industria 4.0. El sistema ERP normalmente se queda corto en la programación de la producción, y las soluciones ERP tienen varias deficiencias que son ampliamente reconocidas. En su mayor parte, el sistema ERP y la producción diaria permanecen desconectados. Por otro lado, el MES es un sistema de control para el taller asociado. Los datos de fabricación se reciben de las máquinas, los monitores de los equipos y los trabajadores. El MES está integrado con el sistema ERP.
Para tomar con eficacia decisiones en tiempo real que son esenciales para el sistema de fabricación, se requiere una simulación en tiempo real. Una simulación en tiempo real es un modelo simulado de un sistema físico que puede simular procesos al mismo ritmo que el sistema físico real los ejecuta. hay que tener en cuenta la recogida de logros de producción, la planificación, las instrucciones enviadas al taller y los registros detallados de rendimiento.
Además, los sistemas automáticos de captura de datos mediante RFID o diversos tipos de sensores, que podrían rastrear y seguir los datos del taller, las perturbaciones y ofrecer una solución adaptable a los cambios del taller en tiempo real (Khodke y Bhongade 2013).
El software de simulación y el programador desarrollado por Simio LCC, se utiliza en esta investigación. Simio es un marco de modelado de simulación basado en programación gráfica orientada a objetos. El modelo se realiza utilizando múltiples paradigmas de modelado, incluyendo vistas de eventos, procesos, objetos, dinámica de sistemas y modelado de agentes (Thiesing y Pegden 2014). Además, Simio está diseñado para soportar aplicaciones tanto de diseño de sistemas como de programación y cuenta con varias características avanzadas (Thiesing y Pegden 2015): integración con fuentes de datos relacionales externas, registro de transacciones, informes especializados, interfaz de programación personalizable, visualización interactiva de diagramas de Gantt, reglas de programación especializadas, planificación y programación basadas en riesgos (RPS), entre otras.
Al conectar el MES y el modelo Simio, los datos en tiempo real adquiridos del MES pueden utilizarse para generar la programación. Además, los detalles de las transacciones de trabajos y recursos se registran en el archivo de registro mientras se ejecuta el modelo. El diagrama del modelo de simulación aplicado para el control del flujo de taller se muestra en la Figura 3, que editaron los autores basándose en Kelton, Smith y Sturrock (2014).
El modelo de este estudio se desarrolla utilizando la herramienta Simio RPS. Los datos que describen el estado actual del sistema y los trabajos reales que se procesarán a través del sistema se pueden importar en el modelo de simulación. Este conjunto de datos suele contener una lista de los trabajos que deben procesarse, una lista de materiales para cada trabajo, las rutas de los trabajos (incluidos los tiempos de preparación y procesamiento), etc. La forma de tabla de estos datos, basada en el estándar MES, se prepara en la pestaña Datos. A continuación se muestran los principales pasos para construir el modelo del estudio:
El modelo puede construirse con estos pasos principales y algunos cambios menores. La figura 4 muestra una captura de pantalla de la animación del modelo de fábrica FMS. Cabe señalar que las imágenes de animación de las máquinas no son reales, sino dibujos representativos seleccionados de la biblioteca de símbolos.
El modelo puede validarse y verificarse mediante la animación del modelo y pruebas numéricas con el ejemplo de pedido simple.
En esta sección se implementan los experimentos de programación para los casos de un estado habitual y un nuevo pedido. El ejemplo numérico de mezcla inicial de productos utiliza 2 conjuntos (es decir, dos piezas) de cada producto para los experimentos. En el estado inicial, la fecha de salida del pedido y la fecha de vencimiento del pedido están separadas por una hora, es decir, en la primera hora laborable llegan pedidos de una pieza de cada producto. La fecha de vencimiento de los pedidos de la primera serie es una hora después del inicio de la simulación, momento en el que llega la segunda serie de pedidos de 1 serie (es decir, una pieza) de cada producto. En la figura 5 se muestran los datos de un ejemplo de órdenes de fabricación.
Tras importar la tabla de datos al modelo, se puede crear una programación en la pestaña Planificación. En la Figura 6 se muestra la programación generada bajo la regla de Primero en Entrar Primero en Salir. El diagrama de Gantt del Flujo de Trabajo de Entidades (Figura 6, derecha) muestra la programación de cómo los trabajos aprovechan el recurso, así como los hitos y el estado de los objetivos para cada pedido. Además, el Plan de Recursos (Figura 6, izquierda) muestra cómo cada recurso del sistema es utilizado por los trabajos. Por otra parte, los registros de uso permiten seguir las actividades de las entidades y los recursos, y muestran la planta de producción en un momento determinado. Además, es posible comparar distintos enfoques de distribución de recursos estableciendo la Regla de clasificación y la Regla de selección dinámica en Recursos.
En una situación de uso real, existe una alta probabilidad de que el sistema se encuentre con un nuevo pedido. Si hay un pedido del producto A y un pedido del producto B recibidos 30 minutos después del inicio de la producción (Hora de liberación del pedido: 8:30; Hora de vencimiento del pedido: 9:30). En este caso, la orden de trabajo en curso (WIP), así como el grado de avance en el procesamiento y la orden completada pueden confirmarse a través de la tabla de salida. Además, se desarrolla un programa VBA para generar la tabla WIP utilizando para la reprogramación. En la figura 7 se muestra la programación generada según la regla de mayor trabajo restante a las 8:30.
Al cargar los pedidos parcialmente completados en la tabla WIP e importar los nuevos pedidos (Pedido 19, Pedido 20) en la tabla Órdenes de fabricación, el modelo puede realizar la reprogramación. La figura 8 muestra el diagrama de Gantt del plan de recursos cuando el sistema inserta dos pedidos urgentes. Además, en la secuencia de procesamiento, la Orden 02 viene después de la nueva orden, la Orden 19, debido a la regla definida para el despacho de recursos.
En este estudio, se construye un modelo de programación basado en simulación para el control del taller de FMS. El método de modelado detallado se basa en un planificador de simulación. Se realizaron experimentos para el caso de estado habitual, así como para el caso en que el sistema se encuentra con un caso inesperado; el sistema podría realizar una nueva instrucción bajo la regla de despacho definida en un corto espacio de tiempo. El modelo de programación propuesto representa una herramienta potencial para ayudar al fabricante a tomar decisiones en tiempo real conectando el modelo de simulación al sistema MES y ERP.
Además, el tiempo de procesamiento de cada paso puede medirse fácilmente con mayor precisión utilizando sensores para realizar la simulación en tiempo real. Sin embargo, como en este estudio sólo se tiene en cuenta una máquina de las muchas que intervienen en el proceso, investigaciones adicionales podrían considerar la selección de rutas con múltiples máquinas y otras reglas heurísticas de envío.