Lorsqu'une entreprise néo-zélandaise de fabrication métallique a dû faire passer la production de son produit breveté de 600 à 26 000 unités, soit une multiplication par 45, elle a été confrontée à une décision stratégique cruciale. Pouvait-elle réaliser cette montée en puissance spectaculaire tout en maintenant la fabrication à terre et en réduisant les coûts unitaires ? Plutôt que de prendre des décisions d'investissement basées sur des hypothèses, ils se sont associés à LMAC Group pour développer une approche basée sur les données en utilisant le logiciel de simulation Simio.
Cette étude de cas examine comment LMAC Group a utilisé la simulation pour modéliser l'ensemble du processus de production, identifier les contraintes, tester des scénarios d'optimisation et concevoir une usine du futur capable d'atteindre des objectifs de production ambitieux. Le projet démontre comment la technologie de simulation peut transformer la prise de décision dans le secteur de la fabrication en fournissant des données concrètes avant la mise en œuvre physique, réduisant ainsi les risques et optimisant les investissements en capital.
LMAC Group est une société néo-zélandaise de conseil en productivité fondée en 2005. Avec des consultants basés en Nouvelle-Zélande, en Australie, dans la région Asie-Pacifique et en Europe, LMAC se spécialise dans l'aide aux organisations pour qu'elles atteignent un haut niveau de performance grâce à des améliorations opérationnelles stratégiques. Son approche intègre les méthodologies "lean", l'optimisation des processus et la mise en œuvre de la technologie pour conduire la transformation au niveau de l'organisation et de l'industrie.
"Nous sommes fiers d'être indépendants", explique Adam, le représentant de LMAC qui a dirigé ce projet. "Notre travail consiste à aider les organisations à comprendre leur stratégie, la transformation qu'elles doivent opérer pour atteindre cette stratégie, puis à fournir des conseils indépendants sur les logiciels, l'automatisation ou les marchés dans lesquels elles devraient s'engager.
Le client de cette étude de cas est une entreprise néo-zélandaise spécialisée dans l'ingénierie, la fabrication et la production de produits métalliques. Elle a mis au point un produit breveté qui a fait l'objet d'une production pilote de 600 unités en utilisant ses installations, son équipement et sa main-d'œuvre existants. Le produit s'est avéré un succès sur le marché, ce qui a créé un besoin urgent d'augmenter considérablement la production pour répondre à la demande.
L'entreprise de fabrication de produits métalliques était confrontée à un défi complexe de mise à l'échelle, avec des contraintes et des objectifs multiples :
Le processus de fabrication comportait plusieurs étapes : découpe au laser de feuilles de métal en composants, pliage, assemblage et finition. L'installation existante avait été suffisante pour l'essai pilote, mais il était évident qu'elle devrait être modifiée pour atteindre l'objectif de mise à l'échelle.
"Le défi pour eux est maintenant de savoir comment passer à l'échelle de production", explique Adam. "Le projet pilote lui-même a été une grande réussite. Mais pour atteindre l'échelle dont ils ont besoin, ils vont devoir envisager une nouvelle installation ou au moins l'optimisation de leur installation actuelle d'une manière ou d'une autre".
Le groupe LMAC s'est associé à Simio pour développer une approche de simulation complète qui répondrait à ces questions critiques. Le projet a suivi une méthodologie structurée :
L'équipe a commencé par cartographier l'ensemble du processus de production en utilisant un logiciel de conception pour documenter chaque étape du flux de fabrication. Elle a recueilli des données détaillées sur
Ces données ont servi de base à l'élaboration d'un modèle de simulation précis.
En collaboration avec Simio, LMAC a développé un modèle de simulation détaillé représentant le processus de production complet, de la matière première au produit fini. Le modèle comprend les éléments suivants
Modélisation des flux de matériaux: La simulation a suivi les tôles depuis le stockage initial jusqu'au stockage du produit fini, en passant par les opérations de découpe (où les grandes tôles sont transformées en plusieurs petits composants), le stockage des composants, les différentes stations de traitement (pliage, façonnage, etc.), et enfin l'assemblage et le stockage du produit fini.
Modélisation du comportement des travailleurs: L'un des aspects les plus complexes du modèle a été la représentation précise du comportement des travailleurs, notamment :
"Le plus grand obstacle pour ce modèle spécifique, lorsqu'il s'agit de modéliser les travailleurs eux-mêmes, est de comprendre comment prioriser correctement la saisie sur une machine et le prélèvement dans un rack", explique Chiara, l'ingénieur en solutions Simio qui a travaillé sur le projet.
Modélisation des rayonnages de stockage: L'équipe a développé une logique de processus sophistiquée pour modéliser le stockage et la récupération des composants dans les rayonnages de l'usine :
Traitement des machines: Le modèle intègre des représentations précises des capacités de chaque machine, notamment
Une fois le modèle de base établi, l'équipe a conçu des expériences pour tester divers scénarios d'optimisation :
Stratégies d'affectation des travailleurs: Tester différentes approches de l'affectation des travailleurs et de la hiérarchisation des tâches afin d'optimiser l'utilisation des ressources.
Modifications des schémas d'affectation: Évaluation de l'impact de la mise en place d'équipes multiples pour augmenter la production sans équipement supplémentaire.
Modifications de l'équipement: Évaluer l'impact potentiel de l'ajout de capacité à des machines spécifiques identifiées comme des contraintes.
Ajustements de la capacité de stockage: Tester si l'augmentation de la capacité de stockage à des points clés améliorerait le flux global.
Chaque scénario a été évalué sur la base du débit (unités terminées), de l'utilisation des machines, de l'utilisation des travailleurs et de l'identification des goulets d'étranglement de la production.
La mise en œuvre du projet de simulation a comporté plusieurs phases clés et défis techniques :
L'équipe a adopté une approche itérative et stratifiée pour construire le modèle de simulation :
"Lorsque nous avons commencé à modéliser, la partie la plus importante consiste à décomposer les éléments en sous-projets de taille gérable", explique Chiara. "Nous avons dû commencer par déterminer à quoi ressemblait le flux global. Au début, nous ne nous sommes pas trop concentrés sur l'affectation des travailleurs, mais nous avons commencé par modéliser correctement le flux, les processus et les zones de stockage."
Nous devions utiliser la logique de processus pour ajouter une sorte de prise de décision afin de pouvoir modifier leur comportement et leur dire : "D'accord, en fonction de votre capacité de transport, qui sera la quantité maximale, quand dois-je vous demander d'aller chercher le produit ? Est-ce que je veux que vous alliez le chercher lorsqu'il y a 25 pièces disponibles ? Dois-je attendre que les 50 pièces soient disponibles ? Ou bien est-ce que je veux que vous alliez chercher un produit à la fois ? décrit Chiara.
L'équipe a rencontré et surmonté plusieurs défis techniques au cours de la mise en œuvre :
Modélisation des baies de stockage : Au départ, l'équipe a utilisé des serveurs pour modéliser les zones d'attente, mais cette approche s'est révélée limitée. Elle est passée à l'utilisation de racks avec une logique de processus personnalisée pour interrompre la mise en attente et libérer les produits en fonction des besoins.
"Nous sommes ensuite passés à l'utilisation de racks. Mais comment interrompre la mise en attente de certains produits seulement à certains moments ? Pour ce faire, nous avons vraiment utilisé le soutien de certains de nos bits SIM pour comprendre quelle est la logique de processus de base que nous voudrions utiliser pour interrompre cette mise en attente", a expliqué Chiara.
Priorité aux travailleurs: Développer une logique pour s'assurer que les travailleurs donnent la priorité aux tâches les plus critiques plutôt que de rester bloqués dans des schémas inefficaces.
"Nous devions prendre tout cela en considération. Et le plus grand obstacle pour ce modèle spécifique, lorsqu'il s'est agi de modéliser les travailleurs eux-mêmes, a été de comprendre comment prioriser correctement la saisie sur une machine et le prélèvement sur un rack". note Chiara.
Modélisation des mouvements de lots: Création d'une logique flexible pour représenter les travailleurs déplaçant des matériaux par lots de tailles variables en fonction des caractéristiques du produit.
L'équipe a validé le modèle en comparant ses résultats aux résultats de production connus de l'essai pilote de 600 unités. Cela a permis de s'assurer que la simulation représentait bien le système de production actuel avant de l'utiliser pour prédire des scénarios futurs.
Le projet de simulation a permis d'obtenir plusieurs informations précieuses et a eu un impact sur l'activité de l'entreprise :
La simulation de base a confirmé que la configuration actuelle de l'usine ne permettait pas d'atteindre le volume de production cible de 26 000 unités dans les délais impartis. Cela a validé la nécessité d'une optimisation significative des processus ou d'un investissement en capital dans de nouveaux équipements.
Le modèle a permis d'identifier des contraintes spécifiques dans le processus de production :
Inefficacité de l'affectation des travailleurs: La simulation a révélé que les travailleurs étaient parfois sous-utilisés dans certaines zones et créaient des goulots d'étranglement dans d'autres. En visualisant les mouvements et l'utilisation des travailleurs, l'équipe a identifié les possibilités d'améliorer la répartition des tâches.
Contraintes de capacité des machines: Le modèle a mis en évidence les machines spécifiques qui limitaient le débit global, fournissant ainsi des cibles claires pour des augmentations potentielles de capacité.
"Les tableaux de bord qui affichent des informations telles que l'utilisation des machines sont très utiles, car ils nous permettent de montrer que nous pouvons produire telle quantité en une journée ou en une semaine. Mais il faut voir où les machines manquent de matériel, où elles ont des temps d'arrêt", explique Adam.
Limites de la capacité de stockage: La simulation a permis d'identifier les points du processus où une capacité de stockage insuffisante créait des goulets d'étranglement.
Les tests de scénario ont révélé plusieurs possibilités d'optimisation :
Impact de l'organisation des équipes: La mise en place d'une double équipe a permis d'augmenter considérablement la production sans nécessiter d'investissement en capital.
Amélioration de l'affectation des travailleurs: La modification des règles d'affectation des travailleurs a permis d'améliorer les flux et de réduire les temps d'attente, augmentant ainsi l'efficacité globale.
Optimisation de la taille des lots: L'ajustement de la taille des lots pour le transport des matériaux a permis d'optimiser les déplacements des travailleurs dans l'ensemble de l'installation.
Le plus important est peut-être que la simulation a fourni une base de données pour les décisions d'investissement :
Calcul du retour sur investissement: En modélisant l'impact des nouveaux équipements ou des modifications apportées aux installations avant leur mise en œuvre, l'entreprise a pu calculer le retour sur investissement escompté avec une plus grande précision.
Réduction des risques: La possibilité de tester plusieurs scénarios a virtuellement réduit le risque associé aux investissements majeurs.
Planification de la mise en œuvre par étapes: La simulation a permis d'identifier les améliorations qui auraient le plus d'impact, ce qui a permis d'établir des priorités et de procéder à une mise en œuvre progressive.
Le partenariat entre LMAC Group et Simio a permis de fournir une solution de simulation complète qui a répondu aux questions critiques de l'entreprise de fabrication de métaux concernant l'augmentation de la production. L'approche a démontré comment la technologie de simulation peut combler le fossé entre les capacités actuelles et les exigences futures, en réduisant les risques et en optimisant les décisions d'investissement.
"Une grande partie de la logique que nous avons pu développer ici en termes de travailleurs, en termes de racks, en termes de ce premier serveur également, parce que ce premier serveur prend une pièce en entrée et produit plusieurs pièces en sortie... cela nous a vraiment donné une base pour pouvoir l'appliquer à d'autres clients également, parce que beaucoup de ces défis dont nous parlons ici sont très communs dans la fabrication", a conclu Adam.
La prochaine phase du projet consistera à développer un modèle 3D détaillé de la future usine proposée, intégrant le flux de matériaux, le mouvement de la main-d'œuvre et la disposition des équipements. Ce modèle permettra de calculer avec précision le retour sur investissement des investissements et de soutenir la planification de la mise en œuvre.
L'approche démontrée dans cette étude de cas est largement applicable aux organisations manufacturières confrontées à des défis d'échelle similaires, en particulier celles qui cherchent à maintenir la production nationale tout en étant compétitives à l'échelle mondiale. Les principaux éléments transférables sont les suivants
Alors que les entreprises manufacturières du monde entier sont soumises à une pression croissante pour optimiser leurs opérations, réduire leurs coûts et répondre rapidement aux demandes du marché, les approches de simulation telles que celles démontrées par LMAC Group et Simio deviendront des outils de plus en plus précieux pour la prise de décision stratégique et l'excellence opérationnelle.