Évaluation des politiques d'affectation des travailleurs à travers la simulation d'un atelier d'usinage de haute précision

Le défi

Résumé

Les ateliers d'usinage classiques affectent un opérateur par machine. Cependant, la chaîne de production avec laquelle nous travaillons est fortement connectée et nous voyons maintenant la possibilité d'allouer plus dynamiquement les tâches aux travailleurs. Un modèle de simulation à événements discrets de la chaîne de production de pièces métalliques est construit afin de tester différentes politiques d'allocation. Nous mesurons comment des politiques plus avancées conduisent à une efficacité accrue.

1. Introduction

APN Global est une entreprise manufacturière spécialisée dans la production de pièces métalliques complexes et de haute précision. Elle dessert différents secteurs industriels, dont le secteur aéronautique. Le processus de fabrication fait appel à des machines à commande numérique par ordinateur (CNC), à des stations de mesure automatisées, à des stations de mesure manuelles et à des robots collaboratifs. Les humains sont nécessaires pour différentes tâches (par exemple, l'ajout de matière première, le remplacement d'un outil, l'enlèvement des copeaux, le contrôle de la qualité, etc.) APN recueille une quantité impressionnante de données et les activités de fabrication ainsi que la prise de décision sont fortement automatisées. Cependant, l'affectation des travailleurs se fait toujours comme dans les ateliers d'usinage classiques : il suffit d'affecter un opérateur par machine CNC (bien qu'un opérateur puisse être responsable de plusieurs CNC). L'objectif d'APN est de faire fonctionner plus de machines avec le même nombre de travailleurs. Nous avons donc développé un modèle de simulation à événements discrets afin d'évaluer les politiques d'attribution de "micro-tâches" aux travailleurs, plutôt qu'aux machines.

La solution

2. Le modèle

Nous avons d'abord développé un modèle de simulation à événements discrets à l'aide de SIMIO. Alors que la plupart des modèles de simulation se concentrent sur le flux de produits, notre besoin était de modéliser des séquences de tâches : certaines exécutées par des travailleurs, d'autres par des travailleurs et des machines, d'autres encore simplement par des machines. La figure 1 présente une représentation conceptuelle du modèle. L'usine dispose de 21 machines CNC (c), de 31 ouvriers ayant des compétences différentes, (d) de quatre machines de mesure (f), dont deux machines de mesure des coordonnées (CMM), un comparateur optique et un comparateur optique manuel. À partir du programme de production de l'APN (a), nous pouvons extrapoler une liste de tâches : usinage des pièces (bleu), mesures (rouge) et autres (jaune). Les pièces sont usinées sur des machines à commande numérique. Dans le même temps, d'autres tâches sont accomplies par les travailleurs sur une table de travail (b), bien que certaines puissent nécessiter l'arrêt de la CNC. Après avoir quitté le poste de travail (e), certaines pièces doivent être mesurées à des fins de contrôle de la qualité. Il s'agit d'un processus complexe qui implique de nombreuses machines et travailleurs. Si une mesure n'est pas conforme aux spécifications, une tâche d'action corrective (par exemple, un changement d'outil) est créée et insérée en premier lieu dans la file d'attente.

Les différents aspects du modèle de système ont été validés par des entretiens avec des experts travaillant chez APN afin de confirmer que le modèle est représentatif de la réalité sur le terrain. La distribution de la durée prévue pour les tâches de production a été extrapolée à partir de la base de données historique du système d'exécution de la fabrication (MES). Toutefois, les mesures et le contrôle de la qualité sont le fruit de "suppositions éclairées" des ingénieurs de processus.

Figure 1 : Représentation conceptuelle du modèle de simulation.

3. Expériences et résultats

Différentes politiques ont été comparées quant à la manière dont elles affectent la productivité (temps total nécessaire à la réalisation d'un programme de production) et la distance totale parcourue par les travailleurs. Le scénario de base est appelé OneWorker. Un travailleur est affecté à une CNC. Une fois son poste terminé, un autre travailleur prend le relais. Dans le scénario ListWorkers, nous savons que chaque travailleur est formé à tel ou tel type de machine et de tâche. Pour chaque tâche, nous attribuons dynamiquement le travailleur libre et compatible le plus proche. Comme limite supérieure, nous avons également simulé le scénario utopique AllWorkers, dans lequel chaque travailleur serait formé pour toutes les machines et toutes les tâches. Les résultats suivants sont les résultats moyens de 100 réplications (intervalles de confiance de 95 %) d'un seul programme de production donné (l'extraction des données a pris beaucoup de temps).

Figure 2 : (a) Temps de production (en heures) et (b) Distance totale parcourue par les travailleurs (en km).

En moyenne, l'allocation dynamique (ListWorkers) réduit le temps de production total de 40,4 % (voir figure 2). Ce qui est encore plus surprenant (et qui explique ce qui précède), c'est l'ampleur de la réduction de l'intervalle de confiance. En effet, dans le scénario ListWorkers, nous sommes beaucoup moins affectés par la nature stochastique des temps de traitement. Le scénario AllWorkers conduit à des améliorations supplémentaires, mais il suppose des coûts de formation importants. Quant à la distance de marche (figure 3), elle est très similaire pour OneWorker et ListWorkers. Le scénario AllWorkers a un impact considérable sur la distance de marche.

L'impact sur les entreprises

4. Conclusion

Une simulation à événements discrets a été développée afin de simuler la répartition des tâches dans un atelier d'usinage de pièces métalliques de haute précision. L'objectif principal était de mesurer l'amélioration de la productivité lorsque davantage de travailleurs sont autorisés à effectuer une tâche donnée. La prochaine étape consistera à réaliser des expériences supplémentaires pour des programmes de production beaucoup plus nombreux (c'est-à-dire pour obtenir des données supplémentaires). Nous testerons également des règles de répartition des tâches plus avancées et les évaluerons en fonction d'autres critères (par exemple, l'équité). Ensuite, l'entreprise devra développer un système afin d'assigner les tâches aux travailleurs dans la vie réelle.