O uso de programação determinística para instalações de fabricação de alta mistura e baixo volume é ineficiente e obsoleto devido à variabilidade inerente e à ocorrência de eventos incertos no chão de fábrica. Este projeto desenvolve uma ferramenta de programação robusta para uma fábrica de alta mistura e baixo volume com tempos de preparação dependentes da sequência, levando em consideração parte da variabilidade inerente ao chão de fábrica. Essa ferramenta de programação é criada usando o pacote de software Simio para permitir a criação de programações que se ajustam às necessidades dos programadores e, ao mesmo tempo, incorporam restrições de fabricação. Essa ferramenta analítica foi criada para solucionar um problema existente para um parceiro do setor local e foi investigada mais detalhadamente por meio de um estudo de caso.
A programação da produção em um cenário real é muito complexa, especialmente quando o processo inclui trocas que consomem muito tempo e dependem da sequência. As instalações de fabricação com um grande volume de produtos de uma pequena mistura de produtos familiares (alto volume e baixa mistura) podem lidar com a tarefa de programação com mais facilidade, pois são necessárias menos trocas. Exatamente o oposto ocorre no processo de planejamento de um ambiente de fabricação de alta mistura e baixo volume. A complexidade na criação de uma programação aumenta à medida que mais e mais setups são necessários para atender aos requisitos de demanda. Uma maneira de lidar com a complexidade da programação é usar uma abordagem de simulação. Um modelo de simulação devidamente validado que explica a maior parte da variabilidade no ambiente de produção é usado como entrada para a otimização de recursos e programações. A variabilidade no sistema pode ser capturada quando se usa um modelo de simulação com variáveis aleatórias bem definidas, como tempo de inatividade, tempo de reparo, absenteísmo, tempo de usinagem e tempo de troca. Uma programação que considere a variação no chão de fábrica, juntamente com outros detalhes, pode ajudar a reduzir os pedidos em atraso de determinados produtos com demanda. Um dos principais fatores de decisão no processo de programação é a regra de expedição usada, que investigamos neste trabalho usando simulação.
Para criar a ferramenta de programação, foi usado o pacote de software Simio. Particularmente, a opção Risk-based Planning and Scheduling (RPS), que cria uma programação usando um modelo de simulação incorporado (Kelton 2014). Essa programação mostra uma atribuição detalhada de pedidos a recursos com base em várias restrições, como o número de maquinistas, turnos de trabalho, capacidades da máquina, tempo de inatividade do equipamento e reparos. Essas programações determinísticas são geradas usando um modelo de simulação. Essa ferramenta foi desenvolvida seguindo as etapas típicas de simulação: compreensão do sistema, coleta de dados, projeto conceitual, análise de entrada, desenvolvimento de modelo, verificação de modelo, validação de modelo, criação de cronograma, análise de risco e experimentação.
O primeiro desafio encontrado para criar o modelo de simulação foi a falta de informações robustas coletadas de forma padronizada. Assim, um processo de coleta de dados foi projetado e implementado para caracterizar os comportamentos de variabilidade do sistema, que eram pouco compreendidos anteriormente. A compreensão dessas incertezas permitiu a criação de um modelo mais representativo. Além disso, houve a necessidade de criar sub-rotinas lógicas personalizadas usando a funcionalidade de processos do Simio Add-on para atender aos desafios de modelagem e ter uma representação precisa do sistema. Alguns dos desafios de modelagem são: (1) determinação da quantidade de amostragem em processo por número de peça, (2) acionamento de inspeções, (3) processamento de medições com falha, (4) processamento de reparos de equipamentos, (5) absenteísmo de maquinistas e (6) manutenção preventiva. O modelo de simulação termina com uma espinha dorsal de tabelas vinculadas que alimentam todas as informações necessárias para seu funcionamento. Essas tabelas podem ser editadas facilmente para fins de experimentação de diferentes cenários de programação. Foram criados dois modelos de simulação, um com 20 máquinas que representam uma instalação de manufatura real e o outro com 10 máquinas projetadas para experimentar as regras de despacho e outros fatores. Os dados de demanda gerados para o modelo menor consistiam em 186 pedidos de 93 números de peças exclusivos para representar uma fábrica de alto mix e baixo volume com dois cenários diferentes dependentes da sequência de roteamento.
O chão de fábrica foi simulado levando em consideração as informações do mundo real e a variabilidade simulada, dependendo do modelo que foi explorado. A precisão do modelo orientado pelo setor foi verificada e validada, enquanto o modelo do estudo de caso foi verificado e estudado adequadamente. O modelo menor de dez máquinas foi usado para experimentar sete regras de expedição diferentes (FirstInQueue, EarliestDueDate, Critical Ratio, Shortest ProcessingTime, Least Slack Time e Longest Processing Time) para criar programações mensais que reduzem o tempo de conclusão dos pedidos. A regra de despacho que teve o melhor desempenho em relação ao tempo de conclusão dos pedidos foi a do Menor Tempo de Preparação, depois de executar o experimento com mais de 600 réplicas para reduzir a meia largura do intervalo de confiança para 1 hora. Foram realizados experimentos adicionais para determinar o número ideal de operadores necessários nos diferentes turnos de trabalho para minimizar o tempo de conclusão e os custos de mão de obra usando a regra de despacho Least Setup Time. A quantidade de recursos por turno foi otimizada usando de 3 a 7 operadores com um custo de mão de obra de US$ 25/hora e usando o suplemento OptQuest. O melhor cenário para o 1º, 2º e 3º turnos consistia em 3, 3 e 2 operadores, respectivamente.
Em última análise, este trabalho desenvolveu uma ferramenta de simulação que modela a variabilidade inerente em uma instalação de manufatura de alta mistura e baixo volume com tempos de preparação dependentes da sequência e alimenta a geração de programações baseadas em risco, permitindo prever possíveis atrasos antes que eles ocorram e atualizar as programações dinamicamente conforme necessário. A criação do modelo de simulação para uma instalação de manufatura real forneceu ao nosso parceiro do setor muitas informações para uma melhor compreensão do seu sistema. O processo de coleta de dados ajudou a identificar muitas ineficiências no processo de fabricação. Por exemplo, a sequência de medição de inspeção no sistema de execução de fabricação não era a ideal para todas as peças, o que exigia mais tempo para concluir todas as medições. Essas informações foram documentadas e fornecidas ao supervisor responsável. Os modelos tinham muitas restrições detalhadas e resultaram em um modelo muito grande em tamanho de arquivo. Devido à complexidade do modelo, a experimentação do sistema e de suas respectivas alternativas com diferentes controles exigiu muito tempo e potência do computador. O trabalho futuro se concentraria em tornar o modelo computacionalmente eficiente, melhorar a função de custo (por exemplo, adicionar custos de equipamentos, custos indiretos de serviços públicos) e seu impacto. A ferramenta de simulação com recursos de planejamento e programação de recursos pode ser usada para horizontes de tempo longos e curtos para avançar o processo de planejamento em sistemas de alta mistura e baixo volume.
Kelton, W. D., Smith, J. S., & Sturrock, D. T. 2014. "Simio e Simulação: Modelagem, análise, aplicativos". Sewickley, PA: Simio Forward Thinking.