Relativamente al processo di Figura 4.13, in modo analogo a quanto spiegato al paragrafo 5.2, sono state effettuate delle analisi di tipo what-if utilizzando la tecnica del DoE per l’ottimizzazione delle funzioni obiettivo lead time e produttività, coerentemente con le considerazioni esposte al paragrafo precedente. Come sintetizzato nelle seguenti Tabella 5.7 e Tabella 5.8, sono stati condotti due piani sperimentali distinti su due diversi set di variabili, solo parzialmente disgiunti. In totale sono state considerate otto variabili d’azione e le ripetizioni per ciascun esperimento, trattandosi di variabili dall’andamento quasi deterministico, sono state ridotte a dieci. Infatti, diversamente dal caso precedente, la presenza degli operatori è molto limitata e di conseguenza anche la variabilità a loro associata: al netto di malfunzionamenti o problemi tecnici, comunque possibili e di fatto già contemplati nel modello, i tempi ciclo dei macchinari sono dei valori definiti e stabili.
Questo caso studio presenta alcune peculiarità rispetto a quello trattato in precedenza, in particolare:
• il processo coinvolge 3 varianti di prodotto, gestite a lotti creati e immessi in modo random nel sistema: l’andamento della produzione nel processo è infatti riproducibile in modo soddisfacente secondo questa modalità;
• il personale impiegato nel processo è adibito prevalentemente alle fasi di trasporto dei prodotti e non ad operazioni di assemblaggio manuale, quindi anche la variabilità risulta meno impattante sulle performance del processo;
• i parametri tecnici/tecnologici sono prevalenti rispetto a quelli logistici e, con riferimento alla VSM riportata in Figura 4.12, sono responsabili della presenza di un
collo di bottiglia nel processo, a monte delle postazioni di Fresatura n.1 e n.2. Per
“collo di bottiglia” si intende la postazione o il macchinario che costituisce l’anello più lento della catena produttiva e che quindi, a regime, detta il ritmo massimo di produzione. Si noti come un’attenta osservazione della Figura 4.12 ha consentito di focalizzare subito l’attenzione, con riferimento al lead time, sui tempi ciclo della postazione di fresatura n.1.
Tabella 5.7 – DoE n.1
ESPERIMENTI TOTALI = 7.290
Fattori Livelli Ripetizioni
Tempo ciclo sabbiatrice n.1 3
10 Tempo ciclo sabbiatrice n.2 3
Tempo ciclo sabbiatrice n.3 3 Capacità di trasporto 3 Velocità taglio macchina n.1 3 Velocità taglio macchina n.2 3
Tabella 5.8 – DoE n.2
ESPERIMENTI TOTALI = 2.430
Fattori Livelli Ripetizioni
Capacità di trasporto 3
10 Velocità taglio macchina n.1 3
Velocità taglio macchina n.2 3 Tempo ciclo macchina lavaggio 3 Capacità nastro pezzi grezzi 3
Dall’analisi grafica riportata in Figura 5.5, Figura 5.6 e Figura 5.7 si può inoltre notare che: • in entrambi i set di variabili considerati, la capacità di trasporto dei singoli operatori
rappresenta un fattore molto influente e strettamente collegato con entrambe le funzioni obiettivo considerate. A seguito di un approfondimento eseguito su tale variabile d’azione, considerando cinque livelli invece che i tre riportati in Tabella 5.7, in Figura 5.7 è riportato il dettaglio dell’andamento del lead time in funzione della capacità di trasporto: risulta evidente un andamento simil-parabolico, con un minimo in corrispondenza dal valore 11, che quindi risulta essere il valore ottimizzante e quello di miglior compromesso tra i tempi di movimentazione (valori < 11) e i tempi di attesa nei buffer intermedi (valori > 11). La massimizzazione della produzione, invece, avviene per un valore della capacità = 13: ciò è dovuto al fatto che la massima produttività si ottiene tendendo a saturare tutti i buffer presenti tra le postazioni, a scapito ovviamente del lead time medio;
• con riferimento al lead time, si nota chiaramente la presenza di tre fasce di valori: è l’evidenza di come la capacità di trasporto sia, indipendentemente dalle altre, la variabile su cui agire per minimizzare questa funzione obiettivo; con riferimento alla produzione, come accennato, il comportamento cambia radicalmente;
• poiché parametri relativi a postazioni che costituiscono un collo di bottiglia del processo, le velocità di taglio V1, V2 nonché il TC della postazione di lavaggio costituiscono fattori molto impattanti sull’aumento della produzione. Con riferimento alla variabile V1, sebbene graficamente la situazione appaia piuttosto indefinita, un’analisi più approfondita e differenziata per codice di PF ha evidenziato la presenza di tre fasce, riportate in Figura 5.5 (b), riferibili ai tre livelli di capacità di trasporto:
R SHUXQDFDSDFLWjGLS]ODSURGXWWLYLWjULVXOWDLQVHQVLELOHDOOHYDULD]LRQLGL 9 DUHDYHUGH
R SHUXQDFDSDFLWjGL HS]ODSURGXWWLYLWjULVXOWDGLUHWWDPHQWHSURSRU]LRQDOH DOODYDULDELOH9 DUHHJLDOODHURVVD
7DOL ULVXOWDWL VL VSLHJDQR FRQ OD SUHVHQ]D GL GLYHUVL OLYHOOL GL VDWXUD]LRQH GHO PDFFKLQDULR³)UHVD´
x LWHPSLFLFORGHLPDFFKLQDULFKHVLRFFXSDQRGHOODVDEELDWXUDEHQFKpFRVWLWXLVFDQR XQDSRU]LRQHFRUSRVDGHOSURFHVVRQRQVLULOHYDQRIDWWRULGLSHVRSHUO¶RWWLPL]]D]LRQH GL HQWUDPEH OH IXQ]LRQL RELHWWLYR XQ¶XOWHULRUH SURYD D VRVWHJQR GHO IDWWR FKH OH IXQ]LRQL RELHWWLYR GLSHQGHQGR GDO SURFHVVR LQWHUR EHQHILFLDQR PROWR SL GD XQD JHVWLRQH HTXLOLEUDWD GHOOH ULVRUVH SLXWWRVWR FKH GDOO¶RWWLPL]]D]LRQH SXQWXDOH GHOOH VWHVVH )LJXUD±(ODERUD]LRQH'R(FDVRVWXGLRQ±)XQ]LRQLRELHWWLYR /($'7,0(H352'8=,21( VHWQYDULDELOL 0,6705 0,0000 0,9766 0,0000 0,3456 0,0593 0,9993 0,9917 0,9998 0,0000 0,0000 0,0000
Figura 5.6 – Elaborazione DoE caso studio n.2 – Funzioni obiettivo: LEAD TIME e PRODUZIONE (set n.2 variabili)
Figura 5.7 – Dettaglio andamento della variabile Capacità di Trasporto nell’analisi del LEAD TIME
La capacità di trasporto degli operatori corrisponde al lotto di movimentazione e, poiché la stessa è completamente manuale, esiste un limite fisico relativo a peso e ingombro massimi. Si ritiene opportuno osservare che un processo di questo tipo, che prevede la produzione di 3 codici con tempi di lavorazione e lotti di movimentazione diversificati, è difficilmente ottimizzabile in queste condizioni produttive, poiché alcune scelte di gestione coinvolgono tutte e 3 le produzioni (ad es: le capacità di trasporto) anche se l’analisi del modello suggerirebbe diverse soluzioni, personalizzate per ogni codice.
0,0000 0,3202 0,0130 0,0085 0,1639
0,0000 0,0000 0,0000 0,0000 0,9480
In questo caso, quindi, il modello creato si è dimostrato più utile per comprendere a fondo alcune caratteristiche del processo e relazioni in essere tra le diverse variabili e funzioni obiettivo, piuttosto che fornire delle soluzioni numeriche di ottimizzazione.