As oficinas de usinagem clássicas designam um operador por máquina. No entanto, a linha de produção com a qual trabalhamos é altamente conectada e agora vemos a possibilidade de alocar as tarefas aos trabalhadores de forma mais dinâmica. Um modelo de simulação de eventos discretos da linha de produção de fabricação de peças de metal foi criado para testar diferentes políticas de alocação. Medimos como políticas mais avançadas levam a uma maior eficiência.
A APN Global é uma empresa de manufatura especializada na produção de peças metálicas complexas e de alta precisão. Ela atende a diferentes setores industriais, entre eles o setor aeronáutico. O processo de fabricação envolve máquinas de controle numérico computadorizado (CNC), estações de medição automatizadas, estações de medição manuais e robôs colaborativos. Os seres humanos são necessários para diferentes tarefas (por exemplo, adição de matéria-prima, substituição de uma ferramenta, remoção de aparas, controle de qualidade etc.). A APN coleta uma quantidade impressionante de dados e as atividades de fabricação e a tomada de decisões são altamente automatizadas. No entanto, a alocação de trabalhadores ainda é feita como nas oficinas de usinagem clássicas: basta designar um operador por máquina CNC (embora um operador possa ser responsável por vários CNCs). O objetivo da APN é operar mais máquinas com o mesmo número de trabalhadores. Portanto, desenvolvemos um modelo de simulação de eventos discretos para avaliar as políticas de alocação de "microtarefas" aos trabalhadores, em vez de máquinas.
Primeiro, desenvolvemos um modelo de simulação de eventos discretos usando o SIMIO. Embora o foco da maioria dos modelos de simulação seja o fluxo de produtos, nossa necessidade era modelar sequências de tarefas: algumas executadas por trabalhadores, outras por trabalhadores e máquinas, outras simplesmente por máquinas. Uma representação conceitual do modelo é apresentada na Figura 1. A fábrica tem 21 máquinas CNC (c), 31 trabalhadores com diferentes especializações, (d) quatro máquinas de medição (f), incluindo duas máquinas de medição por coordenadas (CMM), um comparador óptico e um comparador óptico manual. A partir da programação de produção da APN (a), podemos extrapolar uma lista de tarefas: usinagem de peças (azul), medição (vermelho) e outras (amarelo). As peças são usinadas em CNCs. Ao mesmo tempo, outras tarefas são realizadas pelos trabalhadores em uma mesa de trabalho (b), embora algumas possam exigir a parada do CNC. Depois de deixar o centro de trabalho (e), algumas peças precisam ser medidas para controle de qualidade. Esse é um processo complexo que envolve muitas máquinas e trabalhadores. Se uma medida estiver fora da especificação, uma tarefa de ação corretiva (por exemplo, troca de ferramenta) é criada e inserida em primeiro lugar na fila de espera.
Os diferentes aspectos do modelo do sistema foram validados por entrevistas com especialistas que trabalham na APN para confirmar que o modelo é representativo da realidade de campo. A distribuição da duração esperada para as tarefas de produção foi extrapolada do banco de dados histórico do sistema de execução de manufatura (MES). No entanto, a medição e o controle de qualidade vêm de "suposições educadas" dos engenheiros de processo.
Figura 1: Representação conceitual do modelo de simulação.
Diferentes políticas foram comparadas com relação a como elas afetam a produtividade (tempo total necessário para executar uma programação de produção) e a distância total percorrida pelos trabalhadores. O cenário do caso básico é chamado de OneWorker. Um trabalhador é alocado em um CNC. Após o término de seu turno, outro trabalhador assume o controle. No cenário ListWorkers, sabemos que cada trabalhador é treinado para quais tipos de máquinas e tarefas. Para cada tarefa, alocamos dinamicamente o trabalhador livre e compatível mais próximo. Como limite superior, também simulamos o cenário utópico AllWorkers, em que cada trabalhador seria treinado para todas as máquinas e tarefas. A seguir, os resultados médios de 100 replicações (intervalos de confiança de 95%) de uma única programação de produção (a extração de dados consumiu muito tempo).
Figura 2: (a) Tempo de produção (em horas) e (b) Distância total percorrida pelos trabalhadores (km).
Em média, a alocação dinâmica (ListWorkers) reduz o tempo total de produção em 40,4% (veja a Figura 2). O que é ainda mais surpreendente (e explica o anterior) é o quanto o intervalo de confiança também diminui. De fato, no cenário ListWorkers, somos muito menos afetados pela natureza estocástica dos tempos de processamento. O cenário AllWorkers leva a melhorias adicionais, mas pressupõe custos de treinamento importantes. Quanto à distância percorrida (Figura 3), ela é muito semelhante para OneWorker e ListWorkers. O AllWorkers afeta muito a distância percorrida.
Uma simulação de eventos discretos foi desenvolvida para simular a alocação de tarefas em uma oficina de usinagem de peças metálicas de alta precisão. O objetivo principal era medir o quanto a produtividade melhora quando mais trabalhadores podem processar uma determinada tarefa. A próxima etapa é executar experimentos adicionais para muito mais programações de produção (ou seja, para obter dados adicionais). Também testaremos regras mais avançadas de despacho de tarefas e as avaliaremos com relação a outros critérios (por exemplo, justiça). Depois disso, a empresa precisará desenvolver um sistema para atribuir as tarefas aos funcionários na vida real.