Planification et optimisation de la ligne de production automatisée

PROBLÈME:




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. En particulier, elle devait:


  • Déterminer le type et la quantité d’équipements requis pour satisfaire les plans de production.
  • Evaluer différentes alternatives de disposition afin d’améliorer la production et le taux d’utilisation.
  • Inspecter les goulots d’étranglement dans le flux matériel.
  • L’impact du comportement de l’opérateur sur la production de l’usine.
  • Tester les conséquences de l’entretien avec différents types d’horaires.
  • Identifier le comportement du système en cas de pannes.
  • Identifier la probabilité de rebuts.
  • Evaluer les changements de performance pendant les temps d’arrêt planifiés.

Les consultants ACP-IT ont utilisé la technologie de simulation et de modélisation AnyLogic et pour obtenir les réponses.


Solution:





En s’appuyant sur la capacité d’AnyLogic Professional de créer et de sauvegarder des bibliothèques d’objets personnalisés, les consultants ont rassemblé leur vaste expérience dans les secteurs de la fabrication photovoltaïque et des semi-conducteurs et ont créé leurs propres bibliothèques, qu’ils ont pu réutiliser dans beaucoup de projets, y compris celui-ci. Ces bibliothèques comprenaient des éléments construits sur l’environnement de développement de modèles d’AnyLogic et elles ont permis aux consultants de modéliser facilement différents type d’équipement, de systèmes de traitement matériel à l’intérieur des usines, le personnel et les systèmes de commande de la production, toutes les caractéristiques spécifiques des industries photovoltaïque et des semi-conducteurs. Dans le projet Centrotherm, cette solution a aidé les modélisateurs à reproduire rapidement les divers aspects du comportement du système de production du client.


Une fois que le modèle a été construit, la phase d’expérimentation du projet a commencé. Les consultants ont testé de nombreux paramètres afin de trouver les meilleures solutions. Les données saisies, qui incluaient les configurations de disposition et divers paramètres, ont été reprises de fichiers Excel et Access. Chaque test de simulation reproduisait une année de fonctionnement de l’usine.


Tout d’abord, les consultants ont mené leurs expériences avec le concept de l’ensemble de la ligne de production, à l’aide de paramètres de variation et d’optimisation. Ils ont testé beaucoup de paramètres, notamment la capacité et le nombre de divers éléments d’équipements, les cassettes, les bacs, etc. pour repérer les configurations qui fonctionneraient le mieux en termes de production, fiabilité et de taux de rebut.




Logique de simulation de la ligne de production
Logique de simulation de la ligne de production


Ensuite, les consultants ont travaillé à optimiser les politiques de transport, les allocations de zones tampon et les processus de contrôle des filigranes. Certains des variantes de disposition proposées ont été rejetées pendant cette phase du fait de leur médiocre performance.


Finalement, ils ont testé les quelques solutions restantes manuellement pour analyser les avantages et les inconvénients de chacune, et pour découvrir comment celles-ci pouvaient être encore améliorées.


RÉSULTATS:




Les solutions proposées ont fourni à Centrotherm Photovoltaics AG l’opportunité d’améliorer de manière significative la conception de la ligne de production et de choisir la meilleure solution en termes de volume de production, de fiabilité et de taux de rebut à un faible coût.


De plus, à la fin du projet, le modèle a été remis au client afin qu’il puisse l’utiliser pour analyser les changements futurs dans l’usine. Le modèle permet au client de mener ses propres expérimentations, de jouer avec les paramètres et la disposition, en modifiant les données d’entrées, etc. Ce modèle de simulation des installations de fabrication servira d’outil d’aide décisionnelle dans l’usine pendant longtemps.

More Case Studies

  • 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.
  • Analyse des stratégies de management pour la montée en puissance de la production d’avions
    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.
  • 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.
  • Improving Mining Outbound Logistics with Agent-Based Simulation Modeling
    One of the largest resource companies in the world, with over $80 billion in sales, decided to enter a new market. It was planning to build a new potash mine with 90% of the resources exported. They wanted to design a reliable supply chain, with a high speed of supply replenishing, and the ability to recover from natural disasters and man-made crises benefiting from such volatility. Amalgama and Goldratt companies contracted this project to design the potash mining operations and a full supply chain of outbound logistics.