Fabrication numérique jumelée : optimisation de la production de snacks avec Simio

Le défi

Résumé

Cette étude de cas examine comment Argon Consulting a mis en œuvre une solution de jumeau numérique basée sur Simio pour un important fabricant australien de snacks. Le client était confronté à d'importants défis de planification sur plusieurs sites de production, y compris une transition complexe vers une nouvelle installation à la pointe de la technologie. En remplaçant la planification manuelle basée sur Excel par un modèle dynamique Simio, Argon a fourni une solution qui a permis d'optimiser la planification de la production, d'améliorer l'utilisation des ressources et de soutenir la prise de décision stratégique. L'approche de fabrication par jumeau numérique a permis au client de visualiser des contraintes de production complexes, de tester des scénarios virtuellement et de transférer la production de manière transparente entre les installations tout en maintenant des niveaux élevés de service à la clientèle.

Contexte du client

Le client est un important producteur de produits de grignotage sur le marché australien, fabriquant plusieurs types de produits, y compris des chips de pommes de terre, des chips de maïs et des snacks extrudés ou soufflés. Ses produits sont vendus dans différents formats, depuis les grands sacs à partager jusqu'aux plus petits multipacks de la taille d'une boîte à lunch. L'entreprise exploite deux sites de production à Sydney, mais a récemment achevé la construction d'une nouvelle usine ultramoderne destinée à remplacer les installations d'origine.

Argon Consulting a établi une relation à long terme avec le client, en réalisant divers projets d'excellence opérationnelle, notamment

• Modélisation et conception de scénarios pour le nouveau site
• Gestion de projet pour la mise en service et le démarrage vertical
• Modélisation détaillée de la capacité de l'entrepôt automatisé
• la planification de la main-d'œuvre et l'amélioration des processus.

L'environnement de fabrication présentait une grande complexité, avec de multiples actifs partagés tels que des friteuses et des tambours d'assaisonnement, un acheminement complexe des produits et des contraintes opérationnelles strictes qui rendaient l'ordonnancement particulièrement difficile.

Défi : Planification complexe dans un environnement à contraintes multiples

Le processus d'ordonnancement du client était confronté à de nombreux défis qui limitaient l'efficacité opérationnelle :

Limites de la planification basée sur Excel

Avant l'implémentation de Simio, toutes les planifications étaient réalisées à l'aide de feuilles de calcul Excel. Cette approche manuelle ne permettait pas de gérer efficacement les interactions complexes entre les actifs partagés dans l'usine. Le logiciel de simulation de fabrication devait répondre à plusieurs contraintes critiques :

• Partage d'actifs complexes: Plusieurs lignes de produits partageaient des ressources essentielles comme les friteuses et les tambours d'assaisonnement, créant des dépendances complexes qu'Excel ne pouvait pas modéliser efficacement.
• Lacunes dans la compréhension des capacités: La capacité de production réelle avec différents mélanges de produits n'était pas bien comprise, en particulier l'équilibre délicat requis entre la production de petits et de grands sacs.
• Cycles d'innovation rapides: L'introduction constante de nouveaux produits et arômes dans l'industrie des snacks a créé une complexité supplémentaire qu'il était difficile de calculer à l'aide d'outils statiques.
• Processus de planification cloisonnés: Les équipes chargées des opérations, de la maintenance et de la planification ont eu du mal à harmoniser leurs activités, ce qui a rendu difficile la réduction des perturbations dues aux arrêts techniques tout en maintenant les niveaux de service à la clientèle.
• Inefficacité des processus manuels: Les changements de programme nécessitaient des mises à jour lentes et manuelles des feuilles de calcul, ce qui limitait la réactivité face aux problèmes de production.

Les défis liés à la programmation de la production alimentaire ont été compliqués par des exigences opérationnelles spécifiques :

• Les friteuses devaient maintenir des taux de production constants
• Les changements d'arômes nécessitaient un séquençage spécifique des arômes clairs aux arômes foncés.
• La production de petits sachets nécessitait la production simultanée de grands sachets pour équilibrer la production des friteuses.

La solution

La solution : Mise en œuvre d'une solution de fabrication numérique jumelée avec Simio

Argon a développé une solution complète de fabrication de jumeaux numériques à l'aide de Simio pour relever ces défis. La mise en œuvre s'est faite par étapes :

Phase 1 : Développement du modèle initial

• Création d'un modèle de planification dans Simio pour les deux sites existants
• Intégration du modèle dans le système ERP du client pour automatiser les entrées de données
• Validation du modèle par rapport aux données de production réelles
• Mise en œuvre du modèle dans le processus de planification régulier

Phase 2 : Extension au nouveau site

• Extension du modèle pour inclure le nouveau site.
• Utilisation du modèle pour tester des scénarios afin d'éclairer la sélection des actifs et l'agencement du site.
• Soutien à la transition des volumes entre l'ancien et le nouveau site.

Phase 3 : Formation et transfert

Formation de l'équipe de planification à l'utilisation efficace de Simio

Mise en place de processus pour la manipulation et l'optimisation des plannings

Mise en place de tableaux de sortie pour alimenter les tableaux de bord opérationnels.

Architecture du logiciel de simulation de fabrication

Le modèle Simio a été conçu pour représenter avec précision l'environnement de production complexe :

• Modélisation des processus: Le modèle s'est concentré sur les étapes critiques de la production, de la friture à l'encaissage, en supposant que les entrées de matières premières et les opérations d'entreposage n'étaient pas des contraintes.
• Intégration des données: La solution s'est intégrée au système ERP du client pour importer les données de base des UGS, les informations sur la demande et les nomenclatures. D'autres données de configuration ont été conservées dans Excel avec Power Query.
• Modélisation des ressources: Tous les actifs de production ont été modélisés, y compris
  • les friteuses avec des capacités de production spécifiques
  • Tambours d'assaisonnement avec contraintes de saveur
  • des ensacheuses pour différentes tailles d'emballage
  • Les encaisseuses et les autoroutes intérieures
  • Les ressources partagées et leurs interconnexions
• Logique d'ordonnancement: Le modèle met en œuvre des règles d'ordonnancement complexes :
  • Séquence fixe de types de produits (frites → coupe fine → crinkle)
  • Séquence des saveurs, de légère (sel) à forte (barbecue, chili)
  • Équilibrage de la production de petits et de grands sacs pour maintenir le rendement de la friteuse.
  • Allocation des ressources en fonction de la disponibilité et des contraintes
• Modélisation des flux: La solution a utilisé les capacités de flux de Simio pour calculer en continu le tirage des sachets sur les friteuses, assurant ainsi un équilibre et une utilisation appropriés.

Détails de l'implémentation technique

L'implémentation de la modélisation de simulation pour la fabrication s'est appuyée sur plusieurs fonctionnalités clés de Simio :

Structure du modèle

• Sources liées aux tables de demande où les commandes ont été lancées pour chaque flux de produits
• Serveurs représentant les ensacheuses qui saisissent les ressources nécessaires
• Les actifs de flux modélisant la production continue des friteuses aux ensacheuses
• Ressources représentant les actifs partagés tels que les encaisseuses et les tambours d'assaisonnement

Intelligence de l'ordonnancement

L'intelligence du modèle a été principalement mise en œuvre par le biais d'expressions de sélection et de conditions qui déterminaient quelles commandes étaient assignées à quels ensacheurs. Les principales contraintes étaient les suivantes

• Correspondance des coupes de la friteuse: veiller à ce que les produits ne soient affectés qu'aux friteuses effectuant le type de coupe approprié (fine, ondulée, etc.).
• Compatibilité des tambours d'arômes: Vérification de l'affectation des produits aux ensacheuses dotées de tambours d'arômes compatibles ou d'assaisonnements spécifiques.
• Gestion des retraits: Maintien d'une capacité d'ensachage suffisante pour gérer la production des friteuses tout en évitant un surdébit excessif qui entraînerait une faible utilisation.

Interface utilisateur et interaction

Le modèle offre aux planificateurs plusieurs moyens de manipuler les plannings :

• Planification par glisser-déposer: Utilisation de la vue Opérations de Simio pour déplacer les commandes entre les lignes
• Routage forcé: Affectation de produits spécifiques à des ensacheurs particuliers à l'aide de tables de données.
• Exclusion d'itinéraire: Empêcher certains produits de circuler sur des lignes spécifiques
• Modélisation des temps d'arrêt: Ajout d'une maintenance planifiée ou d'un temps d'arrêt pour évaluer l'impact.

Intégration des résultats

Le modèle a généré des tableaux de sortie détaillés qui ont alimenté les tableaux de bord de production Power BI :

• Tableaux de bord de production Power BI
• Affichages et tablettes de l'usine
• Examens opérationnels quotidiens, hebdomadaires et mensuels

L'impact sur l'entreprise

Résultats : Optimisation de l'ordonnancement de l'usine

La mise en œuvre du jumeau numérique basé sur Simio a apporté des avantages significatifs dans de nombreux domaines :

Améliorations opérationnelles

• Amélioration de la qualité de la programmation: Séquences de production plus efficaces avec moins de changements
• Meilleure utilisation des ressources: Meilleure utilisation des friteuses et production équilibrée
• Réduction de l'effort manuel: Les planificateurs passent moins de temps à créer des programmes et plus de temps à prendre des décisions stratégiques.
• Visibilité accrue: Informations sur les plannings disponibles dans toute l'usine sur des écrans et des tablettes

Capacités stratégiques

• Test de scénario: Possibilité d'évaluer différents scénarios de production avant leur mise en œuvre
• Analyse des investissements en actifs: Décisions fondées sur des données concernant le moment où il convient d'investir dans de nouveaux équipements
• Soutien à la transition des volumes: Gestion transparente de la production sur trois sites pendant la transition

Alignement organisationnel

• Coordination interfonctionnelle: Meilleur alignement entre les opérations, la maintenance et la planification
• Décisions fondées sur des données: Compréhension partagée des contraintes et des capacités
• Amélioration des niveaux de service: Maintien d'un niveau élevé de service à la clientèle pendant la transition d'un site complexe

Valeur à long terme

Les capacités de planification des capacités de production fournies par le modèle continuent d'apporter de la valeur au client :

• évalue les besoins futurs en matière de capacité
• Planifie l'introduction de nouveaux produits
• Optimise la production dans sa nouvelle installation

Applications futures et développement continu

Le succès de la mise en œuvre initiale a conduit à plusieurs extensions en cours et planifiées :

Planification des capacités

Le modèle est utilisé pour évaluer les besoins en capacité à long terme, en aidant le client à déterminer

• quand des équipements supplémentaires seront nécessaires en fonction des prévisions de croissance
• comment optimiser la gamme de produits pour maximiser la capacité existante
• Quelles contraintes doivent être traitées en priorité pour en tirer le meilleur parti.

Introduction de nouveaux produits

Le jumeau numérique fait désormais partie intégrante du processus d'introduction de nouveaux produits :

• tester la production de nouveaux arômes et produits avant leur lancement
• Évaluation de l'impact sur la capacité globale et la programmation
• Optimisation des formats d'emballage en fonction des contraintes de production

Amélioration continue

Le modèle continue d'évoluer avec :

• des points d'intégration de données supplémentaires
• des capacités de visualisation améliorées
• des algorithmes d'ordonnancement plus sophistiqués.

Conclusion : La valeur du Digital Twin Manufacturing

La mise en œuvre du logiciel de simulation de fabrication Simio pour ce fabricant de snacks démontre la valeur significative de la technologie du jumeau numérique dans les environnements de production complexes. En créant un modèle dynamique et précis du processus de production, Argon a permis au client de.. :

• remplacer la planification statique et manuelle par une planification dynamique tenant compte des contraintes
• Obtenir une visibilité sans précédent sur les interactions complexes de la production
• Prendre des décisions basées sur des données concernant l'ordonnancement, la capacité et les investissements en actifs.
• Réussir une transition complexe entre les sites de production.

La solution de planification de la production alimentaire continue d'apporter de la valeur à mesure que le client optimise sa nouvelle installation et planifie sa croissance future. L'approche du jumeau numérique a transformé la planification d'une nécessité tactique en un avantage stratégique, permettant des opérations plus efficaces et une meilleure prise de décision dans l'ensemble de l'organisation.

Cette étude de cas illustre comment les capacités de simulation de Simio peuvent répondre aux défis de fabrication les plus complexes, en apportant des avantages opérationnels immédiats et une valeur stratégique à long terme.