Introdução
No mundo de hoje, as empresas competem não apenas em preço e qualidade, mas também em sua capacidade de entregar produtos de forma confiável e dentro do prazo. Portanto, uma boa programação de produção influencia o rendimento da empresa, as vendas e a satisfação do cliente. Embora as empresas tenham investido milhões em tecnologia da informação para Enterprise Resource Planning (ERP) e Manufacturing Execution Systems (MES), o investimento ficou aquém da programação detalhada da produção, fazendo com que a maioria das empresas recorra a métodos manuais que envolvem Excel e quadros de planejamento. Enquanto isso, as tendências do setor em relação à redução de estoques, prazos de entrega mais curtos, maior personalização de produtos, proliferação de SKUs e fabricação flexível estão tornando a tarefa mais complicada. A criação de um plano viável requer a consideração simultânea de materiais, mão de obra, equipamentos e demanda. Essa barreira é simplesmente muito alta para qualquer método de planejamento manual. O desafio de criar um plano confiável exige uma transformação digital que possa dar suporte à programação automatizada e confiável.
O conceito de um cronograma acionável é fundamental para a ideia de uma programação de fábrica eficaz. Uma programação acionável é aquela que considera totalmente as restrições detalhadas e as regras operacionais do sistema e, portanto, pode ser executada na fábrica pela equipe de produção. Um problema com muitas soluções de programação é que elas ignoram uma ou mais restrições detalhadas e, portanto, não podem ser executadas conforme especificado no chão de fábrica. Um cronograma não acionável exige que os operadores entrem em ação e substituam o cronograma planejado para acomodar as restrições reais do sistema. Nesse ponto, o cronograma não está mais sendo seguido e estão sendo tomadas decisões locais que afetam os KPIs do sistema de maneiras que não são visíveis para os operadores.
Uma segunda ideia central da programação eficaz é contabilizar adequadamente a variabilidade e os eventos não planejados na fábrica e o impacto prejudicial correspondente no rendimento e na entrega no prazo. A maioria das abordagens de programação ignora completamente esse elemento crítico do sistema e, portanto, produz programações otimistas que não podem ser cumpridas na prática. O que começa parecendo um cronograma viável se degrada com o passar do tempo à medida que as máquinas quebram, os trabalhadores faltam por motivo de doença, os materiais chegam atrasados, é necessário retrabalho etc. As promessas otimistas que foram feitas não podem ser cumpridas.
Uma terceira consideração é o efeito de uma programação inviável no plano da cadeia de suprimentos. A programação da fábrica é apenas a etapa final do processo de planejamento da produção, que começa com o planejamento da cadeia de suprimentos com base na demanda real e/ou prevista. O processo de planejamento da cadeia de suprimentos gera ordens de produção e, normalmente, estabelece requisitos de material para cada período de planejamento em toda a rede de produção. As ordens de produção geradas para cada fábrica da rede durante esse processo são baseadas em um modelo aproximado da capacidade de produção. O processo de planejamento da cadeia de suprimentos tem uma visibilidade muito limitada das restrições reais da fábrica, e as necessidades de produção resultantes geralmente superestimam a capacidade da fábrica. Posteriormente, os programadores da fábrica devem desenvolver um plano detalhado para atender a esses requisitos de produção, considerando as restrições reais do equipamento, da força de trabalho etc. Os ajustes da fábrica para tornar o plano viável não serão transparentes para os planejadores da cadeia de suprimentos. Isso cria uma desconexão em uma função central de planejamento de negócios em que ocorrem enormes gastos.
Neste documento, discutiremos a solução para esses desafios, o Process Digital Twin, e o caminho para chegar lá. A solução Simio Digital Twin foi desenvolvida com base no software patenteado Simio Risk-based Planning and Scheduling (RPS). Começaremos descrevendo e comparando as três abordagens comuns à programação de fábrica. Em seguida, discutiremos detalhadamente as vantagens de um processo Digital Twin para programação de fábrica com base no Simio RPS.
Abordagens de programação de fábrica
Vamos começar discutindo as três abordagens mais comuns para resolver o problema de programação em uso atualmente: 1) métodos manuais usando quadros de planejamento ou planilhas, 2) modelos de recursos e 3) processo Digital Twin.
Métodos manuais
O método mais comum usado atualmente para a programação de fábrica é o método manual, normalmente complementado por planilhas ou quadros de planejamento . O uso da programação manual normalmente não é a primeira opção das empresas, mas é o resultado do fracasso em obter sucesso com sistemas automatizados.
A geração manual de um cronograma para uma fábrica complexa é uma tarefa muito desafiadora, que exige uma compreensão detalhada de todos os equipamentos, da força de trabalho e das restrições operacionais. Cinco dos inconvenientes mais frustrantes incluem:
- É difícil para um programador considerar todas as restrições críticas. Embora os programadores possam se concentrar nas restrições primárias, eles geralmente não sabem – ou precisam ignorar – as restrições secundárias, e essas omissões resultam em um cronograma inviável.
- Normalmente, a programação manual leva horas para ser concluída e, no momento em que ocorre qualquer alteração, a programação se torna inoperante.
- A qualidade da programação depende totalmente do conhecimento e da habilidade do escalonador. Se o escalonador se aposentar, sair de férias ou adoecer, o escalonador reserva poderá ser menos qualificado e os KPIs poderão se degradar.
- É praticamente impossível para o programador levar em conta o efeito degradante da variação na programação e, portanto, fornecer tempos de conclusão confiáveis para os pedidos.
- À medida que os trabalhos críticos se atrasam, os programadores manuais recorrem a outros trabalhos para acomodar esses trabalhos “quentes”, interrompendo o fluxo e criando mais trabalhos “quentes”. O sistema se torna instável e se dissolve em um combate a incêndios.
Modelo de recursos
As empresas que utilizam um método automatizado de programação de fábrica normalmente usam uma abordagem baseada em um modelo de recursos da fábrica. Um modelo de recursos é composto por uma lista de recursos críticos com intervalos de tempo alocados a tarefas que devem ser processadas pelo recurso com base nos tempos estimados das tarefas. A lista de recursos inclui máquinas, acessórios, trabalhadores etc., necessários para a produção. A seguir, você verá um gráfico de Gantt que representa um modelo simples de recursos com quatro recursos (A, B, C, D) e dois trabalhos (azul, vermelho). O trabalho azul tem a sequência de tarefas A, D e B, e o trabalho vermelho tem a sequência de tarefas A e B.
Os recursos em um modelo de recursos são definidos por um estado que pode ser ocupado, ocioso ou fora de turno. Quando um recurso está ocupado com uma tarefa ou fora do turno, outras tarefas devem esperar para serem alocadas ao recurso (por exemplo, vermelho espera por azul no recurso A). Todas as ferramentas de programação baseadas em um modelo de recursos compartilham essa mesma representação da capacidade da fábrica e diferem apenas na forma como as tarefas são atribuídas aos recursos.
O problema que todas essas ferramentas compartilham é um modelo de restrição excessivamente simplista. Embora esse modelo possa funcionar em algumas aplicações simples, há muitas restrições em fábricas que não podem ser representadas por um simples estado ocupado, ocioso ou fora do turno de um recurso. Considere os exemplos a seguir:
- Um sistema tem dois guindastes (A e B) em uma pista que são usados para mover componentes de aeronaves para estações de trabalho. Embora o guindaste A esteja ocioso no momento, ele está bloqueado pelo guindaste B e, portanto, não pode receber a tarefa.
- Uma estação de trabalho na linha de produção 1 está atualmente ociosa e pronta para iniciar uma nova tarefa. No entanto, essa estação de trabalho tem disponibilidade limitada quando uma operação complexa está em andamento na linha adjacente 2.
- É necessário um operador de montagem para concluir a montagem. Há operadores de montagem ociosos no momento, mas o mesmo operador que foi atribuído à tarefa anterior também deve ser usado nessa tarefa, e esse operador está ocupado no momento.
- É necessário um operador de preparação para essa tarefa. O operador está ocioso, mas está no prédio adjacente e precisa se deslocar até esse local para que a preparação possa começar.
- As tarefas envolvem o fluxo de fluido por meio de tubos, válvulas e tanques de armazenamento/mistura, e o fluxo é limitado por regras complexas.
- Um trabalho requer tratamento em um forno, o forno está ocioso, mas não está na temperatura necessária.
Esses são apenas alguns exemplos de restrições típicas para as quais um modelo simples de recursos ocupados, ociosos e fora do turno é inadequado. Cada fábrica tem seu próprio conjunto de restrições que limitam a capacidade da instalação.
As ferramentas de agendamento que utilizam um modelo simples de recursos alocam tarefas aos recursos usando uma das três abordagens básicas: heurística, otimização e simulação.
Uma heurística comum é o sequenciamento de trabalhos, que começa com o trabalho de maior prioridade e atribui todas as tarefas para esse trabalho, repetindo esse processo para cada trabalho até que todos os trabalhos sejam agendados (no exemplo anterior, o azul é sequenciado, depois o vermelho). Essa abordagem simples de sequenciamento de trabalhos pode ser feita tanto no sentido para frente, começando com a data de liberação, quanto no sentido para trás, começando com a data de vencimento. Observe que o sequenciamento para trás (embora útil no planejamento mestre) é normalmente problemático na programação detalhada porque a programação resultante é frágil e qualquer interrupção no fluxo de trabalho criará um trabalho atrasado. Essa heurística simples de sequenciamento de um trabalho por vez não pode acomodar regras operacionais complexas, como a minimização de trocas ou a execução de campanhas de produção com base em atributos como tamanho ou cor. No entanto, muitas heurísticas diferentes foram desenvolvidas ao longo do tempo para atender a requisitos especiais de aplicativos. Exemplos de ferramentas de programação que utilizam heurística incluem o Preactor da Siemens e o PP/DS da SAP.
A segunda abordagem para atribuir tarefas a recursos no modelo de recursos é a otimização, na qual o problema de atribuição de tarefas é formulado como um conjunto de restrições de sequenciamento que devem ser satisfeitas ao mesmo tempo em que se atinge um objetivo, como minimizar o atraso ou o custo. A formulação matemática é então “resolvida” usando um solucionador de Programação de Restrições (CP). O solucionador de CP usa regras heurísticas para buscar possíveis atribuições de tarefas que atendam às restrições de sequenciamento e melhorem o objetivo. Observe que não há algoritmo que possa otimizar a formulação matemática da atribuição de tarefas para o modelo de recursos em um tempo razoável (esse problema é tecnicamente classificado como NP Hard) e, portanto, os solucionadores de CP disponíveis dependem de heurística para encontrar uma solução “prática”, mas não ideal. Na prática, a abordagem de otimização tem aplicação limitada porque muitas vezes são necessários longos períodos de execução (horas) para chegar a uma boa solução. Embora o PP/DS incorpore o solucionador de CP do ILOG para atribuir tarefas aos recursos, a maioria das instalações do PP/DS depende da heurística disponível para a atribuição de tarefas.
A terceira abordagem para atribuir tarefas no modelo de recursos simples é uma abordagem de simulação. Nesse caso, simulamos o fluxo de trabalhos por meio do modelo de recursos da fábrica e atribuímos tarefas aos recursos disponíveis usando regras de despacho, como a menor troca ou a primeira conclusão. Essa abordagem tem várias vantagens sobre a abordagem de otimização. Primeiro, ela é executada muito mais rapidamente, produzindo um cronograma em minutos em vez de horas. Outra vantagem importante é que ela pode suportar a lógica de decisão personalizada para alocar tarefas aos recursos. Um exemplo de ferramenta que utiliza essa abordagem é o Preactor 400 da Siemens.
Independentemente da abordagem usada para atribuir tarefas aos recursos, o cronograma resultante supõe a ausência de todos os eventos aleatórios e variações no sistema. Portanto, os cronogramas resultantes são otimistas e levam a promessas exageradas de prazos de entrega aos clientes. Essas ferramentas não oferecem nenhum mecanismo para avaliar o risco relacionado ao cronograma.
Gêmeos digitais
A terceira e mais recente abordagem para a programação da fábrica é um processo Digital Twin da fábrica. Um gêmeo digital é uma réplica digital dos processos, equipamentos, pessoas e dispositivos que compõem a fábrica e pode ser usado tanto para o projeto quanto para a operação do sistema. Os recursos no sistema não só têm um estado ocupado, ocioso e fora do turno, mas também são objetos que têm comportamentos e podem se mover pelo sistema e interagir com outros objetos no modelo para replicar o comportamento e as restrições detalhadas da fábrica real. O Digital Twin traz um novo nível de fidelidade à programação que não está disponível nas ferramentas de modelagem baseadas em recursos existentes.
Simio Digital Twin
O Simio Digital Twin é um modelo animado em 3D da fábrica, baseado em objetos e orientado por dados, que está conectado a dados em tempo real do ERP, MES e fontes de dados relacionadas. A seguir, resumiremos as principais vantagens do Simio Digital Twin como uma solução de programação de fábrica.
Uso duplo: projeto e operação do sistema
Embora o foco aqui seja aumentar o rendimento e a pontualidade na entrega por meio de uma melhor programação usando o projeto da fábrica existente, diferentemente das ferramentas de programação tradicionais, o Simio Digital Twin também pode ser usado para otimizar o projeto da fábrica. O mesmo modelo Simio usado para a programação da fábrica pode ser usado para testar nossas alterações nas instalações, como adicionar novos equipamentos, alterar os níveis de pessoal, consolidar as etapas de produção, adicionar estoque de reserva etc.
Cronogramas acionáveis
Um requisito básico de qualquer solução de programação é que ela forneça programações acionáveis que possam ser implementadas na fábrica real. Se uma programação de produção não acionável for enviada para o chão de fábrica, a equipe de produção não terá outra opção a não ser ignorar a programação e tomar suas próprias decisões com base nas informações locais.
Para que um cronograma seja acionável, ele deve capturar todas as restrições detalhadas do sistema. Como a base do Simio Digital Twin é uma ferramenta de modelagem baseada em objetos, o modelo da fábrica pode capturar todas essas restrições com o nível de detalhe necessário. Isso inclui restrições complexas, como dispositivos de manuseio de materiais, equipamentos complexos, trabalhadores com diferentes conjuntos de habilidades e requisitos de sequenciamento complexos,
Em muitos sistemas, há regras operacionais que foram desenvolvidas ao longo do tempo para controlar os processos de produção. É tão importante capturar essas regras operacionais quanto as principais restrições do sistema; qualquer cronograma que ignore essas regras operacionais não é acionável. A estrutura de modelagem do Simio tem uma lógica de decisão flexível baseada em regras para implementar essas regras operacionais. O resultado é um cronograma acionável que respeita tanto as restrições físicas do sistema quanto as regras operacionais padrão.
Execução rápida
Na maioria das organizações, a vida útil de um cronograma é curta porque ocorrem eventos não planejados e variações que tornam o cronograma atual inválido. Quando isso ocorre, uma nova programação deve ser regenerada e distribuída o mais rápido possível, para manter a produção funcionando sem problemas. Uma abordagem manual ou baseada em otimização para a regeneração da programação que leva horas para ser concluída não é prática; nesse caso, os operadores do chão de fábrica assumirão o controle e implementarão suas próprias decisões locais de programação que podem não estar alinhadas com os KPIs de todo o sistema. Quando ocorrem eventos aleatórios, o Simio Digital Twin pode responder rapidamente e gerar e distribuir uma nova programação acionável. A regeneração da programação pode ser acionada manualmente pelo programador ou automaticamente por eventos no sistema.
Modelo animado em 3D e cronograma
Em outros sistemas de programação, a única visualização gráfica do modelo e da programação é o gráfico de Gantt de recursos. Por outro lado, o Simio Digital Twin oferece uma comunicação e uma visualização eficientes da estrutura do modelo e do cronograma resultante. O ideal é que qualquer pessoa na organização, desde o chão de fábrica até o último andar, possa visualizar e entender o modelo suficientemente bem para validar sua estrutura. Uma boa solução melhora não apenas a capacidade de gerar um cronograma acionável, mas também de visualizá-lo e explicá-lo em todos os níveis da organização.
O gráfico de Gantt do Simio tem um link direto para a instalação animada em 3D; clique com o botão direito do mouse em um recurso ao longo da escala de tempo na visualização de Gantt e você salta instantaneamente para uma visualização animada dessa parte da instalação, mostrando as máquinas, os trabalhadores e o trabalho em processo naquele momento do cronograma. A partir desse ponto, você pode simular o avanço no tempo e ver o cronograma se desenrolar como no sistema real. Os benefícios do Simio Digital Twin começam com a geração precisa e rápida de um cronograma acionável. Mas os benefícios culminam na capacidade dos gêmeos digitais de comunicar sua estrutura, sua lógica de modelo e seus cronogramas resultantes a qualquer pessoa que precise saber.
Análise de risco
Uma das principais deficiências das ferramentas de programação é a incapacidade de lidar com eventos e variações não planejados. Por outro lado, o Simio Digital Twin pode modelar com precisão esses eventos e variações não planejados para fornecer não apenas um cronograma detalhado, mas também analisar o risco associado ao cronograma.
Ao gerar um cronograma, os eventos/variações aleatórios são automaticamente desativados para gerar um cronograma determinístico. Como outros cronogramas determinísticos, ele é otimista em termos de conclusão no prazo. No entanto, depois que esse cronograma é gerado, o mesmo modelo é executado várias vezes com os eventos/variações ativados, para gerar uma amostragem aleatória de vários cronogramas com base na incerteza do sistema. O conjunto de programações geradas aleatoriamente é então usado para derivar medidas de risco, como a probabilidade de que cada pedido seja enviado no prazo. Essas medidas de risco são exibidas diretamente no gráfico de Gantt Gannt e nos relatórios relacionados. Isso permite que o programador saiba com antecedência quais pedidos são arriscados e tome medidas para garantir que os pedidos importantes tenham uma alta probabilidade de serem enviados no prazo.
Análise de restrições
Não é incomum que o processo de planejamento da cadeia de suprimentos, que se baseia em um modelo de capacidade aproximada da fábrica, envie mais trabalho para uma instalação de produção do que pode ser facilmente produzido, considerando a capacidade real e as restrições operacionais da instalação. Quando isso ocorre, o cronograma detalhado resultante terá um ou mais trabalhos atrasados e/ou trabalhos com alto risco de atraso. Surge então a questão de quais ações podem ser tomadas pelo programador para garantir que todos os trabalhos importantes sejam entregues dentro do prazo.
Embora outras abordagens de programação gerem uma programação, o Simio Digital Twin vai um passo além, fornecendo também uma análise de restrições que detalha todo o tempo sem valor agregado (NVA) gasto por cada trabalho no sistema. Isso inclui o tempo de espera por uma máquina, um operador, material, um dispositivo de manuseio de material ou qualquer outra restrição que esteja impedindo a produção do item. Portanto, se a programação mostrar que um item vai se atrasar, a análise de restrições mostrará quais ações podem ser tomadas para reduzir o tempo de NVA e enviar o produto no prazo. Por exemplo, se o item passar um tempo significativo esperando por uma operação de preparação, pode ser necessário programar horas extras para esse operador.
Multi-setor
Embora a programação dentro das quatro paredes de uma instalação de produção discreta seja uma área de aplicação importante, há muitas aplicações de programação além da fabricação discreta. Muitas aplicações de manufatura envolvem fluxos de fluidos com tanques de armazenamento/mistura, processamento em lote, bem como produção de peças discretas. Ao contrário de outras ferramentas de programação que têm escopo limitado à produção discreta, o Simio Digital Twin tem sido aplicado em muitas áreas de aplicação diferentes, inclusive na produção de modo misto e em áreas fora da produção, como logística e saúde. Essas aplicações são possíveis graças à estrutura de modelagem flexível do Simio RPS.
Integração flexível
Um processo Digital Twin é um modelo de simulação detalhado que está diretamente conectado aos dados do sistema em tempo real. As ferramentas tradicionais de modelagem de simulação têm capacidade limitada de conexão com dados em tempo real de ERP, MES e outras fontes de dados. Em contrapartida, o Simio RPS foi projetado desde o início com a integração de dados como requisito principal.
O Simio RPS oferece suporte à implementação do Digital Twin, fornecendo um conjunto de dados relacionais flexíveis na memória que pode ser mapeado diretamente para os componentes do modelo e para fontes de dados externas. Essa abordagem permite a integração direta com uma ampla gama de fontes de dados e, ao mesmo tempo, permite a execução rápida do modelo Simio RPS.
Modelos gerados por dados
Em aplicações globais, geralmente há várias instalações de produção localizadas em todo o mundo que produzem os mesmos produtos. Embora cada instalação tenha seu próprio layout exclusivo, geralmente há uma sobreposição significativa em termos de recursos (equipamentos, funcionários, etc.) e processos. Nesse caso, o Simio RPS oferece recursos especiais que permitem que o gêmeo digital de cada instalação seja gerado automaticamente a partir de tabelas de dados mapeadas para componentes de modelagem que descrevem os recursos e processos. Isso simplifica muito o desenvolvimento de vários gêmeos digitais em toda a empresa e também permite a reconfiguração de cada gêmeo digital por meio de edições na tabela de dados para acomodar mudanças contínuas nos recursos e/ou processos.