La génération automatique de modèles, la réduction conséquente des cycles de résolution de problèmes et la nécessité d'un degré plus élevé d'intégration des données sont depuis longtemps considérées comme des défis importants dans le domaine de la simulation des systèmes de fabrication. Les modèles de simulation de fabrication, en particulier ceux qui sont utilisés de manière opérationnelle, requièrent un niveau élevé de détail de modélisation et dépendent donc d'une quantité importante de données d'entrée. Dans de nombreux cas, le temps et les efforts nécessaires pour construire manuellement un modèle aussi détaillé et le maintenir à jour sont prohibitifs. Cet article décrit un cas pratique dans lequel des modèles de simulation complets d'une production automobile complexe et à grande échelle ont été créés automatiquement à partir des systèmes SAP et MES d'une entreprise automobile afin de soutenir la planification opérationnelle et de réduire les risques logistiques opérationnels, tels que les perturbations de la production causées par des ruptures de stock sur la ligne de fabrication.
Fowler et Rose (2004) affirment que la réduction d'un ordre de grandeur du temps de résolution des problèmes et l'absence de capacité de résolution des problèmes en temps réel figurent parmi les plus grands défis de la modélisation et de la simulation des systèmes de fabrication. Selon eux, le temps nécessaire à la conception d'un modèle de simulation, à la collecte des données, à la construction et à l'exécution du modèle, ainsi qu'à l'interprétation des résultats est trop long, en particulier pour l'utilisation opérationnelle de la simulation. En outre, ils affirment que la génération automatique et à la demande de modèles de simulation complets à partir des sources de données de l'entreprise augmenterait considérablement l'applicabilité de la simulation à des fins de planification opérationnelle.
Conformément à ces conclusions, cet article décrit un cas pratique dans lequel des modèles de simulation entiers de lignes de production complexes et à grande échelle d'ateliers automobiles ont été créés automatiquement à partir des systèmes SAP et MES de l'entreprise afin de fournir un soutien à la planification opérationnelle. À cette fin, non seulement les données de base requises (par exemple, les nomenclatures, les itinéraires, etc.) et les dernières données transactionnelles (par exemple, les données relatives aux commandes) ont été chargées dans un modèle de simulation prédéfini, mais des informations structurelles supplémentaires (par exemple, les postes de travail, les liens, etc.) ont été automatiquement récupérées à partir des systèmes informatiques de l'entreprise et utilisées pour générer automatiquement le modèle de simulation.
Dans l'industrie automobile, les principes de production allégée sont largement mis en œuvre, obligeant les entreprises à trouver un équilibre entre les activités de réduction des stocks et les risques opérationnels, tels que les ruptures de stock sur la chaîne de fabrication. L'objectif du modèle de simulation décrit est d'agir comme un système d'alerte précoce et de détecter les situations de rupture de stock potentielles avant qu'elles ne se produisent, afin que des contre-mesures puissent être évaluées et mises en œuvre. Par conséquent, le modèle couvre l'ensemble des processus logistiques internes de l'entreprise, depuis la récupération des pièces dans l'entrepôt jusqu'à leur consommation sur la chaîne de fabrication.
La nécessité d'un soutien à la planification opérationnelle par la simulation découle de la complexité du processus de planification et du grand nombre de paramètres du système qui doivent être contrôlés quotidiennement par un nombre limité de personnes chargées de la planification. En raison des changements fréquents apportés aux données de base et aux données transactionnelles, et même des changements structurels de l'agencement des lignes, deux exigences techniques se sont imposées. Premièrement, le modèle devait être prêt à l'emploi dans un délai très court tout en contenant les données les plus récentes. Deuxièmement, le processus d'incorporation des données de l'entreprise et de création du modèle ne devait pas comporter de tâches manuelles susceptibles de provoquer des erreurs, des retards et un manque d'efficacité.
Afin de répondre aux exigences susmentionnées, un modèle générique de simulation de l'atelier de fabrication en flux capturant les spécificités de l'entreprise a été développé à l'aide de SIMIO. En suivant l'approche de modélisation orientée objet de SIMIO, des objets de modèle de simulation, représentant des éléments spécifiques du système réel, ont été créés. Les instances spécifiques des éléments de modélisation ont ensuite été placées dans un modèle vierge à la demande à l'aide d'une extension personnalisée de SIMIO. Cette extension permet de générer des modèles d'atelier complets en plaçant, connectant et paramétrant automatiquement ces objets prédéfinis dans un modèle de simulation. Les données nécessaires pour générer le modèle ont été extraites des systèmes SAP et MES de l'entreprise à l'aide d'un logiciel d'extraction de données personnalisé qui récupère directement les données pertinentes dans les bases de données des systèmes respectifs. Le système SAP fournit les informations nécessaires à la modélisation de la chaîne de fabrication, telles que les détails concernant les postes de travail, les routages, les nomenclatures, les plans d'équipe, les ordres de fabrication, les niveaux de stock, les données de base des matériaux, etc. Le système MES fournit des informations détaillées sur les séquences de production et sur l'état d'avancement actuel et prévu de la production par poste de travail et par ordre de fabrication.
La figure 1 décrit les quatre étapes de l'intégration des données des applications de simulation. L'approche choisie représente la quatrième étape de l'intégration des données.
L'approche décrite a permis de mettre au point une solution de simulation totalement intégrée au processus de planification opérationnelle et à l'architecture informatique de l'entreprise. Elle a aidé le personnel de planification de l'entreprise à prévenir les problèmes logistiques et les interruptions de production. Les résultats de la simulation ont été affichés de manière à mettre en évidence les risques opérationnels et à permettre au personnel de planification d'identifier facilement les problèmes. Au cours d'un seul projet de changement structurel, plus d'une centaine de problèmes critiques ont été identifiés et corrigés de manière préventive, ce qui a permis de réduire considérablement les interruptions de production. Grâce à l'automatisation de la génération du modèle, le cycle de résolution des problèmes est considérablement réduit par rapport à la création manuelle de modèles de simulation. En outre, l'approche est adaptée aux modèles à grande échelle avec un haut degré de détail de modélisation qui sont nécessaires pour le soutien de la planification opérationnelle.