O desafio
por Patrick Kirchhof e Tobias Stoehr (BearingPoint GmbH)
Conforme apresentado na Conferência de Simulação de Inverno de 2016
As abordagens clássicas de planejamento das decisões de alocação de armazenamento são frequentemente conduzidas de forma iterativa com um esforço manual significativo. Os layouts de armazém são gerados com base nas experiências dos planejadores com o objetivo de reduzir as distâncias de deslocamento dos operadores e, assim, aumentar a produtividade. Combinando otimização e simulação em uma ferramenta de planejamento baseada em software, vários cenários de alocação de armazenamento matematicamente otimizados podem ser gerados e analisados para melhorar as abordagens tradicionais de planejamento. Este documento descreve um caso prático de um problema de alocação de armazém de um fabricante automotivo alemão que é abordado usando uma meta-heurística evolutiva. As melhores soluções da otimização são carregadas em um modelo de simulação em grande escala, gerado automaticamente, e avaliadas usando os dados reais da empresa.
Introdução
A produtividade do pessoal do armazém pode ser reduzida por meio de uma atribuição abaixo do ideal de números de peças aos locais de armazenamento. As alocações inadequadas de armazenamento são um problema comum e difícil de identificar devido à falta de ferramentas de tomada de decisão com suporte de TI. No depósito de uma empresa automotiva alemã, não havia otimização sistemática da alocação de números de peças para os respectivos locais de armazenamento com o objetivo de melhorar a eficiência dos processos internos. Para um determinado programa de produção, isso pode representar um risco de aumento dos requisitos de tempo para o manuseio de materiais no depósito e, em última análise, de atrasos em todos os processos intralogísticos.
Este documento descreve um caso prático em que um problema real de alocação de armazenagem foi analisado usando uma ferramenta de planejamento que combina otimização e simulação. Para a otimização da alocação, vários objetivos foram considerados em um algoritmo genético. O modelo de simulação foi gerado automaticamente a partir de dados de layout estrutural fornecidos pela empresa. Para fins de avaliação, dados mestre reais (por exemplo, informações sobre materiais, locais de armazenamento etc.) e dados transacionais (por exemplo, movimentos de materiais) foram carregados no modelo de simulação gerado automaticamente.
A solução
Escopo e requisitos do modelo de simulação
Para melhorar as práticas de planejamento atuais, uma empresa automotiva alemã solicitou o desenvolvimento de um software para a otimização das alocações de armazenamento usando dados reais. O primeiro estudo foi realizado em um depósito representativo com aproximadamente 4.000 locais de armazenamento para avaliar a adequação da aplicação do software a outros depósitos da empresa. As possíveis melhorias de produtividade no depósito precisavam ser avaliadas comparando-se as alocações de armazenamento otimizadas com a alocação original atual. Para isso, foi necessário simular duas semanas de movimentação real de materiais para analisar os efeitos das soluções propostas. Para possibilitar uma possível aplicação em outros armazéns da empresa, foi necessário criar um modelo de simulação genérico que incorporasse processos específicos da empresa e que pudesse ser preenchido automaticamente com outros layouts de armazém a partir de dados estruturais.
Abordagem técnica
Para atender aos requisitos mencionados acima, foi implementado um algoritmo genético que gerou várias soluções com dois objetivos: Primeiro, os materiais com alta frequência de demanda devem estar localizados em locais de armazenamento mais próximos das respectivas áreas de abastecimento da linha de produção. Segundo, os materiais que são frequentemente coletados juntos devem ser empacotados em locais próximos. Para categorizar os materiais, foram usados dados históricos de movimentação de seis meses e as distâncias foram calculadas no modelo de simulação. Um modelo genérico de depósito que captura as especificidades da empresa foi desenvolvido usando o SIMIO. Essas especificidades incluíam processos de buffer de materiais, restrições físicas de materiais a determinadas áreas do depósito, informações de planejamento de turnos e a associação de materiais às respectivas áreas de abastecimento de linha.
Seguindo a abordagem de modelagem orientada a objetos do SIMIO, foram criados objetos do modelo de simulação, representando elementos específicos do sistema real, como diferentes tipos de prateleiras, áreas de armazenamento a granel e objetos personalizados de empilhadeiras. As instâncias específicas dos elementos de modelagem foram então colocadas em um modelo em branco usando uma extensão personalizada do SIMIO. Essa extensão permite gerar modelos de simulação completos, colocando, conectando e parametrizando automaticamente esses objetos de modelo predefinidos em um modelo de simulação. Os dados estruturais fornecidos pela empresa foram uma condição prévia para a geração automatizada de um modelo em escala real.
Para um ponto de partida válido da simulação, o estoque atual de um dia específico foi colocado dentro do modelo e os movimentos do depósito foram simulados por um período de duas semanas. Foram realizados experimentos com diferentes combinações de cenários de alocação de armazenamento e cenários variados de números de funcionários do depósito para avaliar as distâncias de viagem, a utilização dos funcionários e o nível de serviço (ou seja, o fornecimento oportuno de materiais para o abastecimento da linha).
A Figura 1 mostra o modelo de armazém, que consiste em mais de 4.000 objetos, com um máximo de 20.000 contêineres de materiais simultâneos no sistema.
O impacto nos negócios
Resultados e benefícios
As dez melhores soluções da otimização heurística foram avaliadas usando o modelo de simulação. Em comparação com a alocação original, a melhor solução encontrada pelo software levou a uma redução de 7,63% nas distâncias do depósito, diminuindo a utilização dos funcionários em 5,77% e melhorando o nível de serviço em 8,72%. Devido à automação da geração do modelo, o ciclo de solução de problemas é significativamente reduzido em comparação com a criação manual de modelos de simulação. Além disso, o processo é menos propenso a erros e pode ser repetido sob demanda com dados atualizados, o que limita o problema de obsolescência do modelo.