Le défi
par Patrick Kirchhof et Tobias Stoehr (BearingPoint GmbH)
Présenté lors de la Conférence sur la simulation d'hiver 2016
Les approches classiques de planification des décisions d'allocation de stockage sont souvent menées de manière itérative avec un effort manuel important. L'agencement des entrepôts est généré sur la base des expériences des planificateurs avec pour objectif de réduire les distances de déplacement des opérateurs et donc d'augmenter la productivité. En combinant l'optimisation et la simulation dans un outil logiciel de planification, il est possible de générer et d'analyser une multitude de scénarios d'allocation de stockage optimisés mathématiquement afin d'améliorer les approches de planification traditionnelles. Cet article décrit un cas pratique de problème d'allocation d'entrepôt d'un constructeur automobile allemand qui est abordé à l'aide d'une méta-heuristique évolutionnaire. Les meilleures solutions de l'optimisation sont chargées dans un modèle de simulation à grande échelle, généré automatiquement, et évaluées à l'aide des données réelles de l'entreprise.
Introduction
La productivité du personnel de l'entrepôt peut être diminuée par une affectation sous-optimale des numéros de pièces aux emplacements de stockage. Les affectations de stockage inadaptées sont un problème courant et difficile à identifier en raison de l'absence d'outils de prise de décision assistés par les technologies de l'information. Dans l'entrepôt d'une entreprise automobile allemande, il n'y a pas eu d'optimisation systématique de l'attribution des numéros de pièces aux emplacements de stockage respectifs dans le but d'améliorer l'efficacité des processus internes. Pour un programme de production donné, cela peut entraîner un risque d'augmentation du temps nécessaire à la manipulation des matériaux dans l'entrepôt et, en fin de compte, des retards dans tous les processus intralogistiques.
Cet article décrit un cas pratique dans lequel un problème réel d'allocation de stockage a été analysé à l'aide d'un outil de planification qui combine l'optimisation et la simulation. Pour l'optimisation de l'allocation, plusieurs objectifs ont été pris en compte dans un algorithme génétique. Le modèle de simulation a été généré automatiquement à partir de données structurelles fournies par l'entreprise. Pour les besoins de l'évaluation, les données de base réelles (par exemple, les informations sur les matériaux, les emplacements de stockage, etc.) et les données transactionnelles (par exemple, les mouvements de matériaux) ont été chargées dans le modèle de simulation généré automatiquement.
La solution
Portée et exigences du modèle de simulation
Afin d'améliorer les pratiques de planification actuelles, une entreprise automobile allemande a demandé le développement d'un logiciel pour l'optimisation des affectations de stockage à l'aide de données réelles. La première étude a été menée dans un entrepôt représentatif comprenant environ 4 000 emplacements de stockage afin d'évaluer la pertinence de l'application du logiciel à d'autres entrepôts de l'entreprise. Les améliorations potentielles de la productivité dans l'entrepôt devaient être évaluées en comparant les affectations de stockage optimisées à l'affectation initiale actuelle. Pour ce faire, il a fallu simuler deux semaines de mouvements réels de matériaux afin d'analyser les effets des solutions proposées. Pour permettre une application potentielle à d'autres entrepôts de la société, un modèle de simulation générique incorporant les processus spécifiques à la société a dû être créé, qui peut être automatiquement alimenté avec d'autres configurations d'entrepôt à partir de données structurelles.
Approche technique
Afin de répondre aux exigences susmentionnées, un algorithme génétique a été mis en œuvre pour générer une multitude de solutions avec deux objectifs : Premièrement, les articles très demandés doivent être placés dans les emplacements de stockage les plus proches des zones d'approvisionnement des lignes de production respectives. Deuxièmement, les matériaux qui sont souvent prélevés ensemble doivent être regroupés dans des lieux proches. Pour catégoriser les matériaux, des données historiques de mouvements sur six mois ont été utilisées et les distances ont été calculées dans le modèle de simulation. Un modèle d'entrepôt générique tenant compte des spécificités de l'entreprise a été développé à l'aide de SIMIO. Ces spécificités comprennent les processus de mise en mémoire tampon des matériaux, les restrictions physiques des matériaux à certaines zones de l'entrepôt, les informations relatives à la planification des équipes et l'association des matériaux aux zones d'approvisionnement des lignes respectives.
En suivant l'approche de modélisation orientée objet de SIMIO, des objets de modèle de simulation, représentant des éléments spécifiques du système réel, tels que différents types d'étagères, des zones de stockage en vrac et des objets de chariots élévateurs personnalisés, ont été créés. Les instances spécifiques des éléments de modélisation ont ensuite été placées dans un modèle vierge à l'aide d'une extension personnalisée de SIMIO. Cette extension permet de générer des modèles de simulation complets en plaçant, connectant et paramétrant automatiquement ces objets prédéfinis dans un modèle de simulation. Les données structurelles fournies par l'entreprise étaient une condition préalable à la génération automatique d'un modèle à l'échelle réelle.
Pour un point de départ valide de la simulation, l'inventaire actuel d'un jour spécifique a été placé dans le modèle et les mouvements de l'entrepôt ont été simulés pour une période de deux semaines. Des expériences ont été menées pour différentes combinaisons de scénarios d'allocation de stockage et différents scénarios d'effectifs d'entrepôt afin d'évaluer les distances de déplacement, l'utilisation des travailleurs et le niveau de service (c'est-à-dire la fourniture de matériaux en temps voulu pour l'approvisionnement de la ligne).
La figure 1 montre le modèle d'entrepôt, composé de plus de 4 000 objets, avec un maximum de 20 000 conteneurs de matériaux simultanés dans le système.
L'impact sur l'entreprise
Résultats et avantages
Les dix meilleures solutions de l'optimisation heuristique ont été évaluées à l'aide du modèle de simulation. Par rapport à l'affectation initiale, la meilleure solution trouvée par le logiciel a permis de réduire les distances entre les entrepôts de 7,63 %, de diminuer l'utilisation des travailleurs de 5,77 %, tout en améliorant le niveau de service de 8,72 %. Grâce à l'automatisation de la génération du modèle, le cycle de résolution des problèmes est considérablement réduit par rapport à la création manuelle des modèles de simulation. En outre, le processus est moins sujet aux erreurs et peut être répété à la demande avec des données actualisées, ce qui limite le problème de l'obsolescence des modèles.