Simulation de la production de glaces: identification des contraintes et optimisation du plan de production

PROBLÈME:




Conaprole, la plus grosse société de production de produits laitiers d’Uruguay, produit plus de 150 SKU dans leur 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 société planifie la production de glaces au moyen d’un planning sur 12 mois glissants dans le cadre d’un processus de planification des ventes et opérations, et le plan de demande varie beaucoup en fonction des saisons. Au cours de la saison creuse, la direction de l’usine doit préparer les lignes de production en prévision de la saison pleine, en tenant compte de la durée de vie du produit sur les rayons, ainsi que de la capacité et des coûts des chambres réfrigérées de l’entrepôt. L’usine se trouvait souvent dans l’incapacité de faire face à la demande en saison pleine, ce qui générait des ruptures de stocks, et la direction avait les plus grandes difficultés à replanifier ses plans détaillés du fait des défis qu’elle devait résoudre.


Les analyses du planning étaient rendues encore plus difficiles par d’autres facteurs, notamment les goulots d’étranglement et les contraintes dans les processus des lignes de production, ainsi que les variations aléatoires de la disponibilité des ressources humaines.


La direction devait impérativement reformuler ses plans afin d’équilibrer l’offre et la demande, et d’éviter les ruptures de stock pour les produits clés. Elle cherchait également à optimiser ses capacités de production. La société Ite Consult a conclu que la modélisation par simulation était le meilleur outil pour résoudre les problèmes présentés par Conaprole.


Les objectifs du modèle de simulation consistaient à:

  • Analyser divers scénarios de production pour les douze mois à venir avec une demande fluctuante.
  • Optimiser les plans de production afin d’éviter les ruptures de stocks pour tous les SKU. 
  • Optimiser l’utilisation de la capacité des lignes de production avec le plan de production optimisé.

Solution:

L’utilisation des fonctions de modélisation à l’aide d’événements discrets d’AnyLogic a permis aux consultants de concevoir et de développer une solution qui s’intégrait avec la plateforme de planification S&OP de la société, la gestion des articles SAP et la planification de la production. La solution créée incluait trois expérimentations avec le modèle du système de production. Chacune d’entre elles répondait à l’un des objectifs ci-dessus et aidait à résoudre les problèmes métier posés.


Dans la première expérimentation, le modèle examinait le plan de production initial, en détectant les ruptures de stock et les commandes en retard prévisibles si la production suivait ce plan. Il permettait à la direction d’explorer les besoins en production en fonction de la demande et du stock initial. Cette expérimentation a également permis aux utilisateurs de découvrir, en modifiant les paramètres manuellement, comment différentes situations pouvaient affecter la performance, par exemple : le besoin de fermer les lignes pendant certaines périodes, la nécessité de modifier le rendement des équipements, d’étendre la disponibilité des ressources ou de modifier les horaires des ressources humaines. Les utilisateurs pouvaient modifier manuellement les priorités des SKU et analyser l’impact attendu de telles actions sur le revenu (coût associé avec les reports de ruptures de stock par SKU). De plus, ils pouvaient définir une utilisation minimale de la capacité de production et d’autres politiques.

Logique du modèle de planification de la production

Simulation de la ligne de simulation

L’expérimentation, qui consistait à faire varier les paramètres, a relancé et calculé le modèle du système 100 fois, en recherchant la solution qui pourrait répondre à la demande et maintenir la durée de vie des produits en rayon aussi longtemps que possible tout en minimisant les coûts de stockage.


La dernière expérimentation optimisait l’utilisation de lignes en libérant la capacité de production pendant les périodes de pic. La production a été planifiée aussi proche que possible du début des périodes de planification afin de ménager des capacités de production disponibles dans toutes les lignes de production, et se réserver ainsi des marges de manœuvre.


Les données entrées incluaient:

  • La demande par SKU
  • Des niveaux de stock par SKU
  • La taille des lots, les priorités, la durée de vie en rayon, l’occupation de l’espace de l’entrepôt
  • Le rendement global et le pourcentage moyen absolu d’erreurs (MAPE), si nécessaire
  • Les coûts

Le système tenait compte des éléments suivants:

  • L’affectation des SKU par lignes et sous-lignes
  • Les capacités des lignes et sous-lignes
  • Les restrictions dues aux lignes et à l’emballage
  • Les limitations de l’entrepôt
  • Les temps de production
  • Les horaires de production
Statistiques de simulation de la production

Statistiques du modèle


RÉSULTATS:




Tous les résultats de la simulation segmentés par mois et SKU étaient exportés vers Excel. De plus, le modèle présentait les modifications de la demande et les niveaux de stock par mois sous forme d’histogrammes. Il fournissait également des informations sur les ruptures de stock, le cas échéant.


En utilisant le modèle, la direction de Conaprole a été en mesure de:

  • Découvrir les processus de chaque ligne de production par SKU.
  • Optimiser les plans pour mieux répondre à la demande tout en maximisant la durée de vie en rayon et en minimisant les coûts d’entrepôt.
  • Améliorer l’utilisation de la ligne de production afin de préserver une capacité de production supplémentaire en cas de demande accrue.

Le modèle de simulation procurait l’analyse nécessaire pour que la direction puisse choisir la solution qui augmenterait le revenu et minimiserait le risque de rupture de stock.

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.
  • 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.
  • 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.