Fabricación con gemelos digitales: optimización de la producción de aperitivos con Simio

El desafío

Resumen ejecutivo

Este caso práctico examina cómo Argon Consulting implementó una solución de gemelo digital basada en Simio para un importante fabricante australiano de aperitivos. El cliente se enfrentaba a importantes retos de programación en múltiples centros de producción, incluida una compleja transición a una nueva instalación de última generación. Al sustituir la programación manual basada en Excel por un modelo dinámico de Simio, Argon proporcionó una solución que optimizó la programación de la producción, mejoró la utilización de los recursos y respaldó la toma de decisiones estratégicas. El enfoque de fabricación de gemelos digitales permitió al cliente visualizar las complejas restricciones de producción, probar escenarios virtualmente y realizar una transición de producción sin problemas entre las instalaciones, manteniendo altos niveles de servicio al cliente.

Antecedentes del cliente

El cliente es un importante productor de aperitivos en el mercado australiano, que fabrica múltiples tipos de productos, incluyendo patatas fritas, chips de maíz y aperitivos de pellets extruidos o soplados. Sus productos se venden en varios formatos, desde grandes bolsas para compartir hasta multienvases más pequeños del tamaño de una fiambrera. La empresa contaba con dos plantas de fabricación en Sydney, pero recientemente ha finalizado la construcción de una nueva fábrica de última generación destinada a sustituir las instalaciones originales.

Argon Consulting había establecido una relación a largo plazo con el cliente, la entrega de varios proyectos de excelencia operativa, incluyendo:

• Modelado de escenarios y diseño para el sitio de greenfield
• Gestión de proyectos para la puesta en marcha y arranque vertical
• Modelización detallada de la capacidad de su almacén automatizado
• Planificación de la mano de obra y mejora de los procesos

El entorno de fabricación presentaba una complejidad significativa, con múltiples activos compartidos como freidoras y tambores de condimentos, rutas de productos intrincadas y estrictas limitaciones operativas que hacían que la programación fuera especialmente difícil.

Desafío: Programación compleja en un entorno con múltiples restricciones

El proceso de programación del cliente se enfrentaba a numerosos retos que limitaban la eficiencia operativa:

Limitaciones de la programación basada en Excel

Antes de la implementación de Simio, toda la programación se realizaba mediante hojas de cálculo de Excel. Este enfoque manual no podía gestionar eficazmente las complejas interacciones entre los activos compartidos en toda la fábrica. El software de simulación de fabricación debía abordar varias limitaciones críticas:

• Uso compartido de activos complejos: Varias líneas de productos compartían recursos críticos como freidoras y tambores de condimentos, lo que creaba dependencias complejas que Excel no podía modelar con eficacia.
• Lagunas en la comprensión de la capacidad: No se comprendía bien la verdadera capacidad de producción con distintas mezclas de productos, en particular el delicado equilibrio necesario entre la producción de bolsas pequeñas y grandes.
• Rápidos ciclos de innovación: La constante introducción de nuevos productos y sabores en el sector de los aperitivos creaba una complejidad adicional difícil de calcular con herramientas estáticas.
• Procesos de planificación aislados: Los equipos de operaciones, mantenimiento y planificación se esforzaban por alinear sus actividades, lo que dificultaba minimizar las interrupciones por paradas de ingeniería y mantener al mismo tiempo los niveles de servicio al cliente.
• Procesos manuales ineficaces: Los cambios en la programación requerían lentas actualizaciones manuales de las hojas de cálculo, lo que limitaba la capacidad de respuesta a los problemas de producción.

Los problemas de programación de la producción alimentaria se complicaban aún más por los requisitos operativos específicos:

• Las freidoras debían mantener un ritmo de producción constante.
• Los cambios de sabor requerían una secuencia específica de sabores claros a oscuros.
• La producción de bolsas pequeñas requería la producción simultánea de bolsas grandes para equilibrar la producción de las freidoras.

La solución

La solución: Implementación de la fabricación digital gemela con Simio

Argon desarrolló una solución integral de fabricación de gemelos digitales utilizando Simio para abordar estos retos. La implementación siguió un enfoque por fases:

Fase 1: Desarrollo del modelo inicial

• Creación de un modelo de programación en Simio para las dos plantas existentes.
• Integración del modelo con el sistema ERP del cliente para automatizar la introducción de datos.
• Validación del modelo con datos de producción reales.
• Implementación del modelo en el proceso de planificación habitual

Fase 2: Ampliación al nuevo centro

• Ampliación del modelo para incluir la nueva planta.
• Utilización del modelo para la comprobación de escenarios con el fin de orientar la selección de activos y la distribución de las instalaciones.
• Apoyo a la transición de volúmenes entre las antiguas y las nuevas instalaciones.

Fase 3: Formación y traspaso

Formación del equipo de planificación en el uso eficaz de Simio.

Establecimiento de procesos para la manipulación y optimización de la planificación.

Creación de tablas de resultados para alimentar los cuadros de mando operativos.

Arquitectura del software de simulación de fabricación

El modelo Simio se diseñó para representar con precisión el complejo entorno de producción:

• Modelado de procesos: El modelo se centró en las fases críticas de la producción, desde la fritura hasta el empaquetado en cajas, partiendo de la base de que las entradas de materias primas y las operaciones de almacén no constituían limitaciones.
• Integración de datos: La solución se integró con el sistema ERP del cliente para importar datos maestros de SKU, información sobre la demanda y listas de materiales. Los datos de configuración adicionales se mantuvieron en Excel con Power Query.
• Modelado de recursos: Se modelaron todos los activos de producción, incluyendo:
  • Freidoras con capacidades de producción específicas
  • Tambores de condimento con restricciones de sabor
  • Embolsadoras para distintos tamaños de envases
  • Encajadoras y autopistas interiores
  • Recursos compartidos y sus interconexiones
• Lógica de programación: El modelo implementaba reglas de programación complejas:
  • Secuencia fija de tipos de producto (patatas fritas → corte fino → arrugado).
  • Secuencia de sabores de ligero (salado) a fuerte (barbacoa, chili)
  • Equilibrio entre la producción de bolsas pequeñas y grandes para mantener el rendimiento de la freidora.
  • Asignación de recursos en función de la disponibilidad y las restricciones
• Modelización de flujos: La solución utilizó las funciones de flujo de Simio para calcular continuamente el consumo de bolsas en las freidoras, garantizando el equilibrio y la utilización adecuados.

Detalles técnicos de la implementación

El modelado de simulación para la implementación de la fabricación aprovechó varias funciones clave de Simio:

Estructura del modelo

• Fuentes vinculadas a tablas de demanda en las que se liberaban pedidos para cada flujo de productos
• Servidores que representaban las embolsadoras que se apoderaban de los recursos necesarios
• Activos de flujo que modelan la producción continua desde las freidoras hasta las embolsadoras
• Recursos que representan activos compartidos como empaquetadoras de cajas y tambores de condimentos

Inteligencia de programación

La inteligencia del modelo se implementó principalmente mediante expresiones de selección y condiciones que determinaban qué pedidos se asignaban a qué embolsadores. Las restricciones clave incluían:

• Compatibilidadde corte de freidora: Garantizar que los productos sólo se asignaban a freidoras que realizaban el tipo de corte adecuado (fino, arrugado, etc.).
• Compatibilidad del tambor de sabor: Verificación de que los productos se asignaban a embolsadoras con tambores de sabor compatibles o condimentos específicos.
• Gestión de la sobrecarga: Mantenimiento de una capacidad suficiente de embolsadoras para gestionar la producción de las freidoras, al tiempo que se evita un exceso de embolsado que podría dar lugar a una baja utilización.

Interfaz de usuario e interacción

El modelo ofrecía a los planificadores múltiples formas de manipular los programas:

• Programación de arrastrar y soltar: Uso de la vista Operaciones de Simio para mover pedidos entre líneas.
• Rutas forzadas: Asignación de productos específicos a ensacadoras concretas mediante tablas de datos
• Exclusión de rutas: Impedir que determinados productos se ejecuten en líneas específicas
• Modelización deltiempo de inactividad: Añadir mantenimiento planificado o tiempo de inactividad para evaluar el impacto

Integración de resultados

El modelo generó tablas de salida detalladas que se alimentaron en:

• Cuadros de mando de producción de Power BI
• Pantallas y tabletas de la planta de producción
• Revisiones operativas diarias, semanales y mensuales

Impacto en la empresa

Resultados: Beneficios de la optimización de la programación de fábrica

La implantación del gemelo digital basado en Simio aportó beneficios significativos en múltiples áreas:

Mejoras operativas

• Mejora de la calidad de la programación: Secuencias de producción más eficientes con menos cambios.
• Mejor utilización de los recursos: Mejor utilización de las freidoras y producción equilibrada
• Reducción del esfuerzo manual: Los planificadores dedicaron menos tiempo a la creación de programas y más tiempo a las decisiones estratégicas
• Mayor visibilidad: Información de programación disponible en toda la fábrica en pantallas y tabletas

Capacidades estratégicas

• Pruebas de escenarios: Capacidad para evaluar diferentes escenarios de producción antes de su implementación
• Análisis de inversión en activos: Decisiones basadas en datos sobre cuándo invertir en nuevos equipos
• Apoyo a la transición de volúmenes: Gestión fluida de la producción en tres centros durante la transición

Alineación organizativa

• Coordinación interfuncional: Mejor alineación entre operaciones, mantenimiento y planificación
• Decisiones basadas en datos: Conocimiento compartido de las limitaciones y capacidades
• Mejora de los niveles de servicio: Mantenimiento de un alto nivel de servicio al cliente durante la compleja transición del emplazamiento

Valor a largo plazo

Las capacidades de planificación de la capacidad de fabricación que proporciona el modelo siguen aportando valor a medida que el cliente

• Evalúa las necesidades futuras de capacidad
• Planifica la introducción de nuevos productos
• Optimiza la producción en sus nuevas instalaciones

Aplicaciones futuras y desarrollo en curso

El éxito de la implantación inicial ha dado lugar a varias ampliaciones en curso y previstas:

Planificación de la capacidad

El modelo se está utilizando para evaluar las necesidades de capacidad a largo plazo, ayudando al cliente a determinar

• Cuándo se necesitarán equipos adicionales en función de las previsiones de crecimiento
• Cómo optimizar la combinación de productos para maximizar la capacidad existente.
• Qué limitaciones deben abordarse primero para obtener el máximo beneficio

Introducción de nuevos productos

El gemelo digital es ahora una parte integral del proceso de introducción de nuevos productos:

• Probar la producción de nuevos sabores y productos antes de su lanzamiento
• Evaluar el impacto en la capacidad global y la programación
• Optimización de los formatos de envasado en función de las limitaciones de producción

Mejora continua

El modelo sigue evolucionando con:

• Puntos adicionales de integración de datos
• Funciones de visualización mejoradas
• Algoritmos de programación más sofisticados

Conclusión: El valor de la fabricación de gemelos digitales

La implementación del software de simulación de fabricación de Simio para este fabricante de aperitivos demuestra el importante valor de la tecnología de gemelos digitales en entornos de producción complejos. Al crear un modelo dinámico y preciso del proceso de producción, Argon permitió al cliente:

• Sustituir la programación estática y manual por una planificación dinámica y consciente de las restricciones.
• Obtener una visibilidad sin precedentes de las complejas interacciones de producción
• Tomar decisiones basadas en datos sobre programación, capacidad e inversiones en activos.
• Superar con éxito una compleja transición entre plantas de fabricación.

La solución de programación de la producción alimentaria sigue aportando valor a medida que el cliente optimiza sus nuevas instalaciones y planifica el crecimiento futuro. El enfoque de gemelo digital ha transformado la programación de una necesidad táctica a una ventaja estratégica, permitiendo operaciones más eficientes y una mejor toma de decisiones en toda la organización.

Este estudio de caso ilustra cómo las capacidades de simulación de Simio pueden abordar incluso los retos de fabricación más complejos, proporcionando tanto beneficios operativos inmediatos como valor estratégico a largo plazo.