Séquencement automatisé des changements de série en production grâce à l'optimisation de la matrice de réglage

Sur les lignes de production qui fabriquent plusieurs produits, le temps de changement de série entre produits varie selon le produit que vous quittez et celui vers lequel vous basculez. Passer du produit A au produit B peut prendre 30 minutes, mais passer de B à A peut prendre 60 minutes en raison d'exigences différentes de nettoyage ou d'ajustement. Ces temps de changement asymétriques créent une opportunité d'optimisation que la plupart des industriels négligent.

Une matrice de réglage capture ces temps de changement par paires, et l'IA l'utilise pour trouver la séquence de production qui minimise le temps total de changement sur l'ensemble des produits planifiés pour une période.

La matrice de réglage

Une matrice de réglage est un tableau où chaque ligne représente le produit que vous quittez et chaque colonne le produit vers lequel vous basculez. La cellule contient le temps de changement pour cette transition spécifique. Pour une ligne fabriquant 20 produits, c'est une matrice 20x20 avec 380 temps de changement potentiellement différents (en excluant la diagonale où aucun changement n'est nécessaire).

Ces temps varient pour de bonnes raisons. Passer d'un produit foncé à un produit clair nécessite plus de nettoyage que l'inverse. Passer d'une petite pièce à une grande nécessite des ajustements de fixation différents que l'inverse. Certaines paires de produits partagent l'outillage, rendant le changement minimal, tandis que d'autres exigent des changements complets d'outils.

Comment l'IA trouve la meilleure séquence

Trouver la séquence qui minimise le temps total de changement est une variante du problème du voyageur de commerce, qui est difficile à résoudre informatiquement pour de grands nombres de produits. Les algorithmes d'optimisation IA trouvent rapidement des solutions quasi-optimales en utilisant des techniques comme les algorithmes génétiques, le recuit simulé et l'optimisation par colonies de fourmis.

L'IA prend en compte non seulement les temps de changement mais aussi les contraintes de production. Les dates d'échéance exigent que certains produits soient fabriqués avant un moment spécifique. Les tailles de lot déterminent combien d'unités de chaque produit sont produites avant le prochain changement. La disponibilité des équipements et les fenêtres de maintenance contraignent quand certaines séquences sont réalisables.

Apprendre des données réelles

Les matrices de réglage basées sur des estimations d'ingénierie sont souvent inexactes. Les systèmes IA améliorent la matrice en analysant les temps de changement réels enregistrés pendant la production. Ils découvrent que certaines transitions prennent systématiquement plus de temps que prévu, peut-être parce que l'ajustement de la fixation est plus délicat que prévu, et mettent à jour la matrice en conséquence.

Ils identifient également les opportunités d'amélioration des changements. Les transitions disproportionnellement longues par rapport à des transitions similaires peuvent bénéficier d'efforts ciblés d'amélioration SMED (Single Minute Exchange of Die). L'IA identifie ces opportunités et quantifie les gains de temps issus de l'amélioration.

Planification par campagnes

Pour certaines lignes de production, regrouper des produits similaires en campagnes réduit encore davantage le temps total de changement. L'IA identifie des groupes de produits qui partagent des caractéristiques de réglage et les programme en blocs. À l'intérieur de chaque bloc, la séquence est optimisée pour un changement minimal. Entre les blocs, un changement majeur a lieu. L'IA trouve les tailles de bloc et les séquences qui minimisent le temps total de changement tout en respectant les exigences de livraison.

Pour en savoir plus sur la planification par IA dans l'industrie manufacturière, visitez la page d'analyse manufacturière FirmAdapt.