Simulation der Speiseeisproduktion: Einschränkungen erkennen und den Produktionsplan optimieren

Problem:




Conaprole, die größte Milchproduktionsfirma in Uruguay, produziert in ihrer Eiscremefabrik mehr als 150 Artikelpositionen und nutzt hierbei fünf Produktionslinien und bis zu fünf verschiedene Verpackungskonfigurationen für jede Linie.


Das Unternehmen plant die Eiscremeproduktion rollierend für 12 Monate, als Teil des Absatz- und Produktionsplanungsprozesses, und der Nachfrageplan variiert saisonbedingt stark. Das Management muss die Produktionslinien während der Nebensaison für die Hochsaison vorbereiten und dabei die Produkthaltbarkeit, sowie Kapazität und Kosten der Kühlkammern des Lagers berücksichtigen. Das Unternehmen konnte die Nachfrage in der Hochsaison oft nicht erfüllen, was Fehlmengen erzeugte. Aufgrund der Schwierigkeiten, die ihnen begegneten, war es für das Management äußerst schwierig, die detaillierten Pläne schnell neu anzupassen.


Andere Faktoren, insbesondere Engpässe und Einschränkungen in den Produktionslinienprozessen, sowie Schwankungen in der Verfügbarkeit des Personalbestands, die zufällig eintreten können, erschwerten die Planungsanalysen zusätzlich.


Die Herausforderung des Managements bestand darin, die Pläne neu anpassen zu können, damit Angebot und Nachfrage ausgeglichen sind, und um sicherzustellen, dass bei den Hauptprodukten Fehlmengen vermieden werden. Sie suchten auch nach Möglichkeiten, die Nutzung ihrer Produktionskapazitäten zu optimieren. Ite Consult fand, dass die Simulationsmodellierung das beste Tool ist, um Conaprole Lösungen für diese Probleme zu bieten.


Die Ziele des erstellten Simulationsmodells waren:

  • Analyse der verschiedenen Produktionsszenarien für die nächsten zwölf Monate mit wechselnder Nachfrage. 
  • Die Produktionspläne optimieren, um Fehlmengen für alle Produktionseinheiten zu vermeiden.
  • Die Nutzung der Produktionslinienkapazität mit dem optimierten Produktionsplan optimieren.

LÖSUNG:

Durch die Nutzung der diskret-ereignisorientieren Modellierungsfähigkeiten von AnyLogic konnten die Berater eine Lösung entwickeln, die mit der Absatz- und Produktionsplanungsplattform S&OP des Unternehmens und dem SAP-System für Materialwirtschaft und Produktionsplanung integriert wurde. Die erarbeitete Lösung beinhaltete drei Experimente mit dem Modell des Produktionssystems. Jedes Experiment war für eines der obigen Ziele bestimmt und half, die gefragten Geschäftsprobleme zu lösen.


Im ersten Experiment untersuchte das Modell den anfänglichen Produktionsplan, erkannte Fehlmengen und Lieferrückstände, die zu erwarten waren, wenn die Produktion entsprechend des Plans erfolgt wäre. Das Management konnte die Produktionsanforderungen, basierend auf der Nachfrage und dem anfänglichen Bestand untersuchen. Durch dieses Experiment konnten die User herausfinden , wie sich unterschiedliche Situationen auf die Leistung auswirken können, indem sie manuelle Parameteränderungen vornahmen, zum Beispiel: Die Notwendigkeit, Linien während bestimmter Perioden zu schließen, die Notwendigkeit, die Anlageneffizienz zu verändern, die Verfügbarkeit von Ressourcen auszuweiten oder die Zeitpläne der Arbeitskräfte zu ändern. Die Nutzer konnten die Prioritäten von Produktionseinheiten manuell ändern und die erwartete Auswirkung von solchen Maßnahmen auf die Einnahmen analysieren (mit den Fehlmengen assoziierte Kosten, pro Produktionseinheit). Zusätzlich konnten Sie die genutzte minimale Produktionskapazität und einige andere Strategien bestimmen.

Logik des Produktionsplanungsmodells

Simulation der Produktionslinie

Das Experiment der Parameterveränderung ließ das Systemmodell 100-mal durchlaufen und suchte nach einer Lösung, wie die Nachfrage erfüllt und die Produkthaltbarkeit so lang wie möglich erhalten werden kann und gleichzeitig die Lagerkosten gesenkt werden können.


Das letzte Experiment optimierte die Liniennutzung, indem Produktionskapazität in den Spitzenzeiten freigesetzt wurde. Die Produktion wurde so nah wie möglich an den Beginn der Planungsperioden eingeplant, um als Puffer freie Kapazität in allen Produktionslinien zu haben.


Die Eingangsdaten beinhalteten:

  • Nachfrage pro Produktionseinheit
  • Lagerbestand pro Produktionseinheit
  • Chargengröße, Prioritäten, Haltbarkeit, Lagerplatzbelegung 
  • Gesamtnutzungsgrad und Prozentsatz des absoluten Fehlers des Erwartungswertes (mean absolute percentage error - MAPE), wenn erforderlich
  • Kosten

Das System betrachtete folgende Punkte:

  • Zuordnung der Produktionseinheiten für Linien und Teillinien
  • Kapazität der Linien und Teillinien
  • Linien- und Verpackungseinschränkungen
  • Lagerhallenbeschränkungen
  • Produktionszeiten
  • Produktionspläne
Simulationsstatistiken der Fertigung

Modellstatistiken


ERGEBNIS:




Alle Simulationsergebnisse waren nach Monat und Produktionseinheit unterteilt und wurden in Excel exportiert. Zusätzlich stellte das Modell Änderungen in der Nachfrage und im Lagerbestand nach Monat in Histogrammen dar. Auch Informationen über eventuelle Fehlmengen waren enthalten.


Durch die Nutzung des Modells konnte das Conaprole Management:

  • Prozesse in jeder Produktionslinie nach Produktionseinheit feststellen. 
  • Produktionspläne optimieren, um die Nachfrage besser erfüllen zu können, und gleichzeitig die Produkthaltbarkeit zu maximieren bzw. Lagerhallenkosten zu minimieren. 
  • Die Nutzung der Produktionslinie verbessern, um zusätzliche Produktionskapazität zu sichern, im Falle einer erhöhten Nachfrage.

Das Simulationsmodell gab dem Management den nötigen Einblick, um die Lösung zu wählen, die die Einkünfte erhöhen und das Risiko von Fehlmengen minimieren würde.

More Case Studies

  • Planung und Optimierung einer hochautomatisierten Produktionslinie
    Centrotherm Photovoltaics AG ist ein weltweit agierender Anbieter von Technologien und Produktionslösungen für die Photovoltaik, Halbleiter und Mikroelektronikindustrie. Das Unternehmen musste die optimal automatisierte Produktionslinie und Werkskonfiguration finden, um Kosten zu minimieren und Durchsatzleistung und Ausfallsicherheit zu maximieren.
  • Simulation eines Tunnelbaus mit Hilfe einer Tunnelbohrmaschine
    Die Kosten des Ausfalls einer Tunnelbohrmaschine für eine Stunde sind üblicherweise hoch und Projektmanager müssen ihr Bestes tun, um unnötige Verzögerungen im Bau zu verhindern. Das Ziel des Simulationsprojektes, welches durch die Ruhr-Universität Bochum in Deutschland durchgeführt wurde, war es, ein Simulationsmodell zu entwickeln, das fähig ist die Engstellen im Tunnelbauprozess zu bestimmen, um finanzielle Verluste zu minimieren.
  • Analyse von Strategien des Ramp-Up-Managements im Flugzeugbau
    Die Airbus-Gruppe ist am EU-Projekt ARUM (Adaptive Production Management) beteiligt, dessen Fokus eine IT-Lösung für die Risikominderung, die Entscheidungsfindung und Planung während der Anlaufphase von neuen Produkten ist. Das Projekt ist hauptsächlich auf die Flugzeug- und Schiffsbauindustrie ausgerichtet. Die Simulation wurde als ein Teil der ARUM-Lösung gewählt, weil die Teilnehmer damit reale Erfahrungen einer Produktionsanlage reproduzieren können.
  • Der GE Produktionsbetrieb nutzt die Anylogic-Software für Unterscheidungsunterstützung in Echtzeit
    2012 eröffnete GE einen neuen Produktionsbetrieb für Batterien und startete gleichzeitig ein innovatives Geschäft im Bereich der Energiespeicherung. Das Global Research Center von GE suchte ein leistungsstarkes und flexibles Tool, um nicht nur den spezifischen Prozess, sondern das Produktionssystem im Gesamten zu analysieren.
  • Kapazitätsanalyse einer Schiffswerft
    Mit der AnyLogic Simulationssoftware als zentrales Element, benutzt NASSCO ein speziell angefertigtes Analysesytem, genannt das Large Scale Computer Simulation Modeling System for Shipbuilding (LSMSe), um hochdetaillierte und genaue Kapazitätsanalysen sowohl für die gegenwärtige Produktion als auch für neue Arbeiten zu erhalten.
  • Produktionsplanung in der Schiffsindustrie
    Die Manager einer der bedeutendsten italienischen Hersteller benötigten einen neuen, intelligenten Ansatz, um den Planungsprozess einfacher zu gestalten. Ziel war es, dem realen Produktionsplaner außergewöhnlich umfangreiche Planungsinformationen zu geben, mit denen dieser einen Plan vor seiner Umsetzung testen und verfeinern kann.
  • Eine Schiffswerft prüft ihre Kapazitäten der Auftragsabwicklung und gewinnt einen besseren Einblick in Produktionsstätte und Vertrieb
    Die Admiralitätsschiffswerft Admiralty Shipyards JSC steht vor einem großen Auftrag für Unterwasserboote mit Dieselantrieb und muss auswerten, ob die aktuelle Produktionsstätte den Auftrag ausführen kann, und falls nicht, welche Menge für das Jahr 2016 produziert werden kann. Admiralty Shipyards JSC sucht auch die Bestätigung, dass zur Durchführung des Auftrages keine zusätzliche Produktionsstätte erforderlich sein wird.
  • Ein einfaches Simulationsmodell hilft Intel bei der Vermeidung von Werksstillständen
    Die Intel Werke hatten eine spezielle Geräteausstattung, die oft ausfiel und so Kapazitätsengpässe verursachte. Wenn das Gerät repariert werden konnte, wurde es von den Intel Werkstechnikern repariert oder, wenn das Problem zu komplex war, wurde es zum Reparaturzentrum des Herstellers geschickt. Diese sehr teuren Teile wurden bei wichtigen Werksarbeiten verwendet und die Reparaturen nahmen viel Zeit in Anspruch; deshalb mussten zusätzliche Ersatzteile vorhanden sein, um Ausfallzeiten zu vermeiden.
  • 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.