Übersicht
Tata Steel ist der zweitgrößte geografisch diversifizierte Hersteller in der Stahlindustrie und auf fünf Kontinenten tätig. Das Unternehmen ist als einer der größten Stahlhersteller und -Lieferanten mit einer jährlichen Produktionskapazität von 33 Millionen Tonnen Rohstahl bekannt. Tata Steel bedient ein breites Branchenspektrum, wie die Automobil-, Konsumgüter- oder Infrastrukturindustrie.
Problemstellung
Eine der Stahlproduktionsstätten des Unternehmens zeigte das Potenzial, den Anlagendurchsatz durch Optimierung des internen Materialflusses zu steigern. So wurde die Handhabung der Krananlagen und Nutzung der Gießpfannen durch die Einführung optimierter Prozessabläufe und das Vergleichen verschiedener Layoutkonfigurationen verbessert.
Das Team der Stahlschmelzerei stellte fest, dass der Auslastungsgrad der Kräne ungleichmäßig über den gesamten Produktionsprozess verteilt war, was den Durchsatz beeinträchtigt. Es gab eine Unterproduktion des Bereichs Schmelzen (Stahlchargen), dem Endprodukt dieser Produktionseinheit. Die potenzielle Ursache dafür war, dass der Großteil des Kranumschlags manuell und selbstständig durchgeführt wurde. Daher war ein Prozess mit weniger personellemEingreifen gefordert.
Der Produktionsprozess beginnt mit den Pfannenwagen (Torpedos) voll Roheisen, die in der betreffenden Produktionsstätte, genauer gesagt in der Torpedostation, ankommen. Dieses Metall wird in eine Gießpfanne umgefüllt und diese auf einen Transferwagen gesetzt. Von dort wird es vom Torpedorampen-Kran aufgenommen und zur Entschwefelungsstation transportiert. Nach dem Reinigen wird das Metall von den Transferwagen zur Ladebucht bewegt, von einem anderen Kran aufgenommen und zu einem LD-Konverter (oder Tiegel) gebracht. Sobald das Metall in den Tiegel gegossen ist, bringt der Kran die leere Pfanne zur Torpedostation zurück.
Ziel des Projekts war es, herauszufinden, ob eine Änderung der bestehenden Verfahrensregeln zur Handhabung des internen Logistiksystems den Durchsatz erhöhen würde. Die Ingenieure wollten eine einfache Faustregel für die Bedienung der Krananlagen finden und den gesamten Produktionsprozess optimieren, indem die Abhängigkeit von Personen bei der Entscheidungsfindung verringert wird.
Einer der Gründe, warum sich das Team für ein Simulationsmodell entschied, war die komplexe Wechselbeziehung zwischen den Systemelementen. Darüber hinaus gab es zahlreiche Variablen mit hoher Streuung (z. B. Bearbeitungszeit von Tiegeln und Entschwefelungsstationen, Ausfallzeiten von Kränen und Transferwagen usw.), die nur mit Simulationsmodellen aufgezeigt werden konnten.
Lösung
Im ersten Schritt wurden die Eingangsdaten gesammelt. Das Team führte eine Feldstudie durch, in der sie für jedes Produktionsmittel der Anlage Daten des vergangenen Jahres erfassten. Darüber hinaus analysierten sie das Ausfallmuster, insbesondere MTBF und MTTR, und den Prozessablauf.
Unter Verwendung der AnyLogic-Software zur Anlagensimulation erstellten sie ein Modell, das den Prozess vom Entladen des Roheisens in Pfannen an Torpedostationen bis zur Tiegelbeladung abbildet. Um die Modelllogik zu erarbeiten, verwendete das Team folgende in der Feldstudie erhobenen Parameter:
- Tiegel stehen 87,5 % der Simulationszeit zur Verfügung.
- Die Prozessdauer für die Metallverarbeitung in einer Entschwefelungsstation beträgt zehn Minuten. Danach verlässt eine Gießpfanne mit dem gereinigten Metall die Station.
- Die Ladezeit der Tiegel beträgt etwa zehn Minuten, und der Wert variiert entsprechend einer Wahrscheinlichkeitsverteilung (maximale Zeit beträgt 15 Minuten).
- Eine Gießpfanne mit heißem Metall sollte innerhalb von fünf Minuten von einer Entschwefelungsstation in einen Tiegel umgefüllt werden.
Das Team erstellte drei verschiedene Was-wäre-wenn-Szenarien mit dem Ziel, die Wartezeit für die Tiegel zu verkürzen und die Kranbetriebslogik zu modifizieren:
- Beide Hallenkräne werden für die Beschickung von Tiegeln eingesetzt.
- Ein Kran arbeitet zwischen der Entschwefelungsstation und den Tiegel-Zonen, während der andere Kran hauptsächlich Metall aus Gießpfannen in die Tiegel entlädt. Fällt der zweite Kran aus, übernimmt der erste seine Funktionen.
- Szenario 2 verbunden mit der Möglichkeit, leere Gießpfannen in einer Höhe von neun Metern über dem Boden aufzuhängen.
Für jedes Szenario entwarfen die Ingenieure 90 Experimente mit Variationen der Entschwefelungsstation und der Prozessdauer der Tiegel, um die Menge, der pro Tag produzierten Schmelze, die Kranauslastung und die Wartezeit der Tiegel zu beobachten. Jedes Experiment simulierte zehn Tage und sammelte dabei Datenmaterial für die statistische Auswertung.
Ergebnis
Die statistische Analyse der Versuchsergebnisse ermöglichte es dem Team, das optimale Szenario unter dem Gesichtspunkt der Kranauslastung, der Wartezeit der Tiegel und des Durchsatzes in Schmelzen (1 Schmelze = 1,65 Tonnen) zu bestimmen. Es zeigte sich, dass Szenario 3 einen erheblichen Vorteil von mindestens zwei Schmelzungen pro Tag hatte, was dem Unternehmen mehrere Millionen Dollar pro Jahr einsparen könnte. Obwohl die Wartezeit der Tiegel verkürzt und der Durchsatz verbessert wurde, lag die Auslastung der Ladekräne in der Halle immer noch bei etwa 80 %, was nicht erwünscht war. Um ungeplante Ausfallzeiten zu vermeiden, müssten die Ingenieure einen präventiven Wartungsplan einführen.
Durch die Möglichkeit, mit dem Modell in einer sicheren digitalen Umgebung zu experimentieren und AnyLogic als Anlagensimulationssoftware zu verwenden, konnten alle notwendigen Änderungen ohne Produktionsunterbrechung durchgeführt werden.
Zur weiteren Optimierung der Anlage war es das Ziel des Teams, den Schrottbeschickungsteil des Produktionsprozesses in die Simulation mit einzubeziehen. Dank der Simulationsmodellierung konnten sie die geeignetsten Lösungen finden, um das gesamte Stahlherstellungssystem des Unternehmens zu verbessern.
Sie planten, künstliche Intelligenz in das Modell einzubeziehen, um die Entscheidungsfindung zu verbessern.
Hier ein Video zu dieser von Tata Steel auf der AnyLogic Indian Conference 2019 vorgestellten Fallstudie.
