El uso de programación determinista para instalaciones de fabricación de alta mezcla y bajo volumen es ineficiente y obsoleto debido a la variabilidad inherente y la ocurrencia de eventos inciertos en la planta de fabricación. Este proyecto desarrolla una herramienta de programación robusta para una planta de fabricación de alta mezcla y bajo volumen con tiempos de preparación dependientes de la secuencia, teniendo en cuenta parte de la variabilidad inherente de la planta de fabricación. Esta herramienta de programación se crea utilizando el paquete de software Simio para permitir la creación de programas que se ajusten a las necesidades de los programadores, incorporando al mismo tiempo las restricciones de fabricación. Esta herramienta analítica se creó para resolver un problema existente para un socio industrial local y se investigó más a fondo mediante un estudio de caso.
La programación de la producción en un escenario real es muy compleja, especialmente cuando el proceso incluye cambios que requieren mucho tiempo y dependen de la secuencia. Las instalaciones de fabricación con un gran volumen de productos de una pequeña mezcla de productos familiares (alto volumen y baja mezcla) pueden manejar la tarea de programación con más facilidad, ya que se necesitan menos cambios. Exactamente lo contrario ocurre en el proceso de planificación de un entorno de fabricación de alta mezcla y bajo volumen. La complejidad en la creación de un programa aumenta a medida que se necesitan más y más configuraciones para satisfacer los requisitos de la demanda. Una forma de abordar la complejidad de la programación es utilizar un enfoque de simulación. Un modelo de simulación validado adecuadamente que explique la mayor parte de la variabilidad en el entorno de producción se utiliza como entrada para la optimización de los recursos y la programación. La variabilidad del sistema puede captarse utilizando un modelo de simulación con variables aleatorias bien definidas, como el tiempo de inactividad, el tiempo de reparación, el absentismo, el tiempo de mecanizado y el tiempo de cambio. Una programación que tenga en cuenta la variación en la planta de fabricación junto con otros detalles puede ayudar a reducir los pedidos pendientes de determinados productos con demanda. Un factor de decisión importante en el proceso de programación es la regla de envío utilizada, que investigamos en este trabajo mediante simulación.
Para crear la herramienta de programación se utilizó el paquete de software Simio. En particular, la opción Risk-based Planning and Scheduling (RPS), que crea una programación utilizando un modelo de simulación integrado (Kelton 2014). Esta programación muestra una asignación detallada de los pedidos a los recursos en función de varias restricciones como el número de maquinistas, los turnos de trabajo, las capacidades de las máquinas, el tiempo de inactividad de los equipos y las reparaciones. Estas planificaciones deterministas se generan utilizando un modelo de simulación. Esta herramienta se desarrolló siguiendo los pasos típicos de la simulación: comprensión del sistema, recopilación de datos, diseño conceptual, análisis de entradas, desarrollo del modelo, verificación del modelo, validación del modelo, creación de la programación, análisis de riesgos y experimentación.
El primer reto al que se enfrentó la creación del modelo de simulación fue la falta de información sólida recopilada de forma estandarizada. Por ello, se diseñó y puso en marcha un proceso de recopilación de datos para caracterizar los comportamientos de variabilidad del sistema, poco conocidos hasta entonces. Comprender estas incertidumbres permitió crear un modelo más representativo. Además, fue necesario crear subrutinas lógicas personalizadas utilizando la funcionalidad de procesos adicionales de Simio para satisfacer los retos de modelado y tener una representación precisa del sistema. Algunos de los retos de modelado son: (1) determinación de la cantidad de muestreo en proceso por número de pieza, (2) activación de inspecciones, (3) procesamiento de mediciones fallidas, (4) procesamiento de reparaciones de equipos, (5) absentismo de maquinistas y (6) mantenimiento preventivo. El modelo de simulación termina con una columna vertebral de tablas vinculadas que alimenta toda la información necesaria para su funcionamiento. Éstas pueden editarse fácilmente para experimentar distintos escenarios de programación. Se crearon dos modelos de simulación, uno con 20 máquinas que representan una instalación de fabricación real y otro con 10 máquinas diseñado para experimentar con las reglas de despacho y otros factores. Los datos de demanda generados para el modelo más pequeño consistieron en 186 pedidos de 93 números de pieza únicos para representar una instalación de fabricación de alta mezcla y bajo volumen con dos escenarios diferentes dependientes de la secuencia de rutas.
La planta de fabricación se simuló teniendo en cuenta la información del mundo real y la variabilidad simulada en función del modelo explorado. Se verificó y validó la precisión del modelo basado en la industria, mientras que el modelo del caso de estudio se verificó y estudió adecuadamente. El modelo más pequeño de diez máquinas se utilizó para experimentar con siete reglas de envío diferentes (FirstInQueue, EarliestDueDate, Critical Ratio, Shortest ProcessingTime, Least Slack Time y Longest Processing Time) para crear programaciones mensuales que redujeran el tiempo de finalización de los pedidos. La regla de envío que mejor funcionó en lo que respecta al tiempo de finalización de los pedidos fue la de menor tiempo de preparación, después de ejecutar el experimento con más de 600 réplicas para reducir la anchura media del intervalo de confianza a 1 hora. Se llevaron a cabo experimentos adicionales para determinar el número óptimo de maquinistas necesarios en los diferentes turnos de trabajo para minimizar el tiempo de finalización y los costes de mano de obra utilizando la regla de planificación del menor tiempo de preparación. La cantidad de recursos por turno se optimizó utilizando de 3 a 7 maquinistas con un coste de mano de obra de 25 $/hora y utilizando el complemento OptQuest. El mejor escenario para los turnos 1, 2 y 3 consistió en 3, 3 y 2 maquinistas, respectivamente.
En definitiva, este trabajo ha desarrollado una herramienta de simulación que modela la variabilidad inherente en una planta de fabricación de alta mezcla y bajo volumen con tiempos de preparación dependientes de la secuencia y alimenta la generación de programas basados en el riesgo que permiten prever posibles retrasos antes de que se produzcan y actualizar los programas dinámicamente según sea necesario. La creación del modelo de simulación para una planta de fabricación real proporcionó a nuestro socio industrial mucha información para comprender mejor su sistema. El proceso de recopilación de datos ayudó a identificar muchas ineficiencias en el proceso de fabricación. Por ejemplo, la secuencia de medición de la inspección en el sistema de ejecución de la fabricación no era óptima para todas las piezas y requería más tiempo para completar todas las mediciones. Estos datos se documentaron y se facilitaron al supervisor responsable. Los modelos tenían muchas restricciones detalladas y daban lugar a un modelo muy grande en tamaño de archivo. Debido a la complejidad del modelo, la experimentación del sistema y sus respectivas alternativas con diferentes controles requirió mucha potencia informática y tiempo. El trabajo futuro se centraría en conseguir que el modelo fuera eficiente desde el punto de vista computacional, mejorar la función de costes (por ejemplo, añadir costes de equipos, costes generales de servicios públicos) y su impacto. La herramienta de simulación con capacidades de planificación y programación de recursos puede utilizarse tanto en horizontes temporales largos como cortos para avanzar en el proceso de planificación en sistemas de alta mezcla y bajo volumen.
Kelton, W. D., Smith, J. S., & Sturrock, D. T. 2014. "Simio y simulación: Modelado, análisis, aplicaciones". Sewickley, PA: Simio Forward Thinking.