Upload
habao
View
213
Download
0
Embed Size (px)
Citation preview
UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE INGENIERIA
DEPARTAMENTO DE INGENIERIA INDUSTRIAL
OPTIMIZACION DEL FLUJO DE LA PLANTA, SEGÚN LOS CRIT ERIOS DE
LEAD TIME, INVENTARIO EN PROCESO Y CAPACIDAD DE PLA NTA. EN
PLANTA PRODUCTIVA DE BARRAS DE PERFORACION MINERA
MATIAS SEBASTIAN VIDAL ASTUDILLO
SANTIAGO – CHILE
2014
UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE INGENIERIA
DEPARTAMENTO DE INGENIERIA INDUSTRIAL
OPTIMIZACION DEL FLUJO DE LA PLANTA, SEGÚN LOS CRIT ERIOS DE
LEAD TIME, INVENTARIO EN PROCESO Y CAPACIDAD DE PLA NTA. EN
PLANTA PRODUCTIVA DE BARRAS DE PERFORACION MINERA
TRABAJO DE TITULACION PRESENTADO EN CONFORMIDA D A
LOS REQUISITOS PARA OBTENER EL TITULO DE INGEN IERIO
CIVIL INDUSTRIAL
TESIS DE GRADO PRESENTADA EN CONFORMIDAD A LOS
REQUISITOS PARA OBTENER EL GRADO DE MAGISTER E N
INGENIERIA INDUSTRIAL.
PROFESOR GUIA:
DR. IVAN DERPICH
PROFESORES CORRECTORES:
PHD. JUAN SEPULVEDA
PHD. JUAN PEDRO SEPULVEDA
ING. VICTOR OLIVARES
MATIAS SEBASTIAN VIDAL ASTUDILLO
SANTIAGO – CHILE
2014
© Matías Sebastián Vidal Astudillo, 2014, Todos los derechos reservados. Queda prohibida la
reproducción total o parcial autorización previa y por escrito.
RESUMEN
El objetivo de esta investigación es evaluar el impacto financiero y productivo debido a
la reducción del inventario en proceso en el proceso de fabricación de barras de perforación
mineras. Para ello se cuantificara y evaluara el impacto financiero y productivo, utilizando
simulación computacional por medio de sistemas de espera. Las variables a medir son
inventario en proceso, rotación, lead time y capacidad de planta. Las investigaciones en
operaciones indican que el 85% al 90% del lead time es debido al efecto de las colas de espera
produciendo elevados niveles de inventario en proceso y altos costos operativos. Es por esto la
importancia de conocer el impacto que tiene el “Lean Manufacturing” en los procesos
operacionales, operaciones productivas “Lean” implica tener una menor costo operacional,
logrando una mayor rotación del inventario en proceso aumentado la liquidez de la
organización.
DESCRIPTOR BIBLIOGRAFICO
INVENTARIO EN PROCESO
LEAD TIME
ABSTRACT
This research aims at assessing the financial and productive impact coming from the
reduction of Work In Progress (WIP) on the manufacturing process for mining's drill pipes. To
achieve this goal, the financial and productive impact through computing simulation using
queuing system will be quantified and assessed. The variables to be measured are Work In
Progress (WIP), rotation, lead time and capacity. The operation research indicates that from
85% to 90% of lead time is produced by the queuing effect causing a high Working In Progress
level and high operating cost. Thus, it is very important to know the impact of the “Lean
Manufacturing” on the operating process. A Lean Operating Process means decreasing
operating costs, which achieves increasing rotation of the Work In Progress resulting in
organization's liquidity increase.
BIBLIOGRAPHIC DESCRIPTIONS
INVENTORY WORK IN PROGRESS
LEAD TIME
DEDICATORIA
Gracias a María Edna Astudillo Farías y Guillermo E nrique Vidal Bejar, mis padres. Sin
ellos, nada de esto hubiese ocurrido.
TABLA DE CONTENIDOS Y ANEXOS
1. Capítulo I Introducción ……………………..………………………….....................................1
1.1. Justificación del tema ..................................................................................................... 1
1.2. Descripción de la problemática actual ........................................................................... 1
2. Capitulo II Objetivos de la investigación .................................................................. 4
2.1. Objetivos General .......................................................................................................... 4
2.2. Objetivos específicos ..................................................................................................... 4
3. Capitulo III Metodología utilizada .............................................................................. 5
3.1. Lean Manufacturing ....................................................................................................... 5
3.2. Just in time ..................................................................................................................... 6
3.3. Drum, buffer and rope .................................................................................................... 7
3.4. Teorías de colas ............................................................................................................. 8
3.5. Proceso de Poisson ....................................................................................................... 9
3.6. Distribución de tiempos entre eventos ......................................................................... 11
3.7. Sistemas de espera ..................................................................................................... 11
3.9. Teorema de descomposición de Jackson .................................................................... 14
3.10. Teoría de Burle ........................................................................................................... 14
3.11. Ecuación de Little ......................................................................................................... 14
3.12. Control de la varianza .................................................................................................. 15
3.13. Finanzas ....................................................................................................................... 16
4. Capitulo IV Simulación computacional ................................................................... 18
5. Capítulo V Resultados de la simulación ................................................................. 29
5.1. Utilización de servidores para el escenario actual ....................................................... 29
5.2. Utilización de servidores para escenario optimizado ................................................... 38
5.3. Lead time para drill pipe small diameter escenario actual ........................................... 47
5.4. Lead time para drill pipe small diameter escenario optimizado ................................... 50
5.5. Lead time para drill pipe big diameter escenario actual .............................................. 52
5.6. Lead time para drill pipe big diameter escenario optimizado ....................................... 54
5.7. Lead time para adaptor small diameter escenario actual ............................................ 57
5.8. Lead time para adaptor small diameter escenario optimizado. ................................... 58
5.9. Lead time para adaptor big diameter escenario actual ................................................ 60
5.10. Lead time para adaptor big diameter escenario optimizado ........................................ 62
5.11. Inventario en proceso instantáneo y promedio para escenario actual ........................ 64
5.12. Inventario en proceso instantáneo y promedio para escenario optimizado ................ 65
5.13. Tasa de nacimiento y Ley de Little para escenario actual .......................................... 66
5.14. Tasa de nacimiento y ley de Little para escenario optimizado .................................... 67
5.15. Periodo medio de fabricación en el escenario actual y optimizado ............................. 68
6. Capítulo VI Resultados finales ................................................................................. 69
6.1. Capacidad productiva en el escenario actual y optimizado ......................................... 69
6.2. Nivel de servicio y tiempo de nacimiento en escenario actual y optimizado ............... 71
6.3. Lead time por cada pieza en el escenario actual y optimizado …………………………73
6.4. Lead time por familia de producto en el escenario actual y optimizado . ………………74
6.5. Niveles de utilización de cada servidor en el escenario actual y optimizado ………….76
6.6. Inventario en proceso instantáneo y promedio para escenario actual y optimizado …78
6.7. Validación del modelo . ………………………………………………………………………78
7. Capitulo VII Conclusión …………………………………………………………………...79
8. Referencias Bibliograficas ……………………………………………...............................81
9. Referencias Electronicas……………………………………………………………………81
Anexo del modelo de simulación
Modelo de simulación
Generador de entidades adaptors big diameter
Generador de entidades adaptors small diameter
Generador de entidades drill pipe big diameter
Generador de entidades drill pipe small diameter
Servidor CNC 3
Servidor CNC 4
Servidor Haas
Servidor Integrex
Servidor Corte
Servidor Torno 6
Servidor Prensa
Servidor Nexus 450
Servidor Assembly adaptors
ÍNDICE DE FIGURAS
Figura 3.1 - A la izquierda grafico indicando el tiempo de desperdicio, valor agregado y valor no
agregado pero esencial. A la derecha los tipos de desperdicios…….………………………………5
Figura 3.2 – Relación entre el tiempo que agrega valor y el tiempo que no agrega valor, antes y
después de las mejoras por medio de “Lean Manufacturing”……………………………………..…6
Figura 3.3 – Diagrama explicativo acerca de la fabricación contra demanda, por medio de
Kanban……………………………………………………………………………………………………..7
Figura 3.4 – Sistema de espera…………………………………………………...............................11
Figura 4.1 – Datos obtenidos desde sistema Fastems……………………………………………...20
Figura 4.2 – Flujograma de fabricación…………………………………………..............................22
Figura 4.3 – Identificación del flujo de cada pieza y de cada familia de producto………………..23
Figura 4.4 – Bloque creador de entidades y que entran al sistema (izquierda) y bloque que
recepciona las entidades al final del sistema (derecha)…………………………………………….25
Figura 4.5 – Bloque que separa las entidades con distintos atributos (izquierda), bloque que
mezcla entidades con distintos atributos (derecha)………………………………………………….26
Figura 4.6 – Bloque que coloca el tag (izquierda) para medir tiempo y bloque que lee el tag e
indica el tiempo que la entidad tardo en atravesar el sistema (derecha)………………………….27
Figura 4.7 – Bloque que indica el tiempo de ciclo de cada entidad según el servidor (izquierda) y
bloque que coloca este tiempo como atributo de la entidad (derecha)……………………………27
Figura 4.8 – Conexión cola de espera (izquierda) y servidor (derecha)…………………………..28
Figura 5.1 – A la Izquierda utilización del servidor CNC 3, a la derecha utilización del servidor
CNC 4……………………………………………………………………………..………………………29
Figura 5.2 – Flujograma de fabricación indicando utilización del CNC 3 y CNC 4……………….30
Figura 5.3 – A la Izquierda utilización del servidor Integrex, a la derecha utilización del servidor
Haas…………………………………………………………………………….....................................31
Figura 5.4 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex y
Haas……………………………………………………………………………………………………….32
Figura 5.5 – A la Izquierda utilización del servidor Nexus 450, a la derecha utilización del
servidor corte………………………………………………………....................................................33
Figura 5.6 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450 y Corte……………………………………………………………………………………….33
Figura 5.7 – A la Izquierda utilización del servidor Prensa, a la derecha utilización del servidor
Torno 6…………………………………………………….................................................................34
Figura 5.8 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450, Corte, Torno 6 y Prensa…………………………………………………………………..35
Figura 5.9 – A la Izquierda utilización del servidor Assembly adaptors, derecha utilización del
servidor Assembly drill pipe…………………………………………………………………………….36
Figura 5.10 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450, Corte, Torno 6, Prensa, Assembly drill pipe y Assembly adaptors…………………..37
Figura 5.11 – A la Izquierda utilización del servidor CNC 3, a la derecha utilización del servidor
CNC 4……………………………………………………………………………………………………..38
Figura 5.12 – Flujograma de fabricación indicando utilización del CNC 3 y CNC 4……………..39
Figura 5.13 – A la Izquierda utilización del servidor Integrex, derecha utilización del servidor
Haas……………………………………………………………………………………………………....40
Figura 5.14 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex y
Haas……………………………………………………………………………………………………....41
Figura 5.15 – A la Izquierda utilización del servidor Nexus 450, derecha utilización del servidor
Corte……………………………………………………….................................................................42
Figura 5.16 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450 y Corte……………………………………………………………………………………….43
Figura 5.17 – A la Izquierda utilización del servidor Prensa, a la derecha utilización del servidor
Torno 6…………………………………………………….................................................................44
Figura 5.18 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450, Corte, Torno 6 y Prensa…………………………........................................................45
Figura 5.19 – A la Izquierda utilización del servidor Assembly adaptors, a la derecha utilización
del servidor Assembly drill pipe……………………………………………………………………..….46
Figura 5.20 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450, Corte, Torno 6, Prensa, Assembly drill pipe y Assembly adaptors…………………..47
Figura 5.21 – Lead time de fabricación de end joint box small diameter, máximo valor 2,9
horas………………………………………………………………………………………………………48
Figura 5.22 – Lead time de fabricación de end joint pin small diameter, máximo valor 2,9
horas………………………………………………………………………………………………………48
Figura 5.23 – Lead time de fabricación de tube small diameter, máximo valor 2,9 horas………49
Figura 5.24 – Flujograma de fabricación para end joint box small diameter, end joint pin small
diameter y tube small diameter. El máximo valor de lead time es de 2,9 horas para el escenario
actual…………………………………………………………………………………………………...…49
Figura 5.25 – Lead time de fabricación de end joint box small diameter, máximo valor 5,9
horas……………………………………………………………………………………………………....50
Figura 5.26 – Lead time de fabricación de end joint pin small diameter, máximo valor 5,9
horas………………………………………………………………………………………………………50
Figura 5.27 – Lead time de fabricación de tube small diameter, máximo valor 5,9 horas………51
Figura 5.28 – Flujograma de fabricación para end joint box small diameter, end joint pin small
diameter y tube small diameter. El máximo valor de lead time es de 5,9 horas para el escenario
optimizado………………………………………..............................................................................51
Figura 5.29 – Lead time de fabricación de end joint box big diameter, máximo valor 14
horas............................................................................................................................................52
Figura 5.30 – Lead time de fabricación de end joint pin big diameter, máximo valor 14
horas………………………………………………………………………………………………………53
Figura 5.31 – Lead time de fabricación de tube big diameter, máximo valor 14 horas………….53
Figura 5.32 – Flujograma de fabricación para end joint box big diameter, end joint pin big
diameter y tube big diameter. El máximo valor de lead time es de 14 horas para el escenario
actual……………………………………………………………………………………………………...54
Figura 5.33 – Lead time de fabricación de end joint box big diameter, máximo valor 12,1
horas………………………………………………………………………………………………………55
Figura 5.34 – Lead time de fabricación de end joint pin big diameter, máximo valor 14
horas………………………………………………………………………………………………………55
Figura 5.35 – Lead time de fabricación de tube big diameter, máximo valor 14 horas………….56
Figura 5.36 – Flujograma de fabricación para end joint box big diameter, end joint pin big
diameter y tube big diameter. El máximo valor de lead time es de 14 horas para el escenario
optimizado………………………………………………...................................................................56
Figura 5.37 – Lead time para adaptor small diameter, esto es para el escenario actual. El
máximo lead time es de 2,9 horas……………………………………………………………………..57
Figura 5.38 – Flujograma de adaptor small diameter. El máximo valor de lead time es de 2,9
horas para el escenario actual…………………………………………………………………………58
Figura 5.39 – Lead time para adaptor small diameter, esto es para el escenario optimizado. El
máximo lead time es de 3 horas……………………………………………………………………….59
Figura 5.40 – Flujograma de adaptor small diameter. El máximo valor de lead time es de 3 horas
para el escenario optimizado…………………………………………………...................................60
Figura 5.41 – Lead time para adaptor big diameter, esto es para el escenario actual. El máximo
lead time es de 28 horas………………………………………………………..................................61
Figura 5.42 – Flujograma de adaptor big diameter. El máximo valor de lead time es de 28 horas
para el escenario actual…………………………………….............................................................61
Figura 5.43 – Lead time para adaptor big diameter, esto es para el escenario optimizado. El
máximo lead time es de 9 horas……………………………………………………………………….62
Figura 5.44 – Flujograma de adaptor big diameter. El máximo valor de lead time es de 9 horas
para el escenario optimizado…………………………………………………………………………...63
Figura 5.45 – Izquierda inventario en proceso promedio con un máximo de 50 piezas, a la
derecha inventario en proceso instantáneo con un máximo de 130 piezas, ambos resultados es
para el escenario actual…………………………...........................................................................64
Figura 5.46 – Izquierda inventario en proceso promedio con un máximo de 32 piezas, a la
derecha inventario en proceso instantáneo con un máximo de 69 piezas, ambos resultados es
para el escenario optimizado…………………………………………………………………………...65
Figura 5.47 – Izquierda tasa de entrada promedio del sistema con una valor promedio de 48
minuto/entidad, a la derecha se presenta la correlación entre el numero promedio de entidades
en el sistema y el tiempo de espera de promedio de las entidades en el sistema, para el
escenario actual………………………………………………………………………………………….66
Figura 5.48 – Izquierda tasa de entrada promedio del sistema con una valor promedio de 84
minutos/entidad, a la derecha se presenta la correlación entre el numero promedio de entidades
en el sistema y el tiempo de espera de promedio de las entidades en el sistema, para el
escenario optimizado………………………………….....................................................................67
Figura 5.49 – Izquierda periodo medio de fabricación para el escenario actual, a la derecha se
presenta el periodo medio de fabricación del escenario optimizado………………………………68
Figura 6.1 – Capacidad de producción para el escenario actual……………...............................70
Figura 6.2 – Capacidad de producción para el escenario optimizado………...............................70
Figura 6.3 – Nivel de cumplimiento para cada familia de producto para el escenario
actual……………………………………………………………………………………………………...72
Figura 6.4 – Nivel de cumplimiento para cada familia de producto para el escenario
optimizado………………………………………………………………..............................................72
Figura 6.5 – Lead time para cada familia de producto para el escenario actual………………….75
Figura 6.6 – Lead time para cada familia de producto para el escenario optimizado…………....75
Figura 6.7 – Utilización de cada servidor para el escenario actual…………................................77
Figura 6.8 – Utilización de cada servidor para el escenario optimizado…………………………..77
INDICE DE TABLAS
Tabla 4.1 – Tamaños de cola de espera antes de cada servidor para el escenario actual y el
escenario optimizado…………………………………………………………………………………....19
Tabla 4.2 – Utilización de las maquinas desde marzo hasta agosto 2014………………………..20
Tabla 4.3 – Actuales valores de lead time por familia de producto.………………………………..21
Tabla 4.4 – Tiempos promedio de servicios de cada pieza en cada servidor….………………...24
Tabla 4.5 – Tasa de nacimiento para cada familia de producto y para cada escenario…………25
Tabla 4.6 – Demanda mensual de piezas para cada familia de producto………………………...26
Tabla 6.1 – Presentación de la capacidad de producción en el escenario actual y en el
escenario optimizado……………………………………………………………………………………69
Tabla 6.2 – Presentación de la capacidad en el escenario actual en comparación al escenario
optimizado………………………………………………………………………………………………..71
Tabla 6.3 – Presentación de la lead time por cada una de las piezas…………………………….73
Tabla 6.4 – Descripción de las piezas y su familia de producto…………………………………....73
Tabla 6.5 – Presentación de los lead time de cada familia de producto…………………………..74
Tabla 6.6 – Presentación de la utilización para cada servidor en el escenario actual y el
escenario optimizado……………………………………………………………………………………76
Tabla 6.7 – Presentación de los inventario en proceso promedio e instantáneo…..…………….78
1
1. Capítulo I Introducción
1.1. Justificación del tema
El objetivo de la investigación es evaluar el impacto financiero y productivo de la
reducción del inventario en proceso. Debido a que investigaciones y teorías de gestión
operativa como “Just in Time”, ““drum, buffer and rope” y “Lean Manufacturing”. Hacen énfasis
en que el inventario en proceso es la variable que se debe controlar y gestionar. El 85 % al 90%
del lead time de producción es debido al efecto de las colas de espera produciendo elevados
niveles de inventario en proceso y altos costos operativos.
Para evaluar el impacto del inventario en proceso se utilizara simulación computacional
utilizando sistemas de esperas, este sistema de espera se aplicara a la actual planta productiva,
la cual cuenta con 10 servidores que serían los centros de trabajos, estos servidores trabajan
en 4 familias de productos mientras se realiza la simulación, cada familia de producto tendrá su
propio tiempo de servicio en cada servidor, la producción será del tipo push y el sistema de
demanda es fabricación a pedido.
Esta investigación se realizara al proceso de fabricación de barras de perforación
minera.
1.2. Descripción de la problemática actual
Actualmente la planificación operativa presentan múltiples variables, las cuales pueden
utilizarse como criterio de optimización, estas variables son: lead time, tiempo de ciclo, tiempo
de espera, utilización, nivel de servicio, nivel de inventario, rotación de inventario, capacidad de
planta e inventario en proceso. Considerando la actual teoría operativa que están en boga
como: “Just in time”, “drum, buffer and rope” y “Lean Manufacturing”. Estas se presentan sin
explicar sus consecuencias, no indican de qué forma se relacionan entre si estas variables,
desconociendo de que forma una afecta a la otra sin poder evaluar su impacto a nivel
financiero. Sin embargo estas teorías convergen, en hacer énfasis en la gestión y control del
inventario en proceso. Inventario en proceso es el inventario entre el punto de inicio y el punto
final de la ruta de producción. El control del inventario en proceso se realiza por medio del
2
control de la sobreproducción, controlando las colas de esperas y disminuyendo los tiempos de
espera. Con esto se lograra el control y disminución del lead time de fabricación, mejorando el
nivel de servicio y la satisfacción del cliente.
Las plantas productivas presentan la característica común de que exhiben un
importante efecto debido al comportamiento de las colas por espera. No es inusual que los
trabajos gasten un 85% al 90% de su lead time en colas de esperas por procesamiento o
transporte. Resultando que los niveles de inventario en proceso constituye un alto costo
operacional. Debido a esto último lo más importante para una efectiva gestión operativa es
controlar las colas de espera, el inventario en proceso y el lead time de manufactura1
Estas colas de espera por producción se producen, entre otras razones, porque llegan
lotes de diferentes flujos, estos flujos se montan unos sobre otro creando flujos altamente
desequilibrados. Además el trabajo requerido para procesar cada pieza es variable debido a
que las piezas son diferentes unas con respecto a otra. Es muy poco probable que un centro de
trabajo tenga un tiempo de ciclo constante, además de la coordinación entre un centro de
trabajo y otro. Todo esto produce un ciclo asincrónico. Esta asincrónica entre las llegadas y los
tiempos de procesamiento es una de las razones de las colas es por ello que es importante su
control y administración.
Altos y variables niveles de lead time no solo causa altos costos operacionales, además
produce dificultad para ver como la planta puede ser operada de la manera “Just in time”.
Ingrediente clave del “pull” o “Just in time” es tener lead time constantes y confiables.
Variabilidad en el lead time es un problema especialmente cuando las piezas llegan y deben ser
coordinadas para el armado, otras consecuencias de la variabilidad del lead time es que el
“tiempo de seguridad” tiende a causar la pronta llegada de las piezas al inventario en proceso
sumándose al inventario de las colas. Altos niveles de lead time también significan altos niveles
de productos terminados como stock de seguridad que son solicitados para asegurar la fecha
de entrega. Largos lead time causan perdida de trazabilidad en la información, la producción
debe ser comenzada contra demandas más futuras las cuales son más inciertas, largos atrasos
entre la producción y el uso final del producto creando dificultades para detectar y corregir
problemas de calidad, reaccionar a corto plazo a problemas o demandas es imposible.
1 Karmarkar Uday y otros. Lot sizing and lead time performance in a manufacturing cell [en línea], New York, University of Rochester < http://www.wright.edu/~george.polak/lots.pdf > [consulta 08 de octubre del 2013]
3
Para obtener un control del lead time es esencial entender el comportamiento de las
colas. Una vista conceptual del fenómeno de las colas nos permite diseñar soluciones a muchos
problemas descritos anteriormente.2 Por lo que se puede concluir que la variable a optimizar
es el inventario en proceso debido a que tiene impacto directo en los tiempos de esperas, el
largo de las colas y la sobreproducción de la planta.
2 Karmarkar Uday. Controlling W.I.P. and leadtimes in job shops [en línea]. New York, University of Rochester<https://urresearch.rochester.edu/fileDownloadForInstitutionalItem.action?itemId=4412&itemFileId=6632> [consulta 03 de diciembre del 2014]
4
2. Capitulo II Objetivos de la investigación
2.1. Objetivos General
Cuantificación y evaluación del impacto financiero y productivo, de las variables
inventario en proceso, lead time y capacidad de planta. Utilizando simulación por medio de
sistemas de espera aplicado a fábrica de barras de perforación minera.
2.2. Objetivos específicos
Creación de simulación computacional del sistema de espera de fabricación de barras
de perforación minera.
Cuantificación del inventario en proceso de planta para el escenario actual y
optimizado.
Cuantificación del lead time de planta para el escenario actual y optimizado.
Cuantificación de la capacidad de planta para el escenario actual y optimizado.
Evaluación del impacto financiero y productivo del escenario actual y el escenario
optimizado.
5
3. Capitulo III Metodología utilizada
3.1. Lean Manufacturing
Una organización “lean” significa que elimina los “desperdicios” de: sobreproducción,
espera, transporte, reproceso, inventarios, movimiento y piezas defectuosas. Utilizando la visión
“lean”, en este estudio nos focalizáremos en disminuir la “espera” (lead time), sobreproducción e
“inventarios” (inventario en proceso).
El pensamiento “Lean Manufacturing” indica que las organizaciones para ser más
eficientes deben controlar la sobreproducción (inventario en proceso), espera (tiempos de
espera y lead time), transporte, reproceso, inventarios (inventario en proceso), movimiento y
piezas defectuosas. “El concepto de flujo es fabricar idealmente una pieza a la vez desde la
materia prima hasta la pieza final, moviendo una a una la pieza de una estación de trabajo a
otra sin tiempo de espera entre estaciones de trabajo”3.
Figura 3.1 - A la izquierda grafico indicando el tiempo de desperdicio, valor agregado y valor no
agregado pero esencial. A la derecha los tipos de desperdicios.
Fuente: Sandvik Mining
3 Womack James y Jones Daniel. Lean Thinking. New York. Simon & Schuster, 1996. 350p
6
Los 7 desperdicios producen el 95% del total del lead time que corresponden a tiempos
que no agregan valor al producto4. Es por eso que el foco no debe estar solamente en mejorar
las operaciones que agregan valor sino que la mejora debe estar focalizada en reducir los
desperdicios que no agregan valor las que son indicadas en la metodología “Lean
Manufacturing”. El objetivo es reducir el tiempo de lead time.
Figura 3.2 – Relación entre el tiempo que agrega valor y el tiempo que no agrega valor, antes y
después de las mejoras por medio de “Lean Manufacturing”.
Fuente: Sandvik Mining
3.2. Just in time
El just in time (JIT) indica que el sistema de producción debe ajustar los recursos a las
necesidades de producción, para así evitar desperdicio y esfuerzos innecesarios. “El objetivo de
esta metodología es convertir un flujo empujado (push) a un flujo tirado (pull). La idea es no
fabricar hasta que no exista la solicitud de fabricación, de esa señal viene el nombre just in
4 Karmarkar Uday. Controlling W.I.P. and leadtimes in job shops [en línea]. New York, University of Rochester<https://urresearch.rochester.edu/fileDownloadForInstitutionalItem.action?itemId=4412&itemFileId=6632> [consulta 03 de diciembre del 2014]
7
time”5. Este mecanismo nació en Toyota en donde los contenedores vacíos se devuelven al
origen del flujo, un contenedor vacío es la señal que indica que es necesario fabricar, el objetivo
es el control del inventario en proceso para evitar la sobreproducción. Es decir, por medio del
control del inventario en proceso es posible el control del lead time ya que se controlan los altos
niveles de tiempos de espera y las largas colas de espera en el área de producción.
Figura 3.3 – Diagrama explicativo acerca de la fabricación contra demanda, por medio de
Kanban
Fuente: Kaizen, Geoffrey Mika
Este tipo de producción se considera flexible debido a que tiene la capacidad de
producir una amplia gama de productos sin necesidad de grandes volúmenes de producción
para obtener economías de escalas y con un elevado grado de fiabilidad y calidad.
3.3. Drum, buffer and rope
Esta teoría menciona que la optimización en la planificación operativa, se alcanza por
medio del control del inventario en proceso, así se controla el lead time y por ende la
optimización de la planta. El método en general consiste en identificar y gestionar las
5 Krajewski Lee y Ritzman Larry. Administración de operaciones :estrategia y análisis. Cuidad de Mexico. Editorial Pearson Educacion. 2000. 892p
8
limitaciones mediante el proceso de mejora continua. Para ello es necesaria una visión holística
del sistema en el cual no existen procesos independientes6.
La aplicación de esta teoría es por medio de TOC, teoría de restricciones, es decir, la
toma de decisiones se hace en las situaciones que existan restricciones. Esta teoría fue descrita
como una filosofía para la mejora continua, su propio autor lo califica como “un modo
sistemático de mejora alternativa a la producción ajustada”7.
Es así como se desglosa en 5 etapas
1. Identificar las limitaciones del sistema
2. Decidir cómo levantar las restricción o limitaciones del sistema
3. Subordinar todo lo demás a la decisión anterior
4. Elevar las limitaciones del sistema
5. Volver al paso 1
Una consecuencia directa de esto, es que se debe evitar planificar los puestos de
trabajo con respecto a su máximo potencial, es decir, un recurso no cuello de botella su nivel de
utilización no está determinado por su propio potencial, sino que está determinado por otro
recurso del sistema.
Por lo tanto en un sistema productivo siempre existirá tiempo ocioso, no se debe tratar
de optimizar todo el sistema porque se vuelve ineficiente.
3.4. Teorías de colas
La teoría de colas estudia el comportamiento de sistemas donde existe un conjunto
limitado de recursos para atender las peticiones generadas por los usuarios, de tal manera que
cuando un usuario envía una tarea al sistema, esta podrá tener que esperar para ser atendida
por algún recurso o podrá ser rechazada si el sistema no tiene la capacidad suficiente para
almacenarla en espera de ser atendida. El estudio de estos sistemas implicara el modelado no
solo del sistema en sí, sino también del comportamiento aleatorio del tráfico ofrecido por los
6 Goldratt Eliyahu y Cox Jeff. La meta, un proceso de mejora continua, Buenos Aires, Ediciones Granica, 2008, 480p
7 Idiem
9
usuarios al sistema. Este tráfico ofrecido por los usuarios se modela mediante dos procesos
estocásticos: proceso de llegadas de tareas y proceso de servicio demandado por las mismas,
usualmente considerados independientes entre sí.
El conjunto más amplio de resultados analíticos en teorías de colas se encuentran para
los procesos de llegada de Poisson y proceso de servicio demandado aleatorio puro modelado
por variables aleatorias con distribución exponencial, que caracterizan sistemas de espera en
los que tantos las llegadas de tareas de usuarios como la demanda que realizan son
completamente aleatorias, en el sentido que la evolución del sistema solo depende de su
condición presente y no de su pasado. Para el estudio de sistemas modelados mediante
modelos de colas cuya solución se desconoce, o bien, es muy difícil de obtener, se suele
recurrir a técnicas de simulación que, mediante el empleo de programas de computación,
permiten obtener simulaciones de los parámetros de interés del comportamiento del sistema.
3.5. Proceso de Poisson
La distribución de Poisson es una ayuda para la modelación de procesos de llegada
para ello deben cumplir las condiciones de conteo.
Las propiedades de los procesos de conteo es que si {N (t), t ≥ 0} es un proceso de
conteo entonces N (t) corresponde al número de eventos que ocurren en el intervalo [0, t], si es
así, debe cumplir las siguientes propiedades:
• N(t) es siempre un entero no negativo
• Si s < t, entonces N (s) ≤ N (t)
• Si s < t, entonces el número de eventos que ocurren en el intervalo [ s, t ] corresponde a
N (t) – N (s)
Para poder modelar estos procesos de llegada en forma analítica necesitamos hacer
los siguientes supuestos que permitan el cálculo de probabilidades.
El proceso de conteo {N (t), t ≥ 0} tiene incrementos independientes, si la variable
aleatoria N (t + s) – N (t) es independiente del proceso {N (u), u ≤ t} para todo t y s. Es decir, si
consideramos 2 intervalos de tiempos disjuntos (��,��) y (��,��) en que ��< �� < �� < �� entonces
N (��) – N (��) es una variable independiente de N (��)-N (��). Así nos permite obtener la
probabilidad de un evento conjunto como la multiplicación de probabilidades más simples.
10
El proceso de conteo {N (t), t ≥ 0} tiene incrementos estacionarios si la distribución de
probabilidades de N (t + s) – N (t) depende de s pero no de t. Es decir nos interesa que se
mantenga estable a lo largo del tiempo la distribución de probabilidades del número de eventos
en un intervalo de largo fijo. Asi nos permite reducir el número de distribuciones de
probabilidades que necesitamos utilizar.8
El proceso de conteo {N (t), t ≥ 0} tiene propiedad de orden, si:
���ℎ = 1� = �ℎ + ��ℎ ���ℎ ≥ 2� = ��ℎ
Con λ como una constante positiva
Esta propiedad establece que en el intervalo [0, h], en que h es pequeño, la
probabilidad que ocurra un evento está dominada por la función lineal λh. Además la
probabilidad que ocurran dos o más eventos en [0, h] es despreciable en comparación a la
probabilidad que ocurra uno.
Existen dos eventos dominantes en el intervalo [0, h], cuando h es pequeño: que ocurra
un evento o que no ocurra ninguno. Si el proceso de conteo cumple con la propiedad de
incrementos estacionarios, esto será válido para cualquier intervalo de largo h.
El proceso de conteo {N (t), t ≥ 0} es un proceso de Poisson si cumple con las
propiedades de incrementos independientes, estacionarios y de orden, asi podemos obtener la
distribución del número de eventos en un intervalo de tiempo cualquiera.
���� = �� = ������� ��!
Esto quiere decir que la distribución del proceso de conteo N (t) corresponde a la
distribución de Poisson con parámetro λt.9
8 Gazmuri Pedro. Modelos Estocásticos para la Gestión de Sistemas. Santiago. Ediciones Universidad Católica de Chile. 1995. 300 p
9 Idiem
11
3.6. Distribución de tiempos entre eventos
Sea �� el tiempo que transcurre desde � = 0 hasta que ocurre el primer evento, �� el
tiempo entre el primer y segundo evento y asi sea �� el tiempo entre el evento � − 1 y el evento
. En un proceso de poisson a tasa λ, los tiempos ��, �� … … … … . . �� son variables
independientes e idénticamente distribuidas con distribución exponencial de parámetro λ.10
3.7. Sistemas de espera
Sistema puede definirse como una colección de entes que actúan e interactúan para la
consecución de un determinado fin.
Sistema de espera consiste en un flujo de entidades de algún tipo que llegan a una
infraestructura a solicitar un determinado servicio. Esta infraestructura tiene capacidad limitada,
por lo que no puede atender a todas las entidades simultáneamente. El proceso de llegadas de
entidades y el proceso de servicio es de carácter aleatorio. El estado de un sistema viene
determinado por el conjunto de variables necesarias para describirlo en cualquier instante
temporal, recibiendo cada una de estas variables el nombre de variable de estado.
Figura 3.4 – Sistema de espera
Fuente: Elaboración propia
10 Gazmuri Pedro. Modelos Estocásticos para la Gestión de Sistemas. Santiago. Ediciones Universidad Católica de Chile. 1995. 300 p
12
Un sistema de espera queda caracterizado por tres elementos:
• El o los procesos de llegadas de entidades al sistema
• La infraestructura de atención de las entidades, servidores y su topología (serie,
paralelos o combinación)
• La política de atención, que para cada estado posible del sistema, define cual es la
siguiente entidad que se atiende, cuando un servidor termina un proceso. Para este
estudio la política será FIFO, first in first out.
Por su naturaleza estocástica, en los sistemas se producirá congestión, porque en
algunos momentos el tiempo de ingreso de una entidad y/o el tiempo de servicio, será menor
que su valor esperado.
Los sistemas de esperas se identifican con la siguiente nomenclatura A/B/C. Siendo:
• A: caracteriza el proceso de llegada.
• B: caracteriza el proceso de servicio
• C: representa el número de servidores.
La forma de la evolución temporal de las variables de estado permite establecer la
clasificación del sistema, para este caso el sistema es discreto.
Un modelo es una representación de un sistema construido con el propósito de
estudiarlo, para este estudio será un modelo matemático. El tipo de solución será por medio de
simulación ya que se recreara una o varias evoluciones temporales del modelo con el fin de
estimar un conjunto de parámetros. Estos modelos, son modelos matemáticos que permiten
obtener una estimación del comportamiento del sistema para una configuración determinada.
En este estudio se establecerá un modelo matemático dinámico, estocástico y discreto.
Los key performance indicator (KPI) del sistema de espera son:
• Caudal o throughput (%): es una medida de productividad del sistema, es el número
medio de tareas servidas por unidad de tiempo, se mide en porcentaje.
• Factor de utilización (%): es una medida de la probabilidad de ocupación de un recurso
del sistema, es decir, indicara el porcentaje de tiempo en que dicho recurso tiende a
estar ocupado.
• Tiempo de lead time (hrs): es una medida que indica el tiempo desde que una entidad
entra hasta que sale del sistema, se mide en alguna unidad de tiempo.
13
• Largo promedio de las colas (pzs): cantidad de entidades que es posible almacenar
como espera, se mide en piezas.
Para el sistema M/M/1. Para calcular el tiempo promedio de espera de una entidad en
la cola, bajo una modalidad de atención FIFO.
%& = ' ����( =)
�*�1( ' ��� = 1( ' ��� =
)
�*+
)
�*�,( 11
Siendo:
��: Probabilidad de encontrar n entidades en el sistema en un instante de tiempo
�: n entidades en el sistema
(: Tiempo de servicio
, : Numero promedio de entidades en el sistema
� : Tiempo de llegadas de entidades
El número promedio de las entidades en el sistema, en un instante cualquiera en el
largo plazo es:
, = ' ��� =)
�*+' ���( � -1 − .�(/0 =)
�*+�( − � 12
11 Gazmuri Pedro. Modelos Estocásticos para la Gestión de Sistemas. Santiago. Ediciones Universidad Católica de Chile. 1995. 300p 12 Idiem
14
3.9. Teorema de descomposición de Jackson
Para las redes abiertas de colas suponiendo que la tasa de llegadas de tareas al
sistema es independiente del estado de la red, esta se puede estudiar como un conjunto de
sistema de esperas individuales e independientes, siendo cada nodo sin rechazo.13
3.10. Teoría de Burle
Sea una red de colas abiertas sin retroalimentaciones, este teorema establece que si el
proceso estocástico de llegadas a un nodo con capacidad infinita (sin rechazo) no
congestionado es un proceso de poisson, el proceso de salidas de dicho nodo (proceso de
llegada al nodo siguiente) también es un proceso de poisson. Esto aplica para sistemas
M/M/m14.
3.11. Ecuación de Little
La ecuación de Little nos permite tener un equilibrio en el largo plazo entre el número
de entidades en el sistema en un instante cualquiera y su tiempo promedio de permanencia
(desde que ingresa hasta que sale).
Siendo L el número promedio de entidades en el sistema en un instante cualquiera en
el largo plazo, W el tiempo de espera de una entidad cualquiera y λ la tasa de entrada de
entidades al sistema se obtiene.
, = �%15
Esta ecuación es la llamada ecuación de Little. Esta ecuación es totalmente generalista
y es válida para cualquiera sea la política de atención del sistema, la distribución de
probabilidades de los tiempos de llegada y de servicio y cualquier topología de atención.
13 Pazos Arias Jose Juan, Gonzalez Suarez Andres y Diaz Redondo Rebeca. Teoría de colas y simulación de eventos discretos. Madrid. Prentice Hall, 2003. 309p 14 Idiem 15 Gazmuri Pedro. Modelos Estocásticos para la Gestión de Sistemas. Santiago. Ediciones Universidad Católica de Chile. 1995. 300p
15
3.12. Control de la varianza
El método seleccionado para el control de la varianza será el de “método de la variable
de control”, el objetivo es obtener una reducción de la varianza del estimador de la media de
una de ellas.
Interesa estimar la media µ de una variable aleatoria de salida, X, de la simulación:
conociendo otra variable aleatoria de entrada, Y, que aparece también en la simulación y cuya
esperanza es ν=E (Y) es conocida, por ultimo conociendo que X e Y están correlacionadas, bien
positivamente o negativamente.
Suponiendo que la correlación es positiva entonces valores de Y mayores que su media
(Y > v) tenderán a ir acompañados de valores de X mayores que su media (X > µ) y viceversa.
En este caso la aplicación del método consiste básicamente en que cuando en la simulación se
observe que Y > v, entonces podemos sospechar que X > u y con esta información es posible
corregir el valor de X, disminuyéndolo en cierta cantidad, cuando se produzca el efecto
contrario, se aumentara el valor de X. Así de esta forma se considera el conocimiento que se
tiene sobre la desviación de Y respecto a su media para acercar X hacia su media µ,
reduciendo así su variabilidad. Se dice entonces qué Y es la variable de control de X.
Es necesario entonces determinar cuál es la cantidad que se necesita para ajustar el
valor de X, así se define el estimador controlado 23 como:
23 = 2 − 4�5 − μ 16
Donde a es un valor constante que tiene el mismo signo que la correlación entre X e Y.
Una buena variable de control debe estar fuertemente correlacionada con X para que
ofrezca la mayor información posible sobre las variaciones de X y además deberá presentar una
varianza reducida. Para hallar la variable de control más adecuada en cada simulación se
deberá analizar la estructura del sistema o bien recurrir a la experimentación sobre el modelo.
16 Pazos Arias Jose Juan, Gonzalez Suarez Andres y Diaz Redondo Rebeca. Teoría de colas y simulación de eventos discretos. Madrid. Prentice Hall, 2003. 309p
16
3.13. Finanzas
El objetivo de toda organización es mantener o mejorar la liquidez, el mantener o
mejorar la liquidez tiene relación directa con la velocidad a la cual el activo circulante se
convierte en efectivo, el activo circulante tiene por naturaleza una tendencia a la liquidez. Si la
organización aumenta la velocidad de esta transformación produce un aumento de la liquidez
de la organización. La solvencia de la organización se mide por su capacidad para realizar los
pagos de deuda y por su puntualidad para realizar estos pagos deuda. La solvencia por
capacidad significa que la organización tiene bienes suficientes en su activo para responder al
pasivo exigible. La solvencia como puntualidad significa que una empresa atiende sus
compromisos de pagos en las fechas previstas.
Para evaluar la solvencia se utiliza la solvencia corriente que prescinde del activo fijo y
de los vencimientos superiores al corto plazo para evaluar la respuesta frente al pasivo
circulante. Es decir tiene una visión más inmediata y analiza la capacidad que tiene la
organización de garantizar las obligaciones contraídas a corto plazo (pasivo circulante) con los
bienes de transformación corriente (activo circulante).
Así la solvencia corriente es la capacidad que tiene la empresa de garantizar con los
bienes de transformación corrientes (activo circulante) las obligaciones contraídas en el corto
plazo (pasivo circulante).
Un medidor de la solvencia corriente es el fondo de maniobra o networking capital.
activocirculante − pasivocirculante
Un fondo de maniobra positivo es una sobre garantía que tiene el acreedor frente al
exigible de corto plazo.
La solvencia como puntualidad tiene una relación directa con la rotación del activo
circulante, es decir, la puntualidad del pago del exigible corriente (pasivo corto plazo) gira en
torno al fenómeno de rotación del activo circulante. La pérdida de rotación del activo circulante
provoca una ralentización del ciclo de maduración, que produce impuntualidades en el pago de
los recursos cíclicos a corto plazo o pasivo a corto plazo.
Existen muchos ratios para medir la rotación del activo circulante, ratios para medir el
stock de materia prima o periodo medio de aprovisionamiento, rotación del stock de producto en
17
curso o periodo medio de fabricación, rotación del stock de producto acabado o permanencia
media del producto sin vender y/o enviar) y plazo medio del cobro.
Para esta investigación ocuparemos el ratio de rotación del stock de producto en curso
y periodo medio de fabricación debido a que este ratio nos permitirá evaluar como rota el stock
en curso con respecto al producto terminado.
El ratios de rotación del stock de producto en curso, está dado por.
produccionterminadastockproductosencurso 17
El periodo medio de fabricación está dado por.
stockproductosencursoproduccionterminada × 36518
La reducción de lead time o reducción del ciclo de maduración produce un aumento de
la liquidez de la organización, debido a que aumenta la velocidad en la cual el activo circulante
se convierte en efectivo, es decir, aumenta la rotación del activo circulante.
La reducción del inventario en proceso implica que la organización utiliza un menor
stock para hacer operativa la empresa, produciendo una mejora en el networking capital debido
a la reducción de las necesidades operativas de la organización en el activo circulante.
Las consecuencias a nivel financiero que produce el control y administración del
inventario en proceso es el aumento de la rotación del activo circulante, aumentando la
velocidad de la liquidez de la organización, reduciendo el capital de trabajo, mejorando el
networking capital y aumentando la solvencia corriente. Este análisis se realizara ceteris
paribus, esto debido a lo altamente dinámico que es el análisis financiero, el análisis financiero
se realizara considerando la reducción del inventario en proceso y el periodo medio de
fabricación.
17 Massons i Rabassa Joan. Finanzas: análisis y estrategia financiera. Barcelona. Editorial Hispano Europea. 2010. 576p 18 Idiem
18
4. Capitulo IV Simulación computacional
Para la simulación computacional, del tipo estocástico y discreto. Se simula el actual
flujo de fabricación de la planta para cuantificar los tiempos de espera por medio de “sistemas
de esperas”, esta simulación considera 10 servidores, para 4 familias de productos y cada
familia de producto con sus propios tiempos de servicio. El objetivo es evaluar el
comportamiento de las siguientes indicadores: inventario en proceso promedio, inventario en
proceso instantáneo, nivel de servicio, utilización de cada servidor, lead time de cada pieza y la
capacidad de la planta. Una vez cuantificadas estas variables de estado del sistema, se
evaluara su impacto a nivel productivo y financiero, esta evaluación se realizara en el escenario
actual y optimizado.
El escenario actual es la cuantificación de los indicadores anteriormente mencionados
para largos infinitos de colas de espera antes de cada servidor, es decir, sin límite de
almacenaje de entidades antes de cada servidor por lo que no se controlara la cantidad de
inventario en proceso antes de cada servidor. El escenario optimizado es la cuantificación de
los indicadores anteriormente mencionados para un tamaño de cola de espera acotado y
controlado antes de cada servidor, así se limita la cantidad de entidades que espera antes de
cada servidor logrando el control del inventario en proceso. El espacio en las colas de espera
antes de cada servidor es lo que activaría o detendría el ingreso de entidades al sistema,
permitiendo el procesamiento de los que está en espera, así la producción solamente avanza
cuando existe una solicitud de fabricación que sería un espacio en una cola de espera antes de
cada servidor.
La variable “capacidad de cola” antes de cada servidor es la variable de control. La
capacidad de las colas para el escenario optimizado se calculó de forma recursiva hasta que la
capacidad de piezas que salen del sistema sea igual en el escenario actual, es decir, la
capacidad de producción en el escenario actual sea igual a la capacidad de producción en el
escenario optimizado.
19
Tabla 4.1 – Tamaños de cola de espera antes de cada servidor para el escenario actual y el
escenario optimizado
Fuente: Elaboración propia
La simulación itera 252 horas correspondientes a una utilización de un 35%, que es la
utilización de funcionamiento de la planta durante 2 turnos/día, cada turno con una duración de
6 horas/turno y funcionando 21 días/mes. El 100 % de funcionamiento es que la planta funciona
las 24 horas/día los 30 días/mes.
La planta realiza mediciones de utilización de los servidores por medio del programa
llamado Fastems19, la medición se realiza detectando por medio de sensores los consumos de
corriente y el movimiento de las piezas internas de la máquina, registrando estas condiciones
indica que el servidor está siendo utilizado. La medición no se realiza a todas las maquinas
debido al alto costo de instalación.
Se muestra el registro de utilización de máquinas de los últimos 6 meses.
19 Fastems Sytems GmbH.http://www.fastems.com
20
Tabla 4.2 – Utilización de las maquinas desde marzo hasta agosto 2014
Fuente: Sandvik Mining
La forma de adquisición de datos es por medio del programa Fastems.
Figura 4.1 – Datos obtenidos desde sistema Fastems
Fuente: Programa Fastems
21
El tamaño de lote es una variable fuera de control del sistema y no se considera en la
simulación, ya que el tamaño de lote estará dado por la cantidad solicitada en la orden de
compra, es decir, el lote de proceso está dado por la cantidad que indica el cliente en la orden
de compra.
Actualmente la organización dispone de los siguientes valores de lead time. Considera
desde el momento que comienza el primer proceso en la planta hasta que se recepciona en
bodega como producto terminado.
Tabla 4.3 – Actuales valores de lead time por familia de producto.
Fuente: Sandvik Mining
Estos valores promedio de lead time están medidos para una pieza representativa que
es la que tiene mayor demanda.
Los datos de entrada para esta simulación computacional son:
1. 10 Servidores, según figura 4 - 2
2. Flujo de fabricación, según figura 4 - 2
3. Tasa de nacimiento de entidades por cada familia de producto (min/pz), según
Tabla IV – 5
4. Largo de la cola para cada servidor (pzs), según Tabla 4 - 1
5. Tiempos de procesos (min) o tiempo promedio de atención, según Tabla 4 - 4
22
El flujograma de fabricación a simular es el siguiente:
Figura 4.2 – Flujograma de fabricación
Fuente: Elaboración propia
El color representa el flujograma de cada pieza de producto, en total son 10 servidores
y cada familia de producto tiene sus respectivos tiempos de procesos en cada servidor.
23
Figura 4.3 – Identificación del flujo de cada pieza y de cada familia de producto
Fuente: Elaboración propia
A continuación se presentan los tiempos de ciclo para cada pieza en cada uno de los
servidores, en algunos casos, la pieza necesita dos procesamientos consecutivos en la misma
máquina, es decir, tiene 2 tiempos de ciclo en el mismo servidor. Estos tiempos se midieron
para una pieza representativa que tiene la mayor demanda y que la organización considera
como representativa debido a alta variabilidad geométrica en diámetro y largo. Estos tiempos
fueron entregados por Sandvik Mining y son los que utilizan para el cálculo de planificación
mensual de la planta.
24
Tabla 4.4 – Tiempos promedio de servicios de cada pieza en cada servidor.
Fuente: Sandvik Mining
Para la simulación computacional se utilizó el programa Mathlab por medio de su
módulo de Simulink. Simulink es un programa con funciones matemáticas que permite realizar
simulaciones de cualquier tipo, termales, dinámicas, discretas, etc. En este caso utilizamos el
módulo SimEvents, este módulo permite simular sistemas de esperas de cualquier tipo. La
simulación computacional construida en Simulink se muestra en detalle en la figura 9-1 del
Anexo modelo de simulación.
Para la simulación computacional se ocuparon los siguientes bloques correspondientes
a SimEvents: servidor, FIFO queue, cicle time, set atributo, tag start timer, tag read timer, output
switch, path combinador, creador de entidades y fuente de entidades. A continuación se
explican los bloques utilizados para la simulación.
25
Figura 4.4 – Bloque creador de entidades y que entran al sistema (izquierda) y bloque que
recepciona las entidades al final del sistema (derecha)
Fuente: Simulink
El bloque llamado creador de entidades, creara entidades y las ingresara al sistema
según la tasa de nacimiento que estará dada por la demanda de cada familia de producto, esta
tasa de nacimiento tendrá una distribución exponencial debido a que el sistema es un sistema
de espera y será constante para ambos escenarios
Tabla 4.5 – Tasa de nacimiento para cada familia de producto y para cada escenario
Fuente: Simulink
Las tasas de nacimiento están calculadas para satisfacer la demanda mensual de
piezas. La demanda mensual para cada familia de producto se muestra en la siguiente tabla.
26
Tabla 4.6 – Demanda mensual de piezas para cada familia de producto
Fuente: Sandvik Mining
Los servidores por los cuales se procesan diferentes tipos de piezas, estas piezas se
juntan y se separan según sus atributos por medio de los siguientes bloques.
Figura 4.5 – Bloque que separa las entidades con distintos atributos (izquierda), bloque que
mezcla entidades con distintos atributos (derecha).
Fuente: Simulink
Para la medición del lead time, a cada entidad se le asocia un medidor de tiempo, el
bloque llamado “Tag Start Time” asigna el medidor y el bloque llamado “Tag Read Time” lee el
medidor e indica cuanto demoro la entidad.
27
Figura 4.6 – Bloque que coloca el tag (izquierda) para medir tiempo y bloque que lee el tag e
indica el tiempo que la entidad tardo en atravesar el sistema (derecha).
Fuente: Simulink
A cada entidad se le asocio un tiempo de servicio por cada servidor según la tabla 4-3,
este tiempo se declara en el bloque “Cycle time a entidad” y se asocia como atributo a cada
entidad por medio del bloque “Set Atributos”.
Figura 4.7 – Bloque que indica el tiempo de ciclo de cada entidad según el servidor (izquierda) y
bloque que coloca este tiempo como atributo de la entidad (derecha).
Fuente: Simulink
Para esta simulación se ocuparon servidores, cada servidor tiene una cola de espera
que sigue la política de FIFO, el tiempo de servicio estará dado como un atributo a cada
entidad.
28
Figura 4.8 – Conexión cola de espera (izquierda) y servidor (derecha)
Fuente: Simulink
Los indicadores que tendremos para cada escenario es:
• Nivel de servicio (%): es una medida de productividad del sistema, es el número de
entidades que salen del sistema con respecto a las entidades que ingresan al sistema.
• Utilización (%): es una medida de la probabilidad de ocupación de un recurso del
sistema, es decir, indicara el tanto por ciento del tiempo en que dicho recurso tiende a
estar ocupado.
• Lead time (horas): es una medida que indica el tiempo desde que una entidad entra
hasta que sale del sistema.
• Inventario en proceso instantáneo (piezas): es la suma, en todos los servidores, de la
cantidad instantánea de entidades que están en la cola de espera en un mismo
momento de tiempo.
• Inventario en proceso promedio (piezas): es la suma, en todos los servidores, de la
cantidad promedio de entidades que están en la cola de espera antes de cada servidor
en un mismo momento de tiempo.
• Periodo medio de fabricación: Este indicador indica cuantas veces es el producto
terminado sobre el inventario en proceso promedio.
29
5. Capítulo V Resultados de la simulación
5.1. Utilización de servidores para el escenario ac tual
Se presentan los resultados de la utilización, es decir la ocupación del recurso en el
sistema, este valor está en porcentaje. En este caso es para el escenario actual,
correspondiente a los servidores: CNC 3, CNC 4, Integrex, Haas, Nexus 450, Corte, Prensa,
Torno 6, assembly adaptors y assembly drill pipe.
Figura 5.1 – A la Izquierda utilización del servidor CNC 3, a la derecha utilización del servidor
CNC 4.
Fuente: Simulink
Para el escenario actual, el servidor CNC 3, que en la figura anterior se encuentra a la
izquierda tiene un 31% de utilización promedio, el servidor de la derecha que es el CNC 4,
presenta una utilización promedio de un 35% que es la más alta utilización para la simulación,
por lo que sería el cuello de botella de esta simulación. Ambos servidores fabrican end joint box
big diameter y end joint pin big diameter, respectivamente, según la siguiente figura.
30
Figura 5.2 – Flujograma de fabricación indicando utilización del CNC 3 y CNC 4.
Fuente: Elaboración propia
En la siguiente figura, a la izquierda está el servidor, Integrex el cual también presenta
el máximo nivel de utilización, de un 35%, el cual sería la utilización máxima del sistema. El
servidor de la derecha, llamado Haas, presenta un 9,8 % de utilización promedio.
31
Figura 5.3 – A la Izquierda utilización del servidor Integrex, a la derecha utilización del servidor
Haas.
Fuente: Simulink
De la figura 5.3, el servidor de la izquierda, llamado Integrex, fabrica las piezas adaptor
big diameter y el de la derecha llamado Haas fabrica: end joint box big diameter, end joint pin
big diameter, end joint pin small diameter, end joint box small diameter y adaptor small diameter.
Según figura 5.4.
32
Figura 5.4 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex y Haas.
Fuente: Elaboración propia
En la siguiente figura, a la izquierda está el servidor Nexus 450 el cual presenta un nivel
de utilización, de un 9,5%. El servidor de la derecha, llamado Corte, presenta un 5,5 % de
utilización.
33
Figura 5.5 – A la Izquierda utilización del servidor Nexus 450, a la derecha utilización del
servidor Corte.
Fuente: Simulink
De la figura 5.5, el servidor de la izquierda, llamado Nexus 450, fabrica adaptadores
small diameter y el de la derecha llamado Corte, fábrica los tubos small diameter y tubos big
diameter. Esto se indica en la figura 5.6.
Figura 5.6 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450 y Corte.
Fuente: Elaboración propia
34
En la siguiente figura, a la izquierda está el servidor Prensa el cual presenta un nivel de
utilización, de un 8%. El servidor de la derecha, llamado Torno 6, presenta un 16 % de
utilización promedio.
Figura 5.7 – A la Izquierda utilización del servidor Prensa, a la derecha utilización del servidor
Torno 6.
Fuente: Simulink
De la figura 5.7, el servidor de la izquierda, llamado Prensa fabrica tubos small diameter
y tubos big diameter. El servidor de la derecha llamado Torno 6 fabrica tubos small diameter y
tubos big diameter. Esto se indica en la figura 5.8.
35
Figura 5.8 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450, Corte, Torno 6 y Prensa
Fuente: Elaboración propia
En la siguiente figura, a la izquierda está el servidor Assembly adaptors el cual presenta
un nivel de utilización, de un 12%. El servidor de la derecha, llamado Assembly drill pipe,
presenta un 13,5 % de utilización promedio.
36
Figura 5.9 – A la Izquierda utilización del servidor Assembly adaptors, derecha utilización del
servidor Assembly drill pipe
Fuente: Simulink
De la figura 5.9, el servidor de la izquierda, llamado Assembly adaptors fabrica adaptor
big diameter y adaptor small diameter. El servidor de la derecha llamado Assembly drill pipe
fabrica drill pipe small diameter y drill pipe big diameter. Esto se indica en la figura 5.10.
37
Figura 5.10 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450, Corte, Torno 6, Prensa, Assembly drill pipe y Assembly adaptors
Fuente: Elaboración propia
. En resumen los cuellos de botella son los servidores Integrex y CNC 4. Es decir, estos
servidores ocupan al máximo su utilización a un 35%. El servidor CNC 4 fabrica piezas para drill
pipe big diameter y el servidor Integrex fábrica piezas para la familia de producto adaptor big
diameter. Ambas familias de productos son las que tienen mayor cantidad de piezas.
38
5.2. Utilización de servidores para escenario optim izado
Se presentan los resultados de la utilización, para el escenario optimizado. Para los
servidores: CNC 3, CNC 4, Integrex, Haas, Nexus 450, Corte, Prensa, Torno 6, Assembly
adaptors, Assembly drill pipe.
Figura 5.11 – A la Izquierda utilización del servidor CNC 3, a la derecha utilización del servidor
CNC 4
Fuente: Simulink
.
Para el escenario optimizado, el servidor CNC 3, que en la figura anterior se encuentra
a la izquierda tiene un 31% de utilización promedio, el servidor de la derecha que es el CNC 4,
presenta una utilización promedio de un 35% que es la más alta utilización para esta
simulación, por lo que sería el cuello de botella de esta simulación. Ambos servidores fabrican
end joint box big diameter y end joint pin big diameter, respectivamente, según la siguiente
figura.
39
Figura 5.12 – Flujograma de fabricación indicando utilización del CNC 3 y CNC 4.
Fuente: Elaboración propia
En la siguiente figura, a la izquierda está el servidor Integrex el cual también presenta el
máximo nivel de utilización, de un 35%, el cual sería la utilización máxima del sistema. El
servidor de la derecha, llamado Haas, presenta un 10 % de utilización promedio.
40
Figura 5.13 – A la Izquierda utilización del servidor Integrex, derecha utilización del servidor
Haas.
Fuente: Simulink
De la figura 5.13, el servidor de la izquierda, llamado Integrex, fabrica las piezas
adaptor big diameter y el de la derecha llamado Haas fabrica: end joint box big diameter, end
joint pin big diameter, end joint pin small diamter, end joint box small diameter y adaptor small
diameter. Según figura 5 .14.
41
Figura 5.14 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex y
Haas
Fuente: Elaboración propia
En la siguiente figura, a la izquierda está el servidor Nexus 450 el cual presenta un nivel
de utilización, de un 10%. El servidor de la derecha, llamado Corte, presenta un 16 % de
utilización máxima.
42
Figura 5.15 – A la Izquierda utilización del servidor Nexus 450, derecha utilización del servidor
Corte
Fuente: Simulink
De la figura 5.15, el servidor de la izquierda, llamado Nexus 450, fabrica adaptadores
small diameter y el de la derecha llamado Corte, fábrica los tubos small diameter y tubos big
diameter. Esto se indica en la figura 5.16.
43
Figura 5.16 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450 y Corte
Fuente: Elaboración propia
En la siguiente figura, a la izquierda está el servidor Prensa el cual presenta un nivel de
utilización máxima de un 12,5%. El servidor de la derecha, llamado Torno 6, presenta un 25 %
de utilización máxima.
44
Figura 5.17 – A la Izquierda utilización del servidor Prensa, a la derecha utilización del servidor
Torno 6.
Fuente: Simulink
De la figura 5.17, el servidor de la izquierda, llamado Prensa fabrica tubos small
diameter y tubos big diameter. El servidor de la derecha llamado Torno 6 fabrica tubos small
diameter y tubos big diameter. Esto se indica en la figura 5.18
45
Figura 5.18 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450, Corte, Torno 6 y Prensa
.
Fuente: Elaboración propia
En la siguiente figura, a la izquierda está el servidor Assembly adaptors el cual presenta
un nivel de utilización máxima de un 12%. El servidor de la derecha, llamado Assembly drill
pipe, presenta un 13,5 % de utilización máxima.
46
Figura 5.19 – A la Izquierda utilización del servidor Assembly adaptors, a la derecha utilización
del servidor Assembly drill pipe.
Fuente: Simulink
De la figura 5.19, el servidor de la izquierda, llamado Assembly adaptors fabrica adaptor
big diameter y adaptor small diameter. El servidor de la derecha llamado Assembly drill pipe
fabrica drill pipe small diameter y drill pipe big diameter. Esto se indica en la figura 5.20.
47
Figura 5.20 – Flujograma de fabricación indicando utilización del CNC 3, CNC 4, Integrex, Haas,
Nexus 450, Corte, Torno 6, Prensa, Assembly drill pipe y Assembly adaptors.
Fuente: Elaboración propia
En resumen los cuellos de botella son los servidores Integrex y CNC 4. Es decir, estos
servidores ocupan al máximo su utilización. El servidor CNC 4 fabrica piezas para drill pipe big
diameter y el servidor Integrex fábrica piezas para la familia de producto adaptor big diameter.
Ambas familias de productos son las que tienen mayor cantidad de piezas.
5.3. Lead time para drill pipe small diameter escen ario actual
Se presentan los resultados del lead time de cada pieza correspondiente a una drill pipe
small diameter, es decir, el end joint box small diameter, el end joint pin small diameter y el tubo
small diameter. Estos valores de lead time corresponden al escenario actual, los valores
máximos son 2,9 horas.
48
Figura 5.21 – Lead time de fabricación de end joint box small diameter, máximo valor 2,9 horas
Fuente: Simulink
Figura 5.22 – Lead time de fabricación de end joint pin small diameter, máximo valor 2,9 horas
Fuente: Simulink
49
Figura 5.23 – Lead time de fabricación de tube small diameter, máximo valor 2,9 horas
Fuente: Simulink
Se adjunta el flujograma de fabricación de la familia de producto drill pipe small
diameter, este producto es la unión de tube small diameter, end joint box small diameter y end
joint pin small diameter.
Figura 5.24 – Flujograma de fabricación para end joint box small diameter, end joint pin small
diameter y tube small diameter. El máximo valor de lead time es de 2,9 horas para el escenario
actual.
Fuente: Elaboración propia
50
5.4. Lead time para drill pipe small diameter escen ario optimizado
Se presentan los resultados del lead time de cada pieza correspondiente a una drill pipe
small diameter, es decir, el end joint box small diameter, el end joint pin small diameter y el tubo
small diameter. Estos valores de lead time corresponden al escenario optimizado, los valores
máximos son 5,9 horas.
Figura 5. 25 – Lead time de fabricación de end joint box small diameter, máximo valor 5,9 horas
Fuente: Simulink
Figura 5.26 – Lead time de fabricación de end joint pin small diameter, máximo valor 5,9 horas
Fuente: Simulink
51
Figura 5.27 – Lead time de fabricación de tube small diameter, máximo valor 5,9 horas
Fuente: Simulink
Se adjunta el flujograma de fabricación de la familia de producto drill pipe small
diameter, este producto es la unión de tube small diameter, end joint box small diameter y end
joint pin small diameter.
Figura 5.28 – Flujograma de fabricación para end joint box small diameter, end joint pin small
diameter y tube small diameter. El máximo valor de lead time es de 5,9 horas para el escenario
optimizado.
Fuente: Elaboración propia
52
5.5. Lead time para drill pipe big diameter escenar io actual
Se presentan los resultados del lead time de cada pieza correspondiente a una drill pipe
big diameter, es decir, el end joint box big diameter, el end joint pin big diameter y el tube big
diameter. Estos valores de lead time corresponden al escenario actual, los valores máximos son
14 horas.
Figura 5. 29 – Lead time de fabricación de end joint box big diameter, máximo valor 14 horas.
Fuente: Simulink
53
Figura 5.30 – Lead time de fabricación de end joint pin big diameter, máximo valor 14 horas.
Fuente: Simulink
Figura 5.31 – Lead time de fabricación de tube big diameter, máximo valor 14 horas.
Fuente: Simulink
Se adjunta el flujograma de fabricación de la familia de producto drill pipe big diameter,
este producto es la unión de tube big diameter, end joint box big diameter y end joint pin big
diameter.
54
Figura 5,32 – Flujograma de fabricación para end joint box big diameter, end joint pin big
diameter y tube big diameter. El máximo valor de lead time es de 14 horas para el escenario
actual.
Fuente: Elaboración propia
5.6. Lead time para drill pipe big diameter escenar io optimizado
Se presentan los resultados del lead time de cada pieza correspondiente a una drill pipe
big diameter, es decir, el end joint box big diameter, el end joint pin big diameter y el tubo big
diameter. Estos valores de lead time corresponden al escenario optimizado, los valores
máximos son 14 horas.
55
Figura 5.33 – Lead time de fabricación de end joint box big diameter, máximo valor 12,1 horas.
Fuente: Simulink
Figura 5.34 – Lead time de fabricación de end joint pin big diameter, máximo valor 14 horas.
Fuente: Simulink
56
Figura 5.35 – Lead time de fabricación de tube big diameter, máximo valor 14 horas
Fuente: Simulink
Se adjunta el flujograma de fabricación de la familia de producto drill pipe big diameter,
este producto es la unión de tube big diameter, end joint box big diameter y end joint pin big
diameter.
Figura 5.36 – Flujograma de fabricación para end joint box big diameter, end joint pin big
diameter y tube big diameter. El máximo valor de lead time es de 14 horas para el escenario
optimizado.
Fuente: Elaboración propia
57
5.7. Lead time para adaptor small diameter escenari o actual
Se presentan los resultados del lead time correspondiente a un adaptor small diameter.
Este valor de lead time corresponden al escenario actual, el valor máximo convergen a 2,9
horas.
Figura 5.37 – Lead time para adaptor small diameter, esto es para el escenario actual. El
máximo lead time es de 2,9 horas.
Fuente: Simulink
Se adjunta el flujograma de fabricación de la familia de producto adaptor small
diameter.
58
Figura 5.38 – Flujograma de adaptor small diameter. El máximo valor de lead time es de 2,9
horas para el escenario actual
Fuente: Elaboración propia
5.8. Lead time para adaptor small diameter escenari o optimizado.
Se presentan los resultados del lead time correspondiente a un adaptor small diameter.
Este valor de lead time corresponden al escenario optimizado, el valor máximo es 3 horas.
59
Figura 5.39 – Lead time para adaptor small diameter, esto es para el escenario optimizado. El
máximo lead time es de 3 horas.
Fuente: Simulink
Se adjunta el flujograma de fabricación de la familia de producto adaptor small
diameter.
60
Figura 5.40 – Flujograma de adaptor small diameter. El máximo valor de lead time es de 3 horas
para el escenario optimizado.
Fuente: Elaboración propia
5.9. Lead time para adaptor big diameter escenario actual
Se presentan los resultados del lead time correspondiente a un adaptor big diameter.
Este valor de lead time corresponden al escenario actual, el valor máximo es 28 horas.
61
Figura 5.41 – Lead time para adaptor big diameter, esto es para el escenario actual. El máximo
lead time es de 28 horas.
Fuente: Simulink
Se adjunta el flujograma de fabricación de la familia de producto adaptor big diameter.
Figura 5.42 – Flujograma de adaptor big diameter. El máximo valor de lead time es de 28 horas
para el escenario actual
Fuente: Elaboración propia
62
5.10. Lead time para adaptor big diameter escenario optimizado
Se presentan los resultados del lead time correspondiente a un adaptor big diameter.
Este valor de lead time corresponden al escenario optimizado, el valor máximo es 9 horas.
Figura 5.43 – Lead time para adaptor big diameter, esto es para el escenario optimizado. El
máximo lead time es de 9 horas.
Fuente: Simulink
Se adjunta el flujograma de fabricación de la familia de producto adaptor big diameter.
63
Figura 5.44 – Flujograma de adaptor big diameter. El máximo valor de lead time es de 9 horas
para el escenario optimizado
Fuente: Elaboración propia
64
5.11. Inventario en proceso instantáneo y promedio para escenario actual
Se presentan los resultados del inventario en proceso instantáneo y promedio
correspondiente a las piezas de todas las familias de productos que estén en la cola de espera
de los servidores. Estos valores corresponden al escenario actual, el valor máximo de inventario
en proceso promedio es de 50 piezas, el valor máximo de inventario en proceso instantáneo es
de 130 piezas.
Figura 5.45 – Izquierda inventario en proceso promedio con un máximo de 50 piezas, a la
derecha inventario en proceso instantáneo con un máximo de 130 piezas, ambos resultados es
para el escenario actual.
Fuente: Simulink
65
5.12. Inventario en proceso instantáneo y promedio para escenario optimizado
Se presentan los resultados del inventario en proceso instantáneo y promedio
correspondiente a las piezas de todas las familias de productos que estén en algunas de las
colas de espera de los servidores. Estos valores corresponden al escenario optimizado, el valor
máximo de inventario en proceso promedio es de 32 piezas, el valor máximo de inventario en
proceso instantáneo es de 69 piezas.
Figura 5.46 – Izquierda inventario en proceso promedio con un máximo de 32 piezas, a la
derecha inventario en proceso instantáneo con un máximo de 69 piezas, ambos resultados es
para el escenario optimizado.
Fuente: Simulink
66
5.13. Tasa de nacimiento y Ley de Little para esce nario actual
A la izquierda se presentan la tasa de entrada promedio de entidades al sistema,
correspondiente a las 4 familias de productos, este valor converge a 48 minutos/entidad, esta
frecuencia es promedio entre las 4 familias de productos, A la derecha se presenta la ley de
Little para el sistema, el cual presenta una correlación lineal entre el número de entidades en el
sistema y el tiempo de espera del sistema.
Figura 5.47 – Izquierda tasa de entrada promedio del sistema con una valor promedio de 48
minuto/entidad, a la derecha se presenta la correlación entre el numero promedio de entidades
en el sistema y el tiempo de espera de promedio de las entidades en el sistema, para el
escenario actual.
Fuente: Simulink
67
5.14. Tasa de nacimiento y ley de Little para escen ario optimizado
A la izquierda se presentan la tasa de entrada promedio de entidades al sistema,
correspondiente a las 4 familias de productos, este valor converge a 84 minutos/entidad, esta
frecuencia es promedio entre las 4 familias de productos., A la derecha se presenta la ley de
Little para el sistema, el cual presenta una correlación lineal entre el número de entidades en el
sistema y el tiempo de espera del sistema.
Figura 5.48 – Izquierda tasa de entrada promedio del sistema con una valor promedio de 84
minutos/entidad, a la derecha se presenta la correlación entre el numero promedio de entidades
en el sistema y el tiempo de espera de promedio de las entidades en el sistema, para el
escenario optimizado.
Fuente: Simulink
68
5.15. Periodo medio de fabricación en el escenario actual y optimizado
Se presenta el periodo medio de fabricación, en el escenario actual este valor tiende a 4
vueltas del producto terminado sobre el inventario en proceso y para el escenario optimizado el
valor tiende a 6 vueltas del producto terminado sobre el inventario en proceso.
Figura 5.49 – Izquierda periodo medio de fabricación para el escenario actual, a la derecha se
presenta el periodo medio de fabricación del escenario optimizado.
Fuente: Simulink
69
6. Capítulo VI Resultados finales
A continuación se muestran e interpretan los resultados de las simulaciones para los
casos del escenario actual y del escenario optimizado.
6.1. Capacidad productiva en el escenario actual y optimizado
Se cuantifica el impacto a nivel de capacidad de producción, mostrando las unidades de
cada familia de producto que son fabricadas en cada escenario.
Tabla 6.1 – Presentación de la capacidad de producción en el escenario actual y en el
escenario optimizado
Fuente: Elaboración propia
Reduciendo las colas de esperas, es decir el inventario en proceso, se tiene una
reducción de capacidad de un 5,7 % en la familia de “drill pipe small diameter” comparando el
escenario actual con respecto al escenario optimizado.
A continuación se presentan las capacidades para cada familia de producto según el
escenario actual y escenario optimizado.
70
Figura 6.1 – Capacidad de producción para el escenario actual
Fuente: Elaboración propia
Figura 6.2 – Capacidad de producción para el escenario optimizado
Fuente: Elaboración propia
71
6.2. Nivel de servicio y tiempo de nacimiento en es cenario actual y optimizado
Para el escenario actual y el escenario optimizado, se indica la tasa de nacimiento para
cada familia de producto (Tiempo de nacimiento), esta tasa de nacimiento tiene una distribución
exponencial, se presenta el nivel de servicio, este porcentaje es la razón entre las entidades
ingresadas al sistemas y las entidades salidas del sistema. Es un key perfomance indicator de
los sistemas de espera llamado throughput.
Tabla 6.2 – Presentación de la capacidad en el escenario actual en comparación al escenario
optimizado
Fuente: Elaboración propia
El nivel de servicio, es decir, la cantidad de entidades que ingresan al sistema y la
cantidad de entidades que salen del sistema, mejora un 15,5 % en la familia de “adaptor big
diameter” que es la segunda familia con más cantidad de piezas y disminuye 5,7% en la familia
con menos piezas que es “drill pipe small diameter”. Según la tabla 6.2.
La frecuencia de liberación de entidades al sistema es igual y constante en ambos
escenarios y esta frecuencia tiene una distribución exponencial, esta frecuencia está indicado
en la tabla 6.2 como “Tasa de nacimiento”.
A continuación se presentan el nivel de servicio para cada familia de producto según el
escenario actual y escenario optimizado.
72
Figura 6.3 – Nivel de cumplimiento para cada familia de producto para el escenario actual.
.
Fuente: Elaboración propia
Figura 6.4 – Nivel de cumplimiento para cada familia de producto para el escenario optimizado.
Fuente: Elaboración propia
73
6.3. Lead time por cada pieza en el escenario actua l y optimizado
Se presentan los lead time por cada pieza, en el escenario actual y el escenario
optimizado. Estos lead time están identificados por cada pieza según la Figura 4.2.
Tabla 6.3 – Presentación de la lead time por cada una de las piezas
Fuente: Elaboración propia
Tabla 6.4 – Descripción de las piezas y su familia de producto
Fuente: Elaboración propia
La principal reducción es de 19 horas en el lead time para la familia de pieza llamada
“adaptor big diameter” y un aumento de 3,2 horas para la familia “drill pipe small diameter”.
74
6.4. Lead time por familia de producto en el escena rio actual y optimizado
Se presentan los lead time por cada familia de producto para cada escenario simulado.
Para el caso del escenario optimizado, la reducción de las colas de espera antes de cada
servidor produce una reducción de 19 horas en el lead time de fabricación de la familia de
producto adaptador big diámeter.
Tabla 6.5 – Presentación de los lead time de cada familia de producto.
Fuente: Elaboración propia
El lead time de la familia “adaptor big diameter” disminuye en un 67,8%, la familia
“adaptor big diameter” es la segunda familia de mayor volumen. El lead time de la de la familia
de “drill pipe small diameter” aumenta un 103%.
A continuación se presentan los lead time para cada familia de producto según el
escenario actual y escenario optimizado.
75
Figura 6.5 – Lead time para cada familia de producto para el escenario actual.
Fuente: Elaboración propia
Figura 6.6 – Lead time para cada familia de producto para el escenario optimizado.
Fuente: Elaboración propia
76
6.5. Niveles de utilización de cada servidor en el escenario actual y optimizado
Se presentan los niveles de utilización de cada servidor, para el escenario actual y el
escenario optimizado.
Tabla 6.6 – Presentación de la utilización para cada servidor en el escenario actual y el
escenario optimizado.
Fuente: Elaboración propia
En la mayoría de los servidores se mantiene la utilización excepto en los servidores
corte, prensa y torno 6, en los cuales la utilización máxima es de 10,5%, 4,5% y 9%
respectivamente. Los servidores “Integrex” y “CNC 4” son los cuellos de botella de la
producción, ya que ambos servidores tienen la máxima utilización de 35%. Esto se ve reflejado
en la tabla 6.6.
A continuación se presentan la utilizaciones de cada servidor para el escenario actual y
el escenario optimizado.
77
Figura 6.7 – Utilización de cada servidor para el escenario actual.
Fuente: Elaboración propia
Figura 6.8 – Utilización de cada servidor para el escenario optimizado.
Fuente: Elaboración propia
78
6.6. Inventario en proceso instantáneo y promedio p ara escenario actual y
optimizado
Se presentan los niveles de inventario en proceso instantáneo e inventario en proceso
promedio para el escenario actual y el escenario optimizado. Según figura 5.45 y 5.46.
Tabla 6.7 – Presentación de los inventarios en proceso promedio e instantáneo.
Fuente: Elaboración propia
Presentando una reducción de un 36% en el inventario en proceso promedio y 47% en
el inventario en proceso instantáneo.
Administrando los largos de cola de cada servidor podríamos obtener una reducción de
hasta 61 piezas por mes en el inventario en proceso de la planta, considerando una pieza
promedio que tiene un peso de 207 kgr, el cual su costo por kilogramo es de 1000 $/kg, implica
una disminución de $12.627.000 en activo circulante. Esta reducción se reflejaría en el balance
mensual en la cuenta de inventario en proceso y mejorando el net working capital.
6.7. Validación del modelo
Considerando los datos de utilización para el escenario actual de la tabla 6.6 y
comparándolos con los datos medidos de la tabla 4.2. Se presenta una correlación en los
valores de la utilización medida en comparación a la utilización obtenida por medio de la
simulación computacional. Los cuellos de botella que indica la simulación computacional en el
escenario actual son los servidores Integrex y CNC 4, ambos con una utilización de un 35%20.
La utilización medida en la planta son de 32% para CNC 4 y 31% para Integrex21.
20 Ver tabla 6.6 21 Ver tabla 4.2
79
7. Capitulo VII Conclusión
Esta investigación esta aplicada a una planta fabricante de barras para perforación
minera, en la cual, se simula un sistema de espera compuesto por 4 familias de productos
correspondientes a 8 piezas que pasan a través de 10 servidores con 26 tiempos de ciclos. En
este sistema de espera se cuantifica lead time, nivel de servicio, capacidad productiva,
utilización de servidores e inventario en proceso instantáneo y promedio.
Se evalúan 2 escenarios, el escenario actual en los cuales los tamaños de la cola de
espera antes de cada servidor no tienen medida, es decir, no hay control del inventario en
proceso y el escenario optimizado en cual las colas de espera antes de cada servidor son de
tamaño fijo produciendo el control del inventario en proceso, según tabla 4.1.
En el escenario optimizado, se gestiona el inventario en proceso debido a que el
tamaño de las colas de espera antes de cada servidor es lo que activaría o detendría la solicitud
de fabricación en cada servidor, así se consigue un flujo de producción del tipo pull generando
un sistema “Just in time”, en el sentido de que la producción avanza solamente cuando existe la
solicitud de fabricación que sería un espacio en una cola de espera antes de un servidor.
La cantidad de entidades que se liberan en la planta no está condicionada a lo liberado
anteriormente durante la simulación, debido a que como es un proceso de Poisson debe cumplir
la propiedad de incrementos independientes. La tasa total de entrada promedio de ingreso de
entidades al sistema considerando las 4 familias de productos en el escenario actual es de 48
minutos/entidad, en el escenario optimizado es de 84 minutos/entidad, es decir, presenta un
aumento de un 75%, esta tasa de entrada es la constante de la ley de Little del sistema
completo, esto se ve reflejado en la figura 5.47 y 5.48.
Los tiempos de lead time mostrados en la tabla 6.3 y Tabla 6.5 que son los obtenidos
en la simulación no son iguales a los de la Tabla 4.3, esto es debido a que de los 7 desperdicios
identificados por “Lean Manufacturing” solamente 3 desperdicios son considerados en la
simulación, estos son: sobreproducción, espera e inventarios. Los otros 4 desperdicios que no
se reflejaron en la simulación, estos desperdicios aumentan el tiempo y variabilidad del lead
time.
Comparando ambos escenarios el efecto en el inventario en proceso es una reducción
de un 47% en el inventario en proceso promedio y una reducción de un 36% en el inventario en
proceso instantáneo, como se ve reflejado en la tabla 6.7. Cuantificando y reflejando esta
80
diferencia en el activo circulante debido a la reducción en el inventario en proceso instantáneo,
sería una reducción de $12.627.000 mensual.
El periodo medio de fabricación, según figura 5.49 para el escenario actual es de 4
vueltas del producto terminado sobre el inventario en proceso y para el escenario optimizado es
de 6 vueltas del producto terminado sobre el inventario en proceso. Es decir, para el escenario
actual el número de días de permanencia en producción es de 91,25 días, para el escenario
optimizado es de 60,83 días.
Considerando el periodo medio de fabricación y el inventario en proceso, realizando un
análisis “ceteris paríbus” a nivel financiero, se puede concluir que ha aumentado la rotación del
activo circulante al disminuir el número de días de permanencia del inventario en proceso en
producción, esto se ve reflejado por el periodo medio de fabricación, por lo que ha aumentado la
solvencia por puntualidad de la organización debido a su mayor velocidad en transformar el
activo circulante desde el stock de materias primas a producto terminado. Mejorando la calidad
del fondo de maniobra debido a que el pasivo de corto plazo se respalda con activo circulante
más liquido al tener periodo medio de fabricación más corto o un ciclo de maduración más corto
y al reducir el activo circulante operativo necesario para la fabricación
Es decir para ambos escenarios, en la cual, solamente se varia el largo de la cola de
espera de producción antes de cada servidor y controlando el inventario en proceso las
consecuencias que se obtiene es una reducción del lead time, es decir, se reduce el tiempo en
el cual las materias primas se transforma a producto final, disminuyendo el ciclo de maduración
de la empresa, por lo tanto, aumentado la liquidez de la empresa y la solvencia por puntualidad.
Al mejorar la liquidez de la organización y la solvencia por puntualidad se mejora la solvencia
corriente. Al disminuir el inventario en proceso se reduce el capital de trabajo necesario para
hacer operativa la organización.
Con estas mejoras a nivel productivo y financiero, se cuantifico el impacto de una
organización más “lean” en el cual los desperdicios de sobreproducción, espera e inventarios
están reducidos y controlados.
81
8. Referencias Bibliograficas
Gazmuri Pedro. Modelos Estocásticos para la Gestión de Sistemas. Santiago. Ediciones
Universidad Católica de Chile. 1995. 300 p
Goldratt Eliyahu y Cox Jeff. La meta, un proceso de mejora continua, Buenos Aires,
Ediciones Granica, 2008, 480p
Krajewski Lee y Ritzman Larry. Administración de operaciones :estrategia y análisis. Cuidad
de Mexico. Editorial Pearson Educacion. 2000. 892p
Massons i Rabassa Joan. Finanzas: análisis y estrategia financiera. Barcelona. Editorial
Hispano Europea. 2010. 576p
Pazos Arias Jose Juan, Gonzalez Suarez Andres y Diaz Redondo Rebeca. Teoría de colas
y simulación de eventos discretos. Madrid. Prentice Hall, 2003. 309p
Womack James y Jones Daniel. Lean Thinking. New York. Simon & Schuster, 1996. 350p
9. Referencias Electronicas
Buxton V. Kenneth y Gatland Robert. Simulating the effects of work in process on customer
satisfaction in a manufacturing environment [en línea] Economic Development institute,
Georgia institute of technology and Delta Air Line , technical operations center. <
http://www.informs-sim.org/wsc95papers/1995_0142.pdf > [consulta 03 de diciembre del
2014]
Derpich Ivan, Apuntes del curso modelos estocásticos [en línea], Departamento de
ingeniería industrial, Universidad de Santiago < https://es.scribd.com/doc/93357138/Texto-
Mod-Est-I-Parte-76400 > [consulta 02 de septiembre del 2013]
Farahmand Kambiz. Using simulation to support implementation of flexible manufacturing
cell [en línea], Department of Mechanical & Industrial Engineering, Texas A&M University <
http://www.informs-sim.org/wsc00papers/172.PDF > [consulta 10 de octubre del 2013]
82
Karmarkar Uday. Controlling W.I.P. and leadtimes in job shops [en línea]. New York,
University of Rochester.
<https://urresearch.rochester.edu/fileDownloadForInstitutionalItem.action?itemId=4412&item
FileId=6632> [consulta 03 de diciembre del 2014]
Karmarkar Uday y otros. Lot sizing and lead time performance in a manufacturing cell [en
línea], New York, University of Rochester < http://www.wright.edu/~george.polak/lots.pdf >
[consulta 08 de octubre del 2013]
Marek P. Richard, Elkins A. Debra, Smith R. Donald. Understanding the fundamentals of
Kanban and conwip pull systems using simulation [en línea], Department of Industrial
Engineering, Texas A&M University < http://informs-sim.org/wsc01papers/122.PDF >
[consulta 12 de noviembre del 2013]
Queuing Theory. Mathlab [en línea] < http://www.mathworks.com/discovery/queuing-
theory.html?refresh=true > [consulta 02 de agosto del 2013]
Rippenhagen Clay y Krishnaswamy Shekar. Implementing the theory of constraints
philosophy in highly reentrant systems [en línea], Advanced Micro Devices
<http://www.informs-sim.org/wsc98papers/134.PDF> [consulta 12 de noviembre del 2013]
83
10. Anexo del modelo de simulación
Modelo de simulación
Modelo de simulación creado en Simulink de Mathlab.
Fuente: Simulink
84
Generador de entidades adaptors big diameter
Modulo generador de entidades para adaptors big dia meter
Fuente: Simulink
Generador de entidades adaptors small diameter
Modulo generador de entidades para adaptors small d iameter
Fuente: Simulink
85
Generador de entidades drill pipe big diameter
Modulo generador de entidades para drill pipe big d iameter
Fuente: Simulink
Generador de entidades drill pipe small diameter
Modulo generador de entidades para drill pipe small diamter
Fuente: Simulink
86
Servidor CNC 3
Servidor CNC 3
Fuente: Simulink
Servidor CNC 4
Servidor CNC 4
Fuente: Simulink
87
Servidor Haas
Servidor Haas
Fuente: Simulink
Servidor Integrex
Servidor Integrex
Fuente: Simulink
88
Servidor Corte
Servidor Corte
Fuente: Simulink
Servidor Torno 6
Servidor Torno 6
Fuente: Simulink
89
Servidor Prensa
Servidor Prensa
Fuente: Simulink
Servidor Nexus 450
Servidor Nexus 450
Fuente: Simulink
90
Servidor Assembly adaptors
Fuente: Simulink
91
Servidor Assembly drill pipe
Fuente: Simulink
92
Primer modulo del servidor assembly drill pipe
Fuente: Simulink
Segundo modulo del servidor assembly drill pipe
Fuente: Simulink
93
Modulo intermedio del servidor assembly drill pipe
Fuente: Simulink
Medicion de lead time
Modulo para medición de lead time de cada entidad d el sistema
Fuente: Simulink