Contact Lanner

CONTACTER LANNER

Complete the form below for a quick response from a Lanner representative or call us on +44 1564 333 300 or +1 713 532 8008. If you require support, please visit my.lanner.com

Remplissez le formulaire ci-dessous pour obtenir une réponse rapide d'un représentant Lanner ou appelez-nous au +33 1 70 92 35 18. Si vous avez besoin d'assistance, merci de vous connecter sur my.lanner.com

By submitting your personal details you are confirming agreement with our website terms of use, privacy policy and consent to cookies being stored on your device. En nous transmettant vos données personnelles, vous confirmez votre accord avec les termes d’utilisation de notre site internet et notre politique de confidentialité, et vous acceptez que des cookies soient stockés sur votre appareil.

Thank you for your enquiry.
A member of our team will be in touch as soon as possible.

Introduction

Une étude de simulation a été menée sur une ligne de conditionnement de bouteilles pour GSK, dans son usine de fabrication de Zebulon, en Caroline du Nord. L'étude avait trois objectifs :

  1. augmenter la productivité globale de la ligne
  2. éliminer les goulots d'étranglement dans le processus de production
  3. réduire les temps d'arrêt de l'équipement.

GSK a utilisé WITNESS pour développer les modèles de cette étude.

Contexte

Maintenant sixième groupe mondial de recherche pharmaceutique, GSK a été formé suite à la fusion entre Glaxo Wellcome et SmithKline Beecham. Cherchant à améliorer la production de son site de Zebulon en Caroline du Nord, GSK s'est tourné vers Lanner pour leur expertise en simulation prédictive.

Les hypothèses suivantes ont été faites pour l'étude. La main-d'œuvre n'est aps prise en compte puisqu'elle ne représente qu'une petite partie du coût de production global. Le temps de travail disponible est de 600 minutes (une journée de dix heures); la maintenance préventive n'est pas modélisée puisqu'elle est effectuée en dehors des équipes de travail lorsque la ligne n'est pas en production. Les données sur les temps d'arrêt utilisées dans les modèles proviennent d'un échantillon de 40 jours, et les convoyeurs inter-équipements ne subissent aucun temps d'arrêt.

Développement et analyse du modèle

Une fois ces hypothèses déterminées, la collecte des données a commencé. Les données sur les temps d'arrêt sont rapportées quotidiennement par chaque opérateur de machine avec un code descriptif du temps d'arrêt. Ces données sont ensuite saisies dans une base de données informatisée pour chaque machine. Les données ont été traitées pour obtenir un format exploitable pour chaque machine incluse dans la simulation. Les données de temps de cycle de la machine étaient également nécessaires avant que les modèles puissent être construits. Ces données ont été recueillies par analyse vidéo, par observation directe et selon les standards de temps élaborés par le département du génie industriel.

Avec les données recueillies, il était temps de construire le modèle de base. En utilisant des temps de cycle (200 bouteilles par minute) basés sur les standards et les données de temps d'arrêt des machines individuelles, un modèle de base a été développé et exécuté jusqu'à ce qu'un lot complet (177 333 bouteilles) soit entièrement traité. Le modèle a ensuite été débogué et exécuté à nouveau pour vérifier l'exactitude. Une fois l'exactitude du modèle de base vérifiée, il a été utilisé pour développer trois autres modèles. Tous les modèles étaient basés sur la même taille de lot. La seule variable était le temps de cycle.

Le deuxième modèle a été construit pour simuler les conditions réelles d'exploitation de la ligne. Le troisième modèle a exploré la possibilité de terminer un lot complet en une équipe de travail (600 minutes). Enfin, un modèle prédictif a été développé. Ce modèle était piloté par le temps de cycle maximal de la machine goulot (275 bpm).

Le taux d'utilisation des machines était un des facteurs importants pour cette ligne. Les rapports de sortie de chaque modèle donnaient le pourcentage de temps pendant lequel chaque machine était occupée, bloquée, inactive, en panne ou en configuration. Plus le temps d'occupation global sur la ligne est élevé, plus la productivité de la ligne est élevée. Ces données d'utilisation peuvent également être utilisées pour découvrir les goulots d'étranglement sur la ligne.

L'analyse des données d'utilisation des équipements pour le modèle de base a montré des taux élevés de blocage au niveau du nettoyeur de bouteilles et du remplisseur de comprimés, et le niveau d'occupation relativement équilibré sur l'ensemble des équipements de la ligne. La comparaison avec le modèle réel a montré de grands écarts de niveau d'occupation pour la plupart des équipements. Un taux de blocage beaucoup plus élevé a pu être observé à la fois sur le nettoyeur de bouteilles et sur le remplisseur de comprimés. Le temps occupé avait chuté de près de 20 % sur certains d'équipement. Le modèle traitant un lot en une équipe montrait que bien que le blocage ait augmenté sur le nettoyeur de bouteilles et le remplisseur de comprimés, la perte de 10 % de temps occupé par rapport au modèle standard a été compensée par l'augmentation du débit et la diminution du temps de traitement. Le modèle prédictif a montré une moindre diminution du temps occupé et bloqué (environ cinq pour cent globalement), mais une productivité beaucoup plus élevée que dans le modèle standard.

Une autre analyse a examiné le taux de blocage sur les équipements critiques. Le taux de blocage pour le nettoyeur de bouteilles, le remplisseur de comprimés et la capsuleuse de bouteilles a été comparé pour chacun des quatre modèles. Il convient de noter que chaque équipement a montré le taux de blocage le plus élevé dans le modèle réel.

Recommandations

La deuxième recommandation portait sur la politique relative aux déjeuners et aux pauses. Chaque fois que les opérateurs allaient déjeuner ou faire une pause, la ligne était fermée. Cela a empêché l'atteinte des 600 minutes par équipe. Il a été suggéré que les pauses soient échelonnées pour maximiser le temps de disponibilité en gardant l'équipement fonctionnel tout au long de l'équipe.

La recommandation finale limitait les ajustements de vitesse de ligne à une catégorie désignée de personnel. La procédure normale d'exploitation autorisait n'importe quel opérateur à augmenter ou diminuer la vitesse sur n'importe quel équipement.

Résultats

Près de neuf mois après la mise en œuvre de ces recommandations, la productivité de la ligne a augmenté de 15 %. Les temps d'arrêt ont été réduits car les vitesses sont restées constantes, le personnel de maintenance désigné modifiant les vitesses des équipements. Suite à l'examen des données présentées dans cette étude, la direction a choisi d'augmenter la cadence de fonctionnement de la ligne de 200 bpm à 230 bpm, augmentant ainsi la quantité produite. Enfin, au lieu d'échelonner les déjeuners et les pauses, une équipe d'opérateurs de relève est désormais utilisée pour faire fonctionner la ligne sans interruption, évitant ainsi la perte de 60 minutes par équipe de fonctionnement de la ligne.

L'utilisation de WITNESS dans ce cas a permis à la direction d'acquérir une compréhension claire de l'impact des variables de vitesse et d'équipement sur le débit net. La capacité à présenter la logique mathématique derrière les modèles de manière graphique et animée a été essentielle à la communication dans un contexte comme celui-ci, où des personnes d'horizons et de compétences variés doivent saisir les concepts pour une prise de décision précise.


Loading blog comments..

Post a Comment

Thank you, your comment is awating approval
Submit