Aperçu
Tata Steel est le deuxième producteur géographiquement diversifié de l’industrie sidérurgique qui opère sur les cinq continents. La société a été reconnue comme l’un des plus grands fabricants et fournisseurs d’acier avec une capacité annuelle d’acier brut de 33 millions de tonnes par an. Tata Steel se concentre sur un large éventail de segments comme l’automobile, les biens de consommation, les infrastructures, etc.
Problème
L’une des unités de fabrication d’acier de l’entreprise a montré un potentiel d’augmentation du débit global des unitées en optimisant les systèmes logistiques internes. L’occasion était d’améliorer la manutention des grues et des louches en introduisant des flux de processus optimisés et en testant différentes configurations de disposition.
L’équipe de fonte de l’acier a constaté que le taux d’utilisation des grues était inégalement réparti tout au long du processus de production. En conséquence, le débit a été altéré : il y avait une sous-production de chauds (lots d’acier), le produit final de cette unité. La raison possible en était que la plupart de la manipulation de la grue a été effectuée manuellement et indépendamment. Par conséquent, il fallait moins de prise de décision humaine.
Dans l’unité de fabrication de l’acier en question, le processus de production commence par des réservoirs (torpilles) avec du métal chaud arrivant à l’usine, en particulier à la station de torpilles. Ce métal est ensuite transféré dans une louche qui, à son tour, est placée sur une voiture de transfert. Puis une grue de baie de torpille le ramasse à partir de là et le transfère à la station de désulfuration. Une fois le métal purifié, il est déplacé par les wagons de transfert vers la baie de charge, cueilli par une autre grue, et transporté à un convertisseur LD, ou navire. Une fois que le métal est versé dans le navire, la grue retourne la louche vide à la station de torpilles.
L’objectif du projet était de savoir si la modification des règles existantes de gestion du système logistique interne augmenterait le débit. Les ingénieurs voulaient trouver une règle de base simple pour faire fonctionner les grues et optimiser le processus de production global en diminuant la dépendance humaine dans la prise de décision.
L’une des raisons pour lesquelles l’équipe a décidé de choisir la modélisation par simulation parce que la solution était dans la complexité des interdépendances entre les éléments de ce système. De plus, il y avait de nombreuses variables ayant beaucoup de hasard (par exemple, le temps de traitement des navires et des stations de désulfuration, le temps d’arrêt des grues et des voitures de transfert, etc.) que seuls les modèles de simulation pouvaient gérer.
Solution
La première étape a été de recueillir les données d’entrée. L’équipe a mené une étude sur le terrain, où elle a recueilli les données sur chaque pièce d’équipement de l’unité au cours de la dernière année. En outre, ils ont analysé le modèle de défaillance, en particulier MTBF et MTTR, et le flux de processus.
En utilisant AnyLogic comme logiciel de simulation d’usine, ils ont construit un modèle représentant le processus de déchargement de métaux chauds dans les louches aux stations de torpilles à la charge des navires. Pour configurer la logique du modèle, l’équipe a utilisé les paramètres suivants recueillis à partir de l’étude sur le terrain:
- Les navires sont disponibles 87,5 % du temps de simulation.
- Le temps de traitement des métaux à une station de désulfuration est de dix minutes. Après cela, une louche avec le métal purifié quitte la station.
- Le temps de chargement des navires est d’environ dix minutes et la valeur varie selon une distribution de probabilité (le temps maximum est de 15 minutes).
- Une louche avec du métal chaud doit être transférée d’une station de désulfuration à un navire dans un délai de cinq minutes.
L’équipe a créé trois scénarios différents de simulation dans le but de réduire le temps d’attente pour les navires et de modifier la logique d’exploitation de la grue:
- Les deux grues de la baie de charge sont utilisées pour le chargement des navires.
- Une grue travaille entre la station de déulfuration et les zones du navire tandis que l’autre grue décharge principalement du métal des louches dans les navires. Si la deuxième grue n’est pas disponible, la première prend en charge ses fonctions.
- Scénario 2 combiné avec une possibilité d’accrocher des louches vides à la hauteur de neuf mètres au-dessus du sol.
Pour chaque scénario, ils ont conçu 90 expériences, avec des variations dans le temps de traitement des stations de désulfuration et des navires, afin d’observer la quantité de chauds produits par jour, le taux d’utilisation des grues et le temps d’attente des navires. Chaque expérience simulait dix jours et recueillait des statistiques.
Résultat
L’analyse statistique des résultats de l’expérience a permis à l’équipe de déterminer le scénario optimal du point de vue de l’utilisation des grues, du temps d’attente des navires et du débit de chauds (1 chaud = 1,65 tonne). Il a montré que le scénario 3 avait un avantage significatif d’un minimum de deux manches par jour qui pourrait sauver l’entreprise plusieurs millions de dollars par an. De plus, bien que le temps d’attente des navires ait diminué et que le débit s’améliore, l’utilisation de la grue de la baie de charge était toujours d’environ 80 %, ce qui n’était pas souhaitable. Pour éviter les temps d’arrêt imprévus, les ingénieurs devraient mettre en place un plan d’entretien préventif.
En raison de la possibilité d’expérimenter avec le modèle dans un environnement numérique sûr, en utilisant AnyLogic comme logiciel de simulation d’usine, tous les changements nécessaires pourraient être mis en œuvre sans perturber la production.
Pour une optimisation plus poussée de l’unité, l’objectif de l’équipe était d’intégrer la partie de chargement de ferraille du processus de production dans la simulation. Avec l’aide de la simulation par modélisation, ils allaient trouver les meilleures solutions pour améliorer l’ensemble du système de fabrication de l’acier de l’entreprise.
Ils prévoyaient intégrer l’IA dans le modèle d’amélioration de l’élaboration des politiques.
Regardez la vidéo sur cette étude de cas présentée par Tata Steel lors de la Conférence indienne AnyLogic 2019
