Aperçu
En Thaïlande, il existe un centre logistique qui est approvisionné par deux usines. Ce centre logistique, également connu sous le nom d'entrepôt, entreprenne la logistique du système de stockage et de récupération automatisé (ASRS) et opère les services manuels des rayonnages à palettes.
Cet entrepôt est composé de 2 000 m² de surface au sol, qui est utilisée pour les opérations de picking et de staging. Dix quais de chargement sont utilisés pour déplacer environ 1 500 palettes chaque jour pour les activités entrantes et sortantes.
Problème
Les opérations dans cet entrepôt sont assez compliquées car il y a une charge< imprévisible au cours d'une journée normale. De plus, la plupart du temps, les palettes partiellement remplies arrivent des usines, ce qui signifie qu'elles doivent être assemblées avec d'autres palettes à l'intérieur de l'entrepôt.
Il existe également de nombreuses configurations de produits différentes qui doivent être prises en compte, ce qui crée des processus exigeants qui sont difficiles à surveiller.
Enfin, en raison de la surutilisation de l'espace de stockage et des charges variables, il est difficile de prévoir à l'avance combien d'opérateurs seront nécessaires chaque jour. Par conséquent, ces opérateurs sont souvent sous-utilisés et surutilisés.
Les deux entreprises qui travaillent avec cet entrepôt, Western Digital et DSV, ne disposaient pas d'un outil qui leur permettrait d’inclure des prévisions, de prendre en compte ces opérations compliquées, puis de récupérer les valeurs attendues pour certains KPI.
Solution
EPIC InnoLabs, une petite entreprise de numérisation, a été chargée de développer un modèle de prévision par simulation pour Western Digital et DSV. Il devrait inclure une variété d'expérimentations, l'optimisation du système, des scénarios hypothétiques, des prévisions et des estimations afin de créer des opérations d'entrepôt plus efficaces.
Le modèle a été construit à l'aide d'AnyLogic car il prend en charge la modélisation multiméthode, qui offre la possibilité de simuler des systèmes d'entreprise de toute complexité, des petits entrepôts aux grands centres logistiques. AnyLogic est également flexible puisqu'il est basé sur Java et permet de visualiser les activités de l'entrepôt. Il est également possible de migrer le modèle vers AnyLogic Cloud, ce qui permet une intégration avec des outils d'analyse métier à l'avenir.
Le modèle est actuellement encore en cours de développement. Cependant, le modèle de base est terminé et a été validé. Il dispose d'une solution axée sur les données qui peut prédire le comportement du système en fonction des données d'entrée.
Les fichiers Excel sont utilisés comme entrées dans le modèle et comprennent :
- L'état du stock.
- Les données entrantes, telles que les enregistrements des produits reçus.
- Les données sortantes, y compris les camions sortants.
- La matrice de produits – elle décrit les différents types de produits, les configurations de palettes et d'autres propriétés pertinentes.
Il s'agit de toutes les données historiques qui sont utilisées. D'autres paramètres peuvent être définis directement dans le modèle.
Ci-dessous, les flux de processus de l'architecture du modèle sont affichés en détail.
Le modèle a été créé à l'aide de la bibliothèque de modélisation de processus AnyLogic et d'une combinaison de modélisation basée dsur le comportement des agents et de simulation d' événements discrets. Les diagrammes d'état ont été utilisés pour coordonner les activités de l'entrepôt telles que les opérations de prélèvement et de placement ainsi que la surveillance des ressources.
Le modèle dispose d'une interface facile à utiliser où l'utilisateur peut saisir les données, modifier certains paramètres, puis initialiser le modèle d'entrepôt. Il existe de nombreuses représentations visuelles disponibles qui peuvent fournir des informations. Dans la vue 3D, par exemple, les palettes peuvent changer de couleur selon qu'elles sont pleines ou non. Pendant l'exécution, les indicateurs clés de performance sur les statistiques du produit, les délais de livraison et d'autres graphiques peuvent être suivis ou vérifiés. Les données peuvent ensuite être exportées vers Excel pour être analysées plus en détail.
Le modèle offre également la possibilité d'exécuter deux expériments de variation de paramètres. Le premier est utilisé pour comprendre les effets de la modification du nombre de travailleurs sur les délais, la productivité et d'autres indicateurs clés de performance. Dans le second, les paramètres de la logique ABC (une technique de gestion des stocks dans laquelle les marchandises sont divisées par leur valeur pour l'entreprise) peuvent être modifiés. Cette logique ABC est basée sur le nombre de commandes pour chaque produit, soit pour une semaine, soit pour deux semaines, et ainsi de suite. Les effets de cette situation auront un impact sur les délais.
Résultats
La première série d'expériences a déjà été menée et le modèle a été amélioré. Il a maintenant intégré la logique ABC dans le système logistique ASRS et dispose d'un suivi plus détaillé des ressources pour mesurer des indicateurs clés de performance plus spécifiques dans le modèle d'exploitation de l'entrepôt. Comme les développeurs sont encore au milieu de ce projet, les informations exactes ne sont pas disponibles.
À l'avenir, l'horizon temporel du modèle passera de 3 mois à 7 mois. La deuxième série d'expériences, axée sur l'utilisation des ressources et l'efficacité des entrepôts, sera ensuite menée. Les données prévisionnelles seront utilisées à la place des données historiques. Enfin le modèle sera migré vers AnyLogic Cloud.
L'étude de cas a été présentée par Andrea Mácz, d'EPIC InnoLabs, lors de la conférence AnyLogic 2022.
Les diapositives sont disponibles au format PDF.
