TESIS DOCTORAL INTEGRACIÓN DE MODELOS DE FABRICACIÓN ...

ESCUELA DE INGENIERÍA INDUSTRIAL

TESIS DOCTORAL

INTEGRACIÓN DE MODELOS DE

FABRICACIÓN MEDIANTE SIMULACIÓN CON

HERRAMIENTAS INFORMÁTICAS Y LEAN

MANUFACTURING.

SEPTIEMBRE DE 2015

AUTOR:

Ing. Daniel Prieto Renda

DIRECTORES:

Dr. Ing. Gustavo Peláez Lourido

Dr. Ing. Enrique Ares Gómez

AGRADECIMIENTOS

Después del esfuerzo realizado en estos años en los cuales ha sido muy complejo

compaginar mi actividad profesional con la actividad investigadora el principal

agradecimiento es para mi familia; mi esposa, mis hijos, mis padres y demás allegados, sin la

cual no hubiese sido posible llegar hasta aquí, tanto por su incondicional apoyo como por su

paciencia y comprensión, ay que les he quitado gran parte del tiempo que debía haberles

dedicado y que intentaré compensar de aquí en adelante.

Mención especial requieren mis directores de tesis, Dr. Gustavo Pelaez y Dr. Enrique Ares,

que han demostrado una profesionalidad y dedicación sin límites al apoyarme y guiarme en

este duro proceso que ha llegado a su final. Sé que para ellos no ha sido fácil sacar el tiempo

necesario para coordinar esta investigación con su trabajo diario. Les agradezco también a sus

familias que les hayan permitido poder hacer esto realidad y por haber utilizado un tiempo

ajeno que deberían de haberle dedicado.

A mis compañeros de diferentes proyectos y artículos de investigación realizados en este

periodo y al personal académico -administrativo del departamento de Ingeniería de procesos

de Fabricación que me han apoyado en la gestión y tramitología de toda la documentación

necesaria hasta la presentación final, hago patente mi reconocimiento y respeto hacia ellos.

Por ultimo no puedo dejar de agradecer a todo el personal de producción y gestión de

las diferentes empresas en las que se han realizado las experimentaciones e investigación, ya

que sin su colaboración y ayuda este trabajo habría sido muy difícil de realizar. Espero que

gracias a él puedan seguir implantado mejoras y que sus resultados les acompañen de manera

positiva de aquí en adelante.

RESUMEN

Dep. Diseño en la Ingeniería- Area Ingeniería de Procesos de Fabricación 4

Tesis: Integración de modelos de fabricación mediante simulación con herramientas informáticas y lean manufacturing

RESUMEN

En un entorno dinámico como el actual, cualquier decisión que se tome con respecto a

una empresa tiene una repercusión lo suficientemente importante como para no tomarla de

manera superficial y con un profundo análisis de la situación.

Si a su vez esto es tenido en cuenta en empresas productivas, pasa a tener una entidad

fundamental. Ya que los resultados que se obtengan con respecto a un cambio de cualquier tipo

en un pequeño proceso hacer varias de manera sustancial el comportamiento global de un

sistema de manufactura a nivel general.

Esta tesis pretende elaborar una metodología que permita analizar los comportamientos

de sistemas productivos con herramientas informáticas de simulación basados en la simulación de

eventos discretos integradas con la filosofía lean manufacturing y así poder tener un mecanismo

de evaluación para la toma de decisiones sin tener que realizar inversiones elevadas y garantizar

con un margen de error pequeño los resultados ante los diferentes escenarios planteados.

Se realizó una revisión del estado del arte en conceptos y herramientas actuales, que son

útiles de manera aislada en la búsqueda de optimización de los procesos. Se evaluaron diferentes

herramientas informáticas para llegar finalmente a utilizar el software SIMIO, por su facilidad de

manejo y capacidad grafica a la hora de hacer visualizaciones y obtener resultados.

Con estos principios y a partir de un análisis de muchos ejemplos empíricos, se llegó a la

definición de una metodología en siete pasos que permite a través de la integración de

simulación discreta de eventos y la filosofía lean manufacturing, poder aplicarla de manera

general a cualquier sistema productivo. Cabe destacar que esta metodología permite evaluar

comportamientos dinámicos sin quedarse simplemente en la observación de unos resultados

numéricos.

Para la demostración de esta nueva metodología se muestra en diferentes capítulos como

en empresas tan diversas de manufactura, empresa del sector de los troqueles, del sector de la

fabricación de productos cerámicos y de vidrio, da unos resultados satisfactorios que permiten a

los cuadros directivos y de producción tomar las decisiones adecuadas teniendo una

parametrización de los resultados a obtener.

A su vez se realizaron diferentes investigaciones en múltiples sectores de manufactura que

corroboraron los resultados. También se observó que en otros sectores como el hospitalario,

administrativo o bancario se puede aplicar la metodología con resultados óptimos.

Se ha dejado una puerta abierta no solo a la aplicación a otros sectores que implique

procesos, sino que también se ha conexionado con herramientas de función índice que definen

estrategias evaluando parámetros económicos y de producción, sociales y medioambientales o

de sostenibilidad.

Palabras Clave: Simulación DES, Lean Manufacturing, Integración, KPÍ, SIMIO.

ÍNDICE



ÍNDICE

1 INTRODUCCIÓN. ........................................................................ 14

1.1 Motivación. ............................................................................................................. 14 1.2 Organización de la tesis........................................................................................ 14 1.3 Justificación de la investigación ......................................................................... 15 1.4 Revisión del estado del arte ................................................................................. 16 1.5 Problemática actual ............................................................................................. 20 1.6 Objetivos. ................................................................................................................ 22

2 BASES TEÓRICAS DE LA INVESTIGACIÓN ................................. 24

2.1 Lean Manufacturing. ............................................................................................. 24 2.1.1 Introducción ........................................................................................................................ 24 2.1.2 Sistema de producción de Toyota ................................................................................. 25 2.1.3 Principios del modelo de Toyota ..................................................................................... 25 2.1.4 Relación filosofía Lean con la simulación. .................................................................... 27 2.1.5 Conceptos y herramientas del Lean Manufacturing ................................................. 27

2.1.5.1 Kaizen ....................................................................................................................... 27 2.1.5.2 5S .............................................................................................................................. 27 2.1.5.3 7 Mudas - Desperdicios .......................................................................................... 28 2.1.5.4 Six Sigma .................................................................................................................. 29 2.1.5.5 TOC ........................................................................................................................... 30 2.1.5.6 TQM (Total Quality Management) ....................................................................... 31 2.1.5.7 TPM – Mantenimiento Productivo Total ............................................................... 31 2.1.5.8 VSM – Value Stream Map ...................................................................................... 32 2.1.5.9 SMED ........................................................................................................................ 34 2.1.5.10 Heijunka – Suavizado de la producción ............................................................ 34 2.1.5.11 Kanban .................................................................................................................. 35 2.1.5.12 Poka-Yoke .............................................................................................................. 36 2.1.5.13 KPI ........................................................................................................................... 37 2.1.5.14 Takt Time – Lead Time - WIP ................................................................................. 38

2.2 Simulación ............................................................................................................... 40 2.2.1 Definición de simulación. .................................................................................................. 40 2.2.2 Definición de simulación por computador. .................................................................. 40 2.2.3 Definición de modelo de simulación. ............................................................................ 40 2.2.4 La simulación por computador: ventajas e inconvenientes. .................................... 41 2.2.5 Uso y limitaciones de la simulación ................................................................................ 41 2.2.6 Modelos de simulación existentes. Clasificación. ........................................................ 42

2.2.6.1 Según su concepción. ........................................................................................... 42 2.2.6.2 Según los parámetros que utilizan........................................................................ 43

2.2.7 Tipos de simulaciones. ....................................................................................................... 44 2.2.7.1 Simulación estática frente a dinámica. .............................................................. 44 2.2.7.2 Simulación continúa frente a discreta................................................................. 44 2.2.7.3 Simulación determinística frente a probabilista. ................................................ 44

2.2.8 Formas de realización de la simulación por computador. ........................................ 44 2.2.8.1 Programación en lenguajes de uso general. ..................................................... 44 2.2.8.2 Programación en lenguajes de simulación. ....................................................... 44 2.2.8.3 Programación en simuladores de alto nivel. ...................................................... 45

2.2.9 Construcción de un modelo de simulación. ................................................................ 45 2.2.9.1 Requerimientos exigibles a un modelo. ............................................................... 45 2.2.9.2 Etapas en la construcción de un modelo. .......................................................... 45 2.2.9.3 Especificaciones del modelo. ............................................................................... 46

2.2.10 Análisis de programas de simulación existentes en el mercado ........................... 48 2.2.10.1 NORMA ISO 9126 .................................................................................................. 48

2.2.11 Comparación de programas ........................................................................................ 51

ÍNDICE



2.2.11.1 SIMULADOR SIMFACTORY II.5............................................................................... 51 2.2.11.2 SIMULADOR AUTOMOD ........................................................................................ 52 2.2.11.3 SIMULADOR PROMODEL ...................................................................................... 53 2.2.11.4 SIMULADOR TAYLOR ED. ...................................................................................... 55 2.2.11.5 SIMULADOR WITNESS ............................................................................................ 56 2.2.11.6 SIMULADOR EXTEND.............................................................................................. 57 2.2.11.7 SIMULADOR ARENA .............................................................................................. 58 2.2.11.8 SIMULADOR SIMUL8............................................................................................... 60

2.3 Simulación mediante software SIMIO. ................................................................ 61 2.3.1 Software de simulación Simio .......................................................................................... 61 2.3.2 Componentes de la ventana de modelaje de Simio. ............................................... 62

2.4 Porque Simio ........................................................................................................... 65

3 METODOLOGÍA DESARROLLADA .............................................. 66

3.1 FASE 1: Análisis inicial ............................................................................................. 67 3.1.1 Formulación del problema ............................................................................................... 67 3.1.2 Determinación de objetivos ............................................................................................. 67 3.1.3 Establecimiento de áreas piloto ..................................................................................... 68

3.2 FASE 2: Definición del modelo de Simulación ................................................... 69 3.2.1 Recogida de datos reales. ............................................................................................... 69 3.2.2 Generación conceptual del modelo de simulación en Simio ................................. 69

3.3 FASE 3 : Test del modelo de simulación .............................................................. 70 3.3.1 Simulación Proceso Real – Verificación. ........................................................................ 70 3.3.2 Validación del modelo de integración. ........................................................................ 71 3.3.3 Establecimiento KPI lean iniciales ................................................................................... 72

3.4 FASE 4 : Diseño de experimentos ......................................................................... 72 3.5 FASE 5: Análisis de los resultados ......................................................................... 73 3.6 FASE 6: Documentación e informes. ................................................................... 74 3.7 FASE 7: Implantación. ............................................................................................ 74

4 BASES EXPERIMENTALES. ........................................................... 75

4.1 Caso Empresa de fabricación de troqueles de cartón ................................... 76 4.1.1 FASE 1: Análisis inicial ......................................................................................................... 76

4.1.1.1 Formulación del problema .................................................................................... 76 4.1.1.2 Objetivos .................................................................................................................. 76 4.1.1.3 Area Piloto. .............................................................................................................. 77

4.1.2 FASE 2: Modelo de simulación. ........................................................................................ 77 4.1.2.1 Datos reales ............................................................................................................. 77 4.1.2.2 Modelo Conceptual .............................................................................................. 80

4.1.3 FASE 3: Test del modelo de Simulación .......................................................................... 83 4.1.3.1 Verificación ............................................................................................................. 83 4.1.3.1 Verificación ............................................................................................................. 85 4.1.3.2 KPI Lean Iniciales ..................................................................................................... 86

4.1.4 FASE 4: Diseño de los experimentos ................................................................................ 86 4.1.5 FASE 5: Análisis de los resultados. .................................................................................... 87

4.1.5.1 KPI Lean Finales ....................................................................................................... 88 4.1.6 Fase 6: Informes y documentación ................................................................................ 88

4.2 Caso Empresa de fabricación de materiales cerámicos. ............................. 125 4.2.1 FASE 1: Análisis inicial ....................................................................................................... 125

4.2.1.1 Formulación del problema .................................................................................. 125 4.2.1.2 Objetivos ................................................................................................................ 126 4.2.1.3 Area Piloto. ............................................................................................................ 126

4.2.2 FASE 2: Modelo de simulación. ...................................................................................... 126 4.2.2.1 Datos reales ........................................................................................................... 126 4.2.2.2 Modelo Conceptual ............................................................................................ 128

ÍNDICE



4.2.3 FASE 3: Test del modelo de Simulación ........................................................................ 129 4.2.3.1 Verificación ........................................................................................................... 129 4.2.3.2 Validación ............................................................................................................. 130 4.2.3.3 KPI Lean Iniciales ................................................................................................... 130

4.2.4 FASE 4: Diseño de los experimentos ............................................................................. 132 4.2.5 FASE 5:Analisis de los resultados. ................................................................................... 135

4.2.5.1 KPI Lean Finales ..................................................................................................... 137 4.2.6 FASE 6 : Informes y documentación ............................................................................ 140

4.3 Caso Empresa de fabricación de vidrio .......................................................... 168 4.3.1 FASE 1: Análisis inicial ....................................................................................................... 168

4.3.1.1 Formulación del problema .................................................................................. 168 4.3.1.2 Objetivos ................................................................................................................ 169 4.3.1.3 Area Piloto. ............................................................................................................ 169

4.3.2 FASE 2: Modelo de simulación. ...................................................................................... 169 4.3.2.1 Datos reales ........................................................................................................... 169 4.3.2.2 Modelo Conceptual ............................................................................................ 180

4.3.3 FASE 3: Test del modelo de Simulación ........................................................................ 183 4.3.3.1 Verificación ........................................................................................................... 183 4.3.3.2 Verificación ........................................................................................................... 184 4.3.3.3 KPI Lean Iniciales ................................................................................................... 185

4.3.4 FASE 4: Diseño de los experimentos .............................................................................. 186 4.3.4.1 Nuevo Modelo más Productivo. ......................................................................... 186 4.3.4.2 Nuevo layout: ........................................................................................................ 188

4.3.5 FASE 5: Analisis de los resultados. .................................................................................. 190 4.3.5.1 Aumento en la demanda de la producción.................................................... 190 4.3.5.2 Reducción del Tiempo de Proceso por Jornada. ............................................ 191 4.3.5.3 KPI Lean Finales ..................................................................................................... 191

4.3.6 Fase 6 : Informes y documentación ............................................................................. 192

5 RESULTADOS OBTENIDOS ........................................................ 218

6 CONCLUSIONES. ...................................................................... 224

6.1 Conclusiones generales ...................................................................................... 224 6.2 Conclusiones particulares ................................................................................... 224 6.3 Líneas de investigación futuras. ......................................................................... 225

7 PUBLICACIONES REALIZADAS ................................................. 227

7.1 Society Simulation Workshop 2012 (SW12) ....................................................... 227 7.1.1 Abstract .............................................................................................................................. 227 7.1.2 Introduction and literature review ................................................................................ 227 7.1.3 Methodology ..................................................................................................................... 228 7.1.4 Development of the model............................................................................................ 229 7.1.5 Results ................................................................................................................................. 231 7.1.6 Conclusions ........................................................................................................................ 232 7.1.7 References ......................................................................................................................... 232

7.2 MCI Belfast 2015 ................................................................................................... 234 7.2.1 Abstract .............................................................................................................................. 234 7.2.2 Introduction ....................................................................................................................... 234 7.2.3 Definition and Concepts ................................................................................................. 235 7.2.4 Main Indicators ................................................................................................................. 235 7.2.5 Methodology ..................................................................................................................... 236 7.2.6 Index Function ................................................................................................................... 237 7.2.7 Conclusions ........................................................................................................................ 237 7.2.8 References ......................................................................................................................... 237

8 REFERENCIAS BIBLIOGRÁFICAS: ............................................. 239

ÍNDICE



ÍNDICE



ÍNDICE TABLAS Tabla 1-1 Comparación de MUDA y DES ........................................................................................................ 22

Tabla 2-1 Comparativa software simulación según ISO 9126 ..................................................................... 65

Tabla 3-1 Resultados simulación ....................................................................................................................... 71

Tabla 3-2 KPI obtenidos de la simulación mejorada de puestos de trabajo ........................................... 73

Tabla 3-3 KPI simulación mejorada de desplazamientos de lotes entre dos procesos consecutivos 74

Tabla 3-4 KPI simulación mejorada de desplazamientos de lotes entre dos procesos intermedios .. 74

Tabla 4-1 Tabla datos ERP empresa troqueles .............................................................................................. 78

Tabla 4-2 Tabla datos ERP Empresa troqueles .............................................................................................. 79

Tabla 4-3 Tiempos de fabricación según pedido ......................................................................................... 81

Tabla 4-4 Tablas de Resultados simulación .................................................................................................... 84

Tabla 4-5 Informes de Resultados simulación ................................................................................................ 84

Tabla 4-6 Tabla comparativa para validación de datos ............................................................................ 85

Tabla 4-7 Tabla comparativa evolución KPI fabrica de troqueles ............................................................ 89

Tabla 4-8 Parámetros Iniciales fabrica cerámica ....................................................................................... 127

Tabla 4-9 Datos reales fabrica cerámica .................................................................................................... 128

Tabla 4-10 Validación del Modelo conceptual f. cerámica en Simio ................................................... 129

Tabla 4-11 Resultados Simulación f. cerámica ............................................................................................ 130

Tabla 4-12 Productividad de los puestos de la línea de extrusión ........................................................... 130

Tabla 4-13 Productividad de los puestos de la línea de extrusión con 500 bandejas ......................... 132




Tabla 4-17 Productividad de los puestos de la línea de extrusión con 1000 bandejas ....................... 133

Tabla 4-18 Productividad de los puestos de la línea de extrusión con 1100 bandejas ....................... 133

Tabla 4-19Resultados Simulación de los diferentes ensayos ..................................................................... 135

Tabla 0-1Cálculo de Ci ..................................................................................................................................... 139

Tabla 0-2 Cálculo del WIP ................................................................................................................................ 140

Tabla 0-3 Mejoras porcentuales con la medida propuesta ..................................................................... 140

Tabla 0-4 Mejoras porcentuales en los puestos de trabajo ...................................................................... 140

Tabla 0-5 Tabla comparativa de evolución de KPI f.cerámica ............................................................... 141

Tabla 0-6 Tabla de datos de producción vidrio .......................................................................................... 170

Tabla 0-7 Tabla de datos de producción vidrio ......................................................................................... 170

Tabla 0-8 Tabla de datos de producción vidrio ......................................................................................... 170

Tabla 0-9 Diagrama de Gantt de un Proceso Medio vidrio ..................................................................... 171

Tabla 0-10 Tabla de Media de Datos del Proceso vidrio ........................................................................... 171

Tabla 0-11AMFE del proceso ........................................................................................................................... 180

Tabla 0-12 Tiempos de fabricación según pedido Vidrio .......................................................................... 182

ÍNDICE



Tabla 0-13 Resultados simulación Vidrio ........................................................................................................ 183

Tabla 0-14 Resultados s obtenidos Vidrio ...................................................................................................... 184

Tabla 0-15 Mejora Con cambio a Dobladora Automática ...................................................................... 187

Tabla 0-16 Optimización LEAN con Nuevo Proceso Vidrio ........................................................................ 188

Tabla 0-17 Mejora Productiva con Nuevo Proceso Vidrio ......................................................................... 189

Tabla 0-18 Tabla de evolución de KPI Vidrio ............................................................................................... 193

ÍNDICE



ÍNDICE IMÁGENES Imagen 1-1 Aplicación DES en Simulación ..................................................................................................... 18

Imagen 1-2 Muestra de Inexactitud de VSM ................................................................................................ 20

Imagen 2-1 Características sistema Toyota.................................................................................................... 25

Imagen 2-2 Principios del sistema Toyota ...................................................................................................... 26

Imagen 2-3 Ejemplo de VSM Actual ............................................................................................................... 33

Imagen 2-4 Ejemplo de VSM Propuesto .......................................................................................................... 33

Imagen 2-5 Ejemplos de Kanban ..................................................................................................................... 35

Imagen 2-6 Uso de los Kanban ........................................................................................................................ 36

Imagen 2-7 Características de calidad en software según ISO 9126 ...................................................... 48

Imagen 2-8 Características de calidad según ISO 9126 ............................................................................ 49

Imagen 2-9 Ventana inicial Simio .................................................................................................................... 61

Imagen 2-10 Ventana trabajo Simio ................................................................................................................ 62

Imagen 2-11 Módulo Source ............................................................................................................................ 62

Imagen 2-12 Módulo Sink ................................................................................................................................... 62

Imagen 2-13 Módulo Server ............................................................................................................................... 63

Imagen 2-14 Módulo Combiner ........................................................................................................................ 63

Imagen 2-15 Módulo Separator ....................................................................................................................... 63

Imagen 2-16 Módulo Worker ............................................................................................................................. 64

Imagen 2-17 Módulo Separator ........................................................................................................................ 64

Imagen 3-1 Ejemplo de Lay Out ....................................................................................................................... 68

Imagen 3-2 Modelo planta actual en ejecución ......................................................................................... 70

Imagen 4-1 Imagen empresa troqueles .......................................................................................................... 78

Imagen 4-2 Tiempos de fabricación según pedido ..................................................................................... 81

Imagen 4-3 Asignación de tiempos de fabricación según pedido .......................................................... 81

Imagen 4-4 Modelo conceptual de simulación en Simio fabricación troqueles ................................... 82

Imagen 4-5 Modelo planta actual troqueles en ejecución ....................................................................... 83

Imagen 4-6Modelo de planta de troqueles con mejoras en lay out ....................................................... 86

Imagen 4-7 Resultados comparando ambos modelos de simulación .................................................... 87

Imagen 4-8 Lay out actual fábrica cerámica ............................................................................................ 126

Imagen 4-9 Modelo conceptual de simulación f. cerámica en Simio .................................................. 129

Imagen 0-1 Lay out actual vidrio .................................................................................................................... 169

Imagen 0-2 Modelo conceptual de simulación en Simio vidrio .............................................................. 181

Imagen 0-3 Modelo planta actual en ejecución vidrio ............................................................................. 183

Imagen 0-4 Dobladora Automática de Perfiles ......................................................................................... 187

Imagen 0-5 Simulación en SIMIO del Nuevo Proceso Vidrio .................................................................... 188

Imagen 0-6 Comparativa Modelo de planta vidrio con mejoras en lay out ...................................... 189

ÍNDICE



ÍNDICE GRÁFICOS Grafico 1-1 Evolución histórica publicaciones relacionadas con simulación ......................................... 17

Grafico 1-2 Evolución metodología de la simulación .................................................................................. 17

Grafico 1-3 Evaluación de posibles lay out con DES .................................................................................... 19

Grafico 2-1 Representación del Takt Time ...................................................................................................... 38

Grafico 2-2 Representación del OEE ............................................................................................................... 39

Grafico 3-1 Flujograma de la metodología ................................................................................................... 66

Grafico 3-2 Ejemplo de diagrama de flujo ..................................................................................................... 67

Grafico 3-3 Ejemplo de VSM .............................................................................................................................. 68

Grafico 3-4 Análisis gráfico de modelos de distribución estadísticos ...................................................... 69

Grafico 3-5 Validación modelo ........................................................................................................................ 71

Grafico 4-1 Diagrama de proceso productivo .............................................................................................. 76

Grafico 4-2 Lay out actual fábrica de troqueles ........................................................................................... 77

Grafico 4-3 Grafico comparativo para validación de datos .................................................................... 85

Grafico 4-4 Diagrama de proceso productivo fábrica cerámica .......................................................... 125

Grafico 4-5 Gráfico de distribución de la producción ............................................................................... 131

Grafico 4-6 Productividad de los puestos de la línea de extrusión con 800 bandejas ....................... 133

Grafico 4-7Gráfico de utilización del puesto de mezclado .................................................................... 134

Grafico 4-8Gráfico de utilización del puesto de extrusión ........................................................................ 134

Grafico 4-9Gráfico de utilización del puesto de manutención ............................................................... 134

Grafico 4-10Gráfico de utilización del puesto de horneo ......................................................................... 135

Grafico 4-11 Gráfico del Producción placas / minuto ............................................................................... 136

Grafico 4-12 Gráfico de tiempo de producción en función del número de bandejas ..................... 136

Grafico 4-13Gráfico de productividades medias ....................................................................................... 137

Grafico 0-1 Diagrama de proceso productivo vidrio ................................................................................. 168

Grafico 0-2Fabricación de Perfiles ................................................................................................................. 172

Grafico 0-3 Corte de Planchas ....................................................................................................................... 173

Grafico 0-4 Orden Caballetes ......................................................................................................................... 174

Grafico 0-5 Lavado – Unión Perfil – Cristal..................................................................................................... 175

Grafico 0-6 Sellado. ........................................................................................................................................... 176

Grafico 0-7 Programas en espera: ................................................................................................................. 177

Grafico 0-8 Perfiles en Espera. ......................................................................................................................... 178

Grafico 0-9 Planchas en Espera. ..................................................................................................................... 179

Grafico 0-10 Diagrama de flujo del proceso ............................................................................................... 180

Grafico 0-11 comparativa y validación. Vidrio ........................................................................................... 185

Grafico 0-12 Comparativa mejoras ............................................................................................................... 190

ÍNDICE



CAPITULO 1 - INTRODUCCIÓN



1 INTRODUCCIÓN.

1.1 Motivación.

Los convulsivos cambios en el entorno representan actualmente un reto para las empresas

del siglo XXI. Esto requiere una buena respuesta de las mismas para no dejarse llevar por él y

tratar de influir en el mismo. Pero estos cambios se pueden transformar en una oportunidad, si las

empresas aprenden a adaptarse a la complejidad, dinamismo e incertidumbre del nuevo marco

existente.

En este nuevo escenario en diferentes sectores productivos básicos en la economía como

metalmecánico, automotriz, madera, alimentario, residuos, construcción naval, bienes de equipo,

maquinaria, etc. se pueden encontrar un conjunto de técnicas, herramientas, metodologías y

filosofías que tratan de arreglar problemas, las veces de forma aislada. Si sólo se quiere tener en

cuenta la aplicación de alguna de ellas, caracterizadas como una receta, a problemas

concretos, se puede perder el posible impacto más profundo que pudiera tener sí se hubieran

orientado desde un punto de vista integrador y concurrente.

Es por ello que se necesita tener una visión de conjunto que muchas veces lo que

pretende es orientar la integración sin dejar de reparar en las soluciones de los problemas

específicos. Cabe destacar la simulación de planta como una herramienta de apoyo a toma de

decisiones, y puede considerarse como una tecnología horizontal de soporte a validación de

escenarios, lay auto, programas y planes de procesos en los entornos de la manufactura. La

orientación a lean manufacturing como un objetivo conceptual se basa en la aplicación de

técnicas relacionadas con la flexibilidad de la planta de fabricación.

Desde la perspectiva de esta tesis doctoral, se buscó una reducción de costes

acompañada de la creación de valor y la generación de riqueza, mediante el desarrollo de una

metodología de integración de simulación en planta con herramientas Lean Manufacturing.

En esta investigación se presenta el uso de la simulación para ayudar al proceso de toma

de decisiones con el fin de poner en práctica los principios de Lean Manufacturing (LM) y analizar

sus resultados de manera metodológica. Se describe la aplicación de la simulación de eventos

discretos (DES) para evaluar, mejorar y optimizar el rendimiento de los sistemas productivos. Se

desarrollan los modelos de simulación para los sistemas actuales y su validación, así como para

nuevas alternativas que apliquen principios LM a través de diferentes experimentos. Se pretende

como fin último la demostración de la integración de la filosofía LM en modelos DES basados en

herramientas informáticas y la validación de una metodología que no existe a día de hoy de

manera completa.

Se han analizado diferentes softwares comerciales, tras lo cual en los casos estudiados se

ha utilizado el programa Simio para modelar y simular diferentes escenarios con el fin empírico de

cuantificar los impactos de los parámetros seleccionados como objeto de estudio.

No debemos olvidar que en la actualidad, los principales objetivos de las empresas para

seguir siendo competitivos son la reducción de costes , el aumento de la productividad , la

reducción de los tiempos de fabricación y un control de la calidad que cumpla con la

satisfacción del cliente y que se elimine todo aquello que no aporta valor. Pero este proceso de

reducción de costes, a menudo sacrifica el activo más importante y más valioso de las empresas,

el componente que genera más valor a una empresa, sus trabajadores.

Por lo tanto los resultados a su vez se centran en la generación de valor y en la reducción

de todo aquello que no lo aporte, pero buscando participar, estimular y respetar la

responsabilidad social en todos los niveles y la creación de una línea de desarrollo cuyo objetivo

es el crecimiento a corto y largo plazo de forma sostenible y equilibrada.

1.2 Organización de la tesis

Esta tesis se ha estructurado en los siguientes capítulos en función de los correspondientes

contenidos:




Capítulo 1 - Introducción: Se han definido la introducción y motivación de la

investigación así como la justificación y necesidad de la misma ya que es un área de

conocimiento aún por desenvolver. Se ha hecho una revisión del estado del arte y

problemática actual para acabar definiendo los objetivos que se quieren alcanzar.

Capítulo 2 - Bases de la investigación: Se han descrito las bases teóricas de la filosofía

Lean y de la Simulación tanto en sus conceptos como en las diferentes herramientas de

software disponibles en a día de hoy y la justificación del software escogido para

trabajar en la metodología propuesta.

Capítulo 3 - Metodología desarrollada: En base a los conceptos estudiados se

desarrolla una metodología especifica en siete pasos lógicos para poder analizar

diferentes sistemas de manufactura y optimizarlos en base a la integración de LM con

simulación a través de herramientas DES.

Capítulo 4 - Bases experimentales: Para poder establecer y validar este método, se han

expuesto tres casos reales de empresas de manufactura en los cuales se ha testado el

mismo. Se han desarrollado a través de la metodología del capítulo 3 demostrando su

validez.

Capítulo 5 - Resultados obtenidos: Se muestra un resumen de los resultados obtenidos

en estos tres casos reales con sus respectivos datos y gráficas.

Capítulo 6 - Conclusiones y líneas de futuro: Se postulan las conclusiones a las que se

llega con la investigación, tanto de manera general como en ítems específicos que

merecen mención. Se incluyen las líneas de futuro detectadas y que quedan abiertas a

su desarrollo por otros investigadores.

Capítulo 7 - Publicaciones realizadas: La realización de esta tesis ha inducido la

publicación de dos artículos de investigación relacionados con la temática en ambos

congresos científicos internacionales relacionados con la temática.

Capítulo 8 - Bibliografía : Se relata toda la bibliografía utilizada a lo largo del tiempo

que ha durado esta investigación

1.3 Justificación de la investigación

La simulación es una de las herramientas de soporte de decisiones más valiosas que han

sido utilizadas por los ingenieros para resolver problemas de producción. El objetivo de la

simulación es la cuantificación de las mejoras de rendimiento que se puede esperar de la

aplicación de los cambios propuestos. Tiene a su vez la capacidad de demostrar los beneficios de

tomar determinadas soluciones y decisiones en un sistema de fabricación. Por último, a través de

la simulación se puede generar animación e ilustración visual dinámica de cómo funcionaría

nuevo sistema a un equipo de gestión no familiarizado con esto (Ferreira et al 2011;.. Ferreira et al

2011b).

La simulación por ordenador es útil en el análisis de sistemas que incorporan la

aleatoriedad en sus parámetros o cuando no hay soluciones analíticas exactas (Lucko et al. 2008).

Básicamente es una técnica que permite la transferencia de la realidad en el ordenador, a través

de la creación de un modelo que refleja con precisión el comportamiento de un proceso en

existencia o en su fase de proyecto (Ferreira et al 2010;.. Ferreira et al 2011c).

Mediante el uso de esta técnica es posible poner a prueba el rendimiento real de varios

modelos cambiando sus parámetros y analizando sus resultados a un coste menor que si se hiciera

en realidad.

Lean Manufacturing es una filosofía para estructurar, operar, controlar, gestionar y mejorar

continuamente los sistemas de producción industriales. Los puntos clave de esta filosofía incluyen

la estabilidad del proceso, trabajo estandarizado, la producción equilibrada, justo a tiempo,

control visual, el flujo de producción continua, gestión de inventario, calidad, etc., etc. etc. …..

Como se plantea en los estudios de Shingo (1989), Womack et al. (1990), Mondo (1993) y (Julien y

Tjahjono, 2009).




Una revisión de las investigaciones existentes, de las cuales se reseñan a continuación en

los siguientes párrafos las más significativas, muestra que no hay muchas líneas de investigación

que relacionen de forma explícita los efectos de la aplicación de software de simulación con la

filosofía Lean en sistemas de producción. Esto puede ser debido a la falta de un mecanismo

global para identificar los indicadores o parámetros más significativos para optimizar los procesos

del sistema. La literatura existente sobre esta relación se puede agrupar en dos categorías

generales:

El uso de la simulación para establecer parámetros específicos de un sistema de

manufactura esbelta. Por ejemplo, Lummus (1995) utiliza la simulación para estudiar tres

estrategias secuenciales de producción (mixta modelo, configuración mínima y tirón de

la demanda).

El uso de la simulación para diseñar, testar y mejorar sistemas Lean. Por ejemplo,

(Carlson y Yao, 1992) utilizan la simulación para pre-testar diferentes lay outs a bajo

volumen en la validez de la prueba varios diseños de flujo para un bajo volumen, en

modelos con sistema JIT.

En esta tesis se ha usado el software Simio para modelar, validar y simular diferentes

escenarios para entender y cuantificar el impacto de diferentes indicadores Lean como

parámetros productivos. Simio fue desarrollado en 2007 como evolución de Arena por los mismos

programadores y representa un nuevo enfoque en la simulación orientada a objetos. La

modelización se basa en la descripción de los objetos del sistema y como se comporta este por la

interacción de estos objetos.

Entre otras características, se pueden destacar que Simio permite (Pegden, 2007)

Creación de objetos animados en 3D en un solo paso, incluso la importación de

objetos 3D desde Google 3D Warehouse.

Importar/exportar datos de hojas de cálculo de Excel.

Establecer reglas lógicas de prioridad propias en varios lenguajes de programación (C

++, Visual Basic, etc.).

Creación de objetos y bibliotecas inteligentes propias.

Por lo tanto se justifica la línea de investigación por las siguientes razones:

No existen investigaciones a día de hoy que definan explícitamente metodologías de

integración y análisis de resultados entre simulación y Lean Manufacturing.

En la mayor parte de los estudios de simulación no se ha utilizado el software SIMIO.

1.4 Revisión del estado del arte

La evolución de la simulación en entornos de fabricación ha sido una campo de estudio

desde los años 70 hasta ahora , con mas de 16.000 referencias en artículos de investigación que

definen la evolución ,avances y prácticas en campos como; diseño de lay outs, tecnologías

asistidas por ordenador (CAx) , sistemas de fabricación , ERPs , planificación , ergonomía …… etc.

etc. etc….. (Mourtzis 2014)




Grafico 1-1 Evolución histórica publicaciones relacionadas con simulación

Supuestamente podríamos decir que la Simulación de Eventos Discretos ( DES) , podría

haber nacido con el método Montecarlo en el año 1944 , y desde ahí hasta ahora se han

desarrollado diferentes metodologías y aplicaciones que se han acelerado con la aplicación de

los ordenadores inicialmente y posteriormente con la evolución de los diferentes softwares a partir

del año 2000.

Grafico 1-2 Evolución metodología de la simulación

Esta evolución ha permitido la aplicación de simulación en la práctica totalidad de los

procesos industriales según las áreas de la fabricación en las que se han ido usando:

ERP

Supervision Control and Data Acquisition SCADA

CAD / CAM /CAE

Ciclo de vida - LCA

Realidad aumentada y realidad virtual.




Ergonomía.

Manufacturing Execution Systems ( MES)

Simulación de cadena de suministro.

…….

Imagen 1-1 Aplicación DES en Simulación

El principal objetivo del Lean Manufacturing es la identificación mediante diferentes

técnicas de aquellas operaciones que añaden valor de las que no lo hacen y desarrollando de

manera continua la mejora de todos los procesos, aumentar calidad y productividad reduciendo

tiempos y costes. (Schroer 2004)

La simulación es ideal para poder entender de manera espacial los conceptos del lean

como:

Suavizado de líneas vs Takt Time

Pull vs push

Flujo de materiales + Lay Out

Control de inventario a través de kanban

Reducción de la variabilidad el proceso.

Con la simulación se pueden mejorar notablemente los procesos lean ( Marvel 2009 ). Una

visión tradicional de la implantación de LM , no tiene capacidad de validar la situación futura o

buscada , pero si integramos la DES podemos dar de manera estadística una fotografía de lo que

podemos obtener.

Esto es de gran ayuda a los equipos de implantación de LM, ya que a través de la DES, son

capaces de ver de manera dinámica evaluando diferentes alternativas cuales de los posibles

estados futuros cumple los objetivos deseados e ir reorientando la implantación de las mejoras.

Cabría pensar que esto está solo al alcance de las grandes empresas , pero incluso en

empresas pequeñas se pueden permitir la aplicación de DES en implantaciones de LM ,

aumentando el éxito de los resultado finales y el coste de llegar a los mismos como expone Arisha

(2011) en su artículo.

Ya se demuestra también en un artículo base de esta tesis doctoral , Ares (2012) , que la

integración no solo es posible sino que además arroja unos resultados óptimos a un coste de

análisis ínfimo y se postula el posible desarrollo de una metodología adecuada para la aplicación

a empresas reales.




Se demuestra en diferentes estudios como el uso de DES puede analizar y mejorar

diferentes resultados combinándolas sobre las técnicas tradicionales del LM por separado.

Yongan Zhang (2012) hace un análisis de las mejoras sobre cadena de suministro

aplicando simulación y evidencia resultados positivos sobre nivel de inventario , ágil respuesta a la

demanda del mercado aumentando la satisfacción del cliente y recorte de la cadena

haciéndola más rápida. Entre las empresas que han podido aplicar estos conceptos de

encuentran Dell y BMW.

Se puede ver en algún caso como la DES reduce el número de defectos en fabricación

(Jidoka) aumentando el nivel de utilización del sistema productivo a través de la eficiencia

general de los equipos o Overall Equipment Efficiency (OEE) sin afectar al Takt time necesario para

abastecer la demanda. Puche ( 2012)

Otros autores ( Noor Azlina , 2012) introducen el análisis del nivel de calidad final ( TQM) en

una implantación LM donde el objetivo final es el aumento de productividad y reducción del WIP .

Demuestran que a través de DES los resultados mejoran considerablemente.

Kayasa ( 2012 ) propone el diseño de un sistema teórico de producción basado en la

simulación de un modelo productivo adaptativo en el que se obtiene una reducción de defectos

que cumpla con la estrategia establecida a un coste controlado.

Dombrowski (2013) analiza mediante DES con el software Arena como se pueden evaluar

los posibles cambios a futuro del actual Layout en función de diferentes posibles escenarios :

Grafico 1-3 Evaluación de posibles lay out con DES

Concluye con la demostración de que el uso de esta herramienta ayuda a las compañías

a predecir los posibles costes y rentabilidades de las evoluciones futuras de sus Lay Out.

Tregubov (2015) usa un planteamiento en DES para determinar la efectividad de un sistema

Kanban de manera teórica mediante la aplicación a procedimientos genéricos.




Es posible medir el grado de lean de un sistema de producción a través de la medición de

su takt time, a través de un DES dinámico en sistemas multiproducto , multietapa, sacando

conclusiones sobre la interrelación de ambas de una manera algorítmica , ( Rehab Ali , 2014)

Sin lugar a dudas la mayor parte de referencias bibliográficas corresponden al análisis de

Visual Stream Map (VSM) de LM , en combinación con DES. Algunas de las conclusiones de que se

puede complementar esta herramienta lean mediante simulación son: VSM no deja de ser una

herramienta manual que no permite reflejar todas las posibilidades de un sistema productivo en

cuanto a variabilidad y complejidad, y además es un algo estático que no permite

comportamientos dinámicos como la simulación

Como referencias podemos constatar las siguientes:

Yang-Hua ( 2002) a través de una simulación en Arena , demuestra la efectividad de un

sistema productivo diseñado de manera pull ante el mismo con enfoque push, muestra los

resultados sobre los VSM de una manera y de otra. Usando ambas técnicas de manera

complementaria.

Abdulmalek (2007) hace un planteamiento similar con la intención de que esto sea una

herramienta de decisión de la dirección y se basa en reflejar sobre VSM mediante DES con Arena

centrándose en mejora pull , reducción de setups y TPM

Wei Xia (2012) determina la inexactitud de un sistema VSM en un comportamiento

temporal dinámico y complementa el análisis mediante DES.

Imagen 1-2 Muestra de Inexactitud de VSM

1.5 Problemática actual

La simulación en fabricación es una herramienta de apoyo a la toma de decisiones, y se

puede considerar como un apoyo tecnológico horizontal para la validación de los diferentes

escenarios, diseños actuales y futuros, programas y procesos integrales de análisis en entornos de

manufactura. La simulación es tomar un nuevo salto en su aplicación en las empresas para ayudar

a resolver problemas, buscar mejoras e integración de funciones, ya que puede diagnosticar y

buscar alternativas de parámetros optimizados que confieren robustez al control de la fabricación

(asignación de recursos, programación y los procesos de planificación) o por el contrario tratar de

acomodar el sistema logístico a las demandas cambiantes y cada vez más exigentes.

La simulación es una forma de sistemas de ingeniería, entendidas como procesos y

logística de producción, incluidos los sistemas de administración. El objetivo es demostrar que para

la ingeniería o la reingeniería de un proceso o sistema que por ser complejo, difícil o incluso




imposible de experimentar, es necesario desarrollar y experimentar modelos numéricos con

soporte informático. Este tipo de modelo numérico no es una ciencia exacta, pero se basa en un

enfoque de resolución de problemas a través de la simulación. Es crucial para hacer un buen

simulador adquirir conocimientos sobre los conceptos de modelado y experiencia en su uso.

La orientación LM como un objetivo conceptual se ha basado en la aplicación de

técnicas relacionadas con la flexibilidad de fabricación. Esta área tiene una importancia

fundamental en la toma de decisiones acerca de las diferentes alternativas que se puedan

plantear.

Aunque algunos autores presentan como algo nuevo, de hecho, el LM es un conjunto de

técnicas desarrolladas por la empresa Toyota a partir de 1950 que sirven para mejorar y agilizar los

procesos operativos de cualquier empresa industrial, independientemente de su tamaño .

Además en su evolución en los últimos años demostró los beneficios ambientales y culturales

dentro de la organización. Su filosofía concuerda perfectamente con el equilibrio y desarrollo

sostenible de todo el proceso de las empresas.

Lean y Simulación , la integración de ambas técnicas no suele ser común en el ámbito de

la fabricación (Robinson, Radnor, Burgess, y Worthington, 2012), y no suelen ir más allá de

simulaciones manuales para visualizar y comprender el Lean Manufacturing.

Normalmente enfrentarse a un proceso de implantación de LM, con todo lo que ello

conlleva implica un cambio enorme que incluso a los responsables de planta les cuesta trabajo

llegara a entender la magnitud de los beneficios a obtener y de esa manera poder cuantificarlos.

Es por ello que disponer de una herramienta dinámica en las fases de diseño, planificación y

evaluación de un Sistema de Fabricación, puede ayudar a entender cuantitativamente este

proceso y valorar las diferencias en resultados de producción entre un sistema antiguo y otro

nuevo. Detty y Yingling (2000) postulan que la simulación de eventos discretos puede “cuantificar

las mejoras de rendimiento que se puede esperar de la aplicación del concepto de las fabricas

dentro de fábricas, el flujo continuo, gestión de inventario, la calidad, y el nivel de programación

de la producción JIT"

La forma en que el DES apoya la toma de decisiones varía de un caso a otro. A menudo

DES se ha aplicado para establecer parámetros específicos de un sistema de Lean tales como la

mezcla de productos, tamaño de lote, número de Kanban, etc., o para diseñar, probar y mejorar

los sistemas en una escala más grande, por ejemplo, para probar diferentes diseños y flujos.

Además, la simulación se ha utilizado para ayudar en las primeras etapas con la decisión de

sustituir un proceso de fabricación existente por uno nuevo más Lean. Detty y Yingling (2000)

tomaron este enfoque y encontraron que la simulación puede proporcionar estimaciones

acreditables mediante el ahorro de recursos de taller y las mejoras en las estadísticas de

rendimiento basados en el tiempo que son alcanzables con la manufactura esbelta. Su

investigación mostró el impacto de los principios Lean en términos de mejoras y reducciones de

inventario, espacio, transporte, mano de obra y las necesidades de equipo.

La Información dada facilita la decisión de adoptar los principios Lean en nuevos sistemas y

fortalece el compromiso de la organización durante la fase de implementación. DES hace posible

la comparación ente los resultados reales con los simulados dando un marco comparativo de la

posible eficiencia de una planta.

Una de las razones de que no se haya usado la integración de ambas técnicas es la

percepción de que la simulación mediante software es una tarea mucho mas compleja que un

simple VSM (McDonald, Van Aken, y Rentes, 2002).Cosa que con el desarrollo de software de los

último años se ha eliminado, debido a la facilidad de uso de los mismos.

Sin contar con la aplicación dinámica de los escenarios de una manera rápida que ofrece

el uso de estos programas. La técnica VSM es un modelo que no puede evaluar de manera

rápida como afectan los niveles de inventario en un proceso de producción futuro o como

predecirlos en función de las estrategias a seguir. Aquí es donde un software de simulación

complementa perfectamente el uso de VSM.




La simulación puede generar estadísticas de rendimiento y de recursos sin dejar de analizar

con flexibilidad destalles específicos de la producción, y analiza la incertidumbre de los niveles de

inventario, plazos de entrega, cuellos de botella, utilización de las máquinas y personas de una

manera dinámica en el tiempo. En especial en líneas de producción complejas que por ejemplo

un VSM no puede determinar de manera aislada (Abdulmalek, 2007). Y además la simulación

proporciona una visión en pantalla de la evolución de los procesos que permite al usuario una

comprensión de las diferentes alternativas (Brailsford, Desai, y Vianna, 2010).

A pesar de los muchos beneficios de la interacción entre la VSM y DES, McDonald et al.

(2002) sugiere que VSM no debe ser complementada a través de la simulación en todos los casos,

pero fundamenta que la simulación sea una parte integral del conjunto de las herramientas

usadas, sobre todo en sistemas complejos.

Para ir más allá de la VSM, Robinson et al. (2012) expone en su artículo cómo los supuestos

metodológicos claves de DES encajan en el concepto de Lean. En particular, los siete

desperdicios (Muda). Este puede ser un principio de justificación para la integración.

Siete MUDAS originales Papel de DES

Transporte: mover productos que no son

requeridos para el flujo del proceso

Modelado de procesos de movimiento y la

medición de los tiempos de transporte

Inventario: todos los componentes en proceso Modelado de colas

Movimiento: movimiento extra de las personas

o equipos que no necesarios para el proceso

Modelado de la interconexión entre los

recursos y el proceso

Retraso: Espera para el siguiente paso de

producción

Modelando pasos de producción que

evolucionan como resultado de la

variabilidad en los procesos interconectados

Sobreproducción: Producción por delante de

la demanda

Modelado de la interconexión entre la

variabilidad de la demanda y la producción

Sobreproceso: Como resultado de

herramientas o diseño erróneo de productos

creando actividad

Modelar el flujo del proceso y la medición de

la utilización de los recursos y actividades

Defectos: esfuerzo de inspeccionar y corregir

defectos

Modelado de paros de actividad

Tabla 1-1 Comparación de MUDA y DES

A día de hoy, por lo que se ha profundizado sobre estudios de implantación, el desarrollo

de nuevas técnicas, los resultados de diferentes modelos, etc., no se han encontrado referencias

en que se utilizan estas técnicas LM y DES de manera metodológica. Por ello es conveniente

desarrollar una evolución de estos dos sistemas que permita un aprovechamiento sinérgico

centrando sus resultados en la mejora de la eficiencia de la empresa y de su sostenibilidad a

través de una metodología específica.

1.6 Objetivos.

Los objetivos genéricos de la investigación son los siguientes:




1. Demostrar la validez de la integración de LM y DES como complementarias y como

herramienta de análisis de la parametrización del proceso productivo de una planta de

fabricación y para lograrlo se realizan las siguientes actividades de investigación

a. Estudio de los patrones de comportamiento de los sistemas de manufactura por

líneas productivas.

b. Contraste de software de simulación. DES

c. Establecimiento de los patrones o escenarios a través de modelos DES

d. Modelado de los escenarios con las modificaciones impuestas por parámetros

LM.

2. Generar una metodología de trabajo para el uso de DES y LM de manera combinada.

El interés innovador de la metodología propuesta y la integración de ambas técnicas y su

aplicación directa permite alcanzar los siguientes objetivos específicos en los sistemas de

fabricación:

Aumento de la productividad.

Reducción del tiempo de entrega.

Reducción de los niveles de inventario.

Reducción de costes.

Mejora de la calidad del producto.

Equilibrar la carga de trabajo.

Estandarización de procesos y operaciones.

Desarrollo de equipos de trabajo.

La mejora continua.

A su vez estos objetivos están relacionados con los siguientes beneficios:

Conocimiento profundo del funcionamiento interno de la organización.

Capacidad para simular el bajo costo y evaluar los resultados sin tener que invertir

grandes sumas de dinero.

Posibilidad de hacer cambios y simularlos sin parar la línea.

Enorme ahorro de costes en comparación con los sistemas tradicionales.

Valorización de los productos.

Reducción de los costes de los procesos.

Diseño de nuevos productos.

Mejorar los procesos existentes.

CAPITULO 2 - BASES TEÓRICAS


Tesis Integración de modelos de fabricación mediante simulación con herramientas informáticas y lean manufacturing

2 BASES TEÓRICAS DE LA INVESTIGACIÓN

En este capítulo se relatan y definen las bases teóricas en las que se fundamenta la

investigación realizada sobre las áreas de Lean Manufacturing, la simulación de eventos discretos,

los softwares existentes evaluados y el porqué de la decisión de utilizar el software SIMIO para las

bases experimentales realizadas.

Es una revisión exhaustiva del estado del arte actual, que nos permite sentar las bases de la

metodología desarrollada en esta tesis.

2.1 Lean Manufacturing.

2.1.1 Introducción

Para una correcta explicación al concepto de técnicas Lean manufacturing hay que

remitirse al nacimiento de la empresa Toyota donde se origina el Toyota Production System o TPS.

Todo comienza con Sakichi Toyoda (1867, Yamguchi – Nagoya) un emprendedor, con

conocimientos de carpintería que aprovechó la iniciativa del gobierno Japonés de la época que

promovía la industria textil, pilar económico principal de aquel momento. En 1984 comenzó la

fabricación barata y rápida de telares manuales.

En 1926 fundó Toyoda con telares automatizados. Visionando que la industria del automóvil

sería el futuro, envió a su hijo Pichiro a estudiar ingeniería mecánica en Tokio, especializándose en

tecnología del motor.

Uno de los principales inventos de Sakichi, fue un mecanismo que paraba el telar cuando

un hilo se rompía, se convirtió en uno de los principios del Lean , jidoka. Su hijo después un viaje a

las plantas americanas de Ford contribuyo a la filosofía creando el just in time ( JIT) , en un

pequeño taller cerrado donde se montaban y desmontaban pequeños motores de motocicletas.

En 1929 tras la venta de unas patentes de telares, muere Skichi y su hijo invierte en la

fundación de Toyoda Motor Corporation. En septiembre de 1934 crea el primer prototipo de motor

llamado tipo A, la carrocería del vehículo se hizo a mano.

Tras la segunda guerra mundial y durante la reconstrucción de Japón, los americanos

ayudaron a Toyoda a empezar con la fabricación de camiones acabando el primer prototipo G1

en 1935 y haciendo de la eliminación de defectos una prioridad. El trabajo se realizaba bajo

ensayo y error, incidiendo directamente sobre el proceso de fabricación. Hasta que en 1948 tras

una crisis financiera Eiji Toyoda, sobrino de Sakichi, se convierte en director y posteriormente

presidente de Toyota Motor Manufacturing, impulsando definitivamente el sistema de producción

de Toyota (TPS). Se comienza a fabricar sobre la misma línea diferentes modelos, buscando el

sistema alta calidad, bajo coste, lead times cortos y flexibilidad. Cosa que los fabricantes

americanos no habían avanzado y cubrían sus carencias con la sobreproducción.

En la década de los 50 Taichi Ohno, gerente de planta, comienza a mejorar el sistema de

producción de Toyota, basándola en optimizar el flujo continuo pieza a pieza que se podía

cambiar de manera flexible según la demanda de cliente y de una manera eficiente. Aparecería

el concepto pull y cliente tanto interno como externo . Basadas en las teorías de W. Edwards

Deming y adaptándolas a una metodología sistemática a la resolución de problemas, se

comienza a usar el “ciclo de Deming“, “ciclo Planificar-Hacer-Comprobar-Actuar“ – PDCA.

En los años 70 coincidiendo con la crisis del petróleo de 1973, se comenzó a difundir el TPS ,

ya que Toyota fue una de las primeras empresas en salir de la crisis con su modelo basado en la

mejora continua , cuyo término en japonés es Kaizen.

En los 90, a través del trabajo del programa del MIT sobre la industria del automóvil y el libro

producto de su investigación, La máquina que cambió el mundo (Womack, Jones, Ross, 1991), la

comunidad industrial mundial descubrió la “producción lean“ y se acuño el término LEAN

MANUFACTURING.




2.1.2 Sistema de producción de Toyota

El core del sistema Toyota es la eliminación del desperdicio, Muda, es decir todo aquello

que no añada valor en el proceso. Toyota los enumera de la siguiente manera:

1. Sobreproducción.

2. Sobreprocesar ó procesar incorrectamente

3. Defectos

4. Transportes innecesarios

5. Exceso de inventario

6. Movimientos innecesarios

7. Esperas.

Imagen 2-1 Características sistema Toyota

Este esquema se generó ya a que el TPS no documentaba la teoría y se pensó en un

sistema visual para transmitir de manera fácil el conjunto de ideas, donde el conjunto es el que

funciona y se centra en el apoyo y motivación del trabajador.

2.1.3 Principios del modelo de Toyota

El modelo de Toyota se puede dividir en 14 principios ordenados en 4 grupos, tal y como se

muestra en la siguiente figura:




Imagen 2-2 Principios del sistema Toyota

Filosofía a largo plazo

Principio 1: Basar decisiones de gestión en una filosofía a largo plazo, a expensas de lo

que suceda con los objetivos financieros a corto plazo

El proceso correcto producirá los resultados correctos

Principio 2: Crear procesos en flujo continuo para hacer que los problemas salgan a la

superficie

Principio 3: Utilizar sistemas pull para evitar producir en exceso

Principio 4: Nivelar la carga de trabajo (heijunka)

Principio 5: Crear una cultura de parar a fin de resolver los problemas para lograr una

buena calidad a la primera

Principio 6: Las tareas estandarizadas son el fundamento de la mejora continua y de la

autonomía del empleado

Principio 7: Usar el control visual de modo que no se oculten los problemas

Principio 8: Usar sólo tecnología fiable y absolutamente probada que dé servicio a su

gente y a sus procesos

Añadir valor a la organización mediante el desarrollo de su personal y sus socios

Principio 9: Hacer crecer a líderes que comprendan perfectamente el trabajo, vivan la

filosofía y la enseñen a otros. Un buen líder debe comprender el trabajo diario con gran

detalle de modo que pueda ser el mejor maestro de la filosofía de su empresa.

Principio 10: Desarrollar personas y equipos excepcionales que sigan la filosofía de su

empresa

Principio 11: Respetar la red extendida de socios y proveedores desafiándoles y

ayudándoles a mejorar




La resolución continua de los problemas fundamentales impulsa el aprendizaje

organizativo

Principio 12: Ir a verlo por sí mismo para comprender a fondo la situación (genchi

genbutsu)

Principio 13: Tomar las decisiones por consenso lentamente, considerando

concienzudamente todas las opciones; implementarlas rápidamente

Principio 14: Convertirse en una organización que aprende mediante la reflexión

constante (hansei) y la mejora continua (kaizen)

2.1.4 Relación filosofía Lean con la simulación.

Haciendo una revisión de publicaciones y libros se puede observar que no hay muchas

fuentes que traten la aplicación de técnicas de simulación para demostrar la aplicación de los

principios del pensamiento lean.

Podría deberse a que realmente hablando de una filosofía o forma de pensar, no existe

una metodología global para la identificación de indicadores lean más importantes en la

optimización de los procesos, salvo la aplicación Ad hoc en cada caso.

Las obras que muestran una estrecha relación entre simulación y filosofía Lean

Manufacturing se pueden agrupar en dos categorías generales:

El uso de la simulación para establecer los parámetros específicos de un sistema de

producción ajustada. Por ejemplo, Lummus (1995) utiliza la simulación para estudiar la

secuencia de producción tres estrategias (modelo mixto, la configuración mínima, y

demanda tipo pull).

El uso de la simulación para diseñar, probar y mejorar los sistemas lean. Por

ejemplo, Carlson y Yao (1992) utilizaron la simulación de poner a prueba

diversos diseños de flujo para un bajo volumen.

2.1.5 Conceptos y herramientas del Lean Manufacturing

2.1.5.1 Kaizen

Kaizen es una palabra japonesa cuya traducción es “cambiar para mejorar”. Es una

metodología de mejora continua basada en:

Mejora en pequeños pasos.

Bajas inversiones.

Participación de todos los empleados.

Implantación rápida de las mejoras.

La metodología Kaizen incluye a todas las personas de la empresa, generando motivación,

estimulando el trabajo en equipo y promoviendo el trabajo en la mejora, de forma sistemática y

metódica. De manera global, Kaizen tiene como target sustituir el desperdicio (muda) por valor

añadido.

2.1.5.2 5S

La herramienta de las 5S se resume en: “Un sitio para cada cosa, y cada cosa en su sitio”.

Es una herramienta lean para mantener el orden y limpieza de manera adecuada en todas las

áreas de la empresa, desde las plantas industriales a las oficinas.

Mediante esta técnica, se hacen visibles los despilfarros o mudas de bajo nivel,

destapando los flujos de producción para poder observar si hay problemas en los diferentes

procesos productivos. Básicamente, se trata de quitar todo aquello que nos estorba y nos impide

observar con claridad nuestros procesos industriales, para así poder descubrir los despilfarros y

proceder a la optimización.




El alcance llega a todos los trabajadores que actúan en las diferentes secciones de una

empresa para que puedan trabajar más cómodamente, en un entorno más limpio y seguro, y

con la máxima eficiencia posible.

La denominación de 5S viene de las palabras en japonés seiri, seiton, seiso, seiketsu y

shitsuke. Su significado, traducido, es el siguiente:

Seiri: Clasificar. Revisar las piezas y guardar sólo lo que se necesita y eliminar el resto.

Seiton: Ordenar. Definir un sitio para cada cosa y colocar cada cosa en su sitio.

Seiso: Limpiar. Facilitar la inspección de anomalías o averías que pueden causar

problemas de calidad, y mejorar el ambiente de trabajo de las instalaciones.

Seiketsu: Estandarizar. Desarrollar sistemas y procedimientos para mantener y controlar

las anteriores S.

Shitsuke: Sostener. Mantener el lugar de trabajo estandarizado y tomarlo como un

proceso de mejora continua.

A lo largo del tiempo siempre se acumula mucho desperdicio tapando los problemas más

evidentes. Con las 5S, se crea un método de proceso continuo de mejora del entorno del trabajo,

lo que repercute en una mejor funcionalidad de los procesos.

2.1.5.3 7 Mudas - Desperdicios

Las 7 Mudas , palabra japonesa que significa desperdicio , que desarrollo Taiichi Ohno

como núcleo del sistema de producción Toyota, es uno de los conceptos lean más fáciles de

entender, y más fácil de trasladar a cualquier tipo de situación de manufactura.

El desperdicio es el uso de cualquier material o recurso por encima de lo que el cliente

necesita y está dispuesto a pagar.

Por lo tanto, se trata de identificar cualquier desperdicio que no aporte valor. La

eliminación del desperdicio es una de las formas más eficientes de aumentar la rentabilidad de

cualquier negocio, por eso, para eliminar el desperdicio, es importante entender exactamente

qué es y dónde se encuentra.

Aunque los productos difieran entre empresas, los típicos desperdicios que se encuentran

en las fábricas son muy similares.

Tipos de mudas:

Sobreproducción: Producir artículos para los cuales no existe demanda, o simplemente

fabricar una cantidad superior a la demanda es un desperdicio muy común. La idea

de producir grandes lotes para minimizar los costes de producción y almacenarlos en

stock hasta que el mercado los demande, es un claro desperdicio, ya que utilizamos

recursos de mano de obra, materias primas y financieros, que deberían haberse

dedicado a otras cosas más necesarias.

Sobreproceso: Hacer un trabajo extra sobre un producto, el cual aportará unas

cualidades por las que el cliente no está dispuesto a pagar o simplemente no le

interesan, es un desperdicio que debemos eliminar, y que es uno de los más difíciles de

detectar, ya que muchas veces el responsable del sobreproceso no sabe que lo está

haciendo. Por ejemplo: limpiar dos veces, o simplemente, hacer un informe que nadie

va a consultar.

Defectos: Todo el mundo entiende que los defectos de producción y los errores de

servicio no aportan valor y producen un desperdicio muy grande, ya que consumimos

materiales, mano de obra para reprocesar y/o atender las quejas, y sobre todo pueden

provocar insatisfacción en el cliente.

Transporte: Cualquier movimiento innecesario de productos y materias primas ha de ser

minimizado, ya que no aporta nada a la cadena de valor. El transporte cuesta dinero,

equipos, combustible y mano de obra, y también aumenta los plazos de entrega.




Cada vez que se mueve un material hay un riesgo de daños, y para evitarlo

aseguramos el producto para el transporte, lo cual también requiere mano de obra y

materiales.

Inventario: Es exceso de materia prima, trabajo en curso o producto terminado. No

agrega ningún valor al cliente, pero muchas empresas utilizan el inventario para

minimizar el impacto de las ineficiencias en sus procesos. El inventario que sobrepase lo

necesario para cubrir las necesidades del cliente tiene un impacto negativo en la

economía de la empresa y emplea espacio valioso. A menudo un stock es una fuente

de pérdidas por productos que se convierten en obsoletos, posibilidades de sufrir

daños, tiempo invertido en recuento y control y errores en la calidad escondidos

durante más tiempo.

Movimiento: Todo movimiento innecesario de personas o equipamiento que no añada

valor al producto es un despilfarro. Este despilfarro se puede confundir con el

transporte, pero en este caso nos referimos a los movimientos dentro de un proceso,

mientras que en el despilfarro de transporte nos referimos al movimiento entre procesos.

La muda por movimiento está causada por un flujo de trabajo poco eficiente, un

layout (distribución en planta) incorrecto y unos métodos de trabajo inconsistentes o

mal documentados. Estos hacen que el operario se desplace más de lo que debería,

que tenga que mover las materias primas de un lado para otro, etc., aumentando su

cansancio y disminuyendo el tiempo dedicado a realizar lo que realmente aporta

valor.

Esperas: Es el tiempo, durante la realización del proceso productivo, en el que no se

añade valor. Esto incluye esperas de material, información, máquinas, herramientas,

retrasos en el proceso de lote, averías, cuellos de botella… La causa más básica de

tiempo de espera es un proceso desequilibrado, es decir, cuando una parte de un

proceso corre más rápido que un paso anterior. Otra causa común de espera es

cuando los materiales no están disponibles, ya sea debido a que los procesos de

manipulación de materiales no funcionan eficazmente, o bien debido al agotamiento

de las existencias por mala gestión de las compras y/o la poca sincronía con los

proveedores.

2.1.5.4 Six Sigma

Six Sigma es una metodología de gestión que mide y mejora la calidad, basada en la

reducción de la variabilidad de los procesos y que tiene por objetivo la reducción de los defectos

con un 99,99966% de eficiencia (6 sigma).

Los efectos de la aplicación de Six Sigma son :

Aumento de la satisfacción de sus clientes.

Incremento de los beneficios de la empresa.

Introducción de una visión estructurada que se aplicará habitualmente.

El equipo estará formado por los siguientes miembros:

Champion: es el directivo de la empresa más implicado en los resultados del proyecto.

Experto Six Sigma (Black Belt o Green Belt): es el responsable de desarrollar el proyecto

de mejora, aplicando el método y sus herramientas con eficacia y orientación a

resultados.

Agentes: miembros de la empresa que están implicados en el proceso objeto de

mejora.

El método Six Sigma consiste en la aplicación de un proceso estructurado de 5 fases:

1. Definición, donde se identifican los posibles proyectos, se evalúan por la dirección y se

selecciona el equipo más adecuado.




2. Medición, donde se identifican los requisitos clave de los clientes, las características

clave del producto y los parámetros que afectan al funcionamiento del proceso, y se

mide la capacidad del mismo.

3. Análisis, donde el equipo analiza los datos actuales e históricos y se plantean hipótesis

sobre posibles relaciones causa-efecto, utilizando herramientas estadísticas.

4. Mejora, donde el equipo determina la relación causa-efecto para predecir y mejorar el

proceso.

5. Control, que consiste en diseñar y documentar los controles necesarios para asegurar

que las mejoras logradas se mantengan después de aplicar los cambios.

2.1.5.5 TOC

La Teoría de las Limitaciones fue creada por Eliyahu M. Goldratt durante la década de los

80. Se basa en, una vez definido el objetivo de la empresa (ganar dinero), identificar todas las

limitaciones u obstáculos para conseguirlo.

Dentro de un proceso productivo, las limitaciones son los denominados “cuellos de

botella”, que son los recursos con capacidad limitada y, por tanto, que marcan el ritmo de la

producción.

La Teoría de las Limitaciones tiene 5 pasos fundamentales:

1. Identificar el cuello de botella. Para localizar un cuello de botella se debe tener en

cuenta el ratio carga/capacidad, donde la carga es la suma del tiempo de proceso y

el de cambio de los trabajos de la máquina, y la capacidad es el tiempo del que se

dispone para realizar la tarea. Normalmente también se puede identificar mediante la

observación de la acumulación de inventario, aunque no todos los inventarios apuntan

a un cuello de botella.

2. Decidir cómo explotar el cuello de botella. Un minuto ganado en un cuello de botella

es un minuto ganado en todo el sistema, por tanto, interesa que un cuello de botella

nunca pare.

3. Subordinar todo a la decisión anterior. El tiempo ganado en una tarea que no es cuello

de botella es un espejismo. Si el cuello de botella limita la producción total del sistema,

no tiene sentido producir más de lo que la limitación pueda absorber. De esta forma las

demás máquinas deben trabajar para que el cuello de botella no pare.

4. Elevar el cuello de botella. Si se necesita aumentar la producción de todo el sistema es

necesario aumentar la capacidad del cuello de botella. Puede hacerse de las

siguientes formas:

Mejorar la eficiencia global del equipo (OEE).

Evitar que se procesen en el cuello de botella artículos defectuosos.

Buscar otra máquina similar o comprar una nueva.

Reajustar los tamaños de lotes.

Subcontratar parte de los pedidos.

5. Si se ha eliminado, volver al paso 1. Una vez se ha conseguido mejorar la capacidad

del cuello de botella ya no será necesario seguir mejorando esa tarea, ya que lo más

probable es que haya aparecido un nuevo cuello de botella, sobre el que se deberá

actuar de la misma forma.

Una vez mejorados todos los cuellos de botella, el proceso productivo estará equilibrado.

Entonces deberá abordarse el mercado para conseguir más pedidos, lo cual puede provocar la

aparición de un nuevo cuello de botella. Por tanto, esta metodología busca la mejora continua

en los métodos de trabajo.




2.1.5.6 TQM (Total Quality Management)

El concepto de Calidad Total es una filosofía empresarial que se basa en la búsqueda de la

satisfacción del cliente, basado en la mejora de efectividad, flexibilidad y competitividad, y

orientado hacia la excelencia empresarial. Se trata de un sistema de gestión basado en procesos.

Para asegurar la satisfacción de los clientes, es necesario un proceso de mejora continua.

Fases:

1. Planificar la calidad.

Determinar a los clientes y sus necesidades.

Diseño del producto o servicio.

Implementar los procesos más adecuados

2. Controlar la calidad

• Evaluar las desviaciones en calidad.

• Adoptar las medidas correctoras.

3. Mejorar la calidad.

• Establecer una infraestructura capaz de asegurar las mejoras de calidad.

• Elaborar los proyectos de mejora.

• Designación y formación del equipo responsable de implantar los proyectos

de mejora.

Mejoras resultantes de la implantación del TQM:

Aumento de la satisfacción del cliente.

Mayor eficacia del trabajo interno de la empresa.

Incremento de la productividad.

Aumento de los beneficios.

Disminución de los costes.

Mayor calidad de los productos.

2.1.5.7 TPM – Mantenimiento Productivo Total

El TPM (Mantenimiento Productivo Total) es una metodología de mantenimiento que

incluye todas las funciones que se desarrollan en la empresa con el objetivo que los operarios de

producción, después de recibir la formación adecuada, se ocupen también de la limpieza y de

tareas básicas de mantenimiento de sus equipos (mantenimiento autónomo), como también de la

detección de problemas potenciales.

Esta es una solución mucho más eficiente y económica que confiar siempre las tareas a un

departamento de mantenimiento centralizado, porque muy a menudo son los operarios quienes

conocen mejor las máquinas.

El TPM se desarrolla en diferentes fases, estas son:

Mantenimiento Autónomo, también denominado de primer nivel. Comprende la

participación activa por parte de los operarios en el proceso de prevención, para

evitar averías y deterioros en las máquinas y equipos. Tiene especial trascendencia la

aplicación práctica de las 5S. Algunas de las tareas fundamentales son: limpieza,

inspección, lubricación, aprietes y ajustes.

Aumento de la efectividad del equipo mediante la eliminación de averías y fallos. Se

realiza mediante medidas de prevención vía rediseño-mejora o establecimiento de

pautas para que no ocurran.




Mantenimiento Planificado. Implica generar un programa de actuaciones por parte del

departamento de mantenimiento. Constituye el conjunto sistemático de actividades

programadas a los efectos de acercar progresivamente la planta productiva a los

objetivos de: cero averías, cero defectos, cero despilfarros, cero accidentes y cero

contaminación. Este conjunto de labores serán ejecutadas por personal especializado

en mantenimiento.

Prevención de Mantenimiento. Se trata de optimizar la gestión del mantenimiento de

los equipos desde la concepción y diseño de los mismos, tratando de detectar los

errores y problemas de funcionamiento que puedan producirse como consecuencia

de fallos de concepción, diseño, desarrollo y construcción del equipo, instalación y

pruebas del mismo hasta que se consiga el establecimiento de su operación normal

con producción regular. El objetivo es lograr un equipo de fácil operación y

mantenimiento.

Mantenimiento Predictivo. Consistente en la detección y diagnóstico de averías antes

de que se produzcan. De tal forma pueden programarse los paros para reparaciones

en los momentos oportunos. La filosofía de este tipo de mantenimiento se basa en que

normalmente las averías no aparecen de repente, sino que tienen una evolución. Así

pues el Mantenimiento Predictivo se basa en detectar estos defectos con antelación

para corregirlos y evitar paros no programados, averías importantes y accidentes. Entre

las tecnologías utilizadas para el monitoreo predictivo tenemos los análisis de

vibraciones, muestras de lubricantes, temperatura y acústicos.

2.1.5.8 VSM – Value Stream Map

El Value Stream Map o mapa de la cadena de valor es una herramienta visual de Lean

Manufacturing que permite identificar todas las actividades en la planificación y la fabricación de

un producto, con el fin de encontrar oportunidades de mejora que tengan un impacto sobre toda

la cadena y no únicamente en procesos aislados.

El objetivo primordial de dibujar un VSM es documentar y visualizar el estado actual del

proceso. Esto nos permitirá estudiarlo y encontrar los puntos de mejora, para así diseñar un VSM

futuro ideal, donde todos los puntos débiles encontrados estén solucionados.

Una vez diseñado el VSM futuro tendremos un punto de partida y un objetivo para

cualquier acción de mejora que nos hayamos marcado.

El VSM es un gráfico compuesto de íconos y símbolos simples que describen principalmente

2 tipos de flujo:

El flujo de información (planificación), que comprende las actividades realizadas desde

que el cliente realiza la compra hasta que una orden de trabajo o producción es

generada.

El flujo de materiales (fabricación), en el que se tienen en cuenta todos los procesos

necesarios para producir el bien, hasta que es entregado al cliente.

A cada una de las operaciones o procesos se le asignan indicadores o medidas de

desempeño que permitan conocer y visualizar el estado actual del proceso y que generalmente

son: tiempo de ciclo, tiempo de cambio de referencia, número de operadores por equipo,

porcentaje de rechazos, disponibilidad del equipo, tiempo de paradas y eficiencia, entre otros.

Un ejemplo de VSM podría ser:




Imagen 2-3 Ejemplo de VSM Actual

Una vez realizado el estudio, el VSM futuro quedaría del siguiente modo:

Imagen 2-4 Ejemplo de VSM Propuesto

Una vez terminado todo el proceso de mejora, la acción no acaba aquí, sino que vuelve a

empezar, ya que cada vez que realizamos este proceso, mejoramos nuestro proceso productivo




2.1.5.9 SMED

SMED: Single-Minute Exchange of Die.

El sistema SMED fue desarrollado con el objetivo de producir en lotes de menor tamaño, y

tiene como objetivo reducir drásticamente los tiempos de cambio en los procesos productivos,

haciendo que la preparación sea más simple, segura y fiable. Esto implica:

Aumento del OEE y la Productividad.

Reducción del stock en proceso.

Aumento de la flexibilidad.

Reducción de costes.

Mejora de la calidad.

Reducción del tiempo de entrega (lead time).

El sistema SMED está dividido en tres tareas que deben realizarse de forma secuencial:

1. Gestionar las operaciones de preparación de máquina.

2. Convertir las operaciones de preparación improductivas en productivas.

3. Mejorar todas las operaciones de preparación.

Fases de aplicación.

Fijación de un objetivo.

Observación de la preparación e identificación de las necesidades.

Preparación de los medios necesarios.

Documentación y análisis de la situación actual.

Definición e implantación de contramedidas (eliminar la operación, reducirla,

combinarla con otra o reordenarla).

Documentación y análisis de la situación mejorada.

Documentación de las nuevas medidas de preparación y formación del personal.

Realización del seguimiento.

2.1.5.10 Heijunka – Suavizado de la producción

Heijunka es una palabra japonesa que significa nivelación. El método Heijunka permite

amortiguar las variaciones de la demanda comercial produciendo, por pequeños lotes, varios

modelos diferentes en la misma línea de producción.

Estamos acostumbrados a líneas de producción especializadas en un solo producto, que

producen en grandes lotes, con personal muy especializado en ese producto. Estas líneas están

muy expuestas a la variación de la demanda, ya que no podrán absorber sobredemandas y

quedaran infrautilizadas si la demanda cae.

La idea es intentar combinar varios productos en una misma línea de producción y así

maximizar el uso de la misma para amortizar mejor las inversiones (fábricas, superficies y máquinas)

utilizándolas mejor para producir más con los medios existentes.

Intentaremos producir una combinación de los productos que permita producir la

cantidad necesaria de cada uno de ellos, pero lo haremos en la combinación más pequeña

posible para poder ser más agiles.

Una vez entendido el concepto de línea multiproducto, es necesario un diseño que evite

sobrecargar a la gente y a los equipos y que permita eliminar los desequilibrios en el programa de

producción.




Equilibrar los procesos supone que los puestos de trabajo que los componen, se diseñen de

manera que se distribuya la carga de trabajo de tales procesos, equitativamente entre ellos, y que

todos tengan la misma capacidad de producción.

2.1.5.11 Kanban

Uno de los pilares del sistema TPS radica en producir y transportar lo estrictamente

necesario, cuando sea necesario y en la cantidad necesaria. Esta demanda la origina el

mercado, el cliente, y es transmitida aguas arriba de la cadena de suministro (distribución,

almacén de producto acabado, montaje, semielaborados, fabricación, almacén de materias

primas, aprovisionamiento, proveedor) mediante el sistema de información denominado kanban

(término que en japonés significa «tarjeta»).

Existen dos tipos de kanban básicos, los kanban de producción y los kanban de transporte:

Kanban de producción: Son los utilizados en el proceso de producción. Son de diversos

tipos:

El kanban propiamente de fabricación que indica el producto que es preciso fabricar,

la cantidad, y el taller de fabricación. Se utiliza para productos fabricados en lotes

pequeños.

El kanban de señalización, utilizado para la fabricación de grandes lotes, indica la

proximidad del consumo final del lote anterior fabricado.

El kanban de materiales de fabricación se utiliza para suministrar a la misma línea de

fabricación los materiales necesarios para la fabricación del producto.

Imagen 2-5 Ejemplos de Kanban

Kanban de transporte o de movimiento: son los utilizados como orden de

aprovisionamiento para otros talleres dentro de la misma planta o para proveedores externos.

Existen varias reglas para regular el correcto funcionamiento y uso de las tarjetas kanban,

pero con la introducción desde hace varios años de los sistemas informáticos de gestión de la

producción (ERP), este sistema se ha adaptado a las nuevas tecnologías. En realidad, la mayoría




de los ERP utilizan un sistema de gestión muy parecido a las conocidas tarjetas kanban, aunque no

usan tarjetas de fabricación propiamente dichas, sino un entramado de órdenes de fabricación

(impresas o no), flujos de materiales, órdenes de compra y aprovisionamiento, que se generan

digitalmente.

Al fin y al cabo, el principio es el mismo, aunque usado de manera diferente. En el siguiente

esquema puede comprobarse como funciona el flujo de tarjetas kanban para un determinado

proceso, que sería extrapolable a multitud de procesos industriales, de fabricación, logística y

aprovisionamiento.

Imagen 2-6 Uso de los Kanban

2.1.5.12 Poka-Yoke

La técnica lean conocida como Poka-Yoke, que en japonés significa “a prueba de

errores”, es un método de fabricación o de diseño de productos que persigue el objetivo de evitar

errores de operación, mediante la imposibilidad de cometerlos.

Los objetos que están diseñados bajo un concepto Poka-Yoke, destacan por su sencillez de

uso y por su seguridad. Al estar concebidos, desde un principio, como un sistema que imposibilita

los errores, su manejo y operatividad resulta óptimo para aumentar la calidad y disminuir los

despilfarros debidos a los errores humanos.

El sistema Poka-Yoke no sólo se usa en el diseño de productos, sino que puede usarse

también en métodos productivos. Uno de los ejemplos sería un operario que para montar un

artículo debe primero recoger todas las piezas necesarias para ello. La recolecta de las piezas se

hace con una bandeja donde existen los huecos con la forma de cada una de las piezas, y el

número necesario. De este modo nos aseguramos que el operario siempre deberá rellenar todos

los huecos antes de pasar al montaje, evitando errores y pérdidas de tiempo.

Las principales ventajas del Poka-Yoke son:

1. Minimización del riesgo de cometer errores y generar defectos.

2. El operario puede centrarse en operaciones que añaden valor, en lugar de dedicar

esfuerzo a comprobaciones para la prevención de errores o a la subsanación de los

mismos.

3. Implantar un Poka-Yoke supone mejorar la calidad actuando sobre la fuente del

defecto, en lugar de sobre controles posteriores.




4. Se caracterizan por ser simples y económicos, y siempre con la misión de apoyar al

trabajador en sus funciones.

2.1.5.13 KPI

Uno de los problemas con los que suelen topar las empresas que desean llevar a cabo

medidas de optimización de procesos, son las dificultades de medición de ciertas operaciones.

Hay que partir de la base que “Lo que no se puede medir no se puede controlar, y lo que no se

puede controlar no se puede administrar“. O lo que es lo mismo, “Si no sabes dónde estás, ¿Cómo

pretendes saber hacia dónde vas y cómo sabrás cuándo habrás llegado?”

Cuando pretendemos estudiar un determinado proceso (ya sea industrial, logístico o de

servicios), necesitamos de indicadores que nos permitan detectar nuestro nivel de eficiencia y

situarlo en una escala ponderable. Esta es la utilidad principal de los KPI (Key Performance

Indicators), o Indicadores Clave de Rendimiento.

Los KPI deben permitirnos poder medir el nivel de funcionamiento de un determinado

proceso, para así, una vez hayamos introducido cambios, poder comprobar de manera

fehaciente que ese cambio ha resultado positivo, y no al revés. Existen infinidad de KPI, y debemos

usar el más adecuado para cada caso. Lo más recomendable es que la medición y control de los

KPI se realice de manera continua, y no solamente para evaluar la efectividad de un cambio

efectuado en un determinado momento. El objetivo es que cualquier cosa de valor que

produzcamos, la podamos medir.

Los KPI que nos sean realmente útiles para detectar el correcto o incorrecto

funcionamiento de nuestros procesos, deben seguirse diaria o semanalmente, para después

poder elaborar informes de seguimiento a nivel mensual y anual. Estas técnicas nos permitirán

efectuar un seguimiento a corto, medio y largo plazo.

Cuando se definen los KPI que utilizaremos, se dice que estos deben ser SMART: Specific,

Measurable, Achievable, Relevant y Timely. Es decir, específicos, medibles, alcanzables, relevantes

y a tiempo. Todas estas condiciones deben cumplirse para que los KPI sean consistentes,

correctos, usables y que los podamos tener cuando los necesitamos, para poder aplicar medidas

correctoras lo antes posible.

Entre los KPI más utilizados a nivel industrial y en procesos productivos, podemos destacar:

Unidades por hora y hombre. Mide el número de unidades realizadas en una hora por

una persona. Se asemeja a la variable piezas/hora, aunque en este caso estaría

normalizada según el nº de personas que intervienen. Nos sirve para medir el nivel de

productividad de un determinado bien. Medición: (nº de unidades de

producción/h·hombre). Este valor debe ser lo mayor posible.

Velocidad de rotación de inventarios. Mide el porcentaje de mercancías que no se

han utilizado durante un determinado período de tiempo. La intención es detectar los

stocks obsoletos y evitar pérdidas económicas. Medición: (nº artículos con x días sin

movimiento/cantidad total artículos en inventario)x100. Este valor debe ser lo menor

posible.

No conformidades. Mide el porcentaje de bienes producidos que no alcanzan el nivel

exigido de calidad, respecto al total de unidades fabricadas. Es un indicador que nos

permite medir la fiabilidad de los procesos productivos. Medición: (nº de piezas no

conformes/nº total de piezas fabricadas)x100. El objetivo es que este valor sea lo más

bajo posible, para disminuir las mermas en materiales, horas invertidas, etc.

A su vez se utilizan como KPI de proceso los descritos en el apartado siguiente.




2.1.5.14 Takt Time – Lead Time - WIP

El Takt Time esta relacionado directamente con el suavizado o equilibrado de la

producción o Heijunka. Básicamente equilibra los procesos relacionando el tiempo que tenemos

para producir la unidad de producto, basado en la demanda del cliente.

Beneficios del Takt time:

Identifican los cuellos de botella con anticipación

Mayor conocimiento de ritmos de producción y permite dar alertas al negocio.

Nos da un una métrica que nos ayuda a eliminar actividades que no agregan valor.

El Takt time se define como el ritmo que marca la demanda del cliente:

Takt time =Tiempo neto disponible/demanda en el periodo.

Grafico 2-1 Representación del Takt Time

El tiempo de ciclo se define como : Tiempo que transcurre desde la entrega de un

producto al cliente hasta la entrega del siguiente producto, séase el tiempo para completar una

tarea o producto.

Cadencia : ritmo de producción para abastecer la demanda ud/tiempo

Cadencia = 1/Tiempo Ciclo

Definimos el Work in Process “WIP” como:

Todos los productos o servicios que se encuentran en fase de elaboración.

Unidad de trabajo: es una cantidad medible de trabajo que puede ser tratada como un

conjunto

El Lead time “tiempo de proceso” es un parámetros que significa: Tiempo que transcurre

desde que se conoce la necesidad del cliente hasta que se satisface.

Lead Time = WIP / Tiempo de Ciclo medio




Podemos tener diferentes Lead Time

Order Lead Time – Tiempo desde que se reciben los pedidos de clientes hasta la

entrega del pedido al cliente.

Order Handling Time – Tiempo desde que se reciben las ordenes de los clientes hasta la

que la venta es realizada.

Delivery Lead Time – Tiempo desde que termina la producción hasta que la orden es

entregada al cliente.

Como resumen para operaciones óptimas:

Lead time = Cycle time = Takt Time

Otras métricas relacionadas son :

Tiempo de Espera o Cola: tiempo que tarda cada unidad de trabajo en ser procesada

Valor añadido: transformación en el producto por la que el cliente está dispuesto a

pagar.

Eficiencia del ciclo del proceso OEE : una medida de lo eficiente que es un proceso es

la medida en % del tiempo de valor añadido / lead-time

Grafico 2-2 Representación del OEE




2.2 Simulación

2.2.1 Definición de simulación.

“Simulación es el proceso de diseñar un modelo de un sistema real y llevar a cabo

experiencias con el mismo con la finalidad de comprender el comportamiento del sistema o de

evaluar nuevas estrategias - dentro de los límites impuestos por un criterio o conjunto de ellos -,

para el funcionamiento del sistema.” . R.E. Shannon (1975).

La simulación puede considerarse como una abstracción simbólica o numérica de un

sistema en un ordenador (Papadopoulos et al, 1993).

Los modelos de simulación representan los eventos o sucesos que podrían ocurrir durante

las operaciones del sistema mediante una secuencia de pasos en un programa de operaciones

del sistema mediante una secuencia de pasos en un programa de ordenador (Buzacott et al.,

1993).

La simulación es una imitación de una situación real, que en un tiempo determinado

manipula los parámetros, variables, restricciones, y alternativas que comprende el modelo,

expresado mediante un lenguaje de programación en ordenador (Hitomi, 1979).

Para analizar, estudiar y mejorar el comportamiento de un sistema mediante las técnicas

de simulación digital es necesario desarrollar primero un modelo conceptual que describa las

dinámicas de interés, y luego implementarlo en un simulador para poder analizar los resultados.

La realización de un estudio de simulación puede comportar un esfuerzo y un consumo de

recursos no despreciable en cualquiera de sus fases :definición del problema, recogida de

información, construcción del modelo y programación del mismo, realización de los experimentos

de simulación en computador, etc. Sistemas complejos pueden conducir a programas largos y

complicados que requieran cantidades importantes de recursos computacionales.

Sin embargo, la simulación, por sus características y por los desarrollos computacionales

que se han conseguido en los últimos años, sigue presentando una serie de ventajas que no solo la

convierten en el procedimiento más adecuado en muchos casos, sino que hacen que sea la

única alternativa tecnológica en muchos otros. Esto resulta especialmente obvio en aquellos

casos en los que las características del sistema que se pretende estudiar hacen inviable, por

razones físicas o de coste, la experimentación directa sobre el sistema.

El mundo de la producción industrial, del tráfico, la aeronáutica, la industria del automóvil,

etc. son claros ejemplos de esta situación. Incluso en aquellos casos en los que es posible la

experimentación directa la simulación puede ofrecer ventajas tales como un coste inferior,

tiempo, repeticiones y seguridad.

La modelización analítica de sistemas puede ser inviable cuando se quiere introducir

sincronización en las acciones y reacciones entre partes del modelo así como cuando se quieren

introducir reglas o lógica 3 de comportamiento. Finalmente, es frecuente que los experimentos

persigan el objetivo de determinar la respuesta del sistema en condiciones extremas, lo que

puede resultar peligroso e incluso ilegal en la vida real.

2.2.2 Definición de simulación por computador.

La simulación por ordenador se refiere a los métodos para estudiar una variedad extensa

de modelos de sistemas del mundo real por evaluación numérica, que utiliza un software para

imitar los funcionamientos del sistema.

2.2.3 Definición de modelo de simulación.

Un modelo se define como el conjunto de aproximaciones, tanto estructuradas como

cuantitativas, sobre la forma en que trabaja un sistema. El modelo tendrá como finalidad la

mejora y comprensión tanto del sistema como de nuestra capacidad para predecir y controlar su

comportamiento.




2.2.4 La simulación por computador: ventajas e inconvenientes.

Objetivos por los que se utiliza la simulación:

Analizar y estudiar la incidencia sobre el rendimiento global del sistema de pequeños

cambios realizados sobre alguno de sus componentes.

Cambios en la organización de una empresa

Sugerir posibles mejoras en el rendimiento.

Ilustrar y facilitar la comprensión de los resultados que se obtienen mediante técnicas

analíticas (también puede ser utilizada con visión pedagógica).

Experimentar con condiciones de operación que podrían ser peligrosas o de elevado

económico en el sistema real.

Las técnicas de simulación pueden generalmente ser utilizadas como una metodología de

trabajo barata y segura que:

Puede responder a preguntas como qué pasaría si cambiamos esto.

Contribuye a la reducción del riesgo inherente a la toma de decisiones, aunque ésta

no se debe basar únicamente en el estudio de la simulación.

Campos de aplicación de las técnicas de simulación orientadas a eventos discretos:

Fabricación de procesos: fue una de las primeras áreas beneficiadas por la simulación,

que es usada para el diseño y en la ayuda en la toma de decisiones operacionales.

Logística: la simulación contribuye en la gestión de inventarios en un almacén y “supply

chain” (cadena completa de suministros).

Transporte: por cualquier medio con especial atención si hay intermodalidad, y sea

ligado o no a la toma de decisiones.

Sanidad: tanto a nivel departamentario como en la logística asociada a los

transplantes o coordinación médica en una región.

También en negocios, construcción, emergencias y servicios en general.

2.2.5 Uso y limitaciones de la simulación

La clave del éxito en un proyecto de simulación es muchas veces el saber cuándo

podemos aplicar simulación para conseguir los objetivos que se han marcado en el momento de

plantear el estudio de un sistema.

La simulación es una técnica de resolución de problemas de forma experimental y su uso

debe aplicarse en los siguientes supuestos:

No existe una formulación matemática completa del problema, o no se han

desarrollado aun los métodos analíticos para resolver el modelo matemático.

Existen los métodos analíticos, pero las hipótesis simplificadoras, necesarias para su

aplicación, desvirtúan las soluciones obtenidas y su interpretación.

Los métodos analíticos existen, y en teoría están disponibles, pero los procedimientos

numéricos son tan arduos y complejos que la simulación constituye un método más

sencillo para obtener una solución.

Es deseable observar una historia simulada del proceso dentro de un horizonte

temporal dado para poder estimar ciertos parámetros.

La simulación constituye la mejor alternativa por la dificultad de realizar experiencias en

el contexto real.




Como limitaciones en la aplicación de la simulación en la resolución de problemas se

pueden citar:

La simulación es costosa en horas de desarrollo y de computador.

Suele ser muy difícil la validación del modelo y de los resultados.

La recogida, análisis e interpretación de los resultados suele requerir personal con

conocimientos estadísticos.

La aceptación de los resultados requiere un elevado conocimiento del modelo

empleado, por lo que es difícil su aceptación por personas no involucradas en el grupo

que ha realizado la simulación.

2.2.6 Modelos de simulación existentes. Clasificación.

Los modelos de simulación podrán ser de varios tipos diferentes por lo que será necesario

hacer una clasificación previa para poder conocer ante qué tipo nos encontramos o cuál de ellos

necesitamos crear. La clasificación se realizará atendiendo a diversas razones.

2.2.6.1 Según su concepción.

2.2.6.1.1 Modelos icónicos.

Los modelos icónicos contribuyen al planteamiento y resolución de problemas mediante su

representación visual, permitiendo el establecimiento de relaciones entre elementos y la síntesis de

éstos que conduzca a la construcción (icónica) del conjunto.

El propósito de tales modelos es a menudo investigar la relación entre la forma del objeto y

el ambiente en que operará. Normalmente son modelos físicos a escala reducida, es decir, son

modelos que están relacionados con el estudio de formas, proporciones, convenciones y métodos

gráficos para el cálculo etc. Formarán un código técnico de transmisión de información universal

que se basa en el arte del dibujo, las normas y los símbolos. Los modelos icónicos de mayor

utilización son:

De visualización y síntesis: El dibujo permite la representación al natural o la ampliación

o reducción de un objeto por medio de la escalas; utilizando los métodos de

proyección geométrica y conociendo el funcionamiento del órgano de la vista se

puede representar cualquier elemento y establecer sus relaciones de situación,

proporción, disposición, aspectos estéticos, ergonómicos, etc. A partir de un grupo de

elementos se puede sintetizar un conjunto, o bien, a partir de un conjunto, determinar

sus componentes.

Determinación de dimensiones: será necesaria para la medición, valoración y

fabricación o construcción.

Especificaciones, bien sea mediante palabras o bien mediante el dibujo (más concreto

y con menor posibilidad de error).

Métodos gráficos para el cálculo, tales como cálculos trigonométricos, operaciones

con vectores, integración, diferenciación, etc.

Modelos a escala: permiten realizar ensayos, comprobar el funcionamiento o estudiar

una distribución de componentes.

Los modelos icónicos tienen un nivel de abstracción bajo en comparación con los modelos

analógicos (nivel medio de abstracción) y con los modelos simbólicos (nivel alto).

2.2.6.1.2 Modelos analógicos.

Los modelos analógicos se utilizan para simular el comportamiento de un sistema de difícil

estudio directamente, mediante otro sistema que pueda reproducir las características y

circunstancias del primero en condiciones más sencillas.

En suma, los modelos analógicos permiten:




Simular el comportamiento operando en el modo deseado y en tiempo real o artificial.

Determinar resultados numéricos, realizando un control cuantitativo de las interacciones

entre elementos.

Intercambiar variables y parámetros.

Los modelos analógicos precisan, para su utilización, de la comprobación de la

homogeneidad dimensional y del cumplimiento de las reglas de semejanza y proporcionalidad.

La simulación con modelos analógicos aumenta con respecto a otros modelos la

posibilidad de respuestas correctas, y se pueden aplicar siempre que estén disponibles los medios

y equipos específicos necesarios.

2.2.6.1.3 Modelos simbólicos.

Los modelos simbólicos son abstracciones abreviadas de las partes relevantes y

cuantificables de un problema. Los modelos simbólicos son las representaciones matemáticas de

los problemas.

Las características de los modelos simbólicos son las siguientes:

Utilizan la máxima generalización para resolver un problema.

Economía de esfuerzos, al usar símbolos y expresiones muy simplificadas.

Se apoyan en hipótesis y leyes consistentes en sí mismos.

Se alcanzan resultados numéricos, por lo que deben comprobarse siempre los

resultados obtenidos.

Los modelos simbólicos están limitados por la capacidad de resolución de las técnicas

matemáticas utilizadas y por los propios conocimientos se posean de ellas.

La preparación de un modelo matemático comprende los siguientes pasos:

Identificar las variables, los parámetros, las constantes y las condiciones de entorno del

sistema y asignarle símbolos a cada una de ellas.

Construir las expresiones y ecuaciones iniciales de estructura, comportamiento y

rendimiento del sistema. Las ecuaciones representan condiciones de estado, de flujo o

de suma de componentes.

Asumir la simplificación de las expresiones de forma que queden definidos los aspectos

más importantes del sistema.

Un modelo simbólico se considera que está bien construido cuándo tiene las siguientes

cualidades:

Realismo en la elaboración de predicciones.

Mínima complejidad para las características del sistema (el menor número de términos

y sencillez matemática).

Dispone de términos independientes para contemplar acciones o fenómenos

separados.

Ofrece directa manejabilidad de la expresión, es decir, es susceptible de manipular

con operaciones conocidas

2.2.6.2 Según los parámetros que utilizan.

2.2.6.2.1 Modelos extrapolativos.

Explican la variabilidad de los datos tomando como información únicamente los valores

pasados, sin incluir ninguna otra variable. Estos modelos serán los que resulten más simples. La

parte sistemática es una constante o una función de los valores pasados observados.




En este tipo de modelos la recogida de información se realiza mediante muestreo.

2.2.6.2.2 Modelos explicativos.

Estos modelos tienen en cuenta el efecto de otras variables. La parte sistemática del

modelo será la suma de una parte sistemática extrapolativa más el efecto de las variables

explicativas que contenga el modelo.

En este tipo de modelos la recogida de información se realiza mediante el diseño de

experimentos.

2.2.7 Tipos de simulaciones.

Hay muchas maneras de clasificar los tipos de simulaciones de los modelos, pero una

manera útil es hacerlo agrupándolas por parejas opuestas.

2.2.7.1 Simulación estática frente a dinámica.

En la simulación estática o de estado estacionario el tiempo no tiene relevancia ya que el

sistema es invariante con respecto al tiempo.

Sin embargo, en la simulación dinámica o transitoria, las variables dependientes del sistema

varían en función del tiempo, por lo tanto, se puede decir que está basada en el paso del tiempo.

Casi todos los modelos operacionales en la actualidad son dinámicos.

2.2.7.2 Simulación continúa frente a discreta.

En una simulación continua o lineal, el estado del sistema puede cambiar a lo largo del

tiempo en cualquier momento dado de forma imprevisible. Las variables podrán tomar cualquier

valor en su evolución continua en el sistema.

En una simulación discreta o no lineal sin embargo, los cambios en el estado del sistema

sólo pueden ocurrir en momentos determinados del tiempo. Las variables sólo podrán tomar

ciertos valores.

Se pueden tener elementos de cambio continuos y discretos en el mismo modelo, en lo

que se llaman modelos continuo-discretos.

2.2.7.3 Simulación determinística frente a probabilista.

Todo modelo al que se pueda asignar un número fijo definido a cada variable y parámetro

será un modelo determinista, ya que no tiene ninguna entrada de tipo aleatorio. El nuevo estado

del sistema puede ser completamente definido a partir del estado previo de sus entradas.

Los modelos probabilistas o estocásticos, por otro lado, operan con entradas aleatorias,

con lo que se introduce el principio de incertidumbre dentro del modelo.

Los resultados generados son utilizados para estimar el comportamiento real del sistema.

Dentro de un mismo modelo puede haber elementos de los dos tipos.

2.2.8 Formas de realización de la simulación por computador.

2.2.8.1 Programación en lenguajes de uso general.

En un principio los modelos se desarrollaban en lenguajes de propósito general, dado que

eran los únicos disponibles, como es el caso del lenguaje FORTRAN. La tarea resultaba muy

laboriosa y muy propensa a errores y fallos.

2.2.8.2 Programación en lenguajes de simulación.

Los lenguajes de simulación de propósito especial como GPSS, SIMSCRIPT, GOLPE, y SIMAN

aparecieron en escena con la popularización del empleo de la simulación en el estudio de

procesos.




Estos lenguajes ofrecen unos recursos de aplicación directa en la simulación. Aun así, su

utilización requiere de conocimientos específicos.

2.2.8.3 Programación en simuladores de alto nivel.

Los simuladores de alto nivel son programas informáticos que nos permiten simular procesos

de manera muy sencilla debido a que operan con interfaces de usuario gráficas, menús y

diálogos.

Para su funcionamiento bastará con seleccionar las estructuras de simulación disponibles,

conectarlas y ejecutar el programa. Ofrecen también la posibilidad de asociar al modelo una

animación gráfica que reproduce la evolución del sistema a lo largo de la simulación para que

sea más sencillo de comprender el funcionamiento final.

Además, la proliferación de los simuladores de alto nivel ha hecho que cada software

específico se especialice en un determinado tipo de sistemas a modelar, lo que facilita la

construcción de los modelos y ofrece las características más apropiadas a cada uno, aun a pesar

de que con todo esto se pierda flexibilidad a la hora de abordar diversos tipos de problemas.

2.2.9 Construcción de un modelo de simulación.

En la construcción de un modelo es muy importante no perder de vista cuales son los

requerimientos que este ha de cumplir. Se puede estructurar su construcción y ejecución en varias

etapas.

2.2.9.1 Requerimientos exigibles a un modelo.

Un modelo debe reunir diversas características:

Estar perfectamente orientado a la consecución de un propósito.

Ser robusto y fiable.

Ser fácil de controlar y modificar, para una buena adaptabilidad.

Ser completo en lo que se refiere a los factores primordiales.

Ser funcional y como resultado de haber excluido los factores irrelevantes.

Ser construido de manera estructurada.

Ser simple de entender y explicar a terceras personas.

2.2.9.2 Etapas en la construcción de un modelo.

La construcción de un modelo ha de hacerse de forma lógica y estructurada. Pasos a

seguir en la construcción de un modelo:

Identificación de problema: Hay que especificar el propósito del estudio, ya que el

primer paso en cualquier resolución de un problema es tenerlo perfectamente definido

y formulado, a pesar de que en el mundo real raramente se dan datos que definan

completamente el problema a ser resuelto. A estas alturas es útil identificar los recursos

requeridos y definir los límites espaciales y temporales del modelo.

Formulación del modelo.: Aquí se definirá a grandes rasgos la lógica del modelo.

Identificación y recolección de los datos.

Construcción del modelo.

Verificación del modelo: La verificación es la tarea de asegurar que el modelo se

comporta como se tuvo intención de que lo hiciera. También es conocida como

depurado.

Validación del modelo: La validación es la tarea de asegurar que el modelo se

comporta igual que el sistema real. Para validar un modelo de simulación se deben

comparar los resultados del modelo con los resultados del sistema real. Si el sistema no




existe, se tiene un problema de partida, pero aun cuando el sistema exista, puede

resultar una tarea complicada.

Experimentación: Se realizan diversas pruebas sobre el modelo para obtener los

objetivos del estudio.

Análisis de resultados: Se puede analizar la sensibilidad del sistema modelado ante la

variación de diversos parámetros.

2.2.9.3 Especificaciones del modelo.

2.2.9.3.1 Descripción informal del modelo.

Antes de construir un modelo matemático de un sistema real hay que preparar una

descripción suficientemente completa para evitar posibles errores o deficiencias en la

modelación.

Primero hay que darse cuenta del objetivo de todo el proceso de modelación y simulación

que queremos realizar. Este objetivo de simulación, junto con otros aspectos de la misma, nos

permitirá escoger una simplificación adecuada del modelo.

La descripción informal del modelo incluye las siguientes tres partes:

1. Los componentes del modelo: Estos pueden ser partes físicas de un sistema real, partes

imaginarias de un sistema en diseño o partes de un modelo abstracto que aún no

existe físicamente.

2. Las variables descriptivas: Esta sirven para describir las condiciones en las cuales se

encuentran los componentes del modelo. La mayoría de las variables descriptivas son

funciones de tiempo.

3. Las reglas de interacción entre los componentes. Según estas reglas, los componentes

influyen recíprocamente y cambian los valores de sus variables descriptivas.

La descripción informal del modelo no tiene que incluir ninguna descripción matemática y

sólo sirve para dividir el modelo en componentes, listar las variables descriptivas con

interpretaciones físicas y describir el funcionamiento del sistema.

2.2.9.3.2 Descripción formal del modelo.

Para pasar de la descripción informal a la descripción formal correspondiente, hay que

especificar los espacios a los cuales pertenecen todas las variables descriptivas y dar una

descripción exacta de la función de salida, la cual muestra cómo depende la salida del sistema

de su estado.

2.2.9.3.3 Marco experimental.

Según las consideraciones anteriores podemos observar que ni la descripción informal ni

tampoco la descripción formal del modelo son únicas. Para escoger la descripción adecuada,

que implicará cierta simplificación del modelo, hay que considerar los siguientes aspectos de la

simulación:

El objetivo de la simulación: Es la tarea que intentamos resolver a través de la

simulación.

El sistema real: Este es el objeto cuyo comportamiento intentamos modelar y simular.

El modelo básico: Este modelo refleja todas las propiedades del sistema real. Podemos

decir que, excluyendo algunos casos, el modelo básico nunca se puede construir.

Marco experimental: Determina lo que queremos medir, calcular y observar durante la

simulación. Se define como un conjunto de variables descriptivas. Para el mismo

sistema real podemos definir uno o más marcos experimentales.




Modelo simplificado: La simplificación del modelo se determina con el marco

experimental actualmente aplicado. A cada sistema real le corresponden algunos

modelos simplificados.

El computador: Es una herramienta de simulación. El computador impone ciertas

limitaciones técnicas al marco experimental y al modelo simplificado. Sólo los modelos

que cumplen con estas limitaciones pueden ser realizados experimentalmente.

2.2.9.3.4 Verificación y validación del modelo.

Cada modelo matemático o programa de simulación de un sistema real tiene que ser

aceptado por el usuario con respecto a su exactitud. Para aclarar los términos vamos a decir que

la validación es el proceso en el cual se establece si el modelo refleja el comportamiento del

sistema real con la exactitud deseada y si el modelo puede ser usado para tomar decisiones que

se aplicarán en el sistema real.

La validación del modelo es la responsabilidad del equipo autor usuario. La validez

depende no sólo de la simplificación del modelo sino también del marco experimental que

usamos.

La verificación es el proceso por el cual el autor del modelo da las respuestas a las

preguntas: ¿funciona el modelo según sus objetivos?, ¿es el código computacional correcto y

correspondiente al diagrama de flujo?

Vamos a decir que un modelo es confiable si es aceptado por el usuario como válido,

empleándolo para tomar decisiones que afectarán al sistema real.

Desde luego, los datos tienen que ser confiables y antes de usarlos hay que revisar de

dónde vienen y qué representan realmente.

La verificación del modelo de simulación es la responsabilidad del autor del modelo. Sus

conocimientos tienen que permitirle completar la descripción informal y formal del modelo y

transferirla en un programa para que el computador funcione y cumpla los requisitos del usuario.

Lograr esto es más fácil si se tienen en cuenta las consideraciones siguientes:

Usar lenguajes de simulación o de uso general bien estructurados como Pascal, Simula,

etc., o paquetes adecuados para la simulación de sistemas del mismo tipo que el

sistema dado.

Verificar el funcionamiento del programa con una gran variedad de datos de entrada,

analizando la sensibilidad con respecto a los cambios en los parámetros del modelo.

Captar y procesar un gran número de estadísticas sobre las salidas del modelo.

Sacar las gráficas de todas las variables descriptivas que cambian con el tiempo del

modelo, usar la animación y todas las gráficas posibles que puede producir la

computadora para facilitar el proceso de verificación.

Aplicar todas las demás técnicas de verificación, de software de uso general,

alcanzables en la computadora.

2.2.9.3.5 Recogida de información muestral.

Una vez construido el modelo, tendremos que medir los valores de las variables que son de

nuestro interés. Esta recogida de información puede hacerse de dos formas:

1. Por muestreo: Consiste en observar pasivamente una muestra de las variables y anotar

sus valores (modelos extrapolativos, nuestro caso).

2. Con un diseño de experimentos: Consiste en fijar los valores de ciertas variables y

observar la respuesta de otras (modelos explicativos).




2.2.10 Análisis de programas de simulación existentes en el mercado

2.2.10.1 NORMA ISO 9126

El proceso de selección del software utilizado en esta tesis se realizó de acuerdo con los

postulados expuestos en la norma ISO 9126.

La ISO 9126 es una norma estándar que concierne a la definición de las características de

calidad que se deben tener en cuenta a la hora de realizar la evaluación de un software.

La ISO 9126 nos ofrece una guía en la que se define un modelo de calidad que es

aplicable a cualquier tipo de software. Las características de calidad de producto que se detallan

son seis, y en un anexo nos sugiere la consideración de una serie de subcaracterísticas de calidad.

Imagen 2-7 Características de calidad en software según ISO 9126

Llevando los postulados de la ISO 9126 a nuestro caso, los puntos a tener en cuenta en

cada uno de los criterios propuestos son:

Funcionalidad

Tiempo invertido en el desarrollo del modelo.

Construcción del modelo:

o Posibilidad de llamar programas o módulos fuera del modelo escritos en

lenguaje de programación.

Simulación y animación:

o Posibilidad de animar el modelo: facilita la depuración de errores y mejora la

presentación de resultados.

o Posibilidad de importar gráficas CAD.

o Posesión de mecanismos de depuración interactiva para analizar el

comportamiento del sistema y depurar sus errores.

Entradas y salidas:




o Módulo o función que permita obtener la mejor distribución a partir de los datos

conocidos.

o Posibilidad de warm-up para eliminar estadísticas recogidas en tiempos de

transición

Eficiencia

Velocidad de ejecución.

Posibilidad de ejecutar el modelo con animación (velocidad ajustable), o sin

animación. (modo de ejecución más veloz).

Facilidad

Capacidad de definir gráficamente los elementos del modelo y sus relaciones.

Uso de los menús, manual interactivo, ...

Fiabilidad

Posesión por parte del vendedor de la certificación de calidad del software.

Robustez de la tecnología empleada en desarrollar el entorno de simulación.

Qué mecanismo posee de corrección de errores.

Portabilidad

Posibilidad de ejecución en distintos sistemas operativos.

Capacidad de trabajar en red.

Mantenibilidad

Qué herramientas posee para mejorar o modificar el sistema.

Que grado de dificultad conlleva realizar mejoras en el sistema.

Imagen 2-8 Características de calidad según ISO 9126

Tal y como sugiere el anexo de la ISO 9126 sobre la consideración de una serie de

subcaracterísticas de calidad, se definen como sigue:




Funcionabilidad:

Adecuación: Capacidad del producto software para proporcionar un conjunto

apropiado de funciones para tareas y objetivos de usuario especificados.

Exactitud: Capacidad del producto software para proporcionar los resultados o efectos

correctos o acordados, con el grado necesario de precisión.

Interoperabilidad: Capacidad del producto software para interactuar con uno o más

sistemas especificados.

Seguridad de acceso: Capacidad del producto software para proteger información y

datos de manera que las personas o sistemas no autorizados no puedan leerlos o

modificarlos, al tiempo que no se deniega el acceso a las personas o sistemas

autorizados.

Cumplimiento funcional: Capacidad del producto software para adherirse a normas,

convenciones o regulaciones en leyes prescripciones similares relacionadas con

funcionalidad.

Eficiencia:

Comportamiento temporal: Capacidad del producto software para proporcionar

tiempos de respuesta, tiempos de proceso y potencia apropiados, bajo condiciones

determinadas.

Utilización de recursos: Capacidad del producto software para usar las cantidades y

tipos de recursos adecuados cuando el software lleva a cabo su función bajo

condiciones determinadas.

Cumplimiento de la eficiencia: Capacidad del producto software para adherirse a

normas o convenciones relacionadas con la eficiencia.

Facilidad:

Capacidad para ser entendido: Capacidad del producto software que permite al

usuario entender si el software es adecuado y cómo puede ser usado para unas tareas

o condiciones de uso particulares.

Capacidad para ser aprendido: Capacidad del producto software que permite al

usuario aprender sobre su aplicación.

Capacidad para ser operado: Capacidad del producto software que permite al

usuario operarlo y controlarlo.

Capacidad de atracción: Capacidad del producto software para ser atractivo al

usuario.

Cumplimiento de la facilidad. Capacidad del producto software para adherirse a

normas, convenciones, guías de estilo o regulaciones relacionadas con la facilidad.

Fiabilidad:

Madurez: Capacidad del producto software para evitar fallar como resultado de fallos

en el software.

Tolerancia a fallos: Capacidad del software para mantener un nivel especificado de

prestaciones en caso de fallos software o de infringir sus interfaces especificados.

Capacidad de recuperación: Capacidad del producto software para reestablecer un

nivel de prestaciones especificado y de recuperar los datos directamente afectados

en caso de fallo.

Cumplimiento de la fiabilidad. Capacidad del producto software para adherirse a

normas, convenciones o regulaciones relacionadas con la fiabilidad.

Portabilidad:




Adaptabilidad: Capacidad del producto software para ser adaptado a diferentes

entornos especificados, sin aplicar acciones o mecanismos distintos de aquellos

proporcionados para este propósito por el propio software considerado.

Instalabilidad: Capacidad del producto software para ser instalado en un entorno

especificado

Coexistencia: Capacidad del producto software para coexistir con otro software

independiente, en un entorno común, compartiendo recursos comunes.

Capacidad para reemplazar: Capacidad del producto software para ser usado en

lugar de otro producto software, para el mismo propósito, en el mismo entorno.

Cumplimiento de la portabilidad: Capacidad del producto software para adherirse a

normas o convenciones relacionadas con la portabilidad.

Mantenibilidad:

Capacidad para ser analizado: Es la capacidad del producto software para serle

diagnosticadas deficiencias o causas de los fallos en el software, o para identificar las

partes que han de ser modificadas.

Capacidad para ser cambiado: Capacidad del producto software que permite que

una determinada modificación sea implementada.

Estabilidad: Capacidad del producto software para evitar efectos inesperados debidos

a modificaciones del software.

Capacidad para ser probado: Capacidad del producto software que permite que

el software modificado sea validado.

Cumplimiento de la mantenibilidad: Capacidad del producto software para adherirse

a normas o convenciones relacionadas con la mantenibilidad.

2.2.11 Comparación de programas

A la hora de escoger un programa de simulación de procesos industriales de fabricación,

además del Simio, se estudiaron y analizaron otras posibilidades de entre la variedad de paquetes

informáticos existentes en el mercado. Los elegidos fueron el SIMFACTORY II.5, ProModel, AutoMod,

Taylor Ed (FLEXSIM), Witness, Extend, Arena, Simio y SIMUL8.

2.2.11.1 SIMULADOR SIMFACTORY II.5

Es un simulador escrito en SIMSCRIPT II.5 y MODSIM III para ingenieros que no son analistas

de simulación. Opera en PC bajo entorno Windows y OS/2, y en múltiples estaciones de trabajo.

Un modelo se construye en etapas definiendo la distribución del proceso, estaciones de trabajo,

almacenes temporales, áreas de expedición, rutas de transporte .Definiendo a su vez productos,

recursos y transportes. Seguidamente se hace una animación basada en Iconos

automáticamente después de definir el modelo. Los elementos del modelo son obtenidos de una

tabla en lugar de una barra de menús. El modelo resultante puede ser modificado usando una

interface gráfica o un editor de textos. Se tiene una modelación de flujo flexible. Por ejemplo se

puede usar el operador lógico OR.

La distribución es creada posicionando Iconos, seleccionados de una librería, o de una

pantalla. Conforme cada Icono es posicionado, se dan las características que los describen. Los

productos son definidos por rutas de proceso que definen las operaciones desarrolladas por cada

parte y la duración de las operaciones.

Los recursos son añadidos al modelo en dos pasos. Primero, el recurso esta definido y su

cantidad y capacidad son establecidas. Segundo, se identifican las estaciones que requieren

recursos. Conforme que los recursos se mueven, el tiempo de simulación transcurre. Los

requerimientos de los recursos son flexibles, por ejemplo, una unidad del recurso A y dos unidades

del recurso B pueden ser requeridos.




Los transportadores pueden ser movilizados en lotes, tales como montacargas o pueden

ser bandas transportadoras. Son especificadas las características de los transportadores

(velocidad de levantado, tiempo para recoger, tiempo para dejar, y la capacidad de un

montacargas). La ruta del transportador es identificada en la pantalla. Los transportadores

pueden evitar colisiones y pueden llevar recursos.

Cualquier interrupción, planeada o no, puede ser aplicada a cualquier elemento del

modelo o grupo de elementos (ejemplo, Bandas transportadoras, colas, recursos, y

transportadores). Las interrupciones pueden requerir cualquier combinación de recursos.

Se tienen reportes disponibles relativos a utilización de equipos, producción, productos en

proceso, y utilización de almacenes. Gráficas múltiples pueden ser comparadas al mismo tiempo

(pastel, histogramas y barras). Los datos pueden ser comparados a través de múltiples corridas. Los

reportes pueden ser arreglados de diversas maneras y exportados a hojas electrónicas, se pueden

reunir estadísticas de elementos de interés. Un reporte sumario de todas las réplicas provee

medias, desviaciones estándar, e intervalos de confianza del producto del modelo.

2.2.11.2 SIMULADOR AUTOMOD

El AutoMode de AutoSimulations Inc. Combina las características de los lenguajes de

propósito especial (lenguajes de simulación) y un simulador de propósito especial de manejo de

materiales. Tiene características generales de programación incluyendo la especificación del

proceso y procedimientos del proceso, recursos, cargas, colas, y variables. Los procesos son

especificados en términos de límites de tráfico, conexiones de entradas y salidas de sistemas de

manejo de materiales, y lógica del proceso. Los recursos son especificados en términos de su

capacidad, tiempo de procesamiento, tiempo entre falla y tiempo de reparación.

Las cargas son definidas por su forma y tamaño, sus atributos, tasas de generación, tiempos

de inicio, y todas las prioridades.

Como una alternativa para los sistemas del proceso y del lenguaje de propósito general,

AutoMod tiene un simulador opcional de trabajos de taller con una interface similar a una hoja

electrónica, en la cual todos los datos y la lógica del modelo pueden suministrarse en un medio

ambiente de no programación que es muy similar a una hoja electrónica.

El simulador de manejo de materiales es muy poderoso en la descripción de los sistemas de

manejo de materiales. Se pueden definir Vehículos guiados automáticamente AGV´s,

transportadores (de banda, canjilones, etc.), grúas de puente, sistemas de almacenamiento y

recuperación de materiales AS/RS, sistemas libre de fuerza. El rango de definición es extensivo. Por

ejemplo, un AGV puede ser definido en términos de lo siguiente: tipos de vehículos múltiples,

vehículos de capacidad múltiple, rutas opcionales (unidireccional, bidireccional, y de espuela),

velocidades, aceleraciones y desaceleraciones basadas en los tipos de carga, puntos de control,

control programado y flexible de rutas, y geometría de bloques arbitrarios, y rutas automáticas de

distancia más corta.

Están disponibles en el proceso del sistema numerosas declaraciones de control, llamadas

acciones,. Por ejemplo, las acciones del proceso incluyen if-then-else, while-do, wait-until, y wait

for. El control de la carga, y el control de los recursos son otras acciones también disponibles.

Funciones en C pueden ser llamadas en caso necesario, pero no son requeridas en la mayoría de

los modelos. También se pueden especificar variables y atributos.

Las capacidades de animación están basadas en dibujos en escala e incluyen vectores

gráficos en verdadera 3D, rotación, acercamiento y alejamiento sobre una pantalla virtual en

tiempo real. Una utilería de dibujo estilo CAD es usada para construir los elementos gráficos de un

modelo. Además, con el producto de adición (add-on) IGES, se pueden importar y convertir

dibujos desde sistemas CAD a fondos estáticos o transportadores y rutas. Son generadas gráficas

de negocios tales como gráficas de tiempos, gráficas de pastel o de barras.

La última versión 7.5, contiene un simulador dentro del AutoMod para un ambiente trabajos

de taller con muchos productos que tienen rutas variables. Las características del simulador

incluyen su interface de hoja electrónica que se conecta al lenguaje de procedimientos del

procesos del AutoMod. Mientras que el simulador elimina la necesidad de programación en la




construcción de muchos de los modelos, como es la meta de la mayoría de los simuladores, el

simulador AutoMod permite las extensiones y aclimatación para aquellas partes de un sistema que

no se ajusta a un modelo pre-programado en simulación.

El AutoStat, un paquete estadístico estrechamente integrado con el AutoMod, provee

capacidades de calentamiento, escenario gerencial, y otras capacidades estadísticas incluyendo

la generación de intervalos de confianza, y diseño de experimentos. Kinematica es otro paquete

de adición (addon), que permite la simulación detallada de robots en 3D, gente y otros objetos

con partes en movimiento, ya sea en forma separada o integrada en una simulación mayor de un

sistema de manufactura o de manejo de materiales.

El AutoSche, una herramienta para la planeación y programación de la producción de

capacidad finita y otros medios ambientes de manufactura discreta de partes, esta basada en el

simulador AutoMod y permite una extensiva aclimatación a las reglas de selección para obtener

el mejor programa de producción entre las alternativas disponibles.

En el AutoMod, no existe límites con respecto al tamaño del modelo o las capacidades de

aclimatación. El AutoMod se puede ejecutar en PC´s y en varias estaciones de trabajo en

ambiente UNIX.

2.2.11.3 SIMULADOR PROMODEL

ProModel es una herramienta de simulación que funciona en computadoras personales en

un ambiente Windows. Mediante una combinación ideal de facilidad de uso, flexibilidad y

potencia, permite diseñar y analizar sistemas de producción y servicios de todo tipo y tamaño y

modelar prácticamente toda situación, en forma casi real, mediante sus capacidades gráficas y

de animación.

ProModel fue concebido como una herramienta para ingenieros y gerentes que desean

lograr reducciones de costos, mejoras en la productividad e incrementar las ventajas estratégicas

en la producción de bienes y servicios. En resumen, con la simulación se tiene la habilidad para

determinar el uso de los recursos disponibles – personal, equipo e instalaciones – mas eficiente y

productivamente.

No se necesita que el ingeniero o modelador tenga una gran habilidad para programar.

Mediante su interface gráfica y el uso de pequeños modelos pre construidos, permite modelar

sistemas complejos de producción y servicios en forma fácil y rápida. ProModel por otra parte, se

puede utilizar como un medio muy efectivo para probar y generar nuevas ideas de diseño y

mejoramiento, antes de realizar las inversiones y/o modificaciones necesarias para construir o

mejorar estos sistemas. En la misma forma sirve para identificar cuellos de botella, seleccionar la

alternativa que ofrezcan la mejor relación beneficio-costo y hacer Análisis de Sensibilidad (¿Qué

pasaría sí?).

Como un simulador de eventos discretos, ProModel esta concebido para modelar sistemas

de manufactura discreta (unidad por unidad), sin embargo, muchos sistemas de manufactura

continua pueden ser modelados convirtiendo unidades a granel en unidades discretas tales como

galones o barriles. Adicionalmente se puede adaptar fácilmente para modelar sistemas de

servicios de salud (Centros de atención medica) o procesos financieros entre otros.

Algunas aplicaciones típicas de ProModel son las siguientes:

Líneas de ensamble

Sistemas de manufactura flexible

Producción por lotes

Justo a tiempo y Sistemas de producción KANBAN.

Sistemas de colas. (Para servicios o manufactura tales como líneas de empaque).

Optimización de la distribución en planta y el manejo de materiales.

Servicio Financieros




Logística

Reingeniería de Negocios

Evaluación, planeación y re-diseño de sistemas de servicios

ProModel es capaz de modelar aún los sistemas más complejos. Debido a que el ProModel

provee un enfoque directo e intuitivo a la modelación, es atractivo a profesores de programas en

ingeniería y administración quienes están interesados en enseñar los conceptos de modelación y

análisis sin tener que enseñar programación.

Mientras que la mayoría de los sistemas pueden ser modelados al seleccionar un conjunto

completo de elementos del ProModel (Recursos, tiempos muertos, locaciones, entidades, etc.) y

modificar los parámetros apropiados, se provee también una capacidad completa de

programación si es necesaria para modelar situaciones especiales. Funciones predefinidas

incluyen funciones lógicas if-then-else, expresiones Booleanas, variables, atributos, arreglos y

además acceso a hojas electrónicas y archivos de texto externos.

Para aquellos que prefieren códigos lógicos complejos usando un lenguaje de

programación tal como C++ o Visual Basic, se pueden encadenar dinámicamente subrutinas

externas al modelo y llamarlas desde cualquier parte del modelo al momento de su ejecución. El

ProModel también puede ser controlado como un objeto COM, y ejecutarse directamente desde

aplicaciones externas tales como Microsoft Excel o PowerPoint, o desde una interface VB. De esta

forma, ProModel permite a todos los miembros del equipo de toma de decisiones usar las

herramientas con las que se siente más a gusto, proveyéndoles una flexibilidad total.

El ProModel también provee varias funciones de distribución predefinidas, las cuales junto

con secuencias de números aleatorios, proporciona valores aleatorios de acuerdo a la distribución

estadística. Para ayudar al usuario en la selección de la distribución de probabilidad apropiada

para un conjunto de datos, el programa Stat:Fit es incluido en el ProModel. El Stat:Fit es un software

de ajuste de datos que ajusta distribuciones analíticas a los datos del usuario.

El desarrollo del modelo es completamente gráfico y orientado a objetos. A su máxima

extensión posible, todos los datos son dados gráficamente con información agrupada por tipo de

objeto y representada en forma de tabla para un acceso rápido e intuitivo. Por ejemplo, cuando

el modelador define una máquina el modelador también define el icono de la máquina, su

capacidad, características de tiempos muertos, reglas de entrada y salida de datos, estadísticas

deseadas, etc.

El ProModel compila con los estándares GUI (Graphical User Interface), el cual significa

individuos familiarizados con otros programas de Windows tales como procesadores de datos y

hojas electrónicas no tengan problema aprendiendo como usar el ProModel. Esta forma de

suministrar los datos minimiza la curva de aprendizaje para principiantes y maximiza la eficiencia

para modificar modelos grandes y complejos.

Una característica única en el ProModel es la habilidad de invocar menús tipo Popup,

dependiendo del contexto actual, este facilita al usuario en definir cualquier estatuto o expresión.

Este constructor lógico permite que pueda darse cualquier estatuto o expresión usando el mouse.

Además elimina la necesidad de recordar el nombre de una variable o de otro elemento

que el usuario desee hacer referencia, a través de seleccionar su nombre de una lista contenida

en un recuadro.

Proporciona documentación conveniente en línea a través del sistema de ayuda

integrada del ProModel y un tutorial en línea. El sistema de ayuda usa el sistema de ayuda del

Windows que permite máxima flexibilidad para buscar cualquier cosa desde la sintaxis del

comando hasta la descripción de la construcción del modelo. El ProModel también provee

tutoriales que contienen lecciones rápidas sobre cómo construir el modelo, como ejecutarlos,

como tener acceso a reportes, y como modelar varias aplicaciones con el Software.

Para reducciones futuras del tiempo de desarrollo, el ProModel provee capacidades de

fusión de modelos que permiten a varios modelos individuales trabajar de forma separada en

diferentes secciones de un modelo mayor. Adicionalmente, celdas que son comúnmente




definidas o usadas en decisiones lógicas pueden ser almacenadas como plantillas de submodelos

las cuales eliminan la necesidad de “re-inventar la rueda” con cada modelo. Estas plantillas

pueden ser tener parámetros especialmente diseñados que pueden ser cambiados por el usuario.

El desarrollo de la animación es integrado con la definición del modelo. Un inconveniente

de muchos softwares de simulación es que su desarrollo de animación depende del desarrollo del

modelo de simulación. Esto hace que sea lento e inconveniente para los ingenieros al usar la

animación como una herramienta de validación/verificación. ProModel integra el desarrollo de la

definición sistema y animación en un proceso. Mientras que defina la ruta de las entidades por las

locaciones, transportadores, rutas de VGA (Vehículos guiados automáticamente) y otros

elementos, el usuario desarrolla esencialmente la distribución de forma animada.. La pantalla de

la distribución puede ser cambiada en su escala para representar la distribución actual de la

fábrica.

Los resultados de la simulación son informativos y pueden ser mostrados en forma tabular y

gráfica. Muchos otros softwares de simulación requieren comandos especiales para generar

estadísticas que son difíciles de interpretar para usuarios no familiarizados con la simulación.

ProModel permite la selección rápida y conveniente de los reportes de todas las medidas

de desempeño del sistema. Los reportes de resultados de varias corridas de simulación pueden ser

comparadas en una sola gráfica.

EL ProModel se puede ejecutar en cualquier computadora Pentium estándar o más rápida

con sistema operativo Windows 95, Windows 98, Windows NT, Windows 2000, Windows Milenium,, o

Windows XP. Las licencias están disponibles tanto para plataformas de un usuario como cómo

para plataforma de redes. El ProModel no requiere ningún tarjeta gráfica especial o monitores

especiales, haciendo conveniente y de costo efectivo para las compañías e instituciones

académicas usando PC´s estándar.

2.2.11.4 SIMULADOR TAYLOR ED.

El Taylor Ed es un paquete de software desarrollado por la compañía fabricante de

software FLEXIM. El precursor del Taylor Ed fue el Taylor II, pero los desarrolladores hicieron la nueva

versión partiendo de desperdicio. A pesar de esto, existen similitudes entre los dos paquetes, tales

como la visión del usuario y la arquitectura del software. El precio del Taylor ED es la mitad del

precio del WITNESS y cinco veces más que el SIMUL8 y el EXTEND.

La integración del Taylor Ed con otro software es manejado por un encadenamiento DDE,

el cual distribuye la información hacia y desde el EXCEL, por ejemplo, u otro software para el

manejo de datos estructurados. Este DDE usa diferentes formatos de ases de datos, tales como

SQL o XML.

Esto es continuo las conexiones pueden tomar lugar antes o después que la simulación es

realizada.

El concepto de modelación en el Taylor ED es el mismo que el desarrollador uso en el Taylor

II. Este concepto es diferente de otros softwares. En el Taylor ED, todo es un átomo (producto,

máquina, el modelo mismo, la aplicación del software), comparado con el SIMUL8, el cual consiste

de cinco bloques de construcción, y el EXTEND el cual consiste de más de 100 bloques de

construcción. El flujo de conexiones entre los átomos en Taylor ED esta determinado a través de

canales, que es lo mismo que los encadenamientos en otros softwares.

El Taylor Ed sale del mercado dejando su lugar al simulador FLEXSIM. El futuro de la

simulación de procesos es el FLEXSIM, que es un simulador orientado a objetos basado en un

ambiente de Windows® para modelar flujos de eventos discretos como manufactura, manejo de

materiales, y flujo en oficinas en una asombrosa realidad virtual de 3D.

Completamente orientado a objetos con una integración completa de C++ creada

gráficamente usando la animación virtual ED excepcionalmente intuitiva de atrapa y suelta, una

interface fácil de aprender. La insuperable flexibilidad y poder del FLEXSIM es la perfecta

herramienta para ayudar a los ingenieros, administradores, y tomadores de decisión a visualizar y

probar operaciones propuestas, procesos y sistemas dinámicos en una realidad virtual de 3D.




Es indispensable para modelar modelos complejos que son susceptibles de fallar, ser

interrumpidos y tener cuellos de botella. A través de la modelación de sistemas en avance de

múltiples escenarios “que tal sí” pueden ser explorados sin interrumpirlos, costos o riesgos que esto

significa en la vida real.

FLEXSIM usa una librería de objetos para modelar objetos de la vida real, procesos y

sistemas. El software es escrito en C++, el actual lenguaje orientado a objetos más usado. Todos los

recursos para la construcción de modelos en FLEXSIM son objetos, ya sean productos, modelos,

tablas, registros, librerías, la interface gráfica del usuario (GUI), o la aplicación en si misma. Los

objetos pueden heredar atributos y comportamientos de otros objetos, contener otros objetos,

crear y destruir objetos, mover objetos dentro y fuera de ellos o auto destruirse.

Los objetos desarrollados para un modelo pueden rápidamente ser almacenados en

librerías para ser usadas en otros modelos, reduciendo el consumo de tiempo, y la duplicidad de

esfuerzo.

El FLEXSIM viene con una extensa librería de objetos robustos listos para usarse. Los usuarios

pueden rápidamente modificarlos usando el editor de objetos integrado, o puede crear el propio

partiendo de la nada usando el C++ o el poderoso Flexscript una librería pre compilada del

código C++ que puede controlar virtualmente cada aspecto del programa.

La característica de la arquitectura del FLEXSIM son su apertura e interconectividad. El

FLEXSIM está totalmente integrado con el C++, tal que los usuarios puedan rápidamente modificar

el FLEXSIM para reunir las necesidades específicas sin tener que aprender el código apropiado.

Toda la animación es OpenGL y todas las gráficas son del estándar industrial de objetos

3DS, DXF, WRL, o STL. Los resultados pueden ser exportados vía DDE, ODBC, y conectores Windows.

Otras aplicaciones complementarias como Expert Fit, OptQuesy, y VISIO™ están también

compiladas para agregar flexibilidad y facilidad de uso.

El FLEXSIM se encadena a cualquier base de datos ODBC ( como el Oracle o el Access), a

estructuras de datos comunes ( como archivos de texto, de Excel o Word), y virtualmente a

cualquier dispositivo de hardware que pueda ser conectado a la PC.

2.2.11.5 SIMULADOR WITNESS

EL software Witness fue desarrollado durante los 1970´s por AT&T Istel y es ahora distribuido

por el Grupo Lanner (establecido en 1996) del Reino Unido. El paquete usa ahora una base más

madura, lo cual probablemente sufre del dilema del innovador. El WITNESS fue previo, y

posiblemente todavía es el líder en el mercado, aunque solamente en el número de los modelos

producidos. El costo de la licencia del WITNESS es 10 veces más que el costo de compra del

EXTEND o SIMUL8. El soporte es de alguna forma más costoso en el caso del WITNESS,

aproximadamente tanto como una nueva licencia del paquete. Por otro lado WITNESS es uno de

los más usados, mas confiables y mejor conocidos entre los softwares SED (Simulación de eventos

discretos). El concepto de construcción de modelos en WITNESS consiste en la construcción de

bloques similares a los de SIMUL8 excepto por los bloques Inicial y Terminal.

El WITNESS contiene muchos elementos para manufactura discreta de partes y es

fuertemente orientado a máquinas. Por ejemplo, las máquinas pueden ser sencillas, en lotes,

producción, ensamble, multi-estaciones, o multi-ciclo. Las bandas transportadoras pueden

acumular o no acumular. Existen opciones para la mano de obra, vehículos, y cuadrillas de

trabajo. El WITNESS también contiene elementos para procesamiento continuo incluyendo flujo de

fluidos a través de procesadores y tanques.

Se pueden especificar variables y atributos. Las partes que llegan pueden ser programadas

usando un archivo. Se pueden usar funciones y distribuciones para especificar tiempos de

operación y para otros propósitos. Los tiempos muertos de las máquinas pueden programarse

sobre la base de operación, tiempo de uso, o tiempo disponible. La mano de obra es un recurso

que puede ser preferenciado, usando un sistema de prioridades, y ser una base programada para

las condiciones actuales del modelo.




La lógica de rastreo y conducción permite hacer requerimientos para distintos tiempos en

los trabajos, acelerar y desacelerar vehículos, estacionarse cuando este ocioso, cambiar destinos

dinámicamente. Muchos son posibles tipos de rutinas lógicas además del estándar jalar y empujar.

Por ejemplo, se pueden especificar las condiciones If-then-else.

Se pueden emplear como acciones en la simulación constructos de programación,

desarrollados al principio y final de la simulación de eventos, tales como for-next, while-end y la

etiqueta go-to. Los C-LINKS permiten programación detallada y subrutinas que pueden agregarse

al modelo del WITNESS. El usuario puede observar a un elemento en cualquier momento y

determinar el estatus de la parte.

La depuración puede llevarse a cabo deteniendo el modelo, cambiando los parámetros

deseados y continuando con el modelo desde el mismo punto del tiempo de simulación.

Una animación es construida junto con la definición del modelo. Esta retroalimentación

animada y estadística puede ser activada o apagada durante la ejecución. Se pueden realizar

muchos cambios al modelo en cualquier momento.

Capacidades de experimentación internas están disponibles desde la barra del menú. Los

resultados de los experimentos son salidos a un archivo CSV por omisión, u otros tipos de archivos

seleccionados por el usuario. El formato del archivo CSV permite que el paquete estadístico

interno crear intervalos de confianza.

En resumen, Witness resulta ser el más firme competidor del Simio, ya que es un programa

muy completo y flexible. Por el contrario, además del coste, tiene el inconveniente de que la

carga de conocimiento sobre lenguajes de simulación es mayor que en el Simio, donde sin

conocimiento alguno se saca un gran rendimiento al software.

2.2.11.6 SIMULADOR EXTEND

Extend es un software orientado a apoyar el proceso de toma de decisiones, que permite

visualizar el comportamiento y los resultados de un proceso en diversos escenarios definidos por el

usuario, a un bajo costo y minimizando el riesgo de la implantación. La simulación de procesos

permite evaluar comportamientos tanto en funcionamiento como en su etapa de diseño, sin

incurrir en los costos de una implantación real. El realizar pruebas y modificaciones durante las

etapas de diseño y planificación, permite ahorrar tiempo y dinero en las etapas posteriores de

implantación y mantenimiento de los nuevos procesos.

Por la gran potencialidad que posee para la representación de sistemas complejos, la

flexibilidad de su manejo y lo amigable de su interfaz, es una muy buena solución para empresas,

u organizaciones en general, que deseen desarrollar modelos de simulación de sus procesos (de

servicios, manufactura, negocios, administrativos, etc.) como parte de la evaluación y proyección

de resultados de sus proyectos de transformación. Transformando sus flujos de proceso en modelos

Extend y para efectuar un análisis a través de simulación, donde experimentará nuevas

posibilidades, estudiará la respuesta a condiciones dinámicas y evaluará beneficios. Esto le

permitirá alcanzar decisiones en forma más fácil y segura que métodos basados en intuición,

permitiéndole instaurar cambios positivos para su operación. En particular, permite evaluar los

supuestos que hay detrás de los modelos operacionales actuales, al analizar en forma sistémica el

conjunto de variables que inciden en el proceso.

Con Extend se pueden modelar cambios organizacionales, probar escenarios, diseñar

prototipos, analizar opciones de equipamiento, aplicar gestiones de mejoramiento continuo,

incrementar productividad y calidad, y evaluar ideas antes de llevarlas a cabo. Permite que usted

simule eventos discretos, continuos, y combinaciones de ellos. Virtualmente cualquier cosa que

usted pueda imaginar puede ser fácilmente construida usando las bibliotecas de Extend o

bloques prediseñados. No se requiere de programación, sin embargo, es posible si usted lo desea.

Los bloques de Extend están agrupados dentro de bibliotecas de acuerdo a su función; por

ejemplo, los bloques más usados en la modelación de un evento discreto pueden encontrarlo en

la biblioteca de Eventos Discretos (Discret Event Library). Tan sólo arrastre con el mouse los bloques

que desea utilizar desde la biblioteca hacia la pantalla de construcción y listo. Conéctelos con el




mouse, disponga de los parámetros apropiados en las cajas de diálogos, y ya está listo para

ejecutar su simulación.

Características del Extend:

Permite ver los efectos de contar con eventos dependientes.

Las fluctuaciones estadísticas, o variabilidad natural de los sistemas, son fácilmente

modelables para dar realismo a los modelos.

Modelamiento y simulación han sido complejas y caras para ser atractivas a ejecutivos;

Extend ofrece una excelente relación costo / beneficio.

El software permite modelar y simular cualquier tipo de sistema.

Está orientado a manejo de objetos, lo que facilita el modelamiento a partir de sistemas

reales de diversa complejidad.

Gráfica y Animación incorporadas permite una mejor comprensión y visualización del

modelo por terceras personas.

Permite tratar diferentes procesos como sistemas relacionados, analizando el impacto

de cambios en los mismos.

Reportes de simulación entregan toda la información necesaria para tomar las mejores

decisiones.

Manejo jerárquico permite representar en forma más ordenada y clara los modelos.

Recolección de estadísticas en forma gráfica complementa la información necesaria

para evaluar los modelos.

Parámetros simples para representar y medir la realidad de un modelo:

o Tiempo por tarea o actividad

o Tiempos de transferencia o traslado

o Inventario en cada etapa del proceso

o Calidad del resultado en cada etapa

o Productividad de los recursos

Tiempos de espera y flexibilidad

Permite efectuar un estudio de tiempos para mejorar la productividad global y local de

un sistema.

Estudio de volúmenes de trabajo para detectar recursos con capacidad restrictiva

2.2.11.7 SIMULADOR ARENA

El ARENA, es un programa informático de simulación de procesos industriales de

fabricación. Ha sido desarrollado por Rockwell Software Inc., y se enmarca dentro de los

simuladores de procesos de alto nivel.

Es un programa muy flexible y abarca un gran número de aplicaciones, ya que no fue

creado para satisfacer las necesidades de un ámbito industrial en concreto, sino que es un

programa válido para simular tanto sistemas discretos como continuos.

El Arena combina la facilidad de uso encontrada en los simuladores de alto nivel con la

flexibilidad de lenguajes de simulación. Para la facilidad de despliegue y organización, la variedad

de módulos disponibles en el Arena se agrupan en tableros según sus funciones o características.

Según entramos en los distintos tableros vamos abriendo un abanico de posibilidades a la hora de

combinar las diferentes estructuras de simulación modeladas y sus capacidades. La mayoría de

los módulos dispuestos en tableros diferentes pueden mezclarse juntos en el mismo modelo.




Cuando se quiera, se pueden colocar módulos de bajo nivel y ganar flexibilidad con el

lenguaje de simulación y construir, en SIMAN, una mezcla junto con los módulos de alto nivel de

otra plantilla.

Para las necesidades específicas, como algoritmos de decisión complejos o datos

accediendo a una aplicación externa, se pueden escribir pedazos de su modelo en un lenguaje

procesal como Visual Basic o C/C++.

De hecho, los módulos en el Arena están compuestos de componentes de SIMAN; por lo

que se puede crear sus propios módulos y puede coleccionarlos en sus propias plantillas para las

distintas clases de sistemas.

Pero, por otro lado, no es necesario tener conocimientos de programación en SIMAN ya

que el entorno de trabajo en Arena es totalmente visual y la aplicación de los distintos módulos se

hace de forma sencilla e intuitiva.

Se intenta proveer el poder del SIMAN para aquellos quienes aprender un lenguaje es una

incomodidad, también como resaltar el uso de las herramientas usadas por los modeladores del

SIMAN. Considere que una persona, diferente al analista de la simulación, desea usar el SIMAN.

Actualmente debe entender los bloques usados en el modelo y los elementos usados en el

experimento para proceder. Usando las plantillas de solución para la aplicación del ARENA, el

usuario puede extraer el modulo, colocarlo es su lugar apropiado, parametrizarlo sin aprender el

lenguaje SIMAN. El lenguaje SIMAN para los modeladores, el ARENA intenta incrementar su

funcionalidad, eliminando la necesidad de escribir códigos similares en diferentes modelos.

El SIMAN es la máquina del lenguaje y Cinema el sistema de animación sobre el cual se

construye el ARENA. Otros productos incluidos en ARENA son un analizador de entadas y un

analizador de resultados.

Con el ARENA, un modelo de simulación se construye seleccionando un módulos que

contiene las características completas del proceso. Por ejemplo, un módulo de inspección puede

modelar un proceso de inspección. El modulo se coloca en una ventana y una caja de diálogo

aparece en la cual el usuario entra sus datos y elige opciones. Una vez que los módulos son

colocados y las preguntas contestadas, el ARENA se ejecuta un modelo totalmente animado del

proceso actual o del propuesto.

Los módulos pueden se organizados en plantillas especializadas para diferentes dominios

de aplicación. Una vez que los modelos son creados, se transforman en paquetes de auto

contenido lógicos que pueden re-usarse en otros modelos. Con esta habilidad para adecuarse, el

ARENA puede ser usado para crear plantillas para una compañía, departamento o persona

específica usando un lenguaje y gráficos significativos que son apropiados para usuarios poco

frecuentes de la simulación.

Los constructores del modelo tienen un control completo sobre la funcionalidad del

software cuando se usa la edición profesional para construir módulos y plantillas. Un usuario final

con la edición estándar puede construir modelos usando únicamente plantillas de alto nivel.

El término “módulos” es usado para representar la construcción de bloques disponibles

para la creación de modelos. La característica más fundamental del ARENA es que un analista de

simulación puede construir una definición del módulo para ser usados por otros en un medio

ambiente de modelación jerárquica. Estas definiciones del módulo pueden ser combinadas para

crear módulos. El SIMAN basa sus módulos al nivel más bajo posible del módulo. Estos

corresponden al constructor básicos del SIMAN (bloques y elementos). Todos los otros módulos,

llamados módulos derivados, son construidos desde los módulos base u otros módulos derivados.

Una vez construidas, las plantillas incrementan la velocidad a la cual los módulos pueden

ser construidos, y ayudan en la comprensión para aquellos que no están familiarizados con los

bloques y elementos del SIMAN. Las plantillas proveen a los modeladores con un dominio

específico AST, o una plantilla de aplicación de solución. Por ejemplo, actualmente está

disponible la plantilla de fabricación de cierre (WFT), la plantilla de reingeniería de procesos (BPR),

y una plantilla de manufactura avanzada AMT). Las plantillas pueden ser construidas por quienes

compren la edición profesional.




El Cinema V basado en vectores esta contenido en el ARENA. Esta capacidad de

animación está integrada con los módulos del ARENA. Por ejemplo, cuando se añade un módulo

para representar un proceso de manufactura, un modelador puede obtener ambos la

modelación lógica para representar el proceso, así como los componentes del Cinema

representando el trabajo en proceso, y el estatus del recurso (ocupado, ocioso, en reparación,

etc.)

Las características más relevantes de la aplicación ROCKWELL ARENA son:

Simulador de sistemas de eventos discretos.

Utiliza el lenguaje de simulación SIMAN

El código interno en SIMAN puede evaluarse, modificarse o adicionarse de subrutinas

en lenguaje C, Fortran, etc.

Permite programar visualmente mediante asociación de bloques ) Crea modelos de

simulación sin la necesidad de codificar programas)

Admite simulación continua y discreta

Gran flexibilidad de uso

Permite la programación a bajo nivel

Proporciona un entorno gráfico para visualizar la evolución de los sistemas simulados

(Permite mostrar la animación del modelo construido)

2.2.11.8 SIMULADOR SIMUL8

El SIMUL8 desarrollado por Visual Thinking Internacional Ltd en Escocia, Reino Unido en 1994,

es frecuentemente promovido como un paquete para análisis rápidos y es frecuentemente usado

en centros educativos.

SIMUL8 es un software para Simulación de Eventos Discretos. Permite al usuario crear un

modelo visual del sistema que se está investigando, dibujando objetos que son sacados

directamente sobre la pantalla. Los objetos típicos pueden ser colas o puntos de servicio. Las

características de los objetos pueden definirse en términos de, por ejemplo, capacidad o

velocidad.

Cuando el sistema ha sido modelado, se puede emprender la simulación. El flujo de

trabajos en el sistema se muestra por animación en la pantalla tal que se puede evaluar que tan

apropiado es el modelo.

Cuando la estructura del modelo se ha confirmado se pueden realizar numerosos ensayos

que permitan describir el desempeño del sistema estadísticamente. Los estadísticos de interés

pueden ser tiempo promedio de espera., utilización de recursos, etc.

Las opciones de interface de SIMUL8 (que determina la terminología y los iconos usados) se

presentan en tres diferentes ambientes: servicio de salud, servicios de industria, fabricación. Este

manual brinda al lector bases para el uso de SIMUL8 con base en el ambiente de fabricación.

El concepto de construcción del modelo en SIMUL8 es muy simple de entender y fácil de

aprender cómo usarlo. Existen en la actualidad solo cinco artículos que deben ser entendidos, y

todos ellos trabajan en una forma similar. Estos cinco artículos son:

1. Punto de entrada de trabajos (fuente)

2. Centro de trabajo (ej.: estación, servidor, máquina, etc.)

3. Área de almacenamiento (ej.: cola enfrente de una estación, etc.)

4. Salida de trabajos

5. Recursos (Mano de obra, herramientas, etc.)




Por un pequeño pago extra el usuario pude obtener varias adiciones, incluyendo análisis

de costos, optimizador del modelo, y gráficas Gantt para reportes. Estas adiciones son fáciles de

entender y son integradas en una interface estándar.

El SIMUL8 es también compatible con VISIO, un botón del SIMUL8 aparece en el menú

principal en VISIO si el SIMUL8 y VISIO son instalados en la misma computadora. Dando clic en este

botón transforma un diagrama de flujo TQM en un modelo de SIMUL8 ( un almacén se transforma

en una unidad de almacenamiento en SIMUL8; Operaciones, procedimientos o transporte son

transformados en centros de trabajo).

La ventana de trabajo del Simul8 es bastante gráfica y la forma de trabajar con él se hace

bastante intuitiva, pero sus recursos son limitados de manera que para simular modelos

complicados, llegamos a un punto en que determinadas aplicaciones no son simulables.

En lo referente al coste de los programas, todos resultan bastante caros salvo Simio y Arena

que son los dos programas más económicos de entre todos los comparados. Pero Simio cuenta

además con la ventaja de ser más moderno e intuitivo que Arena, ser del mismo equipo de

programadores que creo Arena; es decir como una evolución de Arena que añade entre otras

cosas simulación en tres dimensiones que aporta mucho más realismo al proceso que se modela.

Simio no tiene un analizador de datos de entrada que nos diga que distribución estadística siguen

los datos medidos ni tiene la capacidad de programar tan desarrollada como Arena pero muchos

expertos en simulación consideran a Simio como la evolución lógica de Arena.

En el siguiente apartado se describe el software Simio que es el escogido para esta

investigación y posteriormente las razones de porque se escoge este paquete DES con respecto a

los demás.

2.3 Simulación mediante software SIMIO.

2.3.1 Software de simulación Simio

Simio es un programa de simulación muy reciente que viene a satisfacer en gran medida la

demanda actual, especialmente en el mundo industrial, en cuanto a la necesidad de poder

disponer de un software potente y fiable con el que solventar grandes problemas de la industria

por medio de la simulación. Este software no esta limitado a la simulación de procesos de

fabricación, como es nuestro caso, ya que es útil también para los campos de logística y

administración de todo tipo de procesos entre.

SIMIO incorpora unos recursos llamados “SimBits” que hacen referencia a la librería de

modelos elementales (cada uno ilustrando una estructura de modelización particular de SIMIO) y

“Example Projects” que hacen referencia a la librería con modelos completos.

Imagen 2-9 Ventana inicial Simio




2.3.2 Componentes de la ventana de modelaje de Simio.

Simio posee al igual que Arena un panel que está constituido por unos módulos que

forman parte de una serie de tableros, de los cuales serán seleccionados y arrastrados los módulos

para colocar en la plantilla del modelo.

Imagen 2-10 Ventana trabajo Simio

Entre ellos los más importantes son:

Source: Módulo para la generación de entidades

Imagen 2-11 Módulo Source

Sink: Módulo para la eliminación de entidades del modelo.

Imagen 2-12 Módulo Sink

Server: Módulo para la realización de los procesos de transformación de las entidades.




Imagen 2-13 Módulo Server

Combiner: Módulo para la agrupación de entidades.

Imagen 2-14 Módulo Combiner

Separator: Módulo para la duplicación de entidades.

Imagen 2-15 Módulo Separator




Worker: Módulo para simular al trabajador.

Imagen 2-16 Módulo Worker

Path: Módulo para simular la distancia a una velocidad determinada.

Imagen 2-17 Módulo Separator

TimePath: Módulo para simular el tiempo que lleva recorrer una distancia.

Conveyor: Módulo para simular una cinta transportadora.

TransferNode: Módulo para representar los nodos entre diferentes bloques.




2.4 Porque Simio

La simplicidad de SIMIO ante otros softwares evaluados permite una versatilidad y rapidez

ante la operativa mucho mayor.

Las razones por las que se decidió utilizar SIMIO son:

Precio asequible a nivel licencia de estudiante.

Capacidad de operar a nivel avanzado en muy poco tiempo.

Permite integrar los datos a través de tablas Excel o con links directos a toma de los

mismos de un ERP.

Rapidez de cálculo alta.

Gran capacidad de muestra grafica de resultados. Amplia librería de iconos y

entidades gráficas.

Permite solapar planos en el interface gráfico.

Para mostrar resultados basta con tener el programa demo, con limitaciones de hacer

cambios y grabarlos.

Permite realizar cálculos de procesos complejos de una manera sencilla.

Compatibilidad entre versiones diferentes.

La relación calidad/precio es muy alta

Según los criterios propuestos en la ISO 9126, a comparativa de los diferentes programas se

muestra en la siguiente tabla

ARENA SI TOTAL SI SI BAJO

SIMIO SI TOTAL SI SI BAJO

WITNESS SI TOTAL SI SI ALTO

SIMUL8 SI NO NO SI BAJO

QUEST SI PARCIAL SI SI ALTO

PROMODEL SI TOTAL SI SI ALTO

EXTEND 5 SI TOTAL SI SI ALTO

FLEXSIM SI TOTAL SI SI ALTO

AUTOMOD SI TOTAL SI SI ALTO

SIMFACTORY SI TOTAL SI SI ALTO

Importar

ficheros CAD

Trabajo

con

GPAO´s

Señal

error

simulación

Programación

en bloquesCoste

Tabla 2-1 Comparativa software simulación según ISO 9126

CAPITULO 3 - METODOLOGÏA DESARROLLADA



3 METODOLOGÍA DESARROLLADA

La metodología desarrollada se divide en siete fases o pasos para facilitar su seguimiento,

determinar los entregables y cumplimiento de los objetivos marcados. Se pasa a definir las

actividades que se llevan a cabo en cada una de estas etapas de manera esquemática.

Grafico 3-1 Flujograma de la metodología

Como resumen el desarrollo de esta metodología permite la aplicación de un modelo

diseñado con herramientas informáticas, al efecto software DES, a un proceso de toma de

decisiones basado en la evolución de parámetros LM.

FASE 1

Análisis inicial

FASE 2

Modelo de

simulación

Datos

reales

Modelo

conceptual

FASE 3

Test modelo

de simulación

Verificación

Validación

KPI Lean

iniciales

FASE 4

Diseño

Experimentos

FASE 6

Documentación

e informes

FASE 7

Implantación

FASE 5

Analisis

Resultados

Formulacion

del problema

Objetivos

Areas piloto

KPI Lean

finales




3.1 FASE 1: Análisis inicial

3.1.1 Formulación del problema

En esta fase se realiza un análisis inicial de cada situación en cada uno de los casos a

estudiar. Se establecen las prioridades sobre diseños de nuevos procesos en base a optimización y

diagnósticos de los problemas existentes.

3.1.2 Determinación de objetivos

En esta etapa se definen las variables necesarias para el desarrollo de la investigación. En

esta etapa se hace especial hincapié en el establecimiento de los mecanismos de coordinación y

coherencia de los datos recogidos para su estudio. Es donde se define que la DES es la mejor

herramienta para poder definir correctamente la evolución de los KPI de una modelización LM. De

manera general se busca:

Analizar y entender el comportamiento del sistema

Evaluar las posibles oportunidades de mejora.

Medirlas a través de KPI de LM.

Para ello es de mucha utilidad el uso de herramientas VSM que complementaron la toma

de decisiones , así como el análisis de los diagramas de flujo de las plantas.

Grafico 3-2 Ejemplo de diagrama de flujo

Recepción de pedidos de clientes

Pedidos a oficina de fabricación

Preperación de

programa

¿Pedidos

Espera

Entrega document

ación

Envío de programa a

Programa de Corte en espera

Fabricación de Perfiles

Activamos Programa de

Corte

¿Plancha

Carga ManualCargador

Automático

Corte

¿Fin de Programa?

Despiece y colocación en caballete

Programa corte en espera

Corte de Perfiles

EnsamblajePerfiles

LLenado de sales

Colocación de Programas por

Programa Perfiles en espera

Ordenadode

programa

Colocación de caballete en

Línea de lavado, unión y sellado

Lavado

Unión Perfil . Cristal y Prensado

Sellado Aut.Doble Cristal

Almacenamiento producto

Carga en camión y reparto

si

no

no

si

no

si

Sellado ManualDoble Cristal

RUTA 1

RUTA 2

RUTA 3




Imagen 3-1 Ejemplo de Lay Out

Grafico 3-3 Ejemplo de VSM

3.1.3 Establecimiento de áreas piloto

En esta etapa se analizan los factores críticos de los procesos de producción. Se corrobora

directamente con los responsables de las empresas, examinado y analizado los flujos de

materiales, las personas, el flujo de la logística de la empresa, las capacidades de producción de

las áreas de trabajo, los tiempos de espera y parada……..

Después de evaluar todos los parámetros, se definen las áreas piloto donde se podrían

aplicar las mejoras, sobre una base de búsqueda de oportunidades de mejora que se identifican

y se pueden llevar a cabo con esta metodología. En algunos casos se estudia la planta al

completo y en otros determinadas áreas debido al tamaño de las empresas.




3.2 FASE 2: Definición del modelo de Simulación

3.2.1 Recogida de datos reales.

La metodología establecida para la medición de parámetros se hace a través de los datos

de las empresas o bien de sus ERP, programas de gestión, informes de producción o directamente

recogidos en planta en las visitas. Se hace con múltiples auditorías a las empresas seleccionadas

en las que participa activamente el personal de la empresa para la toma de datos en las áreas

piloto. Se comprueba en estas visitas la fiabilidad de esta información para validar la precisión de

este proceso.

Este proceso de recogida de datos es una etapa crítica del estudio, ya que para que este

tenga validez, los datos recogidos deben ajustarse lo más posible a la realidad. A través del uso de

herramientas estadísticas, se evalúan los patrones de comportamiento de los procesos y las áreas

analizadas.

Los tipos de datos con los que se trabajan son:

1. Información sobre el sistema de producción (producción diaria para obtener, procesar y

operaciones de sus tiempos, etc.).

2. Datos que dependen de los trabajadores y que pueden estar cambiando, con el fin de

hacer que el sistema resultante sea lo más eficiente posible (número de trabajadores y

máquinas en cada operación, el tamaño de los lotes cambiar las operaciones, el tiempo

de trabajo por día y stands, etc.).

3.2.2 Generación conceptual del modelo de simulación en Simio

Una vez validada esta información se comienza con el diseño de las distribuciones en

planta, con la programación del comportamiento de los flujos de información, materiales y

personas, y la planta de producción a gran escala. Se definen las variables de entrada,

parámetros y variables de salida.

La integración de herramientas estadísticas, junto con el modelo de simulación desarrollan

posibles escenarios, pesimistas, optimistas y realistas, y estos se ajustan a funciones estadísticas o

modelos de probabilidad, con diferentes resultados.

Se comprueba el ajuste de los datos de cada proceso a modelos estadísticos con

software, en nuestros casos se usa el SPSS y el módulo de análisis de datos de Arena , ya que en el

momento que se realizaron los estudios Simio no disponía de esta herramienta.

Grafico 3-4 Análisis gráfico de modelos de distribución estadísticos




3.3 FASE 3 : Test del modelo de simulación

3.3.1 Simulación Proceso Real – Verificación.

En esta etapa se hace la comprobación del modelo de gestión actual orientándolo a

filosofía Lean. Este modelo persigue un enfoque basado en la realización de lo que se necesita

para ofrecer al cliente exactamente la cantidad que desee y en el momento que se quiere, a un

precio competitivo. Este enfoque tiene como principios para la creación de valor, la ejecución de

los procesos de transporte, reducir el desperdicio y mejorar tanto el flujo de valor como el flujo de

actividades.

La parte fundamental de esta fase es comprobar la lógica de funcionamiento del sistema

real, sin que el modelo dé errores. Cuanto más real sea el sistema, más exactos serán los resultados

y su validación será mas clara.

Para reflejar los sucesos reales, se realizan los esquemas visuales de las operaciones que

tenían lugar en cada ejemplo, ya que estos deben de tratarse como n procesos dependientes, y

nunca como sucesos independientes. Esto es debido a que aunque se pudiera mejorar la

eficiencia de un proceso de forma aislada en un porcentaje, la mejora que se produjera en el

cómputo global de la producción podría ser escasa o incluso nula. Al tratarse de un conjunto de

procesos dependientes los cambios afectan o modifican las condiciones del resto pero en

diferentes grados, dependiendo de la importancia y el impacto de cada uno sobre la globalidad.

Imagen 3-2 Modelo planta actual en ejecución




Tabla 3-1 Resultados simulación

3.3.2 Validación del modelo de integración.

Para la validación final se hace una comparativa de funcionamiento del modelo diseñado

con el comportamiento real analizado previamente. Este proceso se hace de manera iterativa

hasta que la coherencia/discrepancia entre ambos sea mínima y podamos considerar el modelo

óptimo para trabajar con él.

Esta es la fase más crítica que nos hemos encontrado en la investigación, ya que

pequeñas diferencias en el análisis pueden provocar grandes errores en los resultados que

queremos obtener al hacer diferentes experimentos o escenarios. No solo eso, sino que además los

costes en los que se incurrirían a futuro, no justificarían la metodología utilizada.

Grafico 3-5 Validación modelo

0

2

4

6

8

10

12

14

16

18

1 2 3 4 5 6 7 8 9 10 11 12

Comparación y validación de datos

Resultados simulados Valores registrados ERP




3.3.3 Establecimiento KPI lean iniciales

Se pueden escoger múltiples KPI dentro de los descritos con anterioridad, pero después de

una selección entre muchos parámetros disponibles se establecen unos KPI lean iniciales

centrados sobre todo en dos áreas:

Análisis de eficiencia.

o Horas de experimentación del modelo del área piloto.

o Número de operarios dedicados.

o Horas trabajadas totales.

o Unidades producidas.

o Productividad en ud/Horas-Hombre

o Lead Time.

o Takt time.

o Wok in progres.

o OEE entendido como eficiencia del proceso.

Análisis de despilfarros , muda

o Tiempo desperdiciado en transporte.

o Tiempo desperdiciado en esperas.

o Nivel de inventario.

o Ocupación en planta del Lay Out.

3.4 FASE 4 : Diseño de experimentos

Partiendo del hecho de que ya se tiene un modelo de simulación verificado y validado, se

diseñan diferentes alternativas que pueden ser simuladas de manera sencilla. La aplicación de la

DES va a permitir evaluar propuestas de mejora del sistema de fabricación en experiencias

dinámicas, teniendo en cuenta diferentes escenarios en los que principalmente influyen:

Momento en el que se comienza la simulación.

Duración en tiempo durante el que se realiza.

Número de veces que se repite.

Bajo filosofía LM, se llevan a cabo los nuevos procesos que se representan en los modelos

de simulación, cuyo objetivo final es lograr la máxima eficiencia rediseñando la planta, flujos de

proceso y recursos productivos.

Un aspecto clave en relación con la eficiencia y la competitividad del sistema productivo

es el nivel de existencias en proceso o WIP(work in progress ). Su reducción viene de la mano de la

eliminación gradual de todos los tipos de actividades que se consideran ineficientes y no aportan

valor. Se busca proporcionar las herramientas que permiten obtener en los procesos rediseñados

(tratando de mejorar los procesos existentes): eliminar desequilibrios, reducción de los plazos de

entrega, minimizar los lotes de producción y movimientos, en resumen, crear procesos eficientes,

sin despilfarros.

Con todas estas variables introducidas en el sistema de simulación, se procede a rediseñar

los procesos, la determinación de los puestos de trabajo y la asignación de tareas, teniendo en

cuenta todos los participantes activos y tratando de la mejor manera posible los parámetros de

eficiencia de la planta. Se procede con todos estos datos para determinar cifras precisas para el

diseño y mejora de procesos.




3.5 FASE 5: Análisis de los resultados

Esta fase es donde se evalúan y homogenizan los resultados obtenidos comparando los

datos iniciales que se planteaban con los modelos actuales con los datos obtenidos con los

modelos experimentales desarrollados aplicando las mejoras sugeridas. Y servirá de ayuda para la

toma de decisiones.

Se refleja que además de todos los indicadores adaptados a LM obtenidos en la fase 3 , se

obtienen nuevos valores de las simulaciones planteadas en la fase 4 que establecen los

parámetros definitivos para la toma de decisiones sobre los cambios propuestos : lay out,

operativa en los puestos de trabajo , tamaño de lotes , secuencias de trabajo , desplazamiento y

resto de variables definidas en etapas anteriores.

El resumen de los resultados mostrará si hay o no una mejora considerable en un espacio

de tiempo corto y con una inversión mínima muy baja.

A continuación se presenta un resumen algunas de los parámetros para el diseño, y donde

se puede apreciar como variaron estos indicadores.

.

Tabla 3-2 KPI obtenidos de la simulación mejorada de puestos de trabajo




Tabla 3-3 KPI simulación mejorada de desplazamientos de lotes entre dos procesos consecutivos

Tabla 3-4 KPI simulación mejorada de desplazamientos de lotes entre dos procesos intermedios

3.6 FASE 6: Documentación e informes.

La documentación del programa de simulación y los archivos utilizados es necesario

conservarlo ya que el software puede usarse de nuevo por los mismos o diferentes analistas. Los

parámetros pueden ser modificados en cualquier momento del proceso de simulación y la

documentación es importante ya que ayuda a aprender y establecer la relación entre los

parámetros y su interrelación con respecto al rendimiento de la simulación.

Los informes proporcionan una cronología de los trabajos realizados y las decisiones

tomadas que podrían ser de gran valor en el mantenimiento del proyecto en curso. Un informe de

registro puede incluir los logros, las solicitudes de cambio, las decisiones clave y otros aspectos

importantes. El resultado de todo análisis debe documentarse claramente en un informe final.

Es por ello que el capítulo 4 -Bases Experimentales ha sido redactado siguiendo la

metodología desarrollada de manera que el estudio de cada caso pueda ser usado como

informe al efecto de los resultados obtenidos de esta investigación en cada uno por separado.

3.7 FASE 7: Implantación.

Con los resultados obtenidos, si es que estos son positivos a la hora de analizar los cambios

medidos por indicadores LM, se dispone de información suficiente para poder poner en marcha

todas las mejoras simuladas y conociendo de antemano los valores de unos parámetros

marcados como objetivos.

Una de las mejores formas de introducir las mejoras sería a través de workshops en cada

una de las empresas estudiadas.

Solo queda la decisión de gerencia para ponerlos en marcha. Este punto quedaría fuera

del alcance de estudio de esta tesis doctoral y podría ser origen de continuación para otra tesis

complementaria.

CAPITULO 4 - BASES EXPERIMENTALES



4 BASES EXPERIMENTALES.

En este capítulo se definirán los modelos experimentales en los que se ha basado la

investigación en donde se mostrarán los trabajos realizados en diferentes empresas de

producción.

Estos casos son los siguientes:

Empresa de troqueles de cartón

Empresa de productos cerámicos

Empresa de fabricación de vidrio




4.1 Caso Empresa de fabricación de troqueles de cartón

4.1.1 FASE 1: Análisis inicial

4.1.1.1 Formulación del problema

El proceso productivo industrial escogido para la validación de la metodología ha sido el

de fabricación de troqueles para cajas de cartón, tanto rotativos como planos, que es una

industria que permite obtener una gran sencillez en el modelado, sin por ello dejar de tener un

sistema muy completo y variado en cuanto a recursos y utilidades. Por lo tanto, permitió de forma

sencilla aprovechar gran cantidad de las múltiples opciones que nos ofrece el software Simio sin

necesidad de entrar en extrema complejidad.

Grafico 4-1 Diagrama de proceso productivo

4.1.1.2 Objetivos

Se establecieron los siguientes objetivos de acuerdo con la dirección de la empresa,

enfocados a:

DISEÑO MUESTRA

PROCESADO DE FLEJE SERRADO LASER

MONTAJE TROQUEL

PEGADO DE GOMA

EMBALAJE Y ENVÍO

REVISIÓN

ORDEN DE TRABAJO




Búsqueda de un Lay out más lógico que pudiera reducir los flujos de materiales y

eliminar costes innecesarios.

Detectar las posibles oportunidades de mejora centradas en la redistribución y

utilización de recursos productivos tanto a nivel de recursos humanos como técnicos

Establecer un sistema de KPI LM que pudiera reflejar la idoneidad de las diferentes

oportunidades de mejora.

4.1.1.3 Area Piloto.

En este caso se decidió por tamaño enfocar la planta completa de fabricación,

centrándose sobre todo en el proceso de troquel rotativo que es el 80 % de la facturación de la

empresa.

Grafico 4-2 Lay out actual fábrica de troqueles

4.1.2 FASE 2: Modelo de simulación.

4.1.2.1 Datos reales

Para la recogida de datos de los procesos reales se tomaron los datos proporcionados por

el ERP diseñado Ad Hoc de la empresa en donde se compararon diferentes datos y que servirán

posteriormente para modelizar el problema de producción don software DES.

En este caso se tuvo una base experimental muy amplia ya que se disponía de datos de la

empresa de los últimos 15 años y se pudieron establecer modelos estadísticos muy reales que

respondieron a las variables de comportamiento con gran exactitud.

Cabe destacar que este caso, salvo que la empresa esta altamente informatizada, no es

muy común en las pequeñas y medianas empresas que pueden ser objeto de la aplicación de

esta metodología.




Imagen 4-1 Imagen empresa troqueles

De donde se pueden exportar a Excel múltiples datos de operaciones para su análisis y

alimentar las entradas del software Simio

Tabla 4-1 Tabla datos ERP empresa troqueles

Nº de O.F. Dibujo Sierra SCPM Cuchilla Goma Aros Succion Embalaje M.GG /M.CC

Resumen F 0,89466617 1,22826388 0,62232655 0,96555446 0,93749876 0,96555446 0,85639668 0,94303887 1,0526383

Resumen P 0,86366013 1,16640244 0,51907591 0,65310407 0,76972043 0,65310407 0,78825308 0,58351254 1,00883901

Resumen MF 0,87604396 1,43820896 4,68 1,44413265 0,21988372 1,44413265 1,96051571 0,78610039 3,83478261

Resumen MP 0,596 2,12 3,08 1,14428571 0,69553265 1,14428571 1,51145038 0,656 2,17560554

Total 0,88447622 1,21944999 0,60532688 0,97269398 0,81995978 0,67727059 1,11463918 0,83102542 1,12957141


Resumen F 0,83629246 1,07083609 0,60731244 0,87610996 0,9086484 0,9086484 0,9086484 0,92324805 1,03227924

Resumen P 0,83317865 1,26640927 0,54427518 0,94230869 1,11275676 1,11275676 1,11275676 0,78625526 1,00466545

Resumen MF 0,91564356 0,98292683 0,97241379 1,5098051 0,46437811 0,46437811 0,46437811 0,40804997 3,80913614

Resumen MP 1,11857143 0,89793103 1,1 3,1576 0,32751131 0,32751131 0,32751131 0,34957983 5,82712766

Total 0,8411437 1,12916667 0,59866294 0,98884854 0,83253947 0,58186398 0,75473684 0,80035957 1,17497944


Resumen F 0,80321744 1,00525903 0,50367713 0,85809592 0,87316071 0,85809592 0,88030476 0,97981424 1,04380937

Resumen P 0,73014821 1,11634069 0,37614035 0,73377193 0,87197585 0,73377193 0,83005146 0,75711009 1,02551664

Resumen MF 1,00817204 0,95382353 0,672 1,46579488 0,26632026 1,46579488 1,66771134 0,7558629 4,1480226

Resumen MP 1,2576 1,07243243 1,27714286 1,44209059 0,54465753 1,44209059 1,66354274 0,95757576 1,96041667

Total 0,78649123 1,04173355 0,46526316 0,89534969 0,7939852 0,51004525 1,08631579 0,88700062 1,12866904

EN

ER

OF

EB

RE

RO

MA

RZ

O




Tabla 4-2 Tabla datos ERP Empresa troqueles

Tienen una mención especial el estudio de flujo del material en la planta en donde se

pueden observar a simple vista recorridos superfluos que reducen considerablemente el valor

Tarea Tiempo Teórico Media Desviacion tipica Tiempo Real en OF PACK MASTER CURVAS 2 POSES

SIERRA 1,94 2,25 0,75 1,98

DIBUJO 1,45 1,69 0,56 1,55 F47409

SCPM 1,69 1,58 0,53 2,38

BARRAS 0,88 0,98 0,33 0

SUCCION 0,79 0,89 0,30 0

EMBALAJE 0,35 0,4 0,13 0

AROS 0,68 0,77 0,26 0

GOMA 2,77 2,87 0,96 2,43

CUCHILLAS 6,76 6,97 2,28 6,55

Tarea Tiempo Teórico Media Desviacion tipica Tiempo Real en OF PACK MASTER CURVAS 4 POSES

SIERRA 2,35 2,79 0,93 1,85

DIBUJO 1,65 1,8 0,60 1,88 F47410

SCPM 1,95 1,83 0,61 0,98

CUCHILLAS 9,86 9,78 3,10 7,8

GOMA 3,79 3,78 1,26 3,2

CONTRATROQUEL 4,7 4,4 1,47 0

AROS 0,85 0,85 0,28 0

SUCCION 1,15 1,14 0,38 0

EMBALAJE 0,35 0,5 0,17 0

Tarea Tiempo Teórico Media Desviacion tipica Tiempo Real en OF DESCONOCIDO 1 POSE

GOMA 1,32 1,31 0,44 0,58

CUCHILLAS 2,78 2,77 0,92 1,58 F47411

AROS 0,62 0,58 0,19 0

EMBALAJE 0,35 0,34 0,11 0

BARRAS 0,95 1,32 0,44 0

SUCCION 1,07 1,15 0,38 0

DIBUJO 1,15 1,17 0,39 0,48

SIERRA 1,43 1,47 0,49 1,2

SCPM 0,67 0,76 0,25 0


GOMA 1,32 1,31 0,44 0,57

CUCHILLAS 2,78 2,77 0,92 0,83 F47412

AROS 0,62 0,58 0,19 0,3

EMBALAJE 0,35 0,34 0,11 0

BARRAS 0,95 1,32 0,44 0

SUCCION 1,07 1,15 0,38 0

DIBUJO 1,15 1,17 0,39 0,97

SIERRA 1,43 1,47 0,49 0,63

SCPM 0,67 0,76 0,25 0,13


GOMA 1,32 1,31 0,44 0,32

CUCHILLAS 2,78 2,77 0,92 0,43 F47413

AROS 0,62 0,58 0,19 0

EMBALAJE 0,35 0,34 0,11 0

BARRAS 0,95 1,32 0,44 0

SUCCION 1,07 1,15 0,38 0

DIBUJO 1,15 1,17 0,39 0,32

SIERRA 1,43 1,47 0,49 0,93

SCPM 0,67 0,76 0,25 0,48

Tarea Tiempo Teórico Media Desviacion tipica Tiempo Real en OF PACK MASTER CURVAS 1 POSE

SIERRA 1,62 1,81 0,60 2,1

DIBUJO 1,35 1,42 0,47 1,68 F47414

CUCHILLAS 5,06 4,96 1,65 6,43

BARRAS 1 0,72 0,24 0

GOMA 2 2 0,67 2,65

SCPM 1,04 1,04 0,35 0,47

AROS 0,69 0,69 0,23 0

SUCCION 0,64 0,85 0,28 0

EMBALAJE 0,35 0,41 0,14 0,4




añadido de las operaciones actuales. Se muestran a continuación de manera cualitativa algunas

de estas observaciones:

Las materias primas entran por un una puerta lateral de la nave donde se descargan

directamente al almacén de troqueles rotativos situado al lado de la puerta y al

almacén de troqueles planos al lado de los laser de corte.

Estas materias primas por un lado se almacenan en lugares diferentes lo que dificulta su

control y por el otro algunos de ellos están muy alejados de las máquinas donde se

procesan...

Las bobinas de fleje se llevan al lado de los troqueles planos donde se colocan las

maderas en la parte superior y en la parte inferior el fleje.

Desde las zonas de proceso se llevan los troqueles acabados a expediciones que

coincide con la zona de almacén.

Los operarios tienen en sus puestos de trabajo las herramientas y pequeños materiales,

en almacenes intermedios, pero estos se abastecen al acabarse del almacén principal,

con lo que el control del material en curso es muy complejo.

Para realizar todos los movimientos de peso, se usa una carretilla eléctrica que

evidentemente hace viajes entre la zona de producción con toda la molestia que ello

conlleva.

4.1.2.2 Modelo Conceptual

Una vez estudiado el proceso de fabricación, recursos empleados y tiempos de

fabricación se pasó a la modelización conceptual con software DES del caso en un modelo lógico

que define como funcionaba el sistema productivo.

Con el software Simio se ejecutó ese modelo que representa el funcionamiento real del

sistema intentando que se realizara con la mayor exactitud posible. Así se tiene una herramienta

fiable ya que si se hubiera hecho excesivamente simple sin tener en cuenta la mayor parte de

casuísticas posibles perdería gran parte de su funcionalidad. La lógica utilizada para la

generación del modelo gestiona el avance de las entidades de manera secuencial

Los datos obtenidos del ERP son datos registrado por la empresa a lo largo del tiempo pero

para realizar una modelización correcta deben de ser estudiados desde un punto de vista

estadístico. Existe una componente aleatoria que hay que tener en cuenta ya que no todos los

operarios trabajan igual de rápido ni realizan el mismo trabajo con la misma calidad Es por ello

que mediante análisis estadístico con el software SPSS se definieron las distribuciones estadísticas

que se adaptaban a los datos de cada operación/tarea que se utilizaron.

Se buscaron variables y parámetros significativos del problema de producción, y la relación

entre ellas para llegar a una propuesta de resolución desde una óptica LM.

En la siguiente tabla se muestran parte de los resultados que se obtuvieron al analizar un

amplio listado de pedidos y se observó que cada una de las operaciones realizadas se ajustaba a

distribuciones normales con diferentes medias y desviaciones típicas. Estos datos se introdujeron en

la parametrización del modelo Simio.




Tabla 4-3 Tiempos de fabricación según pedido

Imagen 4-2 Tiempos de fabricación según pedido

Se asignaron a los recursos tiempos de operación diferentes según el tipo de producto a

fabricar. Simio asignará los tiempos correspondientes con su desviación típica cuando le llegue

cada uno de los pedidos.

Imagen 4-3 Asignación de tiempos de fabricación según pedido

NOMBRE Pedido1

FECHA Y HORA LANZAMIENTO O.F. 07/02/2011 8:26

TIEMPO CAD Distribución Normal( 1.69,0.56 )

TIEMPO LASER Distribución Normal(2.25,0.75 )

TIEMPO FLEJE Distribución Normal( 1.58,0.53 )

TIEMPO MONTAJE FLEJE Distribución Normal(6.97,2.28 )

TIEMPO MONTAJE GOMAS Distribución Normal(2.87,0.96 )

TIEMPO MONTAJE Distribución Normal( 0.4,0.13 )

NOMBRE Pedido2

FECHA Y HORA LANZAMIENTO O.F. 07/02/2011 11:17

TIEMPO CAD Distribución Normal(1.8,0.6 )

TIEMPO LASER Distribución Normal(2.79,0.93 )

TIEMPO FLEJE Distribución Normal(1.83,0.61 )

TIEMPO MONTAJE FLEJE Distribución Normal(9.78,3.1 )

TIEMPO MONTAJE GOMAS Distribución Normal(3.78,1.26 )

TIEMPO MONTAJE Distribución Normal(0.5,0.17 )




Como primer paso se identificaron los diferentes elementos que intervenían en el proceso

así como sus características particulares que harán que les permitirán ser diferenciados del resto y

puedan circular así definidos por el sistema.

Módulos de datos utilizados:

Entidades: Se definieron como entidades los pedidos de troqueles y su frecuencia a

través de un módulo “SOURCE” y circularan pro el sistema diseñado durante todo el

tiempo del proceso que se estudió.

Recursos: Fueron definidos como recursos los operarios y las máquinas que se usaron a

través de los módulos “SERVER”.

Distancias : Se usaron los módulos “PATH” para los recorridos definiendo longitudes y

velocidades en los mismos

Para plantear el fin del proceso se usó el módulo que se encarga de que las entidades

dejen el sistema, el módulo “SINK”.

Imagen 4-4 Modelo conceptual de simulación en Simio fabricación troqueles

En realidad se plantearon una serie de restricciones de la simulación para acotar el

comportamiento del modelo, con la siguiente serie de hipótesis de partida:

Las máquinas no fallan, hay paradas de mantenimiento preventivo pero las máquinas

no fallan mientras la fabricación está en curso porque es muy difícil sin datos suficientes

establecer la frecuencia de averías.

Inicialmente no hay trabajos pendientes de realización. Si hay trabajos sin realizar del

turno anterior los valores de colas y tiempos de espera no se podrían evaluar

correctamente.

No existirán problemas de materia prima. Se supone un gestión logística buena que

mantendrá un stock suficiente para que el proceso no se detenga.

El tiempo de producción para la simulación es de 24 horas, es decir tres turnos de 8

horas. En aquellos turnos que deban estar trabajando ininterrumpidamente para

alcanzar la producción exigida durante las 8 horas laborales, durante los 30-35 min. de

parada del operario correspondiente, el puesto no deberá quedar libre, por lo que se

procederá a una sustitución de operario por otro durante ese tiempo. Esto se realizará

así para evitar una duplicación de todos los puestos de trabajo, puesto que supondría

un mayor coste para la empresa y no es necesario si adoptamos las medidas

adecuadas.

Se supondrá un grupo de pedidos típico compuesto de 10 troqueles rotativos y 2

troqueles planos ya que después de analizar los datos registrados en el ERP se observa

que la mayoría de los pedidos, alrededor de un 80% son troqueles rotativos.




4.1.3 FASE 3: Test del modelo de Simulación

4.1.3.1 Verificación

Con la modelización hecha se puso el programa en funcionamiento con todos los

módulos interconectados para verificar que las entidades podían recorrer el camino a través de

todos estos módulos. Una vez que se ejecutó el modelo, las entidades se desplazaron de manera

correcta a través de los distintos elementos, resultando ser estas las que hacen evolucionar al

sistema. Se modelaron posteriormente los recursos (operarios y maquinaria) y se conectaron todos

los bloques.

Imagen 4-5 Modelo planta actual troqueles en ejecución

Se generaron los informes de los resultados obtenidos, para verificar que el sistema

funcionaba de manera positiva.

Se mostraron de dos maneras:

En forma de tabla seleccionando cada bloque y mostrando las estadísticas.

En forma de informe mostrando todas las estadísticas, ordenadas según cada

elemento simulado.




Tabla 4-4 Tablas de Resultados simulación

Tabla 4-5 Informes de Resultados simulación





Una vez que se tuvo el modelo funcionando con los datos normalizados, se hizo una

comparativa entre los datos del ERP y los datos de la simulación resultando esta prácticamente

similar a la realidad, con lo que la modelización del sistema fue validada.

Tabla 4-6 Tabla comparativa para validación de datos

Grafico 4-3 Grafico comparativo para validación de datos

Tiempo Simio (H) Tiempo real en ERP

(H)

TROQUEL Nº1 12.1 11.9

TROQUEL Nº 2 15.5 15.0








TROQUEL Nº 10 13.2 13.7

TROQUEL Nº 11 5 4.0


0

2

4

6

8

10

12

14

16

18

1 2 3 4 5 6 7 8 9 10 11 12

Comparación y validación de datos

Resultados simulados Valores registrados ERP




4.1.3.2 KPI Lean Iniciales

Se establecieron los siguientes Valores de KPI iniciales para ver su evolución, divididos según

Criterio de productivo de eficiencia y de despilfarro

Eficiencia

Horas en estudio 24,00

nº operarios 7,00

Horas trabajadas totales 168,00

Unidades producidas 9,00

Productividad ( ud/HH) 0,05

LEAD TIME 12,13

TAKT TIME 18,67

WIP 1.512,00

OEE 0,65

Despilfarros

Tiempo Transporte 33,60

Tiempo Esperas 25,20

Inventario 2,67

Ocupación en planta 450,00

4.1.4 FASE 4: Diseño de los experimentos

A la hora de diseñar los experimentos se hizo la siguiente premisa de funcionamiento de

tres turnos de funcionamiento de 8 horas seguidos, con lo que la simulación se realizó en bloques

de 24 h con diferentes alternativas o pruebas:

Se establecieron producciones mínimas de 11 troqueles /día como las condiciones

reales.

Se buscan los diferentes cuellos de botella o limites de proceso, ya que hay recursos

que se usan de manera desequilibrada.

Redefinición de Lay Out Actual.

Se redistribuyeron los trabajadores por zonas.

Así es como quedaría la nueva distribución en planta tras los cambios y el modelo

experimental a utilizar en las simulaciones.

Imagen 4-6Modelo de planta de troqueles con mejoras en lay out




4.1.5 FASE 5: Análisis de los resultados.

Una vez puesto a simular el modelo mejorado obtenemos el siguiente análisis de resultados:

Lay Out: Con la nueva distribución se ajusta el espacio ocupado en función del peso

de los productos en valor, es decir el 20 % de los pedidos son de troqueles planos y

anteriormente tenía un área disponible muy superior a sus necesidades, esto ahora es

más acorde a la realidad.

Al cambiar la distribución de las máquinas acorde al flujo del proceso, podemos reducir

el tiempo de transporte en un tiempo muy elevado y eliminar los tiempos de espera

que se producían subiendo la ocupación de las máquinas y la productividad de los

operarios.

En realidad con ese esos cambios se buscó un flujo productivo lo más sencillo posible y

se obtuvo un aumento de productividad pasando de fabricar 9 troqueles a fabricar 11

troqueles en el mismo periodo de tiempo y con la misma mano de obra.

Imagen 4-7 Resultados comparando ambos modelos de simulación

Otra simulación con la que aumentamos trabajadores en la zona de la nave donde se

producía el cuello de botella haciendo la que la producción no fuese nivelada arrojó unos

resultados no concluyentes ya que el aumento de trabajadores no compensaba

económicamente ya que las máquinas no aumentan ni en ritmo ni en número y porque además

no hay espacio en el taller para colocar más maquinaria.

También se simuló una disminución de trabajadores en las zonas donde se producía más

rápido de lo que el cliente demandaba pero no resulto ser buena idea porque quedaban

pedidos sin atender con el riesgo de perder el cliente por no satisfacer su demanda.

Por último se hizo una redistribución de trabajadores en la fábrica haciendo una

producción nivelada y acorde a la demanda de pedidos pero los resultados tampoco son

concluyentes porque la factoría ya tiene bastante optimizado este punto teniendo trabajadores

flexibles que pueden desempeñar diferentes tareas y si la mayoría de pedidos son troqueles

rotativos casi todo el personal se dedica a troqueles rotativos y si la demanda es de troqueles

planos pues el personal se dedica a troqueles planos.




4.1.5.1 KPI Lean Finales

Los KPI Finales obtenidos fueron:

Eficiencia


nº operarios 6,00




LEAD TIME 10,21

TAKT TIME 13,09

WIP 1.584,00

OEE 0,78

Despilfarros



Inventario 2,18


4.1.6 Fase 6: Informes y documentación

En esta fase se documentan los resultados en un formato informe y se anexionan los

documentos en formato tablas que genera Simio tras las simulaciones que generan

Tras definir como debe ser el ciclo productivo que queremos poner a prueba y teniendo

conocimiento de qué recursos humanos y materiales son necesarios para poder llevarlo a cabo,

se ha modelado un sistema que refleje la realidad de la planta.

Una vez verificado y validado este modelo se han realizado varias pruebas de diferentes

diseños representativos del sistema a fin de encontrar uno que se ajuste de la mejor manera

posible a nuestros objetivos. Para ello se han tomado las suposiciones que se han considerado

oportunas y aquellos cambios en el sistema que a priori se ha considerado que podrían resultar

favorables a la solución final. Cabe decir que se han debido simplificar ciertos aspectos del

modelo inicial, en algunas ocasiones debido a que no han resultado relevantes puesto que no

afectaban de manera alguna al modelo, y en otros para evitar una complicación del sistema.

Aplicando la filosofía lean se han identificado una serie de propuestas de mejora en la

empresa que posteriormente se simularon obteniéndose unos parámetros de la simulación que

podrán ayudar a la gestión de la empresa en la toma de decisiones y alcanzar los objetivos

establecidos.

De los resultados se puede resaltar la infrautilización de algunos recursos y escaso tiempo

de trabajo útil de alguno de los operarios por culpa de desplazamientos innecesarios que no

aportan valor al producto.

Las propuestas de mejora generales fueron:

Un cambio en la distribución de las máquinas en la fábrica que conllevaba una

disminución del recorrido que los operarios tenían que realizar. Se buscó un flujo

productivo lo más sencillo posible.

Un aumento de trabajadores en la zona de la nave donde se producía el cuello de

botella haciendo la que la producción no fuese nivelada.




Una disminución de trabajadores en las zonas donde se producía más rápido de lo que

el cliente demandaba.

Redistribución de trabajadores en la fábrica haciendo una producción nivelada y

acorde a la demanda de pedidos.

Tras evaluar los resultados de las simulaciones se optó por un cambio en el lay out de la

planta con el que se obtuvo un aumento en la productividad cercana al 40 %.

Podemos ver la tabla resumen comparativa de las mejoras de los KPI antes y después

Antes Después %

Eficiencia

Horas en estudio 24,00 24,00

nº operarios 7,00 6,00 -14,29%

Horas trabajadas totales 168,00 144,00 -14,29%

Unidades producidas 9,00 11,00 22,22%

Productividad ( ud/HH) 0,05 0,08 42,59%

LEAD TIME 12,13 10,21 -15,84%

TAKT TIME 18,67 13,09 -29,87%

WIP 1.512,00 1.584,00 4,76%

OEE 0,65 0,78 20,00%

Despilfarros

Tiempo Transporte 33,60 17,28 -48,57%

Tiempo Esperas 25,20 14,40 -42,86%

Inventario 2,67 2,18 -18,18%

Ocupación en planta 450,00 360,00 -20,00%

Tabla 4-7 Tabla comparativa evolución KPI fabrica de troqueles

Se anexionan a continuación las tablas de Simio del modelo inicial y del modelo óptimo

realizado.




Interactive Detail Report Project: Tro - Actual

Model: Model Analyst Name: Daniel Prieto

Scenario: [Interactive Run]

NumberCreated - Total

Object Name Data Source Category Value

Pedido1 [Population] Throughput 3












NumberDestroyed - Total














NumberEntered - Total


Combinar1 MemberInputBuffer Throughput 12

Combinar1 OutputBuffer Throughput 12

Combinar1 ParentInputBuffer Throughput 12

Combinar1 Processing Throughput 12





Path1 [Travelers] Throughput 2




























Separador1 InputBuffer Throughput 12

Separador1 MemberOutputBuffer Throughput 12

Separador1 ParentOutputBuffer Throughput 12

Separador1 Processing Throughput 12





CAD_TP InputBuffer Throughput 2

CAD_TP OutputBuffer Throughput 2

CAD_TP Processing Throughput 2

CAD_TR InputBuffer Throughput 10

CAD_TR OutputBuffer Throughput 10

CAD_TR Processing Throughput 10

COLOCACION_FLEJE_TP InputBuffer Throughput 2

COLOCACION_FLEJE_TP OutputBuffer Throughput 2

COLOCACION_FLEJE_TP Processing Throughput 2

COLOCACION_FLEJE_TR InputBuffer Throughput 10

COLOCACION_FLEJE_TR OutputBuffer Throughput 7

COLOCACION_FLEJE_TR Processing Throughput 10

COLOCACION_GOMA_TP InputBuffer Throughput 2

COLOCACION_GOMA_TP OutputBuffer Throughput 2

COLOCACION_GOMA_TP Processing Throughput 2

COLOCACION_GOMA_TR InputBuffer Throughput 7

COLOCACION_GOMA_TR OutputBuffer Throughput 7

COLOCACION_GOMA_TR Processing Throughput 7

CORTE_FLEJE InputBuffer Throughput 12




CORTE_FLEJE OutputBuffer Throughput 12

CORTE_FLEJE Processing Throughput 12

CORTE_GOMA InputBuffer Throughput 12

CORTE_GOMA OutputBuffer Throughput 12

CORTE_GOMA Processing Throughput 12

EMBALAJE InputBuffer Throughput 9

EMBALAJE OutputBuffer Throughput 9

EMBALAJE Processing Throughput 9

LASER_TP InputBuffer Throughput 2

LASER_TP OutputBuffer Throughput 2

LASER_TP Processing Throughput 2

LASER_TR InputBuffer Throughput 10

LASER_TR OutputBuffer Throughput 10

LASER_TR Processing Throughput 10

MONTAJE_TP InputBuffer Throughput 2

MONTAJE_TP OutputBuffer Throughput 2

MONTAJE_TP Processing Throughput 2

MONTAJE_TR InputBuffer Throughput 10

MONTAJE_TR OutputBuffer Throughput 10

MONTAJE_TR Processing Throughput 10

TP InputBuffer Throughput 2

TR InputBuffer Throughput 7

Pedidos OutputBuffer Throughput 12

NumberExited - Total








































NumberInStation - Average


Combinar1 MemberInputBuffer Content 3,11399


Combinar2 ParentInputBuffer Content 2,55424

CAD_TP Processing Content 0,13906

CAD_TR InputBuffer Content 0,24882

CAD_TR Processing Content 0,63708

COLOCACION_FLEJE_TP Processing Content 0,19821

COLOCACION_FLEJE_TR InputBuffer Content 0,00505

COLOCACION_FLEJE_TR Processing Content 1,95473

COLOCACION_GOMA_TP Processing Content 0,13827

COLOCACION_GOMA_TR Processing Content 0,4622

CORTE_FLEJE InputBuffer Content 0,03548

CORTE_FLEJE Processing Content 0,524

EMBALAJE InputBuffer Content 0,02578

EMBALAJE Processing Content 0,18172

LASER_TP Processing Content 0,26987

LASER_TR InputBuffer Content 2,01508

LASER_TR Processing Content 0,76608

NumberInStation - Maximum


Combinar1 MemberInputBuffer Content 8


Combinar2 ParentInputBuffer Content 7

CAD_TP Processing Content 1

CAD_TR InputBuffer Content 4

CAD_TR Processing Content 2

COLOCACION_FLEJE_TP Processing Content 1

COLOCACION_FLEJE_TR InputBuffer Content 1

COLOCACION_FLEJE_TR Processing Content 4

COLOCACION_GOMA_TP Processing Content 1

COLOCACION_GOMA_TR Processing Content 4

CORTE_FLEJE InputBuffer Content 2

CORTE_FLEJE Processing Content 2

EMBALAJE InputBuffer Content 1

EMBALAJE Processing Content 1

LASER_TP Processing Content 1




LASER_TR InputBuffer Content 6

LASER_TR Processing Content 1

NumberInStation - Minimum









COLOCACION_FLEJE_TR InputBuffer Content 0






EMBALAJE InputBuffer Content 0





NumberInSystem - Average


Pedido1 [Population] Content 1,45286












NumberInSystem - Maximum


Pedido1 [Population] Content 3















NumberInSystem - Minimum














NumberOnLink - Average


Path1 [Travelers] Content 0,00002

























NumberOnLink - Maximum


Path1 [Travelers] Content 1




























NumberOnLink - Minimum



























ProcessingTime - Average (Hours)





CAD_TP [Resource] ResourceState 1,66873

CAD_TR [Resource] ResourceState 4,84916

COLOCACION_FLEJE_TP [Resource] ResourceState 2,37857

COLOCACION_FLEJE_TR [Resource] ResourceState 18,78725

COLOCACION_GOMA_TP [Resource] ResourceState 1,65924

COLOCACION_GOMA_TR [Resource] ResourceState 2,46293

CORTE_FLEJE [Resource] ResourceState 4,36422

EMBALAJE [Resource] ResourceState 0,62303

LASER_TP [Resource] ResourceState 3,23843

LASER_TR [Resource] ResourceState 9,19292

ProcessingTime - Occurrences


CAD_TP [Resource] ResourceState 2

CAD_TR [Resource] ResourceState 2

COLOCACION_FLEJE_TP [Resource] ResourceState 2

COLOCACION_FLEJE_TR [Resource] ResourceState 1

COLOCACION_GOMA_TP [Resource] ResourceState 2

COLOCACION_GOMA_TR [Resource] ResourceState 3

CORTE_FLEJE [Resource] ResourceState 2

EMBALAJE [Resource] ResourceState 7

LASER_TP [Resource] ResourceState 2

LASER_TR [Resource] ResourceState 2

ProcessingTime - Percent












ProcessingTime - Total (Hours)












ScheduledUtilization - Percent


Combinar1 [Resource] Capacity 0





Separador1 [Resource] Capacity 0


CAD_TP [Resource] Capacity 6,95304

CAD_TR [Resource] Capacity 31,8541

COLOCACION_FLEJE_TP [Resource] Capacity 9,91072

COLOCACION_FLEJE_TR [Resource] Capacity 48,86815

COLOCACION_GOMA_TP [Resource] Capacity 6,91349

COLOCACION_GOMA_TR [Resource] Capacity 11,55503

CORTE_FLEJE [Resource] Capacity 26,2

CORTE_GOMA [Resource] Capacity 0

EMBALAJE [Resource] Capacity 18,17161

LASER_TP [Resource] Capacity 26,98693

LASER_TR [Resource] Capacity 76,60766

MONTAJE_TP [Resource] Capacity 0

MONTAJE_TR [Resource] Capacity 0

StarvedTime - Average (Hours)


Combinar1 [Resource] ResourceState 24


Separador1 [Resource] ResourceState 24









CORTE_GOMA [Resource] ResourceState 24




MONTAJE_TP [Resource] ResourceState 24

MONTAJE_TR [Resource] ResourceState 24

StarvedTime - Occurrences






















StarvedTime - Percent



















StarvedTime - Total (Hours)



















TimeInStation - Average (Hours)


Combinar1 MemberInputBuffer HoldingTime 6,22798


Combinar2 ParentInputBuffer HoldingTime 5,10847

CAD_TP Processing HoldingTime 1,66873

CAD_TR InputBuffer HoldingTime 0,59716




CAD_TR Processing HoldingTime 1,529

COLOCACION_FLEJE_TP Processing HoldingTime 2,37857

COLOCACION_FLEJE_TR InputBuffer HoldingTime 0,01211

COLOCACION_FLEJE_TR Processing HoldingTime 5,14578

COLOCACION_GOMA_TP Processing HoldingTime 1,65924

COLOCACION_GOMA_TR Processing HoldingTime 1,58469

CORTE_FLEJE InputBuffer HoldingTime 0,07095

CORTE_FLEJE Processing HoldingTime 1,048

EMBALAJE InputBuffer HoldingTime 0,06875

EMBALAJE Processing HoldingTime 0,48458

LASER_TP Processing HoldingTime 3,23843

LASER_TR InputBuffer HoldingTime 4,83619

LASER_TR Processing HoldingTime 1,83858

TimeInStation - Maximum (Hours)









COLOCACION_FLEJE_TR InputBuffer HoldingTime 0,12114






EMBALAJE InputBuffer HoldingTime 0,53768





TimeInStation - Minimum (Hours)



Combinar2 MemberInputBuffer HoldingTime 0

Combinar2 ParentInputBuffer HoldingTime 0


CAD_TR InputBuffer HoldingTime 0



COLOCACION_FLEJE_TR InputBuffer HoldingTime 0




CORTE_FLEJE InputBuffer HoldingTime 0


EMBALAJE InputBuffer HoldingTime 0






LASER_TR InputBuffer HoldingTime 0


TimeInSystem - Average (Hours)


Pedido1 [Population] FlowTime 11,62288









TP [DestroyedObjects] FlowTime 9,41958

TR [DestroyedObjects] FlowTime 14,91801

TimeInSystem - Maximum (Hours)













TimeInSystem - Minimum (Hours)













TimeInSystem - Observations


TP [DestroyedObjects] FlowTime 2

TR [DestroyedObjects] FlowTime 7

TimeOnLink - Average (Hours)


Path1 [Travelers] FlowTime 0,00028




























TimeOnLink - Maximum (Hours)






























TimeOnLink - Minimum (Hours)



























UnitsAllocated - Total






CAD_TP [Resource] Capacity 2

CAD_TR [Resource] Capacity 10

COLOCACION_FLEJE_TP [Resource] Capacity 2

COLOCACION_FLEJE_TR [Resource] Capacity 10

COLOCACION_GOMA_TP [Resource] Capacity 2

COLOCACION_GOMA_TR [Resource] Capacity 7

CORTE_FLEJE [Resource] Capacity 12


EMBALAJE [Resource] Capacity 9

LASER_TP [Resource] Capacity 2

LASER_TR [Resource] Capacity 10



UnitsScheduled - Average






















UnitsScheduled - Maximum



















UnitsScheduled - Minimum






















UnitsUtilized - Average



















UnitsUtilized - Maximum



















UnitsUtilized - Minimum







Interactive Detail Report Project: Tro - Mejorada

Model: Model Analyst Name: Daniel Prieto






























































Combinar2 ParentInputBuffer Content 2,66866

CAD_TP Processing Content 0,13906

CAD_TR InputBuffer Content 0,24882

CAD_TR Processing Content 0,63708

COLOCACION_FLEJE_TP Processing Content 0,19821

COLOCACION_FLEJE_TR Processing Content 1,67724

COLOCACION_GOMA_TP Processing Content 0,15434

COLOCACION_GOMA_TR Processing Content 0,54167

CORTE_FLEJE InputBuffer Content 0,03548

CORTE_FLEJE Processing Content 0,524

EMBALAJE Processing Content 0,12979

LASER_TP Processing Content 0,26987

LASER_TR InputBuffer Content 2,07565

LASER_TR Processing Content 0,80118

































































ProcessingTime - Average (Hours)







































ProcessingTime - Total (Hours)


































StarvedTime - Average (Hours)




























































StarvedTime - Total (Hours)



















TimeInStation - Average (Hours)





















TimeInStation - Maximum (Hours)


















TimeInStation - Minimum (Hours)



Combinar2 MemberInputBuffer HoldingTime 0

Combinar2 ParentInputBuffer HoldingTime 0


CAD_TR InputBuffer HoldingTime 0






CORTE_FLEJE InputBuffer HoldingTime 0




LASER_TR InputBuffer HoldingTime 0


TimeInSystem - Average (Hours)















TimeInSystem - Maximum (Hours)












TimeInSystem - Minimum (Hours)














TP [DestroyedObjects] FlowTime 2

TR [DestroyedObjects] FlowTime 6

TimeOnLink - Average (Hours)






























TimeOnLink - Maximum (Hours)



























TimeOnLink - Minimum (Hours)
















4.2 Caso Empresa de fabricación de materiales cerámicos.



La empresa objeto de estudio en este caso fue una empresa de fabricación de productos

cerámicos que produce una serie de elementos para loza de baño a nivel internacional. Es una

empresa de más de 100 años de antigüedad donde gran parte de los procesos si bien han sido

optimizados al ser adquirido por un grupo multinacional, el día a día de la empresa no le permite

hacer estudios pormenorizados de su proceso productivo.

Grafico 4-4 Diagrama de proceso productivo fábrica cerámica

DOSIFICACIÓN

MEZCLADORA

EXTRUSOR

SECADO

ORDEN DE TRABAJO

MANUTENCION

HORNO




4.2.1.2 Objetivos

Se busca como objetivo principal el obtener información suficiente para la toma de

decisiones sobre:

Situación productiva actual de la línea de extrusión de la empresa de manera que se

pueda valorar los ratios productivos actuales.

Valorar las distintas posibilidades de mejoras productivas que se plantean, con la

evolución de esos parámetros.

Determinar las mejoras de organización productiva, que puedan ser implantadas en

sucesivas fases de actuación.

Una de los objetivos donde se centrará la simulación es en cómo afectará a los ratios de

producción el invertir en diferentes medios de manutención en la línea de extrusión, en especial

en bandejas de transporte.


Dado el tamaño de la empresa y la imposibilidad de poder abarcar todo el proceso de

producción, se estableció un área piloto que fue la línea de extrusión de la planta. Sobre ella se

estudió con especial hincapié como afectaba el dimensionamiento de medios de manutención

sobre los KPI definidos, en especial el número de bandejas de transporte y su optimización.

Imagen 4-8 Lay out actual fábrica cerámica



Como se comentaba el objeto fundamental en este caso es la determinación de la

viabilidad técnica del dimensionamiento de los medios de manutención de la empresa. Para que

esto sea posible es necesario un análisis previo de la situación actual, detallando los ratios que se

van a utilizar.




Para la realización del mismo se consideraron los siguientes datos:

Datos de ratios productivos procedentes de la empresa.

Datos de mapeo de procesos y tiempos unitarios en cada uno.

Este conjunto de datos permitió realizar un estudio de la situación actual y en función de

los resultados obtenidos, recomendar cambios en el dimensionamiento en aras de mejorar la

productividad y reducir los costes unitarios de fabricación.

Como hipótesis de partida el puesto de dosificación marca el comienzo de la línea, y en

este caso a considerar, el horno marca el final, aunque en la realidad no es el final de la línea,

debido a que es un área piloto.

Consideraremos dos datos cruciales a la hora de hacer los ratios y tener en cuenta

magnitudes:

Materias primas Al tratarse de una empresa que realiza material refractario para el

sector de la construcción, su principal materia prima son las arcillas, durante el periodo

de referencia, un año, la cantidad de arcillas utilizada fue de:

Materias primas: 2.244 Tn/año

Principales productos obtenidos.:Los productos obtenidos son materiales refractarios, la

cantidad obtenida en el periodo anual de referencia ha ascendido a:

Producto terminado: 1.703 Tn/año

Para el dimensionamiento de la situación actual se partió de los siguientes parámetros

para la ratificación de los tiempos:

Tabla 4-8 Parámetros Iniciales fabrica cerámica

En la tabla se muestra la capacidad productiva de los puestos expresada como número

de placas que se procesan a la hora. Se utiliza este ratio para medir de una forma unitaria la

capacidad productiva de todos los puestos, comprarlos y evaluarlos. En siguientes apartados se

podrá comprobar cómo el dimensionamiento actual de los medios de manutención está

actuando como factor limitante en la línea.

A continuación se explica cómo se obtuvieron los datos mostrados en la tabla y

especificado por puesto:

Para el puesto de dosificación mezcladora, se procesan lotes de 500 kgs, con un tiempo

medio de producción por lote de 30 minutos. A través del histórico de producción del año

2011, se obtuvo el peso medio por placa. El peso medio resultó un total de 15,28 kg / placa

A través de este cálculo, se realizó el cambio de unidades de kilogramos a placas.

En el puesto de extrusión se usó el valor medio de procesado obtenido del registro del

sistema de la planta.

Producción unitaria Piezas a fabricar Órdenes de Fabricación

Dosificación

Mezcladora66 9.800 21

Extrusor 24 9.800 21

Manutención 72 9.800 21

Secado Ambiente 28 9.800 21

Estufa 28 9.800 21

Zona de espera 28 9.800 21

Horno 18 9.800 21




Para determinar la producción unitaria para los puestos de trabajo de secado, estufa y

tiempo de esperas para introducirse en el horno se estimó un tiempo total medio de 48

horas para cada uno. Pero para poderse adaptar al sistema de medida establecido de

unidades procesadas por hora, hay que tener en cuenta el número de placas que se

pueden colocar en paralelo. En total, con una capacidad de 450 bandejas, se tiene una

capacidad de 1350 placas / 48 horas.

La capacidad de proceso de vagón se estimó de 15 vagones / 24 horas, con una media

de 28 placas / vagón.


Una vez que el proceso está en funcionamiento bajo las condiciones establecidas, la

variabilidad de los resultados por calidad del producto se debe sólo a un sistema de causas

aleatorias, que es inherente a cada proceso en particular. No se han considerado problemas de

calidad, debido a que no se conoce el nivel de scrap por procesos, por lo que no se han

establecido defectos de calidad ni re-trabajos en los procesos por esta causa.

El sistema de causas aleatorias que actúa sobre el proceso genera un universo hipotético

de observaciones (mediciones) que tiene una distribución normal. Con la cantidad de datos de

varias decenas de años de producción y la baja variabilidad el proceso , debido a que está

altamente automatizado, se optó por usar los valores medios de los tiempos de operación.

Los datos que se recogieron en planta para 21 órdenes de fabricación, que fue el

parámetro usado para hacer lotes de estudio, se muestra en la siguiente tabla.

Tabla 4-9 Datos reales fabrica cerámica

Con estos datos reales se construyó el modelo conceptual preparado para la simulación

con diferentes escenarios.

Cabe destacar que el punto de partida para el análisis de los escenarios fue el correspondiente a

450 bandejas, que son las que realmente tenía como medio de manutención la empresa. De las

cuales se evaluó hasta qué punto era interesante abastecerse de mayor cantidad y como

afectaba a la productividad , asunto que se desarrolla en los siguientes apartados.

Tiempo (minutos) Producción unitaria Piezas a fabricar Órdenes de Fabricación

Dosificación

Mezcladora 30 66 9.800 21

Extrusor 90 24 9.800 21

Manutención 30 72 9.800 21

Secado Ambiente 2.880 28 9.800 21

Estufa 2.880 28 9.800 21

Zona de espera 2.880 28 9.800 21

Horno 18 9.800 21




Imagen 4-9 Modelo conceptual de simulación f. cerámica en Simio



Tras la modelización de la línea de extrusión se testo la coherencia lógica del modelo de

simulación y se comprobó que funcionaba conforme a la realidad alimentándolo con los datos

que se tenían parametrizados con anterioridad para realizar la simulación.

Este modelo funcionó sin problema bajo las hipótesis planteadas como se puede ver en la

siguiente imagen. Recordemos que se dimensiono para 9.800 piezas a fabricar.

Tabla 4-10 Validación del Modelo conceptual f. cerámica en Simio




4.2.3.2 Validación

Una vez que se tuvo el modelo funcionando con los datos normalizados, se hizo una

comparativa entre los datos históricos y los datos de la simulación resultando esta prácticamente

similar a la realidad, con lo que el funcionamiento de la modelización del sistema fue validado.

Tabla 4-11 Resultados Simulación f. cerámica

En la tabla, a partir de los datos obtenidos, y para la producción que pueda representar

una actividad tipo del nº de unidades a fabricar (placas), se consigue un total de 1205 horas

necesarias y continuas para esta producción. Los ratios resultantes se pueden observar en la tabla,

destacando que el tiempo medio que permanece la bandeja en el sistema es de 6 días y 3 horas.

Se diferencia entre la productividad media total y la productividad media de la fase

estable ya que en el primer intervalo de tiempo de 146,26 horas, las unidades que salen del

sistema son “0”, debido a que se realizó la simulación desde el inicio de la actividad. El segundo

parámetro usado para la productividad considera el tiempo total desde que la primera unidad

entra en el horno hasta la salida del horno de la última placa a producir.

Se obtiene que en este estado estacionario que la media del número de placas que se

procesan del sistema son de un total de 9,3 placas / hora, que equivale a un tiempo unitario

necesario de producción por placa de 6,48 minutos.


Antes de integrar los parámetros Lean Iniciales hacemos un análisis de los datos para

conocer la verdadera naturaleza del comportamiento de la línea de fabricación se realización un

seguimiento de los flujos de materiales y de los puestos de trabajo obteniéndose los siguientes

ratios

Tabla 4-12 Productividad de los puestos de la línea de extrusión

Proceso Actual

9.800

1.205,00

21

450

146,26

8,1

9,3

6,48

Nº Unidades a fabricar

Ordenes de fabricación

Nº Horas necesarias

Lead Time de 1º unidad (horas)

Producción de Placas (todos los lotes / minutos)

Productividad media Total

Productividad media Fase Estable ( Placas/hora )

Nº Bandejas

Nº Bandejas 450 % Esperas % Funcionamiento Tiempo de espera (h) Tiempo de Proceso (h)

87,7% 12,3% 1.057 148

66,1% 33,9% 797 408

88,7% 11,3% 1.069 136

53,1% 46,9% 640 565

Dosificación Mezcladora

Extrusion

Manutención

Horno




Grafico 4-5 Gráfico de distribución de la producción

A la vista de los resultados obtenidos de la simulación, para una correcta interpretación de

éstos, es necesario explicar en cada puesto de trabajo el “por qué” y particularidades de estos

resultados.

Para el puesto de dosificación - mezcladora el porcentaje de utilización es tan bajo debido

a que se considera el tiempo de espera necesario para terminar la producción de todo el stock

que se encuentra en proceso, además de las paradas provocadas por la falta de bandejas para

poder transmitir las placas de unos procesos a otros.

Este caso se repite en el resto de puestos a excepción del horno, que presenta un

porcentaje de funcionamiento más elevado que el resto de procesos.

Al existir esperas provocadas por el actual número de bandejas, los tiempos que se

mostraban en la tablas anteriores no resultan decisivos para determinar el lead time del producto.

Al proceso con menor capacidad productiva hay que añadirle el tiempo provocado por paradas

en producción por falta de medios de acondicionamiento del producto. En el siguiente apartado

se explica de una forma más detallada como estas esperas afectan a la capacidad productiva

del sistema y en qué grado.

Se definen los parámetros lean Iniciales como :

Eficiencia

Horas en estudio 1.205,00

nº operarios 2,00

Horas trabajadas totales 1.205,00

Unidades producidas 9.800,00


LEAD TIME 146,26

TAKT TIME 157,00

87,7%

12,3%

Dosificación Mezcladora

% Esperas

% Funcionamiento

66,1%33,9%

Extrusion

% Esperas

% Funcionamiento

88,7%

11,3%

Manutención

% Esperas

% Funcionamiento

53,1%46,9%

Horno

% Esperas

% Funcionamiento




Nº Bandejas 600 % Esperas % Funcionamiento Tiempo de espera (h) Tiempo de Proceso (h) Reducción Tiempo Esperas (%

78,1% 21,9% 729 204 27,16%

87,8% 12,3% 819 114 24,92%

56,3% 43,7% 525 408 34,12%

85,4% 14,6% 797 136 25,42%

39,4% 60,6% 368 566 42,54%

Dosificación

Mezcladora

Extrusion

Manutención

Horno

WIP 18.219,00

OEE 0,65

Despilfarros



Inventario 11.809.000,00

Ocupación en planta 1.000,00


Una vez dimensionado el funcionamiento actual de la línea de trabajo se procedió a

realizar el estudio de simulación de la línea con diferentes experimentos variando el número de

medios de manutención, en este caso las bandejas sobre las que va el producto.

Lo que se buscó es un resultado que nos muestre el número de bandejas que hace falta

para obtener un aprovechamiento óptimo de los recursos disponible y bajo el régimen de

funcionamiento actual. Como se demostrará posteriormente hay un número de bandejas límite a

partir del cual no se mejora más el rendimiento del sistema.

Se analizaron los ratios producidos por variación de número de bandejas en cada uno de

los puestos analizados con diferentes experimentos. Los escalones por número de bandejas fueron:

450 bandejas, es el valor nominal inicial.

500, 600 , 700, 800, 900, 1000 y 1100

Tabla 4-13 Productividad de los puestos de la línea de extrusión con 500 bandejas




81,2% 18,8% 880 204 12,12%

89,5% 10,6% 970 114 11,12%

62,3% 37,7% 676 408 15,24%

87,5% 12,6% 948 136 11,34%

47,8% 52,2% 518 566 19,00%

Dosificación

Mezcladora

Extrusion

Manutención

Horno


75,1% 24,9% 616 204 38,43%

86,1% 13,9% 706 114 35,27%

50,2% 49,8% 412 408 48,28%

83,4% 16,6% 684 136 35,98%

31,0% 69,0% 255 566 60,18%

Dosificación

Mezcladora

Extrusion

Manutención

Horno




Grafico 4-6 Productividad de los puestos de la línea de extrusión con 800 bandejas




En los experimentos se observó que para una cantidad de bandejas n= 900, se obtiene

unos ratios tanto de productividad como de ocupación de los puestos de trabajo que no se

pueden superar simplemente variando el número de bandejas. El nivel de ocupación del horno

para esta cifra de bandejas ronda el 80 % de ocupación, permitiendo un 20 % para el resto de

referencias que se procesan procedentes del resto de líneas productivas de la planta.

A continuación se muestran los niveles de productividad de los puestos de trabajo en

función del número de bandejas:

Nº Bandejas 800 % Esperas % Funcionamiento Tiempo de espera (h) Tiempo de Proceso (h) Reducción Tiempo Esperas (h)

72,8% 27,2% 548 204 45,28%

84,8% 15,2% 638 114 41,55%

45,7% 54,3% 344 408 56,87%

81,9% 18,1% 616 136 42,39%

24,8% 75,2% 186 566 70,89%

Dosificación

Mezcladora

Extrusion

Manutención

Horno


71,3% 28,7% 508 204 49,27%

83,9% 16,1% 598 114 45,21%

42,7% 57,3% 304 408 61,88%

80,9% 19,1% 576 136 46,12%

20,5% 79,5% 146 566 77,14%

Dosificación

Mezcladora

Extrusion

Manutención

Horno


71,3% 28,7% 508 204 49,27%

83,9% 16,1% 598 114 45,21%

42,7% 57,3% 304 408 61,88%

80,9% 19,1% 576 136 46,12%

20,5% 79,5% 146 566 77,14%

Dosificación

Mezcladora

Extrusion

Manutención

Horno


71,3% 28,7% 508 204 49,27%

83,9% 16,1% 598 114 45,21%

42,7% 57,3% 304 408 61,88%

80,9% 19,1% 576 136 46,12%

20,5% 79,5% 146 566 77,14%

Dosificación

Mezcladora

Extrusion

Manutención

Horno




Grafico 4-7Gráfico de utilización del puesto de mezclado

Grafico 4-8Gráfico de utilización del puesto de extrusión

Grafico 4-9Gráfico de utilización del puesto de manutención

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

30,0%

35,0%

450 500 600 700 800 900 1.000 1.100

% F

un

cio

nam

ien

to

Nº Bandejas

Mezcladora

% Funcionamiento

0,0%

10,0%

20,0%

30,0%

40,0%

50,0%

60,0%

70,0%

450 500 600 700 800 900 1.000 1.100

% F

un

cio

nam

ien

to

Nº Bandejas

Extrusión

% Funcionamiento

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

450 500 600 700 800 900 1.000 1.100

% F

un

cio

nam

ien

to

Nº Bandejas

Manutención

% Funcionamiento




Grafico 4-10Gráfico de utilización del puesto de horneo

4.2.5 FASE 5:Analisis de los resultados.

Los datos obtenidos a continuación resultaron tras la realización de la media de 100

experimentos de simulación por cada ensayo. Cada ensayo realizado varía en función del

número de bandejas. Para poder realizar los ensayos con una alta fiabilidad, se le ha permitido un

nivel permitido de desviación del 95 %.

Los resultados conseguidos se muestran a continuación:

Tabla 4-19Resultados Simulación de los diferentes ensayos

Como se puede observar en la tabla, la sensibilidad de la producción deja de aumentar a

partir de un número de 900 bandejas en el sistema productivo. Llegados a esta cantidad de

bandejas, y bajo las mismas condiciones estacionarias de trabajo y de procesos bajo control, un

aumento en el número de bandejas no tuvo efecto en los niveles de producción. Con este

número se redujo el tiempo de esperas e improductividades de los procesos debido a esta

variable. Esto se debe a que la capacidad de la línea está limitada por el tiempo de proceso del

cuello de botella, que en este caso se trata del horno, del cual se puede aprovechar un

porcentaje total aproximado de su capacidad del 75 % por ser un recurso compartido con otras

líneas de fabricación.

Se diferenció entre la productividad media total y la productividad media de la fase

estable ya que en el primer intervalo de tiempo de 146,26 horas, las unidades que salen del

sistema son “0”, debido a que se realizó la simulación desde el inicio de la actividad. El segundo

parámetro usado para la productividad considera el tiempo total desde que la primera unidad

entra en el horno hasta la salida del horno de la última placa a producir.

Se obtuvo que en este estado estacionario la media del número de placas que se

procesaron del sistema son de un total de 17,3 placas / hora, que equivale a un tiempo unitario

0,0%

10,0%

20,0%

30,0%

40,0%

50,0%

60,0%

70,0%

80,0%

90,0%

450 500 600 700 800 900 1.000 1.100

% F

un

cio

nam

ien

to

Nº Bandejas

Horno

% Funcionamiento

Ensayo 1 Ensayo 2 Ensayo 3 Ensayo 4 Ensayo 5 Ensayo 6 Ensayo 7

9.800 9.800 9.800 9.800 9.800 9.800 9.800

1.083,85 933,28 820,48 751,92 712,00 712,00 712,00

21 21 21 21 21 21 21

500 600 700 800 900 1.000 1.100

146,26 146,26 146,26 146,26 146,26 146,26 146,26

9,0 10,5 11,9 13,0 13,8 13,8 13,8

10,5 12,5 14,5 16,2 17,3 17,3 17,3

5,74 4,82 4,13 3,71 3,46 3,46 3,46





Producción de Placas (todos los lotes / minutos)



Nº Bandejas




necesario de producción por placa de 3,46 minutos, consiguiendo un aumento de la

productividad de un 87,14 %

A continuación se muestran las magnitudes de tiempos de duración de los procesos.

Tiempo necesario para producir una placa en función del número de bandejas:

Grafico 4-11 Gráfico del Producción placas / minuto

Tiempo necesario para realizar la fabricación simulada en función del número de

bandejas:

Grafico 4-12 Gráfico de tiempo de producción en función del número de bandejas

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00

450 500 600 700 800 900 1.000 1.100 1.150 1.175 1.200 1.300 1.400 1.500

Min

uto

s

Nº Bandejas

Producción de Placas

Producción de Placas

0,00

200,00

400,00

600,00

800,00

1.000,00

1.200,00

1.400,00

450 500 600 700 800 900 1.000 1.100 1.150 1.175 1.200 1.300 1.400 1.500

Min

uto

s

Nº Bandejas

Horas necesarias

Horas




Número de placas producidas / hora en función del número de bandejas

0,0

2,0

4,0

6,0

8,0

10,0

12,0

14,0

16,0

18,0

20,0

450 500 600 700 800 900 1.000 1.100 1.150 1.175 1.200 1.300 1.400 1.500

Un

ida

de

s /

Ho

ra

Nº Bandejas

Productividad Media

Productividad MEdia

Grafico 4-13Gráfico de productividades medias

Se observa perfectamente que a partir de un número de bandejas n= 900, los ratios

productivos no mejoran, bajo las hipótesis de funcionamiento iniciales.


Los KPI Finales obtenidos son:

Eficiencia

Horas en estudio 1.205,00

nº operarios 2,00


Unidades producidas 9.800,00


LEAD TIME 146,26

TAKT TIME 157,00

WIP 32.531,00

OEE 0,78

Despilfarros



Inventario 6.977.600,00

Ocupación en planta 1.000,00




Mención especial al cálculo del WIP.

En este caso se experimentó con el cálculo del WIP para comprobar si las técnicas

utilizadas eran compatibles con esta metodología, demostrándose que fue de gran utilidad para

la evaluación del caso como se muestra a continuación.

Dentro del marco de gestión de lean Manufacturing, se busca eliminar todo desperdicio o

acción que no añada valor al producto. En este caso el desperdicio que se pretendía eliminar

eran los tiempos de espera provocados por falta de bandejas. A su vez, se tiene consciencia de

que un aumento de este número provocará un aumento de stock intermedio entre procesos. Pero

este número será el óptimo. Será el número necesario que permita a la línea, trabajando en las

actuales condiciones, no parar la producción y cumpliendo la condición de no acumular stocks

que no estén en proceso. El sistema presentaba la limitación de naturaleza técnica del proceso

pero tiene algo necesario que son los tiempos de secado de las placas. Los tiempos de proceso

en esta zona, no se consideraron tiempos de espera, ya que se consideraron una operación sobre

producto. Por lo tanto, se cumple la condición de sólo acumular el stock de seguridad necesario

delante de cada proceso.

El despilfarro actual de tiempos de espera producidos por la falta de bandejas resulta

bastante claro y se puede justificar a través del modelado y parametrización realizado en la

simulación. El objetivo que se persigue no es que todos los puestos de trabajo estén trabajando al

100 %, sino que el/los proceso/s que afectan a la productividad global no sufran de este

desperdicio. En efecto, con la incorporación de nuevas bandejas, se consigue que el tiempo de

salida de material de planta sea igual al tiempo de proceso de cuello de botella, en este caso el

horno. A continuación citamos algunas de otras causas por las que existe stock en curso o

proceso (WIP): Falta de equilibrio provocado por flujo regular, falta de equilibrado por asignación

de tareas incorrecta, tiempos de cada puesto no ajustados a un tiempo de ciclo único (cuello de

botella), paradas por mantenimiento o averías y operativa por lotes de transferencia de gran

tamaño.

Una vez descrito los agentes principales que influyen directamente en el aumento de stock

en curso, se calculó el stock máximo y el stock medio en planta.

Para este cálculo se va a utilizar la siguiente expresión:

WIP = Q * (1- 1/CM * (C1 - 1/n * Ci))

Dónde:

Q: Lote de producción

n: Número de lotes de transferencia

Cm: tiempo de ciclo por unidad de producto máximo

Ci: tiempo de ciclo por unidad de producto en la operación

C1: tiempo de ciclo por unidad de producto en el primer proceso

A continuación se procede a la explicación de la expresión del WIP para procesos

equilibrados o balanceados:

El tamaño del lote de producción Q, influye de forma directa aumentando el WIP en la

misma proporción.

El tiempo de ciclo máximo Cm de la operación condicionante y la suma de todos ellos

Ci afectan de forma indirecta, aumentando el stock en proceso. Además aumenta el

lead time de la producción.




La diferencia entre el ciclo de operación condicionante y el de la primera operación,

Cm-C1, afecta directamente a los tiempos de espera, que aumentan al hacerlo esta

diferencia (que no es otra cosa que el desequilibrio)

Para una mayor comprensión de esta expresión, a continuación se muestra un breve

resumen de cómo afectan sus componentes al WIP.

CM = WIP CM = WIP

C1 = WIP C1 = WIP

Ci = WIP

Ci = WIP

Una vez explicado la relación existente entre los diferentes componentes de la expresión se

detallará los números utilizados para el cálculo del WIP:

Q: será la cantidad de placas en el sistema. En función del número de bandejas

variará.

n: el número de lotes será igual al número de bandejas en el sistema

Cm: definido por el tiempo ciclo. Disminuye al aumentar el número de bandejas.

Ci: resulta de sumar de todos los tiempos ciclo de los procesos. Pero como es un

proceso con esperas por falta de medios de manutención, se repercute en este tiempo

los factores de utilización de cada puesto, resultando el tiempo total de operaciones y

de esperas de cada puesto.

C1: tiempo de ciclo por unidad de producto en el primer proceso, en este caso es el

puesto de dosificación – mezcladora

A continuación se muestran los valores obtenidos para el cálculo de Ci:

Tabla 0-1Cálculo de Ci

Y con estos valores de Ci resolvemos la expresión anterior obteniendo un WIP medio:

Producción unitaria Minutos / Pieza 450 500 600 700 800 900 1000

Dosificación

Mezcladora66 0,91 16,93% 18,84% 21,88% 24,89% 27,16% 28,68% 28,68%

Extrusor 24 2,50 33,86% 37,67% 43,74% 49,76% 54,29% 57,33% 57,33%

Manutención 72 0,83 11,28% 12,55% 14,57% 16,58% 18,09% 19,10% 19,10%

Secado Ambiente 28 2,14 75,66% 79,72% 86,38% 87,00% 87,42% 89,00% 89,00%

Estufa 28 2,14 75,66% 79,72% 86,38% 87,00% 87,42% 89,00% 89,00%

Zona de espera 28 2,14 75,66% 79,72% 86,38% 87,00% 87,42% 89,00% 89,00%

Horno 18 3,33 46,92% 52,20% 60,62% 68,96% 75,24% 79,46% 79,46%

C i - 14,00 35,70 31,71 26,65 23,32 21,15 19,68 19,68

Porcentaje de Uso f(número de bandejas)




Tabla 0-2 Cálculo del WIP

En todos los casos, el número máximo de bandejas en el sistema coincide con la cantidad

de bandejas existentes. Para cada caso la media de placas en proceso es para el Lead Time

completo para ese ensayo. Así pues, para una simulación con 500 bandejas, el número medio de

placas para 1084 horas es de 1301. Se ha introducido el número de kgs totales en el sistema

calculado como el número de placas por el peso medio de cada uno. El peso medio de las

placas es de 15,28 kgs. La media de placas en la planta tiene un cuenta tanto la etapa inicial de

inicio de la producción (desde que entra la primera pieza en la línea hasta que sale), la etapa de

régimen estacionario de producción y la etapa de finalización de la producción en el cual el

número de bandejas se irá reduciendo progresivamente. También aparece reflejado el

incremento % de stock en línea con respecto a la situación inicial.

4.2.6 FASE 6 : Informes y documentación

Las mejoras que se propusieron se han centrado en el dimensionamiento de bandejas tal

que permitan un aprovechamiento de los recursos actuales con los métodos de programación y

ejecución de órdenes de fabricación actuales y que muestre las posibilidades de mejora

alcanzadas a través de la modificación de esta variable. La propuesta de dimensionamiento del

número de bandejas de n=900 ofrece las siguientes mejoras:

Tabla 0-3 Mejoras porcentuales con la medida propuesta

Tabla 0-4 Mejoras porcentuales en los puestos de trabajo

Proceso Actual Ensayo 5 Diferencia %

9.800 9.800 - -

1.205,00 712,00 493,00 40,91%

21 21 - -

450 900 450 100,00%

146,26 146,26 - -

8,1 13,8 5,6 69,24%

9,3 17,3 8,1 87,14%

6,48 3,46 3,02 46,56%




Tiempo ciclo (todos los lotes / minutos)




Nº Bandejas

Nº Bandejas 900 Reducción Tiempo Esperas

49,27%

45,21%

61,88%

46,12%

77,14%

Dosificación

Mezcladora

Extrusion

Manutención

Horno

Nº Bandejas 450 500 600 700 800 900 1000

Q1.350 1.500 1.800 2.100 2.400 2.700 3.000

n 450 500 600 700 800 900 1.000

LT 1.205 1.084 933 820 752 712 712

C M 6,48 5,74 4,82 4,13 3,71 3,46 3,46

WIP placas 1.192 1.301 1.517 1.720 1.922 2.129 2.129

WIP bandejas 397 434 506 573 641 710 710

WIP kilogramos 18.219 19.885 23.179 26.274 29.366 32.531 32.531

Incremento % - 9,14% 27,23% 44,22% 61,18% 78,56% 78,56%




Se puede observar que para una misma cantidad de placas a producir la reducción del

tiempo necesario para fabricarlas se redujo un 40,91 %, exactamente de 1205 horas a 712 horas.

Por lo tanto se demuestra que para esta producción de 9800 piezas los tiempos de esperas

provocados por falta de bandejas ascendían a un total de 493 horas, un tiempo improductivo que

no añade valor a la empresa, aumenta el precio unitario del producto, disminuyendo su

capacidad de competir y reduciendo la flexibilidad de la planta para adaptarse rápidamente

ante cambios de la demanda, además de utilizar otros recursos no destinados a este proceso

para mejorar los tiempos.

Todos estos ahorros de tiempo y aumento de productividad se basan en las hipótesis

inicialmente definidas en los apartados anteriores. Con otras hipótesis de partida los resultados

obtenidos podrían variar considerablemente, de ahí la importancia de una buena toma de datos

iniciales para evitar un crecimiento exponencial de acumulación de errores.

Realizado el análisis de dimensionamiento del número de bandejas necesarias en planta

para reducir los tiempos de paradas e improductividades de la línea, se observaron una serie de

medidas que se pueden aplicar y que ofrecen posibilidades de mejora de la productividad.

Dentro de esta apartado se refleja la tabla de evolución de los KPI planteados:

Antes Después %

Eficiencia

Horas en estudio 1.205,00 1.205,00

nº operarios 2,00 2,00 0,00%

Horas trabajadas totales 1.205,00 712,00 -40,91%

Unidades producidas 9.800,00 9.800,00 0,00%


LEAD TIME 146,26 146,26 0,00%

TAKT TIME 157,00 157,00 0,00%

WIP 18.219,00 32.531,00 78,56%

OEE 0,65 0,78 20,00%

Despilfarros


Tiempo Esperas 180,75 85,44 -52,73%

Inventario 11.809.000,00 6.977.600,00 -40,91%

Ocupación en planta 1.000,00 1.000,00 0,00%

Tabla 0-5 Tabla comparativa de evolución de KPI f.cerámica

Se anexionan a continuación las tablas de Simio tanto del modelo actual como aquel que

se pretende mejorar




Interactive Detail Report Project: C(450)

Model: Model (Academic, COMMERCIAL USE PROHIBITED)

Analyst Name: Daniel Prieto


DistanceTraveled - Total


Vehicle1[1] [Object] Travel 24402,42

IdleTime - Average


Vehicle1[1] [Resource] ResourceState 4,31273

IdleTime - Occurrences


Vehicle1[1] [Resource] ResourceState 273

IdleTime - Percent



IdleTime - Total





bandeja [Population] Throughput 3678

LoteTransferencia [Population] Throughput 719

Planchas [Population] Throughput 1140

Planchas1 [Population] Throughput 1890



















Combiner1 MemberInputBuffer Throughput 3266

Combiner1 OutputBuffer Throughput 272

Combiner1 ParentInputBuffer Throughput 719

Combiner1 Processing Throughput 272




Estrusion MemberInputBuffer Throughput 9800

Estrusion OutputBuffer Throughput 3266

Estrusion ParentInputBuffer Throughput 3678

Estrusion Processing Throughput 3266

Separator1 InputBuffer Throughput 269

Separator1 MemberOutputBuffer Throughput 3228

Separator1 ParentOutputBuffer Throughput 269

Separator1 Processing Throughput 269





Dosificacion InputBuffer Throughput 9800

Dosificacion OutputBuffer Throughput 9800

Dosificacion Processing Throughput 9800

Estufa InputBuffer Throughput 272

Estufa OutputBuffer Throughput 272

Estufa Processing Throughput 272

Horno InputBuffer Throughput 270

Horno OutputBuffer Throughput 269

Horno Processing Throughput 270

Manutencion InputBuffer Throughput 272

Manutencion OutputBuffer Throughput 272

Manutencion Processing Throughput 272

Mezcladora InputBuffer Throughput 9800

Mezcladora OutputBuffer Throughput 9800

Mezcladora Processing Throughput 9800

SecadoAmbiente InputBuffer Throughput 272

SecadoAmbiente OutputBuffer Throughput 272

SecadoAmbiente Processing Throughput 272

ZonadeEspera InputBuffer Throughput 272

ZonadeEspera OutputBuffer Throughput 270

ZonadeEspera Processing Throughput 272

Sink1 InputBuffer Throughput 269



Source1 OutputBuffer Throughput 9800



TimePath1 [Travelers] Throughput 9800













Vehicle1[1] RideStation Throughput 272







Estrusion MemberInputBuffer Throughput 9798

Estrusion OutputBuffer Throughput 3266

Estrusion ParentInputBuffer Throughput 3266

Estrusion Processing Throughput 3266




















































Combiner1 MemberInputBuffer Content 5,35906

Combiner1 ParentInputBuffer Content 416,42612

Estrusion MemberInputBuffer Content 3273,80262

Estrusion ParentInputBuffer Content 41,41419

Estrusion Processing Content 0,34021

Dosificacion InputBuffer Content 526,79425

Dosificacion Processing Content 0,51042

Estufa Processing Content 10,88

Horno InputBuffer Content 0,32065

Horno Processing Content 0,46666

Manutencion OutputBuffer Content 0,00941

Manutencion Processing Content 0,11333

Mezcladora Processing Content 0,28583

SecadoAmbiente Processing Content 10,88

ZonadeEspera Processing Content 10,87561

Vehicle1[1] RideStation Content 0,00944



Combiner1 MemberInputBuffer Content 12

Combiner1 ParentInputBuffer Content 450

Estrusion MemberInputBuffer Content 7478

Estrusion ParentInputBuffer Content 450

Estrusion Processing Content 1

Dosificacion InputBuffer Content 6211

Dosificacion Processing Content 3

Estufa Processing Content 32

Horno InputBuffer Content 11

Horno Processing Content 1

Manutencion OutputBuffer Content 1

Manutencion Processing Content 1

Mezcladora Processing Content 3

SecadoAmbiente Processing Content 33

ZonadeEspera Processing Content 32

Vehicle1[1] RideStation Content 1








Estrusion MemberInputBuffer Content 0

Estrusion ParentInputBuffer Content 0

Estrusion Processing Content 0














bandeja [Population] Content 450

LoteTransferencia [Population] Content 450

Planchas [Population] Content 271,34601

Planchas1 [Population] Content 1138,26849










Planchas [Population] Content 1140

Planchas1 [Population] Content 1890



















TimePath1 [Travelers] Content 0,13611















TimePath1 [Travelers] Content 1100






















ProcessingTime - Average


Estrusion [Resource] ResourceState 1,72987

Dosificacion [Resource] ResourceState 204,1875

Estufa [Resource] ResourceState 114,03521

Horno [Resource] ResourceState 8,61519

Manutencion [Resource] ResourceState 0,5

Mezcladora [Resource] ResourceState 0,035

SecadoAmbiente [Resource] ResourceState 114,03521

ZonadeEspera [Resource] ResourceState 113,57573



Estrusion [Resource] ResourceState 236

Dosificacion [Resource] ResourceState 1

Estufa [Resource] ResourceState 8

Horno [Resource] ResourceState 65

Manutencion [Resource] ResourceState 272




Mezcladora [Resource] ResourceState 3267

SecadoAmbiente [Resource] ResourceState 8

ZonadeEspera [Resource] ResourceState 8











ProcessingTime - Total












Combiner1 [Resource] Capacity 0

Estrusion [Resource] Capacity 34,02083

Separator1 [Resource] Capacity 0


Dosificacion [Resource] Capacity 17,01389

Estufa [Resource] Capacity 0,72533

Horno [Resource] Capacity 46,66563

Manutencion [Resource] Capacity 11,33333

Mezcladora [Resource] Capacity 9,52778

SecadoAmbiente [Resource] Capacity 0,72533

ZonadeEspera [Resource] Capacity 0,72504

Vehicle1 [Population] Capacity 1,88542

Vehicle1[1] [Resource] Capacity 1,88542

StarvedTime - Average


Combiner1 [Resource] ResourceState 1200


Separator1 [Resource] ResourceState 1200















Estrusion [Resource] ResourceState 237























StarvedTime - Total













TimeInStation - Average


Combiner1 MemberInputBuffer HoldingTime 1,884

Combiner1 ParentInputBuffer HoldingTime 507,14297

Estrusion MemberInputBuffer HoldingTime 400,75237

Estrusion ParentInputBuffer HoldingTime 4,48132

Estrusion Processing HoldingTime 0,125

Dosificacion InputBuffer HoldingTime 64,50542

Dosificacion Processing HoldingTime 0,0625

Estufa Processing HoldingTime 48




Horno InputBuffer HoldingTime 1,42511

Horno Processing HoldingTime 2,08

Manutencion OutputBuffer HoldingTime 0,04151

Manutencion Processing HoldingTime 0,5

Mezcladora Processing HoldingTime 0,035

SecadoAmbiente Processing HoldingTime 48

ZonadeEspera Processing HoldingTime 48

Vehicle1[1] RideStation HoldingTime 0,04167

TimeInStation - Maximum




Estrusion MemberInputBuffer HoldingTime 854,52

Estrusion ParentInputBuffer HoldingTime 56,28917













TimeInStation - Minimum


Combiner1 MemberInputBuffer HoldingTime 0


Estrusion MemberInputBuffer HoldingTime 0

Estrusion ParentInputBuffer HoldingTime 0


Dosificacion InputBuffer HoldingTime 0



Horno InputBuffer HoldingTime 0


Manutencion OutputBuffer HoldingTime 0






TimeInSystem - Average


bandeja [Population] FlowTime 154,72193

LoteTransferencia [Population] FlowTime 649,18789

Planchas [Population] FlowTime 285,62738




Planchas1 [Population] FlowTime 722,71015






Sink1 [DestroyedObjects] FlowTime 649,18789



TimeInSystem - Maximum














TimeInSystem - Minimum
















Sink1 [DestroyedObjects] FlowTime 269



TimeOnLink - Average


TimePath1 [Travelers] FlowTime 0,01667













TimeOnLink - Maximum












TimeOnLink - Minimum












TransportingTime - Average



TransportingTime - Occurrences



TransportingTime - Percent



TransportingTime - Total






Estrusion [Resource] Capacity 3266



Dosificacion [Resource] Capacity 9800

Estufa [Resource] Capacity 272

Horno [Resource] Capacity 270

Manutencion [Resource] Capacity 272

Mezcladora [Resource] Capacity 9800




SecadoAmbiente [Resource] Capacity 272

ZonadeEspera [Resource] Capacity 272

Vehicle1 [Population] Capacity 272

Vehicle1[1] [Resource] Capacity 272




















































Estrusion [Resource] Capacity 0,34021













































Interactive Detail Report Project: C(900)




DistanceTraveled - Total


Vehicle1[1] [Object] Travel 37385,55

IdleTime - Average



IdleTime - Occurrences



IdleTime - Percent



IdleTime - Total


































Extrusion MemberInputBuffer Throughput 9800

Extrusion OutputBuffer Throughput 3266

Extrusion ParentInputBuffer Throughput 4164

Extrusion Processing Throughput 3266
























































Extrusion MemberInputBuffer Throughput 9798

Extrusion OutputBuffer Throughput 3266

Extrusion ParentInputBuffer Throughput 3266

Extrusion Processing Throughput 3266




















































Combiner1 MemberInputBuffer Content 2,93947

Combiner1 ParentInputBuffer Content 864,12594

Extrusion MemberInputBuffer Content 1315,16107

Extrusion ParentInputBuffer Content 466,23157

Extrusion Processing Content 0,34021

Dosificacion InputBuffer Content 526,79425

Dosificacion Processing Content 0,51042

Estufa Processing Content 10,88

Horno InputBuffer Content 2,61152

Horno Processing Content 0,47147

Manutencion OutputBuffer Content 0,00941

Manutencion Processing Content 0,11333

Mezcladora Processing Content 0,28583

SecadoAmbiente Processing Content 10,88

ZonadeEspera Processing Content 10,88

Vehicle1[1] RideStation Content 0,00944





Extrusion MemberInputBuffer Content 6128

Extrusion ParentInputBuffer Content 900

Extrusion Processing Content 1



















Extrusion MemberInputBuffer Content 0

Extrusion ParentInputBuffer Content 0

Extrusion Processing Content 0
















Planchas [Population] Content 218,44351






































































Extrusion [Resource] ResourceState 2,05151










Extrusion [Resource] ResourceState 199


































Extrusion [Resource] Capacity 34,02083































Extrusion [Resource] ResourceState 200























StarvedTime - Total

















Extrusion MemberInputBuffer HoldingTime 160,86976

Extrusion ParentInputBuffer HoldingTime 16,02629

Extrusion Processing HoldingTime 0,125



















Extrusion MemberInputBuffer HoldingTime 353,965

Extrusion ParentInputBuffer HoldingTime 112,53917















Combiner1 MemberInputBuffer HoldingTime 0


Extrusion MemberInputBuffer HoldingTime 0

Extrusion ParentInputBuffer HoldingTime 0


Dosificacion InputBuffer HoldingTime 0



Horno InputBuffer HoldingTime 0


Manutencion OutputBuffer HoldingTime 0










































TransportingTime - Average



TransportingTime - Occurrences



TransportingTime - Percent



TransportingTime - Total






Extrusion [Resource] Capacity 3266














Extrusion [Resource] Capacity 0,34021













































4.3 Caso Empresa de fabricación de vidrio



En este caso se decidió por una empresa de fabricación de vidrio, en el cual se centraron

los esfuerzos en la mejora de una línea de doble acristalamiento. El doble acristalamiento se utiliza

en la actualidad en la fabricación de ventanas con cámara, muy extendida en la fabricación de

ventanas y ventanales en aluminio con este tipo de cristales puesto que al tener entre los dos

cristales una cámara de aire u otro gas ofrece múltiples cualidades en construcción como

aislamiento térmico, acústico o la no penetración de humedad al interior.

Se establecieron diferentes parámetros de estudio y sobre todo se buscó como podría

afectar una nueva distribución en planta sin restricciones de espacio, ya que la empresa estaba

en planteamiento de mudarse de emplazamiento.

Grafico 0-1 Diagrama de proceso productivo vidrio

CORTE

PREPARACIÓN DE

PERFILESCABALLETES PARA

LAVADO

UNION Y PRENSADO

PEDIDO

ORDEN DE TRABAJO

LAVADO

ENVÍO

SELLADO




4.3.1.2 Objetivos

Se establecieron los siguientes objetivos de acuerdo con la dirección de la empresa,

enfocados a:

Búsqueda de un Lay out más lógico que pudiera reducir los flujos de materiales y

eliminar costes innecesarios, sin restricciones de espacio debido al futuro cambio de

emplazamiento

Detectar las posibles oportunidades de mejora centradas en la redistribución y

utilización de recursos productivos tanto a nivel de recursos humanos como técnicos

Establecer un sistema de KPI LM que pudiera reflejar la idoneidad de las diferentes

oportunidades de mejora.


Se planteó como área piloto la totalidad de la planta, pero se centró la optimización en el

proceso de doble acristalamiento que representaba el 75% de la facturación de la empresa.

Imagen 0-1 Lay out actual vidrio



Los datos que se utilizaron inicialmente fueron los datos del ERP de producción de los

últimos años ,ya que el historial de la empresa se remonta a la década de los 80. Una base

experimental tan amplia permitió poder hacer valoraciones y posteriores simulaciones con gran

exactitud.

Se muestran a continuación las tablas de algunos de los datos utilizados como punto de

partida para el modelo real. Se reflejan los datos de operaciones analizadas para posteriormente

alimentar las entradas del software Simio




Tabla 0-6 Tabla de datos de producción vidrio



Para conocer la situación actual del proceso de doble acristalamiento se realizó una toma

de datos durante un período de 18 días laborables tanto a nivel de tiempos de trabajo y de

espera como del Nº de piezas realizadas.

Días Media Desv. Est. Días Media Desv. Est. Días Media Desv. Est. Días Media Desv. Est. media Total desv

Tiempo 18 65,56 17,81 18 67,56 24,67 17 93 44,61 7 91,43 57,28 79,39 36,09

Nº Piezas 18 33,56 10,16 18 37 10,89 17 38,53 11,93 7 37,14 12,32 36,56 11,33

T/Pieza 18 2,01 0,39 18 1,97 0,96 17 2,53 1,37 7 2,45 1,3 2,24 1,01

Tiempo 17 38,12 11,57 17 63,29 32,08 16 53,13 21,72 7 47,43 18,65 50,49 21,01

Nº Piezas 17 33,12 10,29 17 37,23 11,18 16 37,75 11,86 7 37,14 12,32 36,31 11,41

T/Pieza 17 1,18 0,34 17 1,89 1,29 16 1,46 0,48 7 1,3 0,45 1,46 0,64

Tiempo 11 32,55 12,44 12 33,75 10,25 10 27 7,15 3 32,67 24,11 31,49 13,49

Nº Piezas 11 34 7,14 12 39,33 10,8 10 33,7 10,85 3 33,33 10,02 35,09 9,70

T/Pieza 11 1 0,47 12 0,92 0,42 10 0,9 0,47 3 0,92 0,58 0,94 0,49

Tiempo 18 62,94 20,03 17 71,59 25,41 14 64,71 20,03 7 42,43 23,78 60,42 22,31

Nº Piezas 18 33,56 10,16 17 35,17 11,18 14 34,64 12,86 7 36,14 13,93 34,88 12,03

T/Pieza 18 2,01 0,78 17 1,93 0,97 14 2,11 1,09 7 1,15 0,46 1,80 0,83

Tiempo 18 60,5 19,07 17 73,34 26,52 14 64,29 21,81 7 41,57 22,47 59,93 22,47

Nº Piezas 18 33,44 10,19 17 37,24 11,18 14 34,64 12,86 7 33,71 15,18 34,76 12,35

T/Pieza 18 1,91 0,65 17 2,09 0,93 14 2,02 0,91 7 1,27 0,57 1,82 0,77

Tiempo 10 50,2 77,66 13 76,54 72,47 11 49,36 50,6 4 52,75 52,9 57,21 63,41

Nº Piezas 10 33 12,87 13 36,31 8,38 11 39,82 18,15 4 37,5 15,15 36,66 13,64

T/Pieza 10 1,8 2,49 13 2,28 2,75 11 1,4 1,54 4 1,2 1,2 1,67 2,00

Tiempo 17 127,12 64,9 16 120,25 50,26 13 88,23 67,24 7 45,14 35,91 95,19 54,58

Nº Piezas 17 33,76 10,43 16 37,5 11,49 13 36 12,96 7 37,14 12,32 36,10 11,80

T/Pieza 17 4,09 2,17 16 3,62 2,01 13 2,85 2,57 7 1,34 1,29 2,98 2,01

Tiempo 15 163,27 62,82 15 150,93 55,32 15 132,4 53,32 7 88,57 42,49 133,79 53,49

Nº Piezas 15 37,93 21,62 15 46,6 21,38 15 41,33 20,46 7 45,29 31,52 42,79 23,75

T/Pieza 15 4,9 1,92 15 3,93 2,02 15 3,7 1,7 7 2,68 1,51 3,80 1,79

4to Programa

Corte Planchas

Planchas en Espera

Corte Perfiles

1er Programa 2do Programa 3er Programa

Orden Caballete

Lavado - Unión

Sellado

Prog. En Espera

Perf. En Espera

Tiempo Nº Piezas Tº/Pieza hora Tiempo Nº Piezas Tº/Pieza Tiempo Nº Piezas Tº/Pieza horas Tiempo Nº Piezas Tº/Pieza Hora

60 min 30 2,00 min/p 7:30 30 min 30 1,00 min/p 85 min 30 2,83 min/p 10:20

75 min 41 1,83 min/p 7:00 84 min 41 2,05 min/p 9:31



35 min 23 1,52 min/p 7:15 41 min 23 1,78 min/p 25 min 23 1,09 min/p 9:00 55 min 23 2,39 min/p 10:00














65,56 33,56 2,01 min/p 7:16 39 min 33,12 1,18 min/p 33 min 34,00 1,00 min/p 8:17 63 min 33,56 2,01 min/p 10:22

17,81 min 10,16 min 0,39 min 0:13 11,57 min 10,29 min 0,34 min 12,44 min 7,14 0,47 min 0:37 20,03 min 10,16 min 0,78 min 1:09

Corte Perfiles Orden CaballetesCorte Planchas Lavado-Unión perfil cristal

Tiempo Nº Piezas Tº/Pieza hora Tiempo Nº Piezas Tº/Pieza Tiempo Nº Piezas Tº/Pieza Tiempo Nº Piezas Tº/Pieza

78 min 30 2,60 min/p 10:32 150 min 30 5,00 min/p

67 min 41 1,63 min/p 9:48 76 min 41 1,85 min/p

70 min 54 1,30 min/p 12:30 15 min 54 0,28 min/p 185 min 54 3,43 min/p 265 min 54 4,91 min/p

50 min 33 1,52 min/p 10:20 45 min 33 1,36 min/p 195 min 33 5,91 min/p






58 min 40 1,45 min/p 9:03 30 min 40 0,75 min/p


47 min 36 1,31 min/p 12:17 225 min 36 6,25 min/p







61 min 33,44 1,91 min/p 10:30 18 min 33,00 0,79 min/p 127 min 33,76 4,09 min/p 163 min 37,93 4,90 min/p

19,07 min 10,19 min 0,65 min 1:11 7,36 min 12,88 min 0,94 min 64,90 min 10,43 min 2,17 min 62,82 min 21,62 min 1,92 min

Sellado Perfiles en espera Planchas en esperaProgramas en espera




Los tiempos de trabajo y de espera se han relativizado en función del número de piezas y

por programa de fabricación de forma que al final se ha obtenido un tiempo/pieza por programa

para cada subproceso y para cada zona en la que se produce una espera de producto o

subproducto.

A continuación se muestra un diagrama de Gantt realizado sacando una media de los

diagramas de Gantt de los 18 días en los que se han tomado datos.

Tabla 0-9 Diagrama de Gantt de un Proceso Medio vidrio

En la siguiente tabla se muestran las medias de los tiempos y del Nº de piezas por

programa. De esta tabla se obtiene el tiempo medio por pieza y programa para las posteriores

simulaciones de SIMIO.

Tabla 0-10 Tabla de Media de Datos del Proceso vidrio

Una vez se realizó la toma de datos, y el diagrama de Gantt de un proceso medio, el cual

es orientativo, para la realización de la simulación se necesita saber, con los datos tomados, cual

es la mejor distribución estadística para cada proceso.

Se muestran a continuación los datos asimilados a cada distribución según los procesos y

esperas que se muestrearon:

Fabricación de perfiles.

Corte de planchas.

Orden Caballetes.

Lavado - Unión Perfil – Cristal.

Sellado.

Programas en espera.

Perfiles en espera.

Planchas en espera.

.




Grafico 0-2Fabricación de Perfiles




Grafico 0-3 Corte de Planchas




Grafico 0-4 Orden Caballetes




Grafico 0-5 Lavado – Unión Perfil – Cristal




Grafico 0-6 Sellado.




Grafico 0-7 Programas en espera:




Grafico 0-8 Perfiles en Espera.




Grafico 0-9 Planchas en Espera.





Se ha realizado un AMFE de proceso a fin de conocer cuáles son los principales obstáculos

del proceso además de malas prácticas que ocasionan incidencias, las cuales a su vez provocan

pérdidas de tiempo y de materia prima. Se ha realizado a su vez para experimentar sobre el valor

de su uso en esta metodología.

Tabla 0-11AMFE del proceso

En este caso se desgranó de manera muy detallada el diagrama de flujo del proceso de

doble acristalamiento para poder desarrollar correctamente el modelo conceptual de simulación.

Grafico 0-10 Diagrama de flujo del proceso

Recepción de pedidos de clientes

Pedidos a oficina de fabricación

Preperación de

programa

¿Pedidos

Espera

Entrega document

ación

Envío de programa a

Programa de Corte en espera

Fabricación de Perfiles

Activamos Programa de

Corte

¿Plancha

Carga ManualCargador

Automático

Corte

¿Fin de Programa?

Despiece y colocación en caballete

Programa corte en espera

Corte de Perfiles

EnsamblajePerfiles

LLenado de sales

Colocación de Programas por

Programa Perfiles en espera

Ordenadode

programa

Colocación de caballete en

Línea de lavado, unión y sellado

Lavado

Unión Perfil . Cristal y Prensado

Sellado Aut.Doble Cristal

Almacenamiento producto

Carga en camión y reparto

si

no

no

si

no

si

Sellado ManualDoble Cristal

RUTA 1

RUTA 2

RUTA 3

Error en medidas en un pedido Cristal no apto 10 Dimensiones Mala recepción del pedido 4 Verificación de pedidos 6 240 0

0 0

0 0

0 0

0 0

Fallo en corte perfi les Perfi l no apto 8 Dimensiones Error de corte 4 Ninguno 2 64 8 1 2 16

Mal l lenado síl ice Humedades futuras 8 Aislamiento Error de llenado por op. 5 visualización operario 2 80 0

Error colocación numeración Desorden perfi les 6 Error operario 5 Ninguno 3 90 0

0 0

Fallo carga manual plancha Rotura Plancha 3 Mal posicionamiento 2 Ninguno 3 18 Pintado Límite de pos. Encargado Pintado 3 1 1 3

Fallo Dimensiones de corte

Perdida materia

Perdia Tiempo 4 00

No limpieza mesa Rallado Cristal 10 Aspecto No limpieza de mesa 4 Ninguno 5 200

Establecer norma para

l impieza de mesa

Director

C/MA/SSL

Encargado

Establecer una

gama de

operaciones y

frecuencias

para l impieza

de mesa

8 2 5 80

0 0

Manipulación cristales Rallado 10 Aspecto Manipulación cristales 5 Revisión en zona unión 6 300 0

Transporte Caballete

Rotura Cristales

Daños físicos op. 8 Plazo, MP Falta de seguridad 4 Ninguno 1 32

Levantar caballete

lo mínimo.

Transporte 2 Operarios

Encargado

Operarios

Levantado

mínimo del

caballete.

Transporte 2

operarios.

8 2 1 16

Fallo Ordenado Cristales Pérdida de tiempo 3 Fallo Operario 4 Hoja de Orden Cristales 2 24 0

0 0

Mal secado cristal

Secado Posterior

Tiempo 2

Solapamiento por

mala regulación sensor 3 Ninguno 1 60

Suciedad en cristal Pérdiad de tiempo 8 Aspecto Mancha dificil 4 Visual 4 128

Limpieza cristal fuera

de la l inea

Encargado,

Operarios

Habilitada

zona de

limpieza y

retorno de

cristal a l inea

5 4 4 80

0 0

0 0

No detección de Defectos Defecto a Cliente 10 Aspecto Mala inspección cristal 6 Inspección 4 240 0

Mala colocación perfi l

Fallo en sellado

posterior 4 Tiempo Fallo colocación operario 2 Posicionador 2 160

0 0

0 0

Mal sellado del doble cristal Humedades 10 Aislamiento

Fallo selladora automática,

No detección operario 2 Inspección y retocado 1 20

0

0 0

0 0

0 0

18-Nuevo NPR

PRODUCTO: DOBLE ACRISTALAMIENTO

ESPECIFICACIÓN:

FICHA DE EDICIÓN:

PROCESO: PROCESO DE FABRICACIÓN DE DOBLE ACRISTALAMMIENTO

OPERACIÓN:

ACTUAR SOBRE NPR>QUE:100

RESPONSABLE: Daniel Prieto Renda

7-Causa del fallo8-Probabilidad de

ocurrencia9-Controles actuales

10-Probabilidad

de no detección

11-Nº de

prioridad de

riesgo

12-Acción correctora4-Efectos del fallo

HOJA

1

FECHA: 01/07/2011

REVISADO: Daniel Prieto Renda

ANÁLISIS MODAL DE FALLOS Y EFECTOS (PROCESO)

PORFECHA REV. Nº

16-Nueva

probabilidad de

ocurrencia

17-Nueva

probabilidad de no

detección

LAVADO

CRISTAL

Lavado -

Secado

cristal

COLOCACIÓN

DOBLE

CRISTAL

Montaje de

cristales y

perfi l

15-Nueva gravedad

del fallo

5-Gravedad

del fallo

6-Características

críticas

13-Definir

responsables

CORTE

SELLADOSellado del

Perímetro

14-Acciones

implantadas

PREPARACIÓN

LAVADO

Transporte y

ordenado

Envía

ordenes a

mesa de

corte

Corte de

cristales

Doblado mediante una

plegadora Automática

Gerente

Encargado

Operario

Perfi les

Instalación de

plegadora

Automática

1-Nombre del

producto

2-Operación

o función3-Modo de fallo

Fabricación

de perfi lesPERFILES

GENERACIÓN

DE

PROGRAMA




Una vez que se conocen todos los datos tanto de producción, como dimensionales y de

tiempos de trabajo y de espera así como las distribuciones estadísticas que siguen se realizó

posteriormente la simulación en Simio.

Imagen 0-2 Modelo conceptual de simulación en Simio vidrio




Se alimentó simio con los modelos estadísticos obtenidos a través del análisis de los datos

reales:

Tabla 0-12 Tiempos de fabricación según pedido Vidrio

Proceso Unidades % Jornada

Perfiles 142 62,48%

Corte de Planchas 142 44,34%

Ordenado Cristales 142 26,97%

Carga linea de lavado 142 29,58%

Lavado 142

Unión Perfil - Cristal 142 56,87%

Prensa 142

Sellado 142 60,11%

Pedidos Vel 2m/seg

Interarrival

Piezas/pedido

Perfiles Tiempo/pieza

Programa en espera Tiempo/pieza

Corte de Planchas Tiempo/pieza

Espera Lavado Tiempo/pieza

Ordenado Cristales Tiempo/pieza

Carga linea de lavado

Lavado

Unión Perfil - Cristal

Prensa

Sellado Tiempo/pieza

Tiempo/pieza Random.Gamma( 6,0.32 )

Llegadas Pedidos Random.triangular(50,150,200 )

Random.Triangular( 33, 35, 40 )

Random.gamma(6.29,0.3)

Random.Gamma( 5,0.29 )

Random.Gamma( 5.84,0.16 )

Random.gamma(6.29,0.3)

Random.Normal(3.97,1.92)

Random.Exponential( 2.095 )

1min/cristal

Condiciones de Simulación

Tiempo/pieza

Proceso Actual/Demanda Actual






Una vez definido el modelo conceptual con todas los procesos analizados y conectando

todas las entidades de simio de manera lógica se ejecutó el programa SIMIO con los datos reales

obtenidos para comprobar su integridad funcional sobre lo planteado

Imagen 0-3 Modelo planta actual en ejecución vidrio

Se generaron los informes de los resultados obtenidos, para verificar que el sistema

funcionaba de manera positiva y con coherencia.

Tabla 0-13 Resultados simulación Vidrio





Simulado el modelo de proceso los resultados obtenidos se corresponden con la realidad

como se puede ver en la siguiente tabla:

Parámetro Datos Reales Datos Simio

Producción (Nº Piezas) 133 (media 18 días) 136

Tiempo Total 8h 8h

Porcentajes de Trabajo

Corte Perfiles 66% 62%

Corte Planchas 42,5% 39,3%

Ordenado Caballete 28,5% 26,5%

Lavado-Unión cristal-perfil 50% 54%

Sellado 50% 51,5%

Porcentajes de espera

Espera Programas 8% (media por programa)

Espera Perfiles 18,5% (media por programa)

Espera Planchas 27% (media por programa)

Nº de piezas que puede absorber el proceso 210 piezas

Tabla 0-14 Resultados s obtenidos Vidrio

En la siguiente tabla se presentan los datos comparativos de los tiempos por operaciones.




Grafico 0-11 comparativa y validación. Vidrio

Se demostró que los datos reales tomados una vez modelizados con sus distribuciones

estadísticas, al simularlos en Simio , se obtuvieron unos datos muy similares , con lo cual el modelo

puede ser VALIDADO.


Los KPI iniciales fueron definidos según los siguientes valores:

Eficiencia


nº operarios 5,00




LEAD TIME 0,19

TAKT TIME 0,19

WIP 8.400,00

OEE 0,60

Despilfarros


Tiempo Esperas 7,20

Inventario 0,04


66%

42,50%

28,50%

50%

62%

39,30%

26,50%

54%

Corte Perfiles Corte Planchas Ordenado Caballete Lavado-Unión cristal-perfil

Comparativa y validación de datos

Datos Reales Datos Simio





En el diseño de los experimentos para evaluar el comportamiento del sistema se tuvieron

en cuenta una serie de consideraciones previas , para optimizar los resultados a obtener:

Como se explicaba en el apartado de descripción del proceso hay que tener en

cuenta que los operarios encargados de la unión del perfil y cristal y del sellado realizan

la tarea de ordenado estando la línea parada en ese instante.

Es decir, la mitad del tiempo de ordenado se le roba a la línea de unión y sellado. Esto

es 1,14h.

Como se puede ver en la tabla anterior el subproceso que ocupa más tiempo es el de

la creación de perfiles, sin embargo, el cuello de botella ahora mismo no está en los

tiempos de trabajo, sino en los de espera, esto es condicionado en parte por la

situación de demanda de pedidos que tiene la empresa.

Por ese motivo, el cuello de botella está entre el corte de planchas y el lavado, es

decir, que se debería actuar en reducir los tiempos de espera y ordenado de las

planchas para que se adapten al ritmo de trabajo de la línea de lavado – prensa –

sellado.

Se trabajó a partir de este modelo para construir otro más productivo, para ello se utilizó de

manera analítica la información que proporcionó el AMFE de proceso de la forma siguiente:

Mejorar el proceso actual sin necesidad de modificar el lay out.

Además de las mejoras obtenidas a partir del AMFE se modificó el lay out simulando un

traslado de la empresa a una nueva fábrica, sin restricciones de espacio.

4.3.4.1 Nuevo Modelo más Productivo.

Una vez realizado el AMFE de proceso se plantean una serie de acciones que están

encaminadas a corregir procedimientos así como evitar incidencias. Aunque el AMFE se ha

realizado como una herramienta encaminada a la mejora de la calidad y seguridad, las acciones

derivadas de él permiten la reducción de tiempos en alguno de los subprocesos. Se ha visto la

utilidad de esta técnica a su vez en la metodología utilizada

El resultado de estas acciones supuso una reducción en los tiempos de trabajo y de espera

como se muestra a continuación.

Fabricación de perfiles:

Actualmente los perfiles se realizan por parte del operario cortando los cuatro lados del perfil y

uniéndolos mediante unas piezas de plástico.

Como se puede comprobar en los tiempos de trabajo tomados, este es el subproceso que

más tiempo lleva.

Para reducir este tiempo se ha decidido sustituir este subproceso por una dobladora

automática la cual la empresa ya posee y solamente es necesaria la puesta a punto.

La dobladora automática entrará en funcionamiento con el traslado de la empresa a la

nueva nave y recibirá los datos de doblado y corte del sistema de gestión de pedidos de la

empresa de la misma forma que los recibe actualmente la mesa de corte.




Subproceso Actual Subproceso Nuevo

Tiempo de Trabajo 2,24 min/pieza y prog. 1,72 min/pieza y prog.

Tiempo diario de Trabajo 5,28 h (66% jornada) 4 h (50% jornada)

Gasto Anual Piezas de Unión 6.916€ 1.729€

Tabla 0-15 Mejora Con cambio a Dobladora Automática

Imagen 0-4 Dobladora Automática de Perfiles

Corte de planchas:

Con la acción de realizar una marca de posicionamiento para la carga de cristales se han

reducido el número de roturas de planchas debidas a un mal posicionamiento de la misma en un

100%, además la carga de la plancha se realiza más rápido al conocer el punto límite del cristal.

En tiempo medio se ha ganado un 3% de tiempo con una medida que tiene

prácticamente un coste 0.

El porcentaje de tiempo de corte de planchas pasa ahora de un 42,5% a un 41,2%, es decir

se han ganado 6minutos diarios.

Unión Perfil – Cristal y Ordenado de Caballete.

Con la acción tomada a partir del AMFE de retirar los cristales de la línea y realizar su

limpieza fuera y por un operario distinto al de la línea se ha ganado un 4% de tiempo por jornada




de trabajo, por lo que para realizar la unión entre el perfil y los cristales de la media de 133 piezas

en vez de un 50% de la jornada se ocupará un 48% de la jornada laboral.

Otro aspecto a tener en cuenta es el ya explicado del aprovechamiento del tiempo

ganado por el operario de fabricación de perfiles en el ordenado de caballetes.

Con esta opción se ha conseguido reducir el tiempo de espera de las planchas en 1,14h

ganando este mismo tiempo la línea de unión – sellado.

4.3.4.2 Nuevo layout:

Con el cambio de nave se diseñó un modelo en el que además de ganar tiempo con las

nuevas acciones implantadas, se ha hecho una redistribución del proceso de forma que se

minimicen las distancias entre subprocesos.

Hay que destacar que para este nuevo diseño , se trabajó sin restricciones de espacio, es

decir lo que se hizo para buscar un emplazamiento adecuado al proceso. De esta manera no

habrá que adaptarse a una nave existente con los consecuentes beneficios. El nuevo layout que

es el siguiente:

Imagen 0-5 Simulación en SIMIO del Nuevo Proceso Vidrio

Proceso

Actual

Nuevo

Proceso

Área ocupada en planta por el proceso 878m2 600m2

Distancias dentro del proceso

Distancia recorrida entrega documentación 115m 50m

Desplazamiento de Caballete de Corte 20m 0m

Distancia a recorrer por los perfiles 22m 5m

Distancia entre almacén terminados y salida 25m 5m

Tabla 0-16 Optimización LEAN con Nuevo Proceso Vidrio

En estos planos se puede ver el layout de la nave actual y como quedaría el layout de este

proceso en la nave nueva.




Imagen 0-6 Comparativa Modelo de planta vidrio con mejoras en lay out

Una vez realizados todos estos cambios, el resultado final de la simulación es la siguiente:

Parámetro Proceso

Actual

8h

Nuevo

Proceso

7h

Nuevo

Proceso

8h

Producción Actual 136 136 136

Producción Máxima 210 210 240

Porcentajes de trabajo Prod. Actual Producción Máxima

Corte Perfiles 62% 99% 99% 99%

Corte Planchas 39,3% 67% 92% 92%

Ordenado Caballete 26,5% 42% 56% 56%

Lavado-Unión cristal-perfil 54% 86% 96% 95%

Sellado 54,5% 80% 83% 84%

Tabla 0-17 Mejora Productiva con Nuevo Proceso Vidrio




0,00%

20,00%

40,00%

60,00%

80,00%

100,00%

120,00%

Perfiles planchas ordenado Lavado Sellado

Porcentajes de Trabajo

Actual 8h

Act. Prod Máx

Nuevo 7h

Nuevo 8h

Grafico 0-12 Comparativa mejoras

4.3.5 FASE 5: Analisis de los resultados.

Una vez puesto a simular el modelo mejorado y completado el estudio, a la hora de sacar

conclusiones se obtuvieron dos escenarios a la hora de aprovechar las mejoras:

Con un aumento de demanda de producción.

Reducción del tiempo del proceso por jornada.

Realmente se podría enfocar de ambas maneras, pero una jornada de 7 h , salvo que

estemos en otros mercados con otra normativa laboral ,no sería lógica. Se especificó a modo de

muestra , para mostrar el exceso de tiempo que se podría ahorrar.

4.3.5.1 Aumento en la demanda de la producción.

Actualmente el proceso realiza una media de 133 piezas en 8h, pudiendo llegar en caso

de que aumente la demanda a 210.

Una vez implantadas las mejoras descritas a partir del estudio del proceso se podrían

fabricar 240 piezas en 8h, es decir, se aumentaría la producción en 30 piezas día.

Esto supone:

A una media de 50€/pieza se aumentaría en un año la facturación relativa al proceso en:

Es decir, con las mejoras relativas al AMFE, a la introducción de la dobladora automática y

al nuevo Layout la facturación anual relativa al proceso pasaría de:

Se consiguió un aumento de la productividad de un 14,28 %




A esto hay que añadir una reducción de costes en materia prima debido a la eliminación

de 3 de las cuatro uniones plásticas de los perfiles de:

4.3.5.2 Reducción del Tiempo de Proceso por Jornada.

Si la demanda de producción continúa en la media de 136 piezas/día, entonces se

pueden aprovechar las mejoras para reducir el tiempo de proceso, es decir, fabricar las mismas

piezas en menos tiempo.

Una vez realizadas la mejoras y simulado el nuevo proceso en SIMIO, se alcanzan las 136

piezas en 7h, es decir:

Se obtuvo una reducción de la jornada en un 12,5 %

Esto significó una reducción de costes en :

Mano de Obra:

Si el proceso dura una hora menos al día, valiendo la hora de un operario 25€, el ahorro en

mano de obra es:

Energía:

Reducción de un 3% de energía sobre el total debido a la hora diaria que algunas máquinas

estaban encendidas sin producir, así como luminarias etc.

La energía total consumida en la fábrica resulta un 20% de lo facturado de forma que:

Además de un ahorro en materia prima por la mejora de la dobladora:

Podemos decir que en total se obtuvo una reducción de costes de 53.989 €


Los KPI Lean finales obtenidos fueron :

Eficiencia


nº operarios 5,00




LEAD TIME 0,14

TAKT TIME 0,17

WIP 9.600,00

OEE 0,81

Despilfarros





Tiempo Esperas 3,60

Inventario 0,03


4.3.6 Fase 6 : Informes y documentación

En esta Fase se documentan los resultados en un formato informe y se anexionan los

documentos en formato tablas que genera Simio tras las simulaciones que generan

Tras definir como debe ser el ciclo productivo que queremos poner a prueba y teniendo

conocimiento de qué recursos humanos y materiales son necesarios para poder llevarlo a cabo,

se ha modelado un sistema que refleje la realidad de la planta.

Una vez verificado y validado este modelo se han realizado varias pruebas de diferentes

diseños representativos del sistema a fin de encontrar uno que se ajuste de la mejor manera

posible a nuestros objetivos. Para ello se han tomado las suposiciones que se han considerado

oportunas y aquellos cambios en el sistema que a priori se ha considerado que podrían resultar

favorables a la solución final. Cabe decir que se han debido simplificar ciertos aspectos del

modelo inicial, en algunas ocasiones debido a que no han resultado relevantes puesto que no

afectaban de manera alguna al modelo, y en otros para evitar una complicación del sistema.

Aplicando la filosofía lean se han identificado una serie de propuestas de mejora en la

empresa que posteriormente se simularon obteniéndose unos parámetros de la simulación que

podrán ayudar a la gestión de la empresa en la toma de decisiones y alcanzar los objetivos

establecidos.

De los resultados se puede resaltar la infrautilización de algunos recursos y escaso tiempo

de trabajo útil de alguno de los operarios por culpa de desplazamientos innecesarios que no

aportan valor al producto.

Las propuestas de mejora generales fueron:

Un cambio en la distribución de las máquinas en la fábrica que conllevaba una

disminución del recorrido que los operarios tenían que realizar. Se buscó un flujo

productivo lo más sencillo posible.

Un aumento de trabajadores en la zona de la nave donde se producía el cuello de

botella haciendo la que la producción no fuese nivelada.

Una disminución de trabajadores en las zonas donde se producía más rápido de lo que

el cliente demandaba.

Redistribución de trabajadores en la fábrica haciendo una producción nivelada y

acorde a la demanda de pedidos.

Una vez conocidos todos los resultados del estudio del proceso se concluye:

Escenario 1: Aumento de Capacidad Proceso 210 a 240 piezas

Aumento de Productividad 14,28%

Aumento de Facturación en 390.000 €/año

Reducción Costes MP 9.360 €/año

Escenario 2: Reducción de Jornada sin Reducir Producción 8h a 7h

Reducción de Jornada 12,5%

Reducción de Costes 53.989 €/año




La tabla comparativa de la evolución de los KPI es la siguiente:

Antes Después %

Eficiencia


nº operarios 5,00 5,00 0,00%

Horas trabajadas totales 40,00 40,00 0,00%



LEAD TIME 0,19 0,14 -29,13%

TAKT TIME 0,19 0,17 -12,50%

WIP 8.400,00 9.600,00 14,29%

OEE 0,60 0,81 35,00%

Despilfarros


Tiempo Esperas 7,20 3,60 -50,00%

Inventario 0,04 0,03 -12,50%


Tabla 0-18 Tabla de evolución de KPI Vidrio

Se anexionan a continuación las tablas de Simio del modelo actual y del óptimo realizado.




Interactive Detail Report

Project: V_Proceso Actual






Pedido [Population] Throughput 272






UnionPerfilCristal MemberInputBuffer Throughput 135

UnionPerfilCristal OutputBuffer Throughput 135

UnionPerfilCristal ParentInputBuffer Throughput 136

UnionPerfilCristal Processing Throughput 135



EntragaDocumentacion InputBuffer Throughput 136

EntragaDocumentacion MemberOutputBuffer Throughput 136

EntragaDocumentacion ParentOutputBuffer Throughput 136

EntragaDocumentacion Processing Throughput 136

CargaLineaLavado InputBuffer Throughput 136

CargaLineaLavado OutputBuffer Throughput 136

CargaLineaLavado Processing Throughput 136

CorteDePlanchas InputBuffer Throughput 136

CorteDePlanchas OutputBuffer Throughput 136

CorteDePlanchas Processing Throughput 136

GeneracionDePrograma InputBuffer Throughput 136

GeneracionDePrograma OutputBuffer Throughput 136

GeneracionDePrograma Processing Throughput 136

Lavado InputBuffer Throughput 136

Lavado OutputBuffer Throughput 136

Lavado Processing Throughput 136

Ordenado InputBuffer Throughput 136

Ordenado OutputBuffer Throughput 136

Ordenado Processing Throughput 136

Perfiles InputBuffer Throughput 136

Perfiles OutputBuffer Throughput 135

Perfiles Processing Throughput 136

Prensa InputBuffer Throughput 135

Prensa OutputBuffer Throughput 135

Prensa Processing Throughput 135

ProgramaEnEspera InputBuffer Throughput 136

ProgramaEnEspera OutputBuffer Throughput 136

ProgramaEnEspera Processing Throughput 136

Sellado InputBuffer Throughput 134




Sellado OutputBuffer Throughput 133

Sellado Processing Throughput 134

Almacen InputBuffer Throughput 133

LLegadaDePedidos OutputBuffer Throughput 136







































































UnionPerfilCristal MemberInputBuffer Content 3,76586

UnionPerfilCristal ParentInputBuffer Content 1,34446

UnionPerfilCristal Processing Content 0,54916

CargaLineaLavado InputBuffer Content 0,02423

CargaLineaLavado Processing Content 0,28333

CorteDePlanchas InputBuffer Content 0,35854

CorteDePlanchas Processing Content 0,39374

GeneracionDePrograma InputBuffer Content 0,95242

GeneracionDePrograma Processing Content 0,05751

Ordenado InputBuffer Content 0,02828

Ordenado Processing Content 0,26586

Perfiles InputBuffer Content 8,98908

Perfiles Processing Content 0,62088

ProgramaEnEspera InputBuffer Content 9,76455

ProgramaEnEspera Processing Content 0,65374

Sellado InputBuffer Content 0,19813

Sellado Processing Content 0,51565



UnionPerfilCristal MemberInputBuffer Content 18

UnionPerfilCristal ParentInputBuffer Content 7

UnionPerfilCristal Processing Content 1

CargaLineaLavado InputBuffer Content 1

CargaLineaLavado Processing Content 1

CorteDePlanchas InputBuffer Content 5

CorteDePlanchas Processing Content 1

GeneracionDePrograma InputBuffer Content 34




GeneracionDePrograma Processing Content 1

Ordenado InputBuffer Content 2

Ordenado Processing Content 1

Perfiles InputBuffer Content 31

Perfiles Processing Content 1

ProgramaEnEspera InputBuffer Content 31

ProgramaEnEspera Processing Content 1

Sellado InputBuffer Content 3

Sellado Processing Content 1






















Pedido [Population] Content 35,3043



Pedido [Population] Content 70

























































UnionPerfilCristal [Resource] ResourceState 0,11874

CargaLineaLavado [Resource] ResourceState 0,02201

CorteDePlanchas [Resource] ResourceState 0,05625

GeneracionDePrograma [Resource] ResourceState 0,11503

Ordenado [Resource] ResourceState 0,01969

Perfiles [Resource] ResourceState 1,24175

ProgramaEnEspera [Resource] ResourceState 1,30748

Sellado [Resource] ResourceState 0,06654



UnionPerfilCristal [Resource] ResourceState 37

CargaLineaLavado [Resource] ResourceState 103

CorteDePlanchas [Resource] ResourceState 56




GeneracionDePrograma [Resource] ResourceState 4

Ordenado [Resource] ResourceState 108

Perfiles [Resource] ResourceState 4

ProgramaEnEspera [Resource] ResourceState 4

Sellado [Resource] ResourceState 62























UnionPerfilCristal [Resource] Capacity 54,91644

EntragaDocumentacion [Resource] Capacity 0

CargaLineaLavado [Resource] Capacity 28,33333

CorteDePlanchas [Resource] Capacity 39,37436

GeneracionDePrograma [Resource] Capacity 5,75129

Lavado [Resource] Capacity 0

Ordenado [Resource] Capacity 26,58628

Perfiles [Resource] Capacity 62,08754

Prensa [Resource] Capacity 0

ProgramaEnEspera [Resource] Capacity 65,3741

Sellado [Resource] Capacity 51,56521




EntragaDocumentacion [Resource] ResourceState 8



EsperaLavado [Resource] ResourceState 8


Lavado [Resource] ResourceState 8



Prensa [Resource] ResourceState 8


































StarvedTime - Total
















UnionPerfilCristal MemberInputBuffer HoldingTime 0,22316

UnionPerfilCristal ParentInputBuffer HoldingTime 0,07881

UnionPerfilCristal Processing HoldingTime 0,03254

CargaLineaLavado InputBuffer HoldingTime 0,00143




CargaLineaLavado Processing HoldingTime 0,01667

CorteDePlanchas InputBuffer HoldingTime 0,02109

CorteDePlanchas Processing HoldingTime 0,02316

GeneracionDePrograma InputBuffer HoldingTime 0,05602

GeneracionDePrograma Processing HoldingTime 0,00338

Ordenado InputBuffer HoldingTime 0,00166

Ordenado Processing HoldingTime 0,01564

Perfiles InputBuffer HoldingTime 0,52877

Perfiles Processing HoldingTime 0,03635

ProgramaEnEspera InputBuffer HoldingTime 0,57439

ProgramaEnEspera Processing HoldingTime 0,03846

Sellado InputBuffer HoldingTime 0,01183

Sellado Processing HoldingTime 0,03098






















UnionPerfilCristal MemberInputBuffer HoldingTime 0

UnionPerfilCristal ParentInputBuffer HoldingTime 0


CargaLineaLavado InputBuffer HoldingTime 0


CorteDePlanchas InputBuffer HoldingTime 0


GeneracionDePrograma InputBuffer HoldingTime 0


Ordenado InputBuffer HoldingTime 0


Perfiles InputBuffer HoldingTime 0


ProgramaEnEspera InputBuffer HoldingTime 0





Sellado InputBuffer HoldingTime 0




Pedido [Population] FlowTime 1,02879

Almacen [DestroyedObjects] FlowTime 1,06635











Almacen [DestroyedObjects] FlowTime 133






















































UnionPerfilCristal [Resource] Capacity 135


CargaLineaLavado [Resource] Capacity 136

CorteDePlanchas [Resource] Capacity 136

GeneracionDePrograma [Resource] Capacity 136


Ordenado [Resource] Capacity 136

Perfiles [Resource] Capacity 136


ProgramaEnEspera [Resource] Capacity 136

Sellado [Resource] Capacity 134


























Interactive Detail Report

Project: V_Proceso Actual








































































UnionPerfilCristal MemberInputBuffer Content 3,76586

UnionPerfilCristal ParentInputBuffer Content 1,34446

UnionPerfilCristal Processing Content 0,54916

CargaLineaLavado InputBuffer Content 0,02423

CargaLineaLavado Processing Content 0,28333

CorteDePlanchas InputBuffer Content 0,35854

CorteDePlanchas Processing Content 0,39374

GeneracionDePrograma InputBuffer Content 0,95242

GeneracionDePrograma Processing Content 0,05751

Ordenado InputBuffer Content 0,02828

Ordenado Processing Content 0,26586

Perfiles InputBuffer Content 8,98908

Perfiles Processing Content 0,62088

ProgramaEnEspera InputBuffer Content 9,76455

ProgramaEnEspera Processing Content 0,65374

Sellado InputBuffer Content 0,19813

Sellado Processing Content 0,51565












































Pedido [Population] Content 35,3043





















































StarvedTime - Total

























































UnionPerfilCristal MemberInputBuffer HoldingTime 0

UnionPerfilCristal ParentInputBuffer HoldingTime 0


CargaLineaLavado InputBuffer HoldingTime 0


CorteDePlanchas InputBuffer HoldingTime 0


GeneracionDePrograma InputBuffer HoldingTime 0


Ordenado InputBuffer HoldingTime 0


Perfiles InputBuffer HoldingTime 0


ProgramaEnEspera InputBuffer HoldingTime 0





Sellado InputBuffer HoldingTime 0
















Almacen [DestroyedObjects] FlowTime 133



































CAPITULO 5 - RESULTADOS OBTENIDOS



5 RESULTADOS OBTENIDOS

Tras los estudios realizados con la metodología diseñada, y para poder entender las

variaciones que se producen, se validó la evolución de los siguientes KPI con sus significados:

KPI de Eficiencia Productiva:

Nº operarios

Se estudió el aumento, disminución y cambio de ubicación de los operarios, lo que

influye en los parámetros siguientes.

Horas trabajadas totales.

En función de los tiempos de experimentación y del número de operarios se definen

una serie de horas totales de trabajo.

Unidades producidas.

Este parámetro mide la capacidad de poder fabricar más unidades.

Productividad ( ud/HH)

Para eliminar los parámetros monetarios se define como las unidades producidas por

hora hombre, cuanto más positiva mejor.

LEAD TIME

Es el tiempo en el que se entrega una unidad de fabricación desde que se produzca el

pedido. Cuanto más se reduzca mejor será el comportamiento del sistema.

TAKT TIME

Se define como el tiempo disponible para abastecer la demanda, en condiciones de

máxima eficiencia el Lead Time se acerca al Takt Time.

WIP

Work in progress, es el trabajo que esta en fabricación, cuanto mayor sea mayor será la

ocupación del sistema y mas valor añadido se generará.

OEE

Es el nivel de eficiencia global del proceso productivo, cuanto más se aumente mejor

serán los resultados globales del sistema.

KPI de Despilfarros

Tiempo Transporte

Son los tiempos improductivos de movimientos que no aportan valor.

Tiempo Esperas

El tiempo de espera entre procesos que no aporta valor.

Inventario

Entendido como periodo de rotación del Stock.

Ocupación en planta

Superficie ocupada por las máquinas y operarios de proceso.

Los resultados de manera numérica se muestran a continuación:




Resultados Caso Fabrica de troqueles.

Antes Después %

Eficiencia


nº operarios 7,00 6,00 -14,29%

Horas trabajadas totales 168,00 144,00 -14,29%



LEAD TIME 12,13 10,21 -15,84%

TAKT TIME 18,67 13,09 -29,87%

WIP 1.512,00 1.584,00 4,76%

OEE 0,65 0,78 20,00%

Despilfarros


Tiempo Esperas 25,20 14,40 -42,86%

Inventario 2,67 2,18 -18,18%


Resultados Caso Fábrica de Productos Cerámicos.

Antes Después %

Eficiencia

Horas en estudio 1.205,00 1.205,00

nº operarios 2,00 2,00 0,00%

Horas trabajadas totales 1.205,00 712,00 -40,91%

Unidades producidas 9.800,00 9.800,00 0,00%


LEAD TIME 146,26 146,26 0,00%

TAKT TIME 157,00 157,00 0,00%

WIP 18.219,00 32.531,00 78,56%

OEE 0,65 0,78 20,00%

Despilfarros


Tiempo Esperas 180,75 85,44 -52,73%

Inventario 11.809.000,00 6.977.600,00 -40,91%

Ocupación en planta 1.000,00 1.000,00 0,00%




Resultados Caso de Fábrica de productos de Vidrio

Antes Después %

Eficiencia


nº operarios 5,00 5,00 0,00%

Horas trabajadas totales 40,00 40,00 0,00%



LEAD TIME 0,19 0,14 -29,13%

TAKT TIME 0,19 0,17 -12,50%

WIP 8.400,00 9.600,00 14,29%

OEE 0,60 0,81 35,00%

Despilfarros


Tiempo Esperas 7,20 3,60 -50,00%

Inventario 0,04 0,03 -12,50%


Como se puede observar en las tablas los resultados esperados están dentro de las

evoluciones positivas para cada uno de los caso.

Esto viene a demostrar que la metodología propuesta de integración de herramientas de

simulación DES con LM, es correcta y funciona dando resultados óptimos.

Cabe destacar que sería posible obtener resultados negativos, con lo cual las propuestas

de mejora no se considerarían y las decisiones a tomar serían o bien no realizarlas o bien probar

nuevas alternativas, hasta conseguir los objetivos deseados.

En las siguientes páginas se muestran los valores de estas tablas en formato grafico más

visual y que facilitarán su comprensión.




-14,29% -14,29%

22,22%

42,59%

-15,84%

-29,87%

4,76%

20,00%

%

Evolución KPI Eficiencia Fábrica de Troqueles

nº operarios Horas trabajadas totales Unidades producidas

Productividad ( ud/HH) LEAD TIME TAKT TIME

WIP OEE

-48,57%

-42,86%

-18,18%-20,00%

1

Evolución KPI Despilfarro Fábrica de Troqueles

Tiempo Transporte Tiempo Esperas Inventario Ocupacion en planta




0,00%

-40,91%

0,00%

69,24%

0,00% 0,00%

78,56%

20,00%

1

Evolución KPI Eficiencia Fábrica de P. Cerámicos



WIP OEE

-70,46%

-52,73%

-40,91%

0,00%

1

Evolución KPI Despilfarro Fábrica de P. Cerámicos





0,00% 0,00%

14,29% 14,29%

-29,13%

-12,50%

14,29%

35,00%

1

Evolución KPI Efciencia Fábrica de P. Vidrio



WIP OEE

-54,55%

-50,00%

-12,50%

-31,66%

1

Evolución KPI Despilfarro Fábrica de P. Vidrio


CAPITULO 6 - CONCLUSIONES



6 CONCLUSIONES.

6.1 Conclusiones generales

Se ha demostrado a lo lego de la tesis que es posible establecer una metodología común

de integración de herramientas informáticas de simulación DES y LM, a pesar de que desde el

punto de vista productivo todos los sistemas de manufactura inicialmente parezcan diferentes.

La revisión del estado del arte inicial con las bases teóricas existentes ha permitido analizar

y definir diferentes softwares de simulación DES. Y definir cuál es el más versátil para el desarrollo

de la investigación que en este caso ha sido el SIMIO.

Los resultados obtenidos en la mejora conseguida en la productividad de diferentes

sectores integrando la simulación basada en DES y LM justifican la metodología desarrollada. Con

la ayuda del software de simulación se pudo modelar con exactitud los procesos productivos de

diversas empresas y se pudieron ver después en los informes que se obtienen del propio programa

de simulación la ocupación de los recursos, número de piezas producidas, tiempos de transportes,

esperas, stocks... Datos que ayudaron en la toma de decisiones en la optimización del proceso y

demostraron que la simulación y una herramienta potente, útil, económica y rápida.

Además la filosofía lean ayudó en la mejora del proceso eliminando todo lo que no añadía

valor, nivelando el flujo productivo evitando así altos niveles de stocks consiguiendo un aumento

de la productividad.

Los indicadores que se manejaron han ayudado a entregar el producto requerido por el

cliente al mínimo costo posible y con la mayor velocidad de respuesta posible dotando el sistema

de la flexibilidad necesaria para adaptarlo la demanda de los consumidores y la sus fluctuaciones.

Esto demandó además flexibilidad en la organización que exigió un cambio de mentalidad de los

directivos y no solo de los trabajadores.

Se ha demostrado la integración y utilidad de ambos técnicas y se ha desarrollado una

metodología S4L (Sim for Lean) Ad Hoc que permite el estudio de diferentes sistemas con variables

de entrada muy dispares de una manera común.

Esta herramienta ofrece una ayuda inequívoca a la toma de decisiones por parte de la

dirección con unos datos lógicos que nos muestran la evolución de los sistemas sin tener que

modificarlos físicamente con los consecuentes ahorros de costes.

6.2 Conclusiones particulares

Como conclusiones particulares cabe destacar como a medida que se han ido evaluando

los sistemas, se han complementado e integrados diferentes conceptos de la filosofía LM con la

simulación DES.

Inicialmente se comprobó la utilidad del VSM a la hora de definir visualmente los procesos y

sus posibles problemas tanto desde el punto de vista de Lay Out como de operativa. A su vez al

trabajar con simulación DES ha permitido la visión dinámica del comportamiento de los sistemas

de manufactura, ya que como se ha comentado con anterioridad VSM da una visión estática

que limita su resultado. Esto ha sido comentado en algunos de los artículos consultados para esta

investigación.

La parametrización de los diferentes KPI relevantes como; Lead Time, Take Time, OEE……..

oct. etc. Permite mediante la integración en el Software SIMIO poder evaluar el comportamiento

de un sistema, de manera que se pueda tomar la decisión correcta a la hora de hacer cambios,

planteamientos o valoraciones de diferentes alternativas.

Se ha demostrado específicamente el valor y utilidad de SIMIO a la hora de tener una

herramienta válida y sencilla que facilita en gran manera este proceso. También cabe destacar el

estudio realizado en la evaluación del diferente software existente en el mercado. Como ha

quedado demostrado el uso de SIMIO es la mejor opción desde el punto de vista precio, tiempo y

calidad de los resultados.




Al comienzo de esta tesis se planteaban una serie de objetivos que han sido cumplidos de

la siguiente manera:

Se ha demostrado la validez de la integración de LM y DES como complementarias y como

herramienta de análisis de la parametrización del proceso productivo de plantas de fabricación

con diferentes características y se ha conseguido generar una metodología de trabajo para el uso

de DES y LM de manera combinada con las siguientes tareas realizadas:

Se han estudiado los patrones de comportamiento de los sistemas de manufactura por

líneas productivas.

Se ha contrastado el software existente de simulación DES

Se han establecido los patrones o escenarios a través de modelos DES

Se han modelado de los escenarios con las modificaciones impuestas por parámetros

LM.

Queda evidenciado de esta manera que los objetivos iniciales de esta investigación han

sido cubiertos.

6.3 Líneas de investigación futuras.

En el periodo en el que se realizó esta tesis doctoral se aplicó la metodología establecida

de integración LM y DES, definida en capítulos anteriores, a procesos de fabricación diversos

desde los aquí mostrados en el capítulo 4 hasta otros casos que se demostró la utilidad de la

técnica utilizada.

Entre esos casos pueden destacar modelos de carros logísticos que sustituyen a procesos

manuales en plantas de fabricación automotriz , redistribución de recursos en líneas de

fabricación del área agroalimentaria y de congelados, evaluación de cambios de maquinaria en

plantas de coste de chapa, estudio de alternativas de proceso en fabricación de maquinaria de

procesos automatizados………….. Es decir una gran diversidad de ejemplos que habiendo

profundizado en ellos pueden ser optimizados con gran facilidad y a un bajo coste, demostrando

la validez de la metodología validada anteriormente.

A su vez se ha experimentado en sectores tan ajenos a la fabricación como la gestión de

colas y aplicación de metodología de triaje en salas de urgencias hospitalarias. También cabe

destacar experimentaciones realizadas en temas tan diversos como el dimensionamiento de

cajeros automáticos en entidades bancarias.

Si es cierto que no siendo procesos fabriles al efecto, si surge una línea de similitud en

múltiples campos en los cuales los conceptos y metodologías desarrollados en esta tesis son de

directa aplicación para soluciones en las que se buscan los mismos objetivos; reducción de costes,

optimización de recursos, aumento del valor añadido, reducción de despilfarros……….Al fin y al

cabo todo visto desde un prisma productivo, no deja de ser producir en menos tiempo y al menor

coste posible. Y para ello disponer de metodologías que ayuden a la toma de decisiones es

siempre una ayuda fundamental para llegar a la meta planteada.

Dentro de la toma de decisiones y entendiendo que la herramienta validada de

integración de LM y DES incluye tener en cuenta parámetros económicos, se abre una posibilidad

a utilizar estos conceptos como base de desarrollo de nuevas investigaciones que impliquen

diseño y valoración de estrategias de producción determinadas utilizando como base los datos

obtenidos mediante esta metodología. De hecho una de las publicaciones realizadas por el autor

de esta tesis en conjunto con otros investigadores (Ares et al., Sustainable evaluation of

manufacturing systems based on simulation using an Economic Index Function . MCI Belfast 2015 )

ha abierto un nexo de correlación y continuidad de la investigación con futuros desarrollos de

funciones índices económicas de evaluación de estrategias integrando la sostenibilidad de

procesos.

Resumiendo dentro del área estudiada se han detectado diferentes necesidades que son

perfectamente investigadas como líneas futuras y se agrupan en:




Desarrollo e integración de la metodología de integración de LM y DES en áreas de

conocimiento no fabriles como hospitalarias, administrativas, bancarias…….etc, etc.

Complementación de esta metodología en desarrollo de funciones índice económicas

en las que se basan diferentes estrategias productivas, teniendo en cuenta parámetros

económico-productivos, sociales y sustentabilidad.

Queda abierta la puerta a ambas áreas de conocimiento que pueden dar continuidad y

aplicación extra a los contenidos metodológicos desarrollados y demostrados en esta tesis

doctoral. Lo realizado puede tener continuidad con una nuevo proyecto que fusione la

simulación, la filosofía lean y la eficiencia energética más aún en una etapa en la que la ecología

y el cuidado de en medio ambiente están tan presentes.

Se tratará de buscar que el proceso productivo sea no solo rentable sino el más sostenible

y eficiente posible. Toda vez que por ejemplo la filosofía lean intenta eliminar todo lo que no

aporta valor y evitar la sobreproducción, estamos siendo más eficientes ya que algo que no se

fabrica porque no es necesario, no contamina.

Uno de los puntos que se están fortaleciendo nos últimos años es el compromiso de las

empresas de cuidar y preservar el medio ambiente a través de la presión social y concienciación

cultural ejercida sobre los gobiernos por los ciudadanos. Cada vez la sociedad está más

concienciada de la importancia del respeto a la naturaleza y de no malgastar los recursos, ya que

estos son limitados. Pero además, este cambio se puede convertir en una ventaja competitiva de

la empresa que adopte estos valores como parte de su gestión.

Como ultimo puede tener continuidad también una nueva línea que fusione la simulación,

la filosofía lean y la recogida de datos automatizada. Esto quiere decir que se pueda diseñar un

sistema que prevea y simule las posibilidades de mejoras en base a experiencias anteriores. Sería

como un sistema experto capaz de tomar decisiones, o al menos evaluarlas para que sea alguien

finalmente el que decida en base a sus datos y resultados

CAPITULO 7 – PUBLICACIONES REALIZADAS



7 PUBLICACIONES REALIZADAS

7.1 Society Simulation Workshop 2012 (SW12)

OPTIMISATION OF A PRODUCTION LINE USING

SIMULATION AND LEAN TECHNIQUES

Dr. Enrique Ares Dr. Gustavo Pelaez

University of Vigo University of Vigo

School of Industrial Engineering School of Industrial Engineering

Spain Spain

[email protected] [email protected]

Dr. Luis Pinto Ferreira Mr. Daniel Prieto

Instituto Politécnico do Porto University of Vigo

Escola Superior de Estudos Industriais e de

Gestão

School of Industrial Engineering

Portugal Spain

[email protected] [email protected]

Mr. Antonio Chao

University of Vigo

School of Industrial Engineering

Spain

[email protected]

7.1.1 Abstract

This paper presents the use of simulation to assist the decision making process in order to implement

lean manufacturing principles at a die carton box factory. The paper describes an application of

the discrete event simulation to improve and optimize the performance of the die carton box

assembly line. The simulation models are developed for the existing assembly system, as well as for

a new system that employs these principles. Simulation experiments measure each system’s

resource requirements and performance, quantifying benefits to be derived from applying the

principles of lean manufacturing. In this study, Simio is used to model and simulate different

experimental scenarios in order to quantify the impacts of selected input parameters on objective

functions such as lead time. Results show that changes in the layout can reduce workers

movements and increase productivity.

Keywords: Lean Manufacturing, Industrial Simulation, Die Carton Box Assembly Line

7.1.2 Introduction and literature review

Simulation is one of the most valuable decision support tools that have been used by practitioners

to solve production issues. The objective of a simulation can be quantifying the performance

improvements that can be expected from applying changes. Simulation has the capability of

demonstrating the benefits of taking some decisions throughout the entire manufacturing system.

Finally, simulation through animation can provide a visual and dynamic illustration to management

mailto:[email protected]

mailto:[email protected]




of how the new system would work (Ferreira et al. 2011a; Ferreira et al. 2011b). Computer simulation

is particularly useful in analyzing systems which incorporate randomness in their parameters or when

there are no exact analytical solutions (Lucko et al. 2008). Basically, simulation constitutes on a

technique which allows transferring reality into the computer, through the creation of a model that

accurately mirrors the behaviour of a process (in existence or in its project phase) (Ferreira et al.

2010; Ferreira et al. 2011c). By using this technique it is possible to proof the real performance of

several models, by varying a parameter, without wasting money. Therefore, it is possible to

maximize the productivity in the reality.

Lean manufacturing is a philosophy for structuring, operating, controlling, managing and

continuously improving industrial production systems. Key points of this philosophy include process

stability, standardized work, balanced production, just in time, visual control, continuous flow

production, time inventory management, quality at the source, etc. For additional information,

readers are referred to Shingo (1989), Womack et al. (1990), Monden (1993) and (Julien and

Tjahjono, 2009).

A review of the literature reveals that there are not many works which had been made

explicitly for the purpose of applying simulation techniques for studies that

specifically demonstrate the application of the principles of lean thinking and execution in

production systems. This could be due to the lack of a comprehensive mechanism to identify the

most significant lean drivers for the purpose of system process optimization. The works which show a

narrow relationship between production simulation environment and lean manufacturing

philosophy can be grouped into two general categories:

The use of simulation to establish specific parameters of a lean manufacturing system. For

example, Lummus (1995) used simulation to study three production-sequencing strategies

(mixed-model, minimum setup, and demand pull).

The use of simulation to design, test and improve lean systems. For example,

(Carlson and Yao, 1992) used simulation to pre-test various flow layouts for a low-volume,

mixed-model JIT assembly system.

In our study, we have applied Simio, a quite innovative simulation tool, to model and simulate

two different scenarios in order to understand and quantify the impact of selected input key lean

variables, over objective production parameters, as the lead time. Simio was developed in 2007

and represents a new approach in simulation object orientation. Modeling is based on describing

system’s objects and system behavior is evolved by interaction of these objects. Among others

characteristics, can be highlighted that Simio supports (Pegden, 2007) (www.simio.com, accessed

1 January 2011):

Creation of 3D animation by one step, importing and 3D objects from Google 3D Warehouse.

Import data from Excel worksheets.

Own logic function (e.g. priority rules) in many languages (C++, Visual Basic, etc.).

Creation of own intelligent objects and libraries.

7.1.3 Methodology

In the first phase, useful information for the study was collected in order to adequately

represent the current process, and then, a detailed analysis of the production processes to make

various types of dies for carton boxes was made.

The data used to feed the simulation program are obtained from an existing ERP where

important variables of each production module are updated manually. After the preliminary

analysis, a simulation model that represents the behaviour of all the factory process was

constructed. The model was fed with the data from the ERP system. In the second step, the model

was validated by comparing actual results with those obtained in the simulation model.

The application of lean manufacturing principles leads to study some parameters allowing

improvements to be carried out. This will help the company takes the most effective decisions in

order to achieve the objectives of the company. Some lean manufacturing improvement

proposals were:

Changes in the plant layout could result in reduction of lead times, by simplifying the product

flow.

An increase in the number of workers could solve blocking situations.

http://www.simio.com/




Possible decrease in the number of workers to avoid a situation where production is rate is

higher than the demand rate.

Redistribution of workers in the factory could balance production according to customer

orders.

7.1.4 Development of the model

This work consists in the analysis, modelling and simulation of a factory of dies for cutting carton

boxes. The system manufactures dies both rotary as flat. These two forms of dies for cutting are

shown in Figure 1. For the final assembly of all pieces into the finished die, are used a number of

special tables both flat as rotary.

Figure 1 Rotary and Flat Box Carton Die

The first stage in modelling is a production flow analysis which permits the representation into

Simio through the facility elements (see Figure 2).

Figure 2 Model of the Facility in Simio

In the model, any manufacturing order could be represented. The orders arrive to the system

with an arrival pattern that is based on an arrival table. The orders were sent to the design office

where the dies are drawn. After design are sent to laser stations where the wood is cut and at the

same time another machine cuts the blade. In the next step the blades and the rubber pieces are

mounted in the wood. Then the final product goes to the packaging operation for its expedition.

The design office is modelled as two servers for rotary and flat dies respectively. A separator

element divides each order in two, sending one copy for the cutting wood area and another one

for cutting blade area. Another separator divides the copy which going to wood cutting in two, for

rotary and flat dies, respectively. After the cut, flows are combined in one, through two combiners.




Then, they are sent to the assembly area to be divided, e.g. in a node, in two lines, for the rotary

and flat dies.

The processing times of stations were taken from the ERP data of the recent years (see Figure 3).

These times, by nature are assumed to tend to follow a normal distribution in this type of

manufacturing processes, and so a statistic software have been used to contrast the normal

distribution considered intrinsically in the ERP, although sometimes with very high standard

deviation. This study showed that normal distribution appears to be a good fitting with these data.

In the modelling process there must pay attention to different processing times for each type of

product. Apart from these different processing times, orders must go through predefined paths that

were set in the model. Each order is a completely different entity and is launched to the system

through a schedule from the ERP.

Figure 3 Sstatistical Distributions of Process times

The aim of using simulation as a decision making support tool is that of evaluating the

performance of a system during a specific period of time. Most simulation models start off with an

empty system and with free resources (Majan and Ingalls, 2004). In fact, the observation gathered

during the initial period of simulation will affect the accuracy of the model’s performance

measurements, leading to the formulation of erroneous conclusions regarding its performance

(Ferreira et al. 2011b). In accordance with this, for this work, was considered a warm up period of 1

hour. During this period the data collected were not considered for statistical purposes.

Given that the company manufactures rotary dies in about 80% of production depending on

the customer, although customer orders always involve some randomness, has been selected for

validation one horizon time of one day from the database, that accomplishes that the production

orders of that day represents the percentage in the product mix of the factory as mentioned

before. The scheduling times of each order tested for validation come from data of Figure 3. The

model, finally, was validated by comparing the simulation results of twelve orders programmed in

this 24 hours period (see Table 1) confronted with real data taken also from the ERP, where are

saved all times of each order in that period.




Table 1 Data for validation

Time in Simio (Hours) Real Time in ERP (Hours)

DIE Nº1 12.1 11.9

DIE Nº 2 15.5 15.0

DIE Nº 3 4.3 3.8

DIE Nº 4 3.2 3.1

DIE Nº 5 3.1 2.8

DIE Nº 6 15.6 15.2

DIE Nº 7 7.4 7.1

DIE Nº 8 12.5 12.9

DIE Nº 9 16.5 16.1

DIE Nº 10 13.2 13.7

DIE Nº 11 5 4.0

DIE Nº 12 9.9 10.3

7.1.5 Results

In order to apply methodology exposed previously were running simulation experiences for testing

some of proposals of the lean manufacturing concepts. One of them is related with changing the

plant layout and it consists in compare with the same resources, the actual layout with a new

layout proposal. The lean concept application is as simple as placing the storage of rotary dies in

raw wood closer to the laser cutting area, due to the problem is that this operation is repeated

every day, and is not optimized because implies many unnecessary material movements that not

contribute any value and slows down the material flow.

Figure 4 Current Layout and Results




Figure 5 Improved Lay Out and Results

The simulation experiences are fed with the same data of schedule used for the validation

(see Figure 3). After running the simulation, the results, as can be seen in Figures 4 and 5, show that

it is managed to increase production from 9 to 11 in the dies cut per day, which it implies therefore

an improvement of more than 20% in throughput. The simulation related with lean manufacturing

proposals of the application of reallocation, increase or reduction of workers are, as far as the tests

by now are showing, not conclusive in their results.

7.1.6 Conclusions

Simulation can be used to support decision making and to evaluate the impacts of various

opportunities for improvement. Ideally we can use the simulation model to evaluate the

alternatives. Discrete event simulation has been proven robust as a tool that can help quantify the

benefits of lean manufacturing. The use of simulation described in this paper can provide credible

estimates of the savings to shop-floor resources and the improvements in the time-based

performance statistics achievable with lean manufacturing. In the case study presented in this

paper, the simulation model has demonstrated the impacts of lean principles in terms of reduction

in transportation time and floor space, which results in significant savings to the company’s running

costs.

The future work in this project would include the use of real time data and the development of

more realistic 3D animations in the model. Another line of investigation is to achieve a more

realistic simulation model and more helpful decision making by analysing the input data using fuzzy

logic, and the application of new lean manufacturing concepts as rearrangements in workstations

based on 6S techniques for generating different processing times in any workstation where these

approaches could be applied.

7.1.7 References

Luis Pinto Ferreira, E Ares Gómez, G Peláez Lourido, A Resano Lázaro, C J Luis Pérez and

Benny Tjahjono (2011a). Evaluation of the working limits changes in an automobile assembly line

using simulation, Proceedings of 4th Manufacturing Engineering Society International

Conference, Cadiz, Spain, pp 21-23.

Luis Pinto Ferreira, E Ares Gómez, GC Peláez Lourido, José Diéguez Quintas and Benny Tjahjono

(2011b). Analysis and Optimisation of a Network of Closed-loop Automobile Assembly Line using

Simulation, The International Journal of Advanced Manufacturing Technology, published online:

12 July 2011, Springer.




Gunnar Lucko, Perakath C Benjamin and Michael G Madden (2008). Harnessing the Power of

Simulation in the Project Management / Decision Support Aspects of the Construction Industry,

Proceedings of 2008 Winter Simulation Conference, pp 2479-2487.

Luis Pinto Ferreira, E Ares Gómez, G C Peláez Lourido and Marina Salgado (2010). Analysis of the

Influence of Conveyor Speed on the Behavior of an Automobile Assembly Line, DAAAM

International Scientific Book 2010, chapter 41, pp 463-470, B. Katalinic (Ed.), published by

DAAAM International, ISBN 978-3-901509-74-2.

Luis Pinto Ferreira, Enrique Ares Gómez, Gustavo Peláez Lourido and Benny Tjahjono (2011c).

Optimization of a Multiphase Multiproduct Production Line based on Virtual Cells, Lecture Notes

in Engineering and Computer Science: Proceedings of The World Congress on Engineering

2011, The 2011 International Conference of Manufacturing Engineering and Engineering

Management, Imperial College London, London, U.K., pp 616-621.

Shingo S (1989). A Study of the Toyota Production System from an Industrial Engineering Viewpoint,

OR: Productivity Press: Portland.

Womack JP Jones DT and Roos D (1990). The Machine That Changed the World. Harper Perennial:

New York.

Monden, Y. (1993). Toyota Production System, an Integrated Approach to Just-in-Time. 2nd edition

Engineering and Management Press: Norcross, GA, US.

Julien D & Tjahjono B (2009). Lean Thinking Implementation at a Safari Park, Business Process

Management Journal. Vol.15, Issue: 3, page 321 - 335.

Lummus R (1995). A simulation analysis of sequencing alternatives for JIT lines using kanbans. Journal

of Operations Management, Volume 13, Number 3, pp 183-191.

Carlson J G and Yao A C (1992). Mixed-model assembly simulation. International Journal of

Production Economics, Volume 26, pp 161-167.

Pegden D (2007). Simio: A new simulation system based on intelligent objects. Proceedings of the

2007 Winter Simulation Conference, pp 2293-2300.

Prasad S Mahajan and Ricki G Ingalls (2004). Evaluation of Methods Used to Detect Warm-Up

Period in Steady State Simulation. Proceedings of the 2004 Winter Simulation Conference.

.




7.2 MCI Belfast 2015

Sustainable evaluation of manufacturing systems based on simulation using an Economic Index

Function:

A case study

Enrique. Ares ¹, Mahdi. Naderi², Gustavo. Pelaez², Daniel. Prieto²

College of Engineering Design, Department of Industrial Engineering, University of Vigo, Spain.

7.2.1 Abstract

At present any study that takes into account the sustainability in the manufacturing systems

must inevitably pay attention to the indicators that a general considered for social, environmental

and productive aspects. So that each of these indicators are made up of the components that

directly effect on the sustainability of the production line. Hence, first objective of this paper is the

identification of effective indicators and their components in a manufacturing system.

In continue using of obtained components around three aspects: production, environment y

social, and formulate an Economic Index Function (EIF) for evaluation of the sustainable of

production lines.

In this paper has applied this methodology in a case study in a Ceramic Material Factory

(CMF) in Spain.

By simulation of the production line this company with different strategies into simulation tools

(SIMIO), we have obtained the data of manufacturing system of this company in order to apply in

this formula. The main objective of the obtained results of the EIF is evaluation in the sustainable

CMF performance with various strategies of production in several aspects: environment, social and

production.

Notice that this study is based on the concepts of sustainable production and corporate

social responsibility. It is hoped that the obtained results from this study could help to managers in

the company's decision-making process at different levels of hierarchy.

KEYWORDS: Indicators, Sustainable, Function Index, Multistage-Multiproduct Manufacturing System.

7.2.2 Introduction

In the current moment the production of lean products and sustainable development is

requisite for survival of any manufacturing company, and it is raised as the main pillar of countries

(macro level) and manufacturing companies (micro level). Hence in this study, given the breadth

of content in the sustainable development at the macro level, we will be used of the information

related to the aspects economic, environment and social in the level of manufacturing systems.

The effective indicators and components in the aspects of economic, environment and

social is important that it is cause the stimulating economic sectors and increase of the social

welfare and the protection of environmental. [2]Recently, the concept of sustainability in the

relationship between the three important principles is defined: “Economic growth, social justice

and respect for the environment". [7]

The sustainable production is a philosophy and attitude which it is sought of the remove and

destroy any additional process from step of the preparation of raw material and the production

and ultimately the sales, so that does not create the added value and the environmental

pollutions. [5]

Moreover, a manufacturing company at the micro level must progress with a triple objective

in mind which it includes the results related to the aspects of economic, environment and social. So

achievement to sustainable in the companies has need to an integrated approach with multi-

dimensional indicators which cause the intercommunion between the aspects economic,

environment and social. [10]




Therefore, in this paper tried it that after identifying the indicators and components of CMF

and simulating the manufacturing process of company with simulation tool SIMIO and analysing

the obtained data of it, using of the formula of index function, can displays the sustainable of this

company in the different strategies of production.

7.2.3 Definition and Concepts

Today, the survival of any manufacturing plant are subject to the more attention to lean production in accordance with the criteria of economic, social and environmental.

Lean manufacturing is actually a philosophy and approach that seeks to remove and destroy

any additional process from preparation of raw materials until produced and finally sales, that

doesn’t create the addition value, and we are witness that with production costs reduce and

product prices decrease, customer satisfaction and quality increase of goods and compatibility of

manufactured products with the environment.

The Sustainability in department of built environments for the Adelaide of Australia is that,

Lean manufacturing is an integrated sociotechnical system, which comprises a package of

management practices that can be applied to eliminate the waste and reduce the variability of

suppliers, customers and internal resources and processes. [19 and 20]

In the department of trade for the USA, Creation of manufactured products using processes

which minimize negative environmental impact, preserve energy and natural resources, are safe

for employees, communities and consumers, as well as being economically viable. [21]

Finally, in the Lowell Centre for Sustainable Production:

“Sustainable Production is the creation of goods and services using processes and systems

that are:

Non-polluting

Conserving of energy and natural resources

Economically viable

Safe and healthful for workers, communities, and consumers

Socially and creatively rewarding for all working people.” [22]

7.2.4 Main Indicators

In figure 1 we can see a general view of the relationship between the three dimensions at the

micro level and main indicators. [10]

In continue, for acquaintance full with all of the sustainability aspects, this paper will mention

an overview of the main indicators in the triple dimensions in the table 1, also, in this paper will

mention to the main indicators in the production aspect in order to formulate of the Index Function

for evaluation the company sustainability.




The purpose of preparing the mentioned indicators is to assess the profitability of the

production process in different scenarios using simulation. For to develop indicators should be taken

the following steps:

- To analysis and evaluation of the existing and past indicators.

- To suggest the new indicators from the available information and relevance to the

discussed production line.

- To analysis of the results obtained in two steps mentioned and to choose the most effective

parameters on the production line and to assess the profitability of each of these parameters in the

production line. [17 and 18]

In this paper, the simulation process of the multistage-multiproduct manufacturing lines shown

in figure 2 so that it is formed to the linear production process with six machines that produced six

the different products.

7.2.5 Methodology

The used model in sustainable manufacturing system multistage/multiproduct lines, that

including intermediate storage areas or manipulation and transport systems, can be described as a

set of interrelated operations that can see in Figure 3:

The aim of the indicators identification is for formulated an economic index function for a

period so that it be developed in future regarding the different aspects such as the environment,

social and production.

The sizable point is according to the measurement unit of the identified criteria’s., also should

be considered the relevance and impact of these parameters on each other, that the overlap and

ambiguity don’t create in the during of analysis. This model allows the comparison of the results with

respect to the effects of each of the different aspects.

The general steps to create a model SMS and the relationship between them are:

1- Create an expert system architecture for decision support based on a dynamic simulation model

is composed of four parts:

Definition of the efficiency indicators of material and energy and community.

Identify the input and output of the parameters or the model.

Using the concepts of product life cycle to determine the stability of the productivity process.

Survey of the Functional - Economic model of SMS.

2- The proposed changes are made up of two basic parts to the evaluation process and to

develop and implement of the different strategies of manufacturing based on the quality laws:




Validation of the simulation models.

Definition and implementation of past experience with regard to the actual conditions of

industrial applications in the multistage - multiproduct manufacturing processes.

7.2.6 Index Function

The formulating a sustainable economic function for strategies of production lines in the

today changeable world is the Part of the strategy system of the companies. The elements

pertaining to structure as well as to production have been analyzed, one can conclude that, if one

is to define a sustainable indicator of economic and functional efficiency for a line or process, one

must take the following into account: The aspects pertaining to production, the environment and

society.

Therefore, this investigation with a view to achieve to the objectives and the future prospects

and also survival, it is necessary to Proper utilization of lean manufacturing. In this respect, the

strategic planning is essential for proper utilization of these products. Following the necessary the

formulating a sustainable economic functional for strategies of the companies production line is

necessary and vital.

As such and bearing in mind that, if one is to establish the sustainable economic index

function, one must include the three fundamental aspects – production, the environment and

society – one can then formulate a function integrating these elements, which will be ascertained

in a real on-site process. The function that is the object of study is presented as follows:

Sustainable EIF = production EIF + environmental EIF + social EIF

One will thus obtain a more complete indicator to assist in the decision-making process,

based on the most suitable criteria’s or alternatives for each moment of production. A brief

introduction of the aspects considered in each of the intervening criteria follows; its purpose is to

introduce more clearly the economic index function for sustainable production from the beginning.

Then know of the effectiveness amount of such functional is important for directors and can

help and assist to the company’s senior managers in take the correct decision and resolve existing

problems.

7.2.7 Conclusions

From a sustainable perspective, the EIF can be used to define different economic and

production strategies based on the factors exercising the greatest influence within the company. Is

pretended that EIF can provide support in the elaboration of command frameworks for decision-

making or for the simulation of different scenarios, depending on the diverse criteria being

considered. Therefore with Analyzed the results of this project can be concluded the following

consequences:

Due to the current situation the needs of organizations to obtain information quickly to help

decision has greater importance.

The EIF results can be obtained in a simple way, which in turn can be deployed in a simulation

model that helps to make a productive way or another, even before starting the

production or service.

Once the sensitivity is observed in this function, the changes in the criteria of company be

considers key or strategic or which may be critical in the future.

The next step for increased capability EIF sustainable, goes through a full simulation system

that allows information on the basis of the criteria necessary without having to come to begin

production or service. The perception of this subject could increase the knowledge of managers

and employees of the sustainable Production influences, and also to Leaders brings Help and

support, at better resolve of their company’s problems and the codification of strategic programs

in order to produce of pure products.

7.2.8 References

[1] Ibrahim H. Garbieab*. (2014). an analytical technique to model and assess sustainable

development index in manufacturing enterprises.52 (16), 4876-4915.




[2] Marco Garettia* & Marco Taischa. (2012). Sustainable manufacturing: Trends and research

challenges.23 (2-3), 83-104.

[3] Yoram Koren. (2010). The global manufacturing revolution: product-process-business integration

and reconfigurable systems. John Wiley & Sons, Inc., N.Jersey, USA.

[4] Richardson, K.; Steffen, W.; Schellnhuber, H.J.; Alcamo, J.; Barker, T.; Kammen, D.M.; Leemans, R;

Liverman, D.; Munasinghe, M.; Osman-Elasha, B.; Stern, N.; Waever, O. Synthesis Report, Climate

Change: Global Risks, Challenges & Decisions. In Proceedings of the Climate Change Congress,

University of Copenhagen, Copenhagen, Denmark, 10–12 March 2009.

[5] Zhuming Bi. (2011). Revisiting system paradigms from the viewpoint of manufacturing

sustainability. WSF (Sustainability), 3(9), 1323-1340.

[6] Federico Caniato, Maria Caridi, Luca Crippa, Antonella Moretto n. (2012). Environmental

sustainability in fashion supply chains: An exploratory case based research. International Journal of

Production Economics, 135(2), 659-670.

[7] Jawahir, I. S., and F. Badurdeen. 2009. “Assessment of Product and Process Sustainability towards

Developing Metrics for Sustainable Manufacturing.” In Proceedings of the National Institute of

Standards and Technology (NIST) Workshop on Sustainable Manufacturing. Washington, DC, USA.

[8] Silvia Leahu-Aluas. (2010). Sustainable manufacturing – an overview for manufacturing

engineers. Sustainable Manufacturing Consulting,

[9] Giménez C., Sierra V., Rodon J., Sustainable operations: Their impact on the triple bottom line,

ESADE Business School–University Ramon lull, Spain, 2012.

[10] Marc A.Rosen, Hossam A. Kishawy; “Sustainable Manufacturing and Design: Concepts,

Practices and Needs”, Journal Sustainability, Vol.4, Canadá, 2012.

[11] Kramer, B.M. Support for Sustainable Manufacturing at the NSF; MIT: Cambridge, MA, USA,

2010; Available online: web.mit.edu/lmp/news/summit2010/kramer.pdf

[12] Jovane, F.; Koren, Y.; Boër, C.R. Present and future of flexible automation: Towards new

paradigms. CIRP Ann. Manuf. Technol. 2003, 52, 543-560.

[13] Suh, N.P. Axiomatic Design: Advances and Applications; Oxford University Press: New York, NY,

USA, 2001.

[14] Bi, Z.M.; Lang, S.Y.T.; Shen, W.; Wang, L. Reconfigurable manufacturing: The state of the art. Int.

J. Prod. Res. 2007, 46, 967-992.

[15] World Commission on Environment and Development (WCED). Our Common Future; Oxford

University Press: Oxford, UK, New York, NY, USA, 1987.

[16] Hawken, P. Blessed Unrest: How the Largest Movement in the World Came into Being and Why

No One Saw It Coming; Viking: New York, NY, USA, 2007.

[17] Ares Gómez J.E., “Estructura Jerárquica De Metodologías para la Implantación y Gestión de

Sistemas de Fabricación Flexible”, PhD Tesis 1986, Univ Santiago de Compostela.

[18] Pinto Ferreira L., Ares Gómez E., Peláez Lourido G, Tjahjono B., “Optimization of a Multiphase

Multiproduct Production Line based on Virtual Cells”,Proceedings of the World Congress on

Engineering 2011 Vol1, London, UK.

[19] Anvari, A., Zulkifli, N., Yusuff, R. M., Ismail, Y., & Hojjati, S. H. (2011). A proposed dynamic model

for a lean roadmap. African Journal of Business Management, 5, 6727–6737.

[20]Shah, R., Chandrasekaran, A., & Linderman, K. (2008). In pursuit of implementation patterns: The

context of Lean and Six Sigma. International Journal of Production Research, 46, 6679–6699.

[21] Leahu-Aluas,S., Sustainable Manufacturing – An Overview for Manufacturing

Engineers, Sustainable Manufacturing Consulting 2010.

[22] UN Documents, “Report of the World Commission on Environment and Development”,

Our Common Future.

CAPITULO 8 - BIBLIOGRAFÍA



8 REFERENCIAS BIBLIOGRÁFICAS:

1. Abduaziz Oumer, Kie Cheng Jack, Mat Tahar Razman and Varma Ramgopal (2015). A hybrid

simulation model for green logistics assessment in automotive industry. 25th DAAAM International

Symposium on Intelligent Manufacturing and Automation, DAAAM 2014

2. Abdulmalek F.A and Rajgopal Jayant (2006). Analyzing the benefits of lean manufacturing and

value stream mapping via simulation: A proves sector case study. International journal of

production economics. Pp 223 -236

3. Ali Rehab M. and Deif Ahmed M (2014). Dynamic lean Assessment for takt time implementation.

Variety Management in Manufacturing. Proccedings of the 47th CIRP Conference on

Manufacturing Systems.

4. AR Rahani and Al-Ashraf Muhammad (2012). Production flow analysis through value stream

mapping: a lean manufacturing process case study. International Symposium on Robotics and

Intelligent Sensors 2012 (IRIS 2012)

5. Arbós L. C. (2002) Design of a rapid response and high efficiency service by lean production

principles – methodology and evaluation of variability of performance. International Journal of

Production Economics, v. 80, p. 169-183, 2002

6. Arisha Amr, Mahfouz Amr and Shea John (2011). Simulation-based optimization model for the

lean assessment in SME: A case study. Winter Simulation Conference

7. Arunagiri P. and Gnanavelbabu A. (2014). Identification of major lean production waste in

automobile industries using weighted average method. 12th global congress on manufacturing

and management, GMM 2014. Pp 2.167 – 2.175.

8. Azlina Mohd. Salleh Noor, Kasolang Salmiah and Jaffar Ahmed (2012). Simulation of integrated

total quality management (TQM) with lean manufacturing (LM) pracices in forming process

using delmia quest. International Symposium on Robotics and Intelligent Sensors 2012 (IRIS2012),

Malasya. Pp 1.702 - 1.703

9. Badurdeen F, Marksberry P., Hall A. and Gregory B. (2010) Teaching lean manufacturing with

simulations and games: a survey and future directions. Simul Gaming, vol 41, pp. 465-486

10. Banks J. et al. (2001) Discrete-Event System Simulation. New Jersey: Prentice Hall,

11. Barbosa Pinto Eduardo (2008). Lean manufacturing paradigm in the foundry industry. Estudos

Tecnológicos – Vol. 4 Nº 3: 218-230.

12. Carlson J G and Yao A C (1992). Mixed-model assembly simulation. International Journal of

Production Economics, Volume 26, pp 161-167.

13. Castro Hermida Manuel, Barba Ibáñez Enric, Da Cunha Domingo and Ibarra Iñaki. (2003) Los

tres caminos para conseguir la excelencia en operaciones: Seis Sigma, Lean Manufacturing y

TOC. E.N.Caixanova.

14. Crookall D. (2010). Advanced and lean manufacturing and simulation/gaming. Simul Gaming,

vol 41, pp. 462.

15. Deif A. (2012). Assesing lean systems using variability mapping. 45th CIRP Conference on

Manufacturing Systems 2012.

16. Dennis S., King B. Hind M. and Robinson S. (2000) Applications of business process simulation and

lean techniques in British Telecommunications PLC. Winter Simulation Conference Proceedings,

v. 2, p. 2015-2021

17. Dombrowsky U. and Ernst S. (2013). Scenario-based simulation approach for layout planning. 8th

CIRP Conference on Intelligent Computation in Manufacturing Engineering

18. Fischer J., Weinert N. and Hermann C. (2015). Method for selecting improvement measures for

discrete production environments using an extended energy value stream model. 12th Global

Conference on Sustainable Manufacturing. Pp 133-138.




19. Goerke Matthias, Schmidt Maurice, Busch Jan an Nyhuis Peter (2015). Holistic approach of lean

thinking in learning factories. The 5th Conference on Learning Factories 2015.

20. Gómez Rodrigo A. and Correa Alexander A (2011). Análisis del transporte y distribución de

materiales de construcción utilizando simulación discreta en 3D. Boletín de Ciencias de la Tierra

– Número 30. Diciembre 2011. Medellín. Pp 39-52

21. Gracanin Danijela, Buchmeister Borut and Lalic Bojan (2015). Using cost-time profile for value

stream optimization. 24th DAAAM International Symposium on Intelligent Manufacturing and

Automation, 2013. Pp 1.225 – 1.231.

22. Greinacher Sebastian, Moser Emanuel, Hermann Hanjo and Lanza Gisela (2015). Simulation

bases assessment of lean and green strategies in manufacturing systems. The 22nd CIRP

conference on Life Cycle Engineering. Pp 86 – 91.

23. Gunnar Lucko, Perakath C Benjamin and Michael G Madden (2008). Harnessing the Power of

Simulation in the Project Management / Decision Support Aspects of the Construction Industry,

Proceedings of 2008 Winter Simulation Conference, pp 2479-2487.

24. Kayasa M.J, Herrmann C (2012). A simulation-based evaluation of selective and adptive

production systems (SAPS) supported by quality strategy in production. 45th CIRP Conference on


25. Khurma Nancy, Bacioiu Gheorghe M and Pasek Zbigniew J (2008). Simulation-based verification

of lean improvement for emergency room process. Proceedings of the 40th Conference on

Winter Simulation. Pp 1.490 – 1.499.

26. Kreimeir Dieter, Morlock Friedrich, Prinz Christopher, Krückhans Björn, Cüneyt Bakir Dennis and

Meier Horst (2014). Holistic learning factories – A concept to train lean management, resource

efficiency as well as management and organization improvement skills. Variety management in

manufacturing. Proceedings of the 47th CIRP Conference on Manufacturing Systems. Pp 184-

188

27. Krishna Kumari S., Balaji A.N, Sundar R (2014). Productivity Improvement of an Industry by

implementing lean manufacturing principles. 2014 International Conference on Innovations in

Engineering and Technology. Pp 1442-1446

28. Krogstie Lars and Martinsen Kristian (2014). Beyond lean and six sigma; cross-collaborative

improvement of tolerances and process variations – A case of study. 46th CIRP Conference on


29. Julien D & Tjahjono B (2009). Lean Thinking Implementation at a Safari Park, Business Process

Management Journal. Vol.15, Issue: 3, page 321 - 335.

30. Lian Yang-Hua and Van Landeghem Hendrik (2002). An application of simulation and value

stream mapping in lean manufacturing. Department of Industrial Management, Chent

University, Belgium.

31. Lummus R (1995). A simulation analysis of sequencing alternatives for JIT lines using kanbans.

Journal of Operations Management, Volume 13, Number 3, pp 183-191.

32. Machado de Oliveira Juliana, Rocha Maristella, Louredo Priscilla, Claro Felipe. Lean

manufacturing e simulacão aplicados ao proceso de reciclagem de pneus inservíveis. XXVII

encontro nacional de engenharia de produção , Rio de Janeiro, RJ, Brasil, 13 a 16 de outubro

de 2008

33. Marques Alexandra F., Alves Antonio C. and Sousa Jorge P (2013). An approach for integrated

design of felixble productino systems. 46th CIRP Conference on Manufacturing Systems 2013.

34. Marvel Jon H. and Standridge Charles R (2009). A simulation-enhanced lean design process.

Journal of Industrial Engineering and Management. USA

35. Matt D.T and Rauch E. (2013). Implementation of lean production in small sized enterprises. 8th

CIRP Conference on Intelligent Computation in Manufacturing Engineering. Pp 420 – 425.




36. Matt D.T, Rauch Erwin and Dallasega Patrick (2014). Mini-factory – a learning factory concept

for students and small and medium sized enterprises. Variety Management in Manufacturing.

Proceedings of the 47th CIRP Conference on Manufacturing Systems. Pp 178 – 183.

37. Miller Geoff, Pawloski Janice and Standridge Charles (2010). A Case study of lean, sustainable

manufacturing. Journal of Industrial Engineering and Management, Grand Valley State

University, USA

38. Monden, Y. (1993). Toyota Production System, an Integrated Approach to Just-in-Time. 2nd

edition Engineering and Management Press: Norcross, GA, US.

39. Monden Y. (1997) El Sistema de Producción Toyota – Ediciones Macchi.

40. Morgareidge David, CAI Hui and JIA Jun (2015). Performance-driven design with the support of

digital tools: applying discrete event simulation and space syntax on the design of the

emergency department. Frontiers of Architectural Research 2014.

41. Mourtzis D, Doukas M and Bernidaki D (2014). Simulation in manufacturing: review and

challenges. CIRP Sponsored DET 2014 Conference. Pp 213 – 229.

42. Neumann M., Constantinescu C. and Westkämper E (2012). Method for multi-scale modeling

and simulation of assembly systems. 45th CIRP Conference on Manufacturing Systems 2012. Pp

406 – 411.

43. Neumann M. and Westkämper Engelbert (2013). Method for situation-based modeling and

simulation of assembly systems. 46th CIRP Conference on Manufacturing Systems 2013.

44. Ohno T (1998). Toyota Production System: Beyond Large-Scale Production. Portand, Productivity

Press.

45. Pegden D (2007). Simio: A new simulation system based on intelligent objects. Proceedings of

the 2007 Winter Simulation Conference. Pp 2.293 – 2.300.

46. Pinto Ferreira Luis, Ares Gómez E, Peláez Lourido G, Resano Lázaro A, C J Luis Pérez and Benny

Tjahjono (2011a). Evaluation of the working limits changes in an automobile assembly line using

simulation, Proceedings of 4th Manufacturing Engineering Society International Conference,

Cadiz, Spain, pp 21-23.

47. Pinto Ferreira Luis, E Ares Gómez, GC Peláez Lourido, José Diéguez Quintas and Benny Tjahjono

(2011b). Analysis and Optimisation of a Network of Closed-loop Automobile Assembly Line using

Simulation, The International Journal of Advanced Manufacturing Technology, published online:

12 July 2011, Springer.

48. Pinto Ferreira Luis, E Ares Gómez, G C Peláez Lourido and Marina Salgado (2010). Analysis of the

Influence of Conveyor Speed on the Behavior of an Automobile Assembly Line, DAAAM

International Scientific Book 2010, chapter 41, pp 463-470, B. Katalinic (Ed.), published by

DAAAM International, ISBN 978 3 901509 74-2.

49. Pinto Ferreira Luis, Enrique Ares Gómez, Gustavo Peláez Lourido and Benny Tjahjono (2011c).

Optimization of a Multiphase Multiproduct Production Line based on Virtual Cells, Lecture Notes

in Engineering and Computer Science: Proceedings of The World Congress on Engineering

2011, The 2011 International Conference of Manufacturing Engineering and Engineering

Management, Imperial College London, London, U.K., pp 616-621.

50. Pintzos G., Matsas M. and Chryssolouris G (2012). Defining manufacturing performance

indicators using semantic ontology representation. 45th CIRP Conference on Manufacturing

Systems 2012.

51. Prasad S Mahajan and Ricki G Ingalls (2004). Evaluation of Methods Used to Detect Warm-Up

Period in Steady State Simulation. Proceedings of the 2004 Winter Simulation Conference.

52. Puche Regaliza Julio César and Costas Gual José (2011). El efecto favorable del paradigma

lean manufacturing sobre la reducción de defectos. Técnicas de simulación discreta. Anales

de Estudios Económicos y Empresariales, Vol XXI, 2011, 75-XX.




53. Rauch Erwin, Dallsega Patrick and Matt Dominik T. (2015). Axiomatic desing based guidelines for

the design of a lean product development process. 9th International Conference on Axiomatic

Design – ICAD 2015.

54. Resano A. and Luis C.J (2003). Analysis of an automobile assembly line as a network of four

closed loops of machines and intermediate buffers working in both, stationary and transitory

regime. Mechanical, Energetics and Materials Engineering Department. University of Navarre.

Pamplona. Spain.

55. Sánchez A. M. and Pérez M. P. (2001) Lean indicators and manufacturing strategies.

International Journal of Operations & Production Management, v. 21, n. 11, p. 1433-1451,

56. Sassanelli Claudio, Pezzotta Giuditta, Rossi Monica, Terzi Sergio and Cavalieri Sergio (2015).

Towards a lean product service systems (PSS) Design: state of the art, opportunities and

challenges. Pp 191 – 196.

57. Schroer Bernard J. (2014). Simulation as a tool in understanding the concepts of lean

manufacturing. Society for Modeling and Simulation International (SCS)

58. Seifermann Stefan, Böllhoff Jörg, Metternich Joachim and Bellaghnach Amin (2014). Evaluation

of work measurement concepts for a cellular manufacturing reference line to enable low cost

automation for lean machining. Variety Management in Manufacturing. Proceedings of the

47th CIRP Conference on Manufacturing Systems.

59. Shannon P. W., Krumwiede K. R. and Street J. N. (2010). Using simulation to explore lean

manufacturing implementation strategies. J. Manage Educ., vol 34, pp. 280-302.

60. Shingo S (1989). A Study of the Toyota Production System from an Industrial Engineering

Viewpoint, OR: Productivity Press: Portland.

61. Sorli M., Sopelana A., Salgado M., Pelaez G. and Ares E. (2011). Expanding lean thinking to the

product and process design and development within the framework of sustainability. The 4th

manufacturing engineering society international conference , MESIC 2011.

62. Stenholm Daniel, Mathiesen Henrik and Bergsjo Dag (2015). Knowlegde based development in

automotive industry guided by lean enablers for system engineering. 2015 conference on

systems engineering research. Pp 244-253.

63. Sundar R., Balaji A.N. and SatheeshJumar R.M (2014). A Review on lean manufacturing

implementation techniques. 12th Global Congress on Manufacturing and management, GCMM

2014.

64. Tregubov Alexey and Lane Jo Ann (2015). Simulation of Kanban-based scheduling for systems

of systems: initial results. 2015 Conference on Systems Engineering Research. Pp 224 - 233

65. Uzcátegui Mayerlin, Dávila Jacinto and Tucci Kay (2011). Galatea: una historia de modelado y

simulación. Revista Ciencia e Ingeniería. Jornada de Modelado y Simulación, Universidad de

los Andes, Mérida, Venezuela. Pp 85-94

66. Venkataraman K., Vijaya Ramnath B., Muthu Kumar V. and Elanchezhian C. (2014). Application

of value stream mapping for reduciont of cycle time in a machining process. 3rd International

Conference on Materials Processing and Characteristation (ICMPC 2014)

67. Verma Alok K. (2013). Simulation Tools and Training Programs in Lean Manufacturing – current

Status. Final Report. Submitted to NSRP-ASE Program. USA

68. Verma Alok K, Erande A. and Kulkarni T. (2009). Demostrating impact of lean through value

stream engineering simulation. Int. J. Agile Manuf., vol.11, pp 57-63.

69. Vienazindiene Milita and Ciarniene Ramune (2013). Lean Manufacturing implementation and

progress measurement. Economics and Management. Kaunas University of Technology,

Lithuania. Pp 366 – 373.

70. Villa Agostino and Taurino Teresa .(2013) From Jit to Sero , for a production as lean as posible,

The manufacturing engineering Society International Conference, MESIC 2013.




71. Womack James P. and Jones Daniel T. (1996) Lean Thinking, Simon and Schuster, Nueva York

72. Womack James P. Jones Daniel T. and Roos D. (1990). The Machine That Changed the World.

Harper Perennial: New York.

73. Womack James P. and Jones Daniel T. (1991) The machine that changed the world: The story of

Lean Production, Harper Perennial, Nueva York.

74. Xia Wei and Sun Jiwen (2013). Simulation guided value stream mapping an lan imnprovement:

A case of study of a tubular machining facility. Journal of Industrial Engineering and

Management. Shanghai Jiao Tong University, China. Pp 456 – 476.

75. Zhang Yongan, Wang Ying and Wu a Long (2012). Research on demand-driven leagile supply

chain operation model: a simulation bases on anylogic in system engineering. The 2nd

International Conference on Complexity Science & Information Engineering.

TESIS DOCTORAL INTEGRACIÓN DE MODELOS DE FABRICACIÓN ...

Documents

Transcript of TESIS DOCTORAL INTEGRACIÓN DE MODELOS DE FABRICACIÓN ...