Outil de planification basé sur les risques du modèle de simulation pour les installations de fabrication à forte mixité et faible volume avec des temps de configuration dépendants de la séquence

Le défi

par Jose E. Linares Blasini, Sonia M. Bartolomei Suarez, Wandaliz Torres-Garcia

Présenté lors de la Conférence d'hiver sur la simulation 2019

L'utilisation de l'ordonnancement déterministe pour les installations de fabrication à forte mixité et à faible volume est inefficace et obsolète en raison de la variabilité inhérente et de l'occurrence d'événements incertains dans l'atelier de fabrication. Ce projet développe un outil d'ordonnancement robuste pour une installation de fabrication à haut mélange et à faible volume avec des temps de préparation dépendants de la séquence, en prenant en compte une partie de la variabilité inhérente à l'atelier de fabrication. Cet outil d'ordonnancement est créé à l'aide du progiciel Simio afin de permettre la création de programmes qui s'adaptent aux besoins des planificateurs tout en incorporant les contraintes de fabrication. Cet outil analytique a été créé pour résoudre un problème existant pour un partenaire industriel local et a fait l'objet d'une étude de cas.

Introduction

L'ordonnancement de la production dans un scénario réel est très complexe, en particulier lorsque le processus comprend des changements qui prennent du temps et dépendent de la séquence. Les installations de fabrication qui produisent un grand volume de produits à partir d'un petit mélange de produits de la même famille (grand volume et faible mélange) peuvent gérer la tâche de programmation avec plus de facilité, car moins de changements sont nécessaires. C'est exactement l'inverse qui se produit dans le processus de planification d'un environnement de fabrication à forte mixité et à faible volume. La complexité de la création d'un calendrier augmente au fur et à mesure que de plus en plus de configurations sont nécessaires pour satisfaire les exigences de la demande. L'utilisation d'une approche de simulation est un moyen de s'attaquer à la complexité de la planification. Un modèle de simulation correctement validé, qui explique la majeure partie de la variabilité de l'environnement de production, est utilisé pour optimiser les ressources et les plannings. La variabilité du système peut être saisie en utilisant un modèle de simulation avec des variables aléatoires bien définies telles que le temps d'arrêt, le temps de réparation, l'absentéisme, le temps d'usinage et le temps de changement. Un calendrier qui tient compte des variations dans l'atelier de fabrication ainsi que d'autres détails peut aider à réduire les ruptures de stock de certains produits en fonction de la demande. L'un des principaux facteurs de décision dans le processus d'ordonnancement est la règle de répartition utilisée, que nous étudions dans ce travail à l'aide de la simulation.

La solution

La méthodologie

Le progiciel Simio a été utilisé pour créer l'outil de planification. En particulier, l'option Risk-based Planning and Scheduling (RPS) qui crée un planning à l'aide d'un modèle de simulation intégré (Kelton 2014). Ce planning montre une affectation détaillée des commandes aux ressources en fonction de plusieurs contraintes telles que le nombre de machinistes, les équipes de travail, les capacités des machines, les temps d'arrêt des équipements et les réparations. Ces plannings déterministes sont générés à l'aide d'un modèle de simulation. Cet outil a été développé en suivant les étapes typiques de la simulation : compréhension du système, collecte de données, conception, analyse des données d'entrée, développement du modèle, vérification du modèle, validation du modèle, création du calendrier, analyse des risques et expérimentation.

La première difficulté rencontrée pour créer le modèle de simulation a été le manque d'informations solides collectées de manière standardisée. Un processus de collecte de données a donc été conçu et mis en œuvre pour caractériser les comportements de variabilité du système qui étaient mal compris auparavant. La compréhension de ces incertitudes a permis de créer un modèle plus représentatif. En outre, il a été nécessaire de créer des sous-programmes logiques personnalisés à l'aide de la fonctionnalité des processus Simio Add-on afin de relever les défis de la modélisation et d'obtenir une représentation précise du système. Voici quelques-uns des défis de la modélisation : (1) la détermination de la quantité d'échantillonnage en cours de fabrication par numéro de pièce, (2) le déclenchement des inspections, (3) le traitement des mesures échouées, (4) le traitement des réparations d'équipement, (5) l'absentéisme des machinistes et (6) la maintenance préventive. Le modèle de simulation se termine par une colonne vertébrale de tables liées qui fournit toutes les informations nécessaires à son fonctionnement. Celles-ci peuvent être facilement modifiées à des fins d'expérimentation de différents scénarios de planification. Deux modèles de simulation ont été créés, l'un avec 20 machines représentant une installation de fabrication réelle et l'autre avec 10 machines conçues pour expérimenter les règles de répartition et d'autres facteurs. Les données de demande générées pour le plus petit modèle consistaient en 186 commandes provenant de 93 numéros de pièces uniques pour représenter une installation de fabrication à forte mixité et à faible volume avec deux scénarios différents dépendant de la séquence d'acheminement.

L'impact sur l'entreprise

Les résultats

L'atelier de fabrication a été simulé en tenant compte des informations du monde réel et de la variabilité simulée en fonction du modèle exploré. La précision du modèle industriel a été vérifiée et validée, tandis que le modèle de l'étude de cas a été correctement vérifié et étudié. Le petit modèle de dix machines a été utilisé pour expérimenter sept règles de répartition différentes (FirstInQueueue, EarliestDueDate, Critical Ratio, Shortest ProcessingTime, Least Slack Time, et Longest Processing Time) afin de créer des plannings mensuels qui réduisent le temps d'exécution des commandes. La règle de dispatching la plus performante en ce qui concerne le temps d'exécution des commandes était le Temps de préparation le plus court, après avoir effectué l'expérience avec plus de 600 répétitions pour réduire la largeur de l'intervalle de confiance à 1 heure. Des expériences supplémentaires ont été menées pour déterminer le nombre optimal de machinistes nécessaires pour les différentes équipes de travail afin de minimiser le temps d'exécution et les coûts de main-d'œuvre à l'aide de la règle de répartition du temps de préparation le plus court. La quantité de ressources par équipe a été optimisée en utilisant 3 à 7 machinistes avec un coût de main d'œuvre de 25 $/h et en utilisant le module complémentaire OptQuest. Le meilleur scénario pour la première, la deuxième et la troisième équipe comprenait respectivement 3, 3 et 2 machinistes.

Conclusion

En fin de compte, ce travail a permis de développer un outil de simulation qui modélise la variabilité inhérente dans une installation de fabrication à forte mixité et faible volume avec des temps de préparation dépendant de la séquence et qui alimente la génération de plannings basés sur le risque permettant de prévoir les retards possibles avant qu'ils ne se produisent et de mettre à jour les plannings de manière dynamique si nécessaire. La création d'un modèle de simulation pour une installation de fabrication réelle a fourni à notre partenaire industriel de nombreuses informations qui lui ont permis de mieux comprendre son système. Le processus de collecte de données a permis d'identifier de nombreuses inefficacités dans le processus de fabrication. Par exemple, la séquence des mesures d'inspection dans le système d'exécution de la fabrication n'était pas optimale pour toutes les pièces, ce qui nécessitait plus de temps pour effectuer toutes les mesures. Ces données ont été documentées et communiquées au superviseur responsable. Les modèles comportaient de nombreuses restrictions détaillées et ont donné lieu à des fichiers très volumineux. En raison de la complexité du modèle, l'expérimentation du système et de ses alternatives respectives avec différentes commandes a nécessité beaucoup de puissance informatique et de temps. Les travaux futurs devraient se concentrer sur l'efficacité du modèle en termes de calcul, l'amélioration de la fonction de coût (par exemple, l'ajout de coûts d'équipement, de coûts indirects de services publics) et son impact. L'outil de simulation, avec ses capacités de planification des ressources et d'ordonnancement, peut être utilisé pour des horizons à court et à long terme afin de faire progresser le processus de planification dans les systèmes à forte mixité et à faible volume.

Références

Kelton, W. D., Smith, J. S. et Sturrock, D. T. 2014. "Simio et Simulation : Modélisation, analyse, applications". Sewickley, PA : Simio Forward Thinking.