Analyse des stratégies de management pour la montée en puissance de la production d’avions

Problème:




La montée en puissance de nouveaux produits dans l’industrie aéronautique est un processus complexe en raison du nombre élevé de changements qui surviennent aussi bien dans le produit que dans le processus de production au stade de la fabrication, ce qui peut allonger considérablement les délais de livraison des avions. De plus, la fabrication des avions est complexe, avec des produits en petite série qui sont hautement personnalisés en fonction des besoins du client, ce qui rend le lancement d’un nouveau produit encore plus difficile. Aujourd’hui, les montées en puissance sont devenues plus fréquentes car le cycle de vie moyen du produit se raccourcit. De ce fait, les montées en puissance peuvent représenter un défi majeur pour les ingénieurs de production de l’industrie aéronautique.


Le Groupe Airbus Group s’est joint au projet de l’Union Européenne ARUM (Adaptive Production Management – gestion de la production adaptative), qui a pour but de créer une solution IT pour la réduction des risques, la prise de décision et la planification pendant les montée en puissance du nouveau produit. Le projet vise principalement les industries de l’aéronautique et de la construction navale.


La solution ARUM intègre une phase de simulation, parce que cela permet aux participants de reproduire l’expérience des installations de production réelles (en fonction du cas concret fourni par le Groupe Airbus), et de disposer d’une référence pour les tests de la solution ARUM. Le logiciel de simulation AnyLogic a été sélectionné pour sa capacité à combiner les modèles basés sur les agents avec une approche par les événements discrets.


Solution:




Le modèle de simulation incluait une partie de la ligne de montage de l’Airbus A350 de Hambourg où deux pièces du fuselage étaient terminées. Cette partie de la ligne consistait en six stations de montage avec 30-35 personnes travaillant sur chacune et approximativement 300 commandes par station. Le défi consistait à simuler le processus de montée en puissance dans lequel la productivité générale augmente au fil du temps, la période complète de montée en puissance pouvant durer jusqu’à deux ans.


Le modèle basé sur les agents et sur les événements discrets était composé de trois types d’éléments:


  • La ligne de flux, qui incluait des stations de travail, chacune avec ses propres ressources physiques et de main d’œuvre. Les stations étaient modélisées sous forme d’agent.
  • Les produits (sections), traversant les parties de la ligne de flux. Chaque section requérait de 200 à 600 commandes assignées aux stations. Les commandes de travaux étaient des tâches qui nécessitaient des matériaux et ressources spécifiques. Lorsqu’une section pénètre dans une station, elle commence à traverser les processus de travail à l’aide de la bibliothèque de modélisation du processus, puis elle part vers la prochaine station, et enfin, vers les lignes de montage d’une ville différente, qui n’était pas modélisée.
  • Le modèle de contrôle incluait des plans qui étaient parfois affectés par des perturbations. L’agent contrôleur modélisait le comportement complexe des gestionnaires humains réagissant aux événements perturbateurs par des stratégies de contrôle.
Simulation based solution architecture

ARUM solution structure.


Entre autres, les stratégies de contrôle incluaient des alternatives de politiques de travail ouvertes. Cela signifiait que si une partie du travail ne pouvait être réalisée à ce moment, elle pourrait être retardée jusqu’à un autre point, tandis que le produit continuait à se déplacer au-delà de cette ligne de montage jusqu’à l’installation de l’autre ville. Dans ce cas, les travailleurs de Hambourg devaient voyager jusqu’à l’usine de l’autre ville pour terminer le travail (stratégie du «travail voyageur»). Alternativement, le travail pouvait être suspendu jusqu’à ce que la perturbation soit résolue (stratégie «arrêt et correction»).


Les perturbations qui se produisaient pendant la montée en puissance incluaient:

  • La charge de travail et l’allocation des ressources déséquilibrées à cause de la courbe d’apprentissage des employés et du fait que la même ligne produisait des produits différents.
  • Des non-conformités ou des modifications de conception, car la production commençait souvent avec un produit qui n’était pas complètement préparé.
  • Des matériaux manquants ou des incompatibilités de matériaux à cause de modifications tardives de la conception.

Les statistiques du modèle mesurées comprenaient le délai de livraison de l’avion, la quantité de travail voyageur utilisé, et les taux d’utilisation des ressources (travail, matériaux et stations).


Les experts ont créé un modèle facile à comprendre et à réutiliser, et cela a été intégré dans l’architecture de la solution ARUM. Cela inclut la visualisation de la ligne de montage.

Production simulation model structure
Simulation model structure. 

Résultats:




Le modèle a été lancé pour simuler l’impact des stratégies d’atténuation de la perturbation actuellement appliquées à l’usine de montage de l’Airbus, en incluant les stratégies «arrêt et correction» et «travail voyageur».


Les modélisateurs ont testé plusieurs scénarios de montée en puissance avec différents ensembles de plans de production. Ils ont également essayé plusieurs ensembles de perturbations basés sur les données historiques, y compris des scénarios extrêmes.


Le modèle sera utilisé pour comparer des plans suggérés par la suite ARUM aux pratiques actuelles de management. Ceci permettra de développer de meilleures stratégies d’atténuation pour les montées en puissance des industries de fabrication aéronautique et navale.

More Case Studies

  • Planification et optimisation de la ligne de production automatisée
    Centrotherm Photovoltaics AG est un fournisseur mondial de technologies et équipements pour les industries photovoltaïques, des semi-conducteurs et de la microélectronique. L’entreprise doit identifier les lignes de production automatisée et configuration usine optimales afin de minimiser les coûts et maximiser le flux de production et la fiabilité.
  • L’usine de fabrication de GE choisit AnyLogic pour une aide à la décision en temps réel
    En 2012, GE a ouvert une nouvelle usine de fabrication de batteries avec le lancement d’une activité de stockage d’énergie innovante. La nouvelle opportunité de GE a représenté de nombreux défis, tels que l’augmentation de la production et du rendement avec des processus en évolution et des incertitudes. La société Ge disposait d’une masse de données, mais elle manquait d’un outil pour répondre aux questions, analyser les données convenablement ou pour tester et évaluer les options.
  • L’analyse de capacité avec AnyLogic
    Avec le logiciel de simulation AnyLogic comme la pièce maîtresse, NASSCO utilise un système d'analyse fait sur mesure appelé le Système de Modélisation de Simulation à Grande échelle pour la Construction navale (LSMSe) pour fournir des analyses de capacité f détaillées tant pour la production actuelle que pour les nouveaux chantiers potentiels.
  • Simulation de la construction d’un tunnel à l’aide d’un tunnelier
    Le coût d’une heure d’arrêt d’un tunnelier (machine de forage de tunnel) est habituellement élevé et les gestionnaires de projet doivent s’efforcer d’éviter les retards dans la construction. Le but du projet de simulation, qui a été mené à l’université Bochum de la Ruhr en Allemagne, consistait à créer un modèle de simulation capable de déterminer les goulots d’étranglement dans les processus de construction du tunnel, afin de minimiser les pertes financières potentielles.
  • Planification de la production dans l’industrie maritime
    Les dirigeants de l’un des fabricants italiens les plus en vue recherchaient une nouvelle approche intelligente pour simplifier l’élaboration du planning. FD et DSE ont été approchés pour développer un outil de simulation du planning entièrement nouveau. L’objectif était de fournir au planificateur de la production réelle une mine d’informations pour le planning permettant de tester et d’ajuster le plan avant sa mise en œuvre. Le concept de l’outil s’organisait autour de l’aide décisionnelle, ce qui signifie que l’individu peut facilement affiner les idées et tester la faisabilité d’un plan dans de multiples situations avant de le déployer dans l’atelier.
  • Shipyard démontre sa capacité à honorer les commandes et gagne une visibilité sur les installations et la distribution de la production
    Confronté à une commande majeure de sous-marins propulsés au diesel, Admiralty Shipyards JSC doit évaluer si les installations de production actuelles peuvent satisfaire cette commande, et dans le cas contraire, déterminer ce qui peut être produit d’ici 2016. Admiralty Shipyards JSC cherche également à confirmer qu’il n’y aura pas besoin d’une installation de production supplémentaire pour achever la commande.
  • Simulation de la production de glaces: identification des contraintes et optimisation du plan de production
    Conaprole, la plus grosse société de production de produits laitiers d’Uruguay, produit plus de 150 SKU dans son usine de fabrication de glaces, à l’aide de cinq lignes de production, chacune de ces lignes comportant jusqu’à cinq configuration d’emballage différentes. La direction devait reformuler ses plans afin d’équilibrer l’offre et la demande et éviter les ruptures de stock pour les produits clés. Elle cherchait également à optimiser ses capacités de production.
  • Simple Simulation Model Helps Intel Avoid Production Plant Downtime
    Intel factories used a particular type of equipment that often broke down, which caused capacity constraints. These expensive parts were used in critical factory operations, and the repairs took significant time, so it was necessary to have extra spare parts on hand to avoid downtimes. Broken parts caused constraints at some of the factories while other factories over purchased spares.
  • Modeling the Cladding Leak Detection Shop of a Nuclear Reactor's Module
    The cladding leak detection shop is part of an automated line of fuel assembly production. Leak control is based on heating the fuel element groups. While warming up, defective units eject the control gas, which is detected by a leak locator. The defected group is divided into two parts. Each part is screened in the same way until the leaking fuel element is found.
  • La centrale métallurgique Tcheliabinsk utilise un modèle de simulation d’atelier de fonderie électrique d’acier
    The model simulates the redesigned ground environment and production processes of the shop floor to be renovated. This is one of the significant examples of simulation modeling technology appliance in metallurgical industry.