Post on 23-Dec-2016
ANÁLISIS DE LA REDUCCIÓN DE PÉRDIDAS POR FALTA DE SURTIMIENTO MEDIANTE MÉTODOS HEURÍSTICOS Y DE
OPTIMIZACIÓN EN UNA PLANTA MANUFACTURERA CASO GKN
Tesis QUE PARA OBTENER EL GRADO ACADÉMICO DE
Doctor en Ciencia y Tecnología
en la Especialidad de
Ingeniería Industrial y de
Manufactura
PRESENTA
José Alfredo Jiménez García
DIRECTOR DE TESIS:
DR. JAVIER YÁÑEZ MENDIOLA
CO-DIRECTORES DE TESIS:
DR. JOSÉ MARTÍN MEDINA FLORES
DR. EFRÉN MEZURA MONTES
León, Guanajuato, Noviembre del 2013
i
AGRADECIMIENTOS
A MIS ASESORES
Por guiarme en el difícil camino de mis estudios doctorales y acompañarme en los
momentos difíciles y de gozo. Al doctor Javier Yáñez Mendiola por enseñarme que
en los momentos más difíciles y desesperados lo mejor es acercarse a Dios, al
doctor Efrén Mezura Montes, quien sin conocerme me brindo su confianza y me
apoyo en todo momento, al doctor José Martín Medina Flores quien se convirtió
además de mi asesor en un gran amigo. Al M.C. Alejandro Mota Pérez y el M.I.
Víctor Avilés Carranza quienes me facilitaron el acceso a la información necesaria
para el buen desarrollo de la investigación.
A LAS INSTITUCIONES
Al Instituto Tecnológico de Celaya por otorgarme una beca comisión que me permitió
estudiar mi doctorado, a la universidad Politécnica de Guanajuato, donde me
descargaron de actividades, a GKN, donde me abrieron las puertas y me permitieron
realizar mi investigación en sus instalaciones y al CIATEC, donde recibí catedra en
mi formación doctoral y al Consejo Nacional de Ciencia y Tecnología (CONACYT)
por otorgarme una beca de manutención para mis estudios de posgrado.
A LA COORDINACION
Al coordinador académico Antonio Quijas Cervantes porque con su gran experiencia
supo decidir lo mejor para mí en cada etapa de mis estudios y a la directora de
desarrollo de talento Emma Acevedo Moreno por darme su voto de confianza en los
momentos más complicados.
ii
DEDICATORIAS
A DIOS
Por darme la oportunidad de estar presente en este mundo y permitirme cumplir una
de mis metas profesionales más importantes de mi plan de vida, ser doctor.
A MI ESPOSA
Sandra Téllez Vázquez, quien se mantiene a mi lado entregándome lo mejor de ella
a pesar de las adversidades que hemos vivido, gracias por ser siempre sincera, por
apoyarme y entregarme tu amor incondicionalmente.
A MIS HIJOS
Fernanda Careli Jiménez Téllez, José Alfredo Jiménez Téllez y Astrid Jiménez
Téllez; porque con su ternura y cariño me motivan a esforzarme todos los días para
hacer de ellos grandes seres humanos.
A MIS PADRES
Irma García Torres, porque siempre creyó que tendría a un hijo doctor. José Jiménez
Gaona por los grandes valores que me inculco desde mi infancia.
iii
RESUMEN
En esta tesis se presenta la solución al problema de pérdidas por falta de
surtimiento, que atiende una problemática de las empresas que aplican la filosofía de
producción Lean Manufacturing. La investigación se aplicó en GKN, empresa
dedicada a la producción de flechas de velocidad contante (FVC), parte fundamental
en el sistema de suspensión del vehículo que permite la transmisión del torque del
motor hacia las llantas.
Se diseñó una heurística que se resolvió mediante el método de simulación
Montecarlo, se desarrolló un modelo de programación lineal entera mixta que se
resolvió mediante el método de ramificación y acotamiento con lo que se ofrecen dos
vertientes en la solución del problema. Se desarrolló un modelo de simulación
representativo del sistema de surtimiento de materiales y de producción de la
empresa GKN, que permitió analizar diferentes escenarios de acuerdo a los
resultados arrojados por las diferentes herramientas.
Una contribución importante fue la identificación del fenómeno que provoca la espera
de las células de producción y su tratamiento mediante diferentes técnicas de
clusterización, heurísticas y de optimización para reducir su efecto negativo en la
eficiencia global del equipo (OEE, por sus siglas en inglés). Con este trabajo se
apoya a las herramientas Lean relacionadas con las técnicas de flujo para permitir su
aplicación de manera eficiente y contribuye al logro de los resultados esperados por
las empresas cuando aplican Lean Manufacturing.
Con la aplicación de las herramientas mencionadas se logró reducir de manera
gradual las pérdidas por falta de surtimiento siendo que al inicio del proyecto era de
8% y al término del mismo bajo hasta un 1.62%. Las últimas dos propuestas sugieren
que es posible que las pérdidas por falta de surtimiento estén incluso por debajo del
1% establecido por la empresa como objetivo principal.
iv
ABSTRACT
This thesis presents the solution to the problem of losses due to lack of supply,
serving a problem of companies that apply the philosophy of Lean Manufacturing.
The research was applied in GKN, company dedicated to the production of constant
velocity joints (CVJ) an essential part in the suspension system of the vehicle that
allows the transmission of torque from the engine to the wheels.
A heuristic was designed and solved using the Montecarlo method, a mixed integer
linear programming model, was developed which offers two slopes in the solution of
the problem. A simulation model representative of the supply system of materials and
production company GKN was developed, allowing analyzing different scenarios
according to the results thrown by different tools.
An important contribution was the identification of the phenomenon that causes
waiting for cells production and its treatment by various heuristic techniques and
optimization in order to reduce their negative impact on the overall equipment
effectiveness (OEE). This work rests to the techniques of flow-related tools to allow
your application efficiently and contributes to the achievement of the results expected
by the companies when they applied Lean Manufacturing.
With the application of these tools was achieved gradually reduce losses due to lack
of supply being that when the project was 8% and the end of it on up to 1.62%. The
last two proposals suggest that it is possible that the lacks of supply losses are below
1% set by the company as its main objective.
1
INDICE
1. Marco de referencia 9
Introducción 10 1.1.
Descripción del proceso de surtimiento para el ensamble 12 1.2.
Planteamiento del problema 19 1.3.
Estado del arte 21 1.4.
Marco teórico 27 1.5.
1.5.1. Lean Manufacturing 27
1.5.1.1. Antecedentes de Lean manufacturing 27
1.5.1.2. Definición de Lean Manufacturing 30
1.5.1.3. Valor agregado 31
1.5.1.4. El corazón del sistema de producción de Toyota: Eliminación del desperdicio 31
1.5.1.5. Mapeo de valor 34
1.5.1.6. Cadena de valor 35
1.5.1.7. Tipos de mapas 35
1.5.1.8. Procedimiento para realizar un mapa de valor 36
1.5.1.9. Justo a tiempo 39
1.5.1.10. Kanban 41
1.5.1.11. ¿Cuándo se utiliza Kanban? 42
1.5.1.12. Procedimiento para implementar Kanban 42
1.5.1.13. Herramientas y conceptos útiles para la aplicación Lean Manufacturing 45
1.5.1.14. Nivelación de la producción (Heijunka) 46
1.5.1.15. Fases de la nivelación de la producción 46
1.5.1.16. Efectividad global de los equipos (OEE) 49
1.5.2. Simulación 50
1.5.2.2. Pasos para realizar un proyecto de simulación 52
1.5.2.3. Verificación y validación de los modelos de simulación 53
1.5.3. Heurísticas y metaheurísticas 56
1.5.3.1. Heurísticas 57
1.5.3.2. Un modelo resuelto mediante una heurística 60
2
1.5.3.3. Metaheurísticas 64
1.5.3.4. Clasificación de los algoritmos metaheurísticos 66
1.5.3.5. Algunos problemas resueltos con metaheurísticas 69
1.5.3.6. Método Húngaro 76
1.5.4. Optimización 78
Justificación 84 1.6.
Objetivo principal 85 1.7.
1.7.3. Objetivos específicos 86
Hipótesis 86 1.8.
2. Desarrollo 87
Introducción 88 2.1.
Modelo de simulación 90 2.2.
Implementación 109 2.3.
3. Reducción de las pérdidas por falta de surtimiento en una empresa manufacturera mediante un modelo de programación lineal entera mixta
111
Introducción 112 3.1.
Descripción del sistema de surtimiento 113 3.2.
Definición del problema 116 3.3.
Modelo de programación lineal entera mixta para las pérdidas por falta de 3.4.surtimiento. 121
Ramificación y acotamiento para programación entera mixta (PEM) 129 3.5.
Análisis de resultados 131 3.6.
Conclusiones 133 3.7.
4. Análisis de pérdidas por falta de surtimiento en empresas manufactureras mediante una heurística: aplicación del método de simulación Montecarlo
136
Introducción 137 4.1.
Heurísticas 137 4.2.
3
Simulación Montecarlo 138 4.3.
Método 138 4.4.
Heurística propuesta 139 4.5.
Resultados 143 4.6.
Conclusiones 152 4.7.
5. Resultados y conclusiones 154
Resultados 155 5.1.
Transferencia tecnológica 158 5.2.
Conclusiones 161 5.3.
BIBLIOGRAFIA 165
ANEXOS 170
4
Índice de figuras
Figura 1.1 Layout planta GKN Driveline. 12
Figura 1.2 Lote de productos terminados donde se observa el plástico que protege el
producto. 16
Figura 1.3 Configuración de las células de producción. 17
Figura 1.4 Diagrama representativo del sistema de surtimiento de materiales (sistema
inicial). 18
Figura 1.5 Representación gráfica del problema de las pérdidas por falta de
surtimiento. 20
Figura 1.6 Los siete desperdicios. 33
Figura 1.7 Sistema tradicional “AAAAAABBBBBBBAAAAAAA”. 47
Figura 1.8 Sistema Lean (nivelado de la producción ABABABABAB”. 47
Figura 1.9 Definición del periodo warmup o de transición. 55
Figura 1.10 División de la optimización. 79
Figura 1.11 Representación del 1% de pérdidas por surtimiento para un OEE del
82%. 84
Figura 2.1 Desarrollo de la investigación. 89
Figura 2.2 Descripción del modelo conceptual (sistema actual). 93
Figura 2.3 Módulo Stat:fit dentro de Promodel. 98
Figura 2.4 Forma de ingresar datos al módulo Stat:fit dentro de Promodel. 99
Figura 2.5 Mejores distribuciones de probabilidad para el conjunto de datos de CDM
para la Célula 1. 99
Figura 2.6 Graficas de las mejores distribuciones de probabilidad para el conjunto de
datos de CDM para la Célula 1. 100
Figura 2.7 Resultados de la prueba de bondad de ajuste. 100
Figura 2.8 Red que permite el movimiento de los ruteros. 102
Figura 2.9 Red que permite el movimiento de paqueteros y surtidores. 103
Figura 2.10 Layout y líneas del proceso del modelo. 104
Figura 2.11 Mensaje de error del depurador en Promodel. 104
5
Figura 2.12 Mensaje de error del depurador en Promodel identificando fallas en el
proceso. 105
Figura 2.13 Cálculo del número de réplicas. 106
Figura 2.14 Cálculo del número de réplicas. 108
Figura 3.1 Componentes de la FVC. 114
Figura 3.2 Secuencia en célula de producción. 116
Figura 3.3 Arquitectura del sistema de surtimiento de materiales. 117
Figura 3.4 Layout de la planta. 120
Figura 3.5 Error del software WinQSB. 133
Figura 3.6 Tiempo de solución del modelo en WinQSB. 134
Figura 4.1 Diagrama de flujo de la heurística propuesta. 142
Figura 4.2 Primer lote producido y primer cambio de modelo. 145
Figura 4.3 Surtimiento de materiales a la primera célula que lo requiere. 146
Figura 4.4 Código de colores para definir estatus de células y ruteros. 147
Figura 4.5 Identificación de pérdidas por falta de surtimiento en una célula. 147
Figura 4.6 Identificación de pérdidas por falta de surtimiento en una célula. 148
Figura 4.7 Resultado final del algoritmo en forma de diagrama de PERT. 149
Figura 5.1 Declaración de arribos de acuerdo al programa de producción. 158
Figura 5.2 Forma de asignar ruteros a cada uno de los clústeres. 159
Figura 5.3 Forma de asignar ruteros en orden aleatorio. 159
Figura 5.4 Forma de actualizar el modelo de acuerdo a la producción programada.
160
Figura 5.5 Forma de actualizar la caja heijunka en el programa Montecarlo. 161
6
Índice de tablas
Tabla 1.1 Número de modelos diferentes que se producen en las células de
producción. 14
Tabla 1.2 Cálculo del parámetro disponibilidad. 49
Tabla 1.3 Cálculo del parámetro Desempeño 49
Tabla 1.4 Cálculo del parámetro Calidad 49
Tabla 1.5 Cálculo de la eficiencia global de los equipos 50
Tabla 1.6 Resumen de las características que presentan las distintas metaheurísticas
68
Tabla 1.7 Investigaciones sobre secuenciación en flowshop con tiempos de
preparación. 70
Tabla 1.8 Investigaciones sobre secuenciación job shop con tiempos de preparación.
71
Tabla 1.9 Investigaciones sobre secuenciación en máquinas paralelas con tiempos
de preparación. 71
Tabla 2.1 Situación actual del sistema de surtimiento de GKN. 91
Tabla 2.2 STD Packs establecidos para las células de ensamble. 94
Tabla 2.3 Muestra preliminar de tiempos y velocidades de los ruteros con carga y sin
carga. 95
Tabla 2.4 Velocidades obtenidas de los ruteros con carga y sin carga. 96
Tabla 2.5 Tiempos ciclo por célula de Producción. 97
Tabla 2.6 Porcentaje de afectación al OEE debido a problemas de surtimiento, año
2012-2013. 97
Tabla 2.7 Distribuciones de probabilidad para los tiempos de cambio de modelo para
las 17 células de producción. 101
Tabla 2.8 Intervalos de confianza para diferencia de medias del sistema real vs
simulación. 107
Tabla 3.1 Segmento de la caja heijunka para la célula 1. 116
Tabla 3.2 Caja heijunka para cada célula. 118
7
Tabla 3.3 Tiempos de surtimiento desde cada almacén hacia cada célula en minutos.
119
Tabla 3.4 Resultados y su interpretación. 131
Tabla 4.1 Tabla Heijunka. 143
Tabla 4.2 Tiempos de surtimiento. 144
Tabla 4.3 Definición de rutas de surtimiento. 151
Tabla 5.1 Resumen de resultados. 157
8
Índice de anexos
Anexo 1 Propuesta de mejora basada en manufactura esbelta para el surtimiento de
materiales en una célula de ensamble utilizando simulación 171
Anexo 2 Diagnóstico del desperdicio en el surtimiento de materiales en líneas de
ensamble de flechas de velocidad constante Utilizando Promodel 178
Anexo 3 Reducción del desperdicio espera en líneas de ensamble mediante el uso
de heurísticas y escenarios de simulación 197
Anexo 4 Material supply system analysis under simulations scenarios in lean
manufacturing environment 209
Anexo 5 Causas de paro de máquina 217
Anexo 6 Codificación de los diferentes modelos de flecha de velocidad constante 222
Anexo 7 Tiempo de cambio de modelo 233
Anexo 8 Tiempo ciclo por célula y modelo (# de parte) 236
Capítulo 1
9
Marco de referencia 1.
Capítulo 1
10
Capítulo uno
Marco de referencia
Introducción 1.1.
En las últimas décadas la industria automotriz japonesa ha sido tomada como
referencia para sus competidores, por lo que es recomendable imitar el sistema
conocido originalmente como sistema de producción Toyota (TPS, por sus siglas en
inglés). Las empresas del occidente han desarrollado la filosofía de producción
japonesa y le han llamado Lean Manufacturing que consistente en cuatro vertientes
básicas como son mantenimiento productivo total (TPM, por sus siglas en ingles),
justo a tiempo (JIT, por sus siglas en inglés), administración total de la calidad (TQM,
por sus siglas en inglés) y gestión de recursos humanos. Estas cuatro vertientes se
pueden clasificar en 22 categorías (Shah & Ward, 2003).
Lean Manufacturing es una herramienta que proporciona ventajas competitivas a las
empresas que la aplican, sin embargo, no todas las empresas pueden obtener los
beneficios potenciales que esta ofrece, por ejemplo en Estados Unidos solo 5% la
han implementado correctamente (Ramesh, 2010).
La mayoría de los investigadores destacan las ventajas que Lean Manufacturing
ofrece, solo Cusumano (1994) en su trabajo titulado “Limits of Lean Manufacturing”
menciona algunas desventajas derivadas de la aplicación de esta filosofía de
producción. Una de las desventajas más importantes según Cusumano, es producir
lotes muy pequeños de todos los productos de manera frecuente lo que resulta muy
complicado, ya que se requiere de gran coordinación de los proveedores y el sistema
de producción, para realizar entregas frecuentes, a los diferentes clientes, en la
mezcla y cantidades de todos los productos que se ofrecen, en el momento exacto
que el cliente lo solicita.
A pesar de los esfuerzos que se realizan para la correcta implementación de Lean
Manufacturing, se ha detectado un pequeño vacío, este se pone de manifiesto al
Capítulo 1
11
momento de implementar las técnicas de flujo del JIT y el mapeo de la cadena de
valor (VSM, por sus siglas en inglés), las cuales destacan la importancia de reducir el
trabajo en proceso y el tiempo de cambio de modelo. En este trabajo se identifica el
riesgo que se corre debido a esta tendencia ya que las células de producción se
pueden quedar sin materiales después de haberse realizado el cambio de modelo.
En el contexto de esta investigación, a la espera causada por la falta de entrega de
materiales a las células de producción lo denominamos “pérdidas por falta de
surtimiento”. En este trabajo se presenta una solución para aprovechar las ventajas
de la filosofía Lean Manufacturing en relación a la vertiente JIT y reducir un efecto
negativo causado por las pérdidas por falta de surtimiento.
Se destacan dos formas de trabajar en un sistema de producción con relación al
surtimiento de materiales, en el primero, se pueden hacer entregas en cantidades
bastas para que las células de producción operen por largos periodos de tiempo sin
interrupciones por falta de material, esta forma de trabajar genera grandes
cantidades de material en proceso y requiere de enormes espacios lo cual está en
contra de los principios del pensamiento Lean; la otra forma es entregar los
materiales justo en el momento en que se requieren, así como lo sugiere en JIT con
las técnicas de flujo, sin embargo, esta forma puede generar pérdidas por falta de
surtimiento. En esta tesis se presentan diferentes análisis que permiten entregar los
materiales justo a tiempo sin afectar a las células de producción con el desperdicio
espera que generan las pérdidas por falta de surtimiento.
El tratamiento de este fenómeno se destaca en los diferentes artículos presentados
en congresos internacionales y en la revista Dyna los cuales se pueden observar en
los anexos del 1 al 4.
La tesis se encuentra estructurada de la siguiente manera: en el capítulo uno, se
presenta el marco de referencia donde se plantea el problema, el estado del arte,
marco teórico, se justifica el trabajo, se declaran los objetivos y se definen las
hipótesis de investigación. En el capítulo dos se da a conocer el desarrollo. El
Capítulo 1
12
capítulo tres presenta un modelo de programación lineal entera mixta donde se
intenta obtener una solución óptima al problema de surtimiento, en el capítulo cuatro
se presenta una heurística inédita que trata el problema de pérdidas por falta de
surtimiento con base en simulación Montecarlo. Finalmente, en el capítulo cinco se
plantean los resultados y conclusiones.
Descripción del proceso de surtimiento para el ensamble 1.2.
En GKN el sistema de surtimiento es definido por los pedidos que realiza el cliente
(Ford, VW, Nissan, GM, bombardier, Honda, etcétera). Las órdenes de los diferentes
clientes son capturadas por el área de supply Chain. El programador toma las
órdenes de los diferentes clientes, se genera un programa de requerimientos en
ACCESS y se reúne con el supervisor de la empresa que proporciona el servicio de
surtimiento a las líneas llamada SIIOSA (Servicio de Ingeniería Industrial y
Outsourcing S.A. de C.V.) con el supervisor de producción. Entre los tres se ponen
de acuerdo y determinan si las órdenes que envió el área de supply chain son
factibles considerando la disponibilidad de las partes en el almacén.
No es posible acumular grandes cantidades de materiales alrededor de las células de
producción, debido a las limitaciones de espacio como se observa en la figura 1.1,
donde se pueden apreciar algunas de las células de producción.
Figura 1.1 Layout planta GKN Driveline.
Capítulo 1
13
GKN cuenta con 20 células de producción, pero solamente se programan el número
de células necesarias, dependiendo de la demanda generada por los clientes. Cada
célula está integrada por una cuadrilla de trabajadores de 4 operarios, quienes deben
ser abastecidos de materiales para producir los diferentes modelos de flechas de
acuerdo al programa generado por ACCESS.
ACCESS es una base de datos de GKN donde se encuentran registrados todos los
pedidos que hacen los clientes tales como NISSAN, VW, Ford, etcétera. Con dicha
base de datos se genera el programa de producción.
Tanto el programador como el supervisor de producción estarán al pendiente de que
se cumpla con la secuencia de los modelos de flechas a producir en cada turno.
Mientras que el trabajo del supervisor de SIIOSA, se encargará de que no le hagan
falta las partes que componen las flechas de cada uno de los modelos que se
correrán en las células.
Con respecto a las células de producción cada una es capaz de fabricar solo ciertos
modelos de flechas que corresponden a una familia, dependiendo de la marca como
se observa en la Tabla 1.1 que se presenta más adelante.
Por ejemplo, en la célula 1 es posible fabricar flechas de velocidad constante (FVC)
para Chrysler, GM, Honda y NISSAN, en total se producen 18 modelos diferentes.
Existen casos especiales donde solo se trabaja para una marca como es la célula 4,
donde se producen 106 modelos diferentes de FVC para VW.
Una vez que se conocen los diferentes modelos de flechas que se producirán en
cada una de las células, la siguiente etapa consiste en acercar todas las partes que
los componen en las cantidades necesarias de acuerdo a lo programado. Para esto
conviene clasificar cada una de las partes como misceláneos (botas, abrazaderas,
cincho mayor, cincho menor, dámper, seguro, etcétera), maquinados (campana,
semieje y tulipán) y plásticos.
Capítulo 1
14
Tabla 1.1 Número de modelos diferentes que se producen en las células de producción.
CÉLULA MARCA NÚMERO DE MODELOS
DIFERENTES
SUMA
1
Chrysler 4
18 Ford 4
GM 2
Nissan 8
2
Chrysler 17 21
GM 4
3
GM 8
50 Hyundai 1
Nissan 41
4 VW 106 106
5 VW 14 14
6 VW 29 29
7
GM 5
11 Hyundai 2
Renault 4
9 Nissan 13 13
10
Chrysler 6 7
Honda 1
11
Ford 4 15
GM 11
12 Honda 8x| 8
13
Ford 3 4
Nissan 1
14 Ford 5 5
15
Chrysler 8 19
Polaris 11
16
Bombardier 15
19 Kawasaki 2
Polaris 2
19
Chrysler 4 6
Hyundai 2
20
Chrysler 11 12
GM 1
TOTAL 357
Capítulo 1
15
El supervisor de SIIOSA le entrega al almacenista la programación de la producción
para que elaboren paquetes con las cantidades exactas de cada una de las partes de
acuerdo al modelo. Los paqueteros comienzan a contar las partes que se necesitan
para completar cada uno de los lotes de los diferentes modelos que se producirán.
El personal que se encarga que los materiales lleguen a las células de producción se
denomina paqueteros, ruteros y surtidores. Los paqueteros se encuentran en el
almacén contando las partes para producir cada uno de los modelos que se correrán
en las células de acuerdo al programa de producción. Hacen paquetes de cantidades
exactas de las partes o materiales que se denominan misceláneos. Los ruteros,
tomas las partes de los diferentes almacenes y los colocan a un costado de la célula,
al alcance del surtidor. Finalmente el surtidor toma todas las partes que son
entregadas por el rutero y las deposita muy cerca de los operarios, en un sitio
denominado punto de uso, de donde los operarios toman las partes para realizar su
ensamble correspondiente.
A continuación se explica mediante un ejemplo los roles que juegan el rutero, el
paquetero, y el surtidor. Supongamos la siguiente situación, si algún cliente solicita
300 flechas de cierto modelo, se requerirán del almacén de maquinados 300
campanas, 300 tulipanes y 300 semiejes, las cuales se tomarán del almacén de
maquinados por los ruteros con la ayuda de un montacargas para acercar las partes
a la célula donde se producirán las 300 flechas de ese modelo.
El resto de los componentes que integran la flecha se le llaman misceláneos. Son los
paqueteros quienes se encargan de contar las cantidades exactas de cada una de
las partes (misceláneos) de acuerdo a lo programado, para el ejemplo que se
plantea, se debe elaborar un paquete con 300 tripodes, 600 botas, 300 insertos, 300
seguros, 600 abrazaderas lado caja, etcétera. Ya que se tiene el paquete el rutero lo
acerca a la célula cuando esta lo requiere. El rutero también se encarga de acercar
plásticos que cumplen una función vital para la protección del producto terminado
como se muestra en la figura 1.2.
Capítulo 1
16
Figura 1.2 Lote de productos terminados donde se observa el plástico que protege el producto.
Tanto los plásticos como los maquinados, se colocan en una posición estratégica;
cerca del punto de uso del operario.
Después de que el rutero acercó los materiales en la correspondiente célula donde
se lo solicitaron, toca intervenir al surtidor, quien debe ser capaz de surtir de dos
células. El trabajo del surtidor consiste en colocar cada una de las partes
componentes en los puntos de uso, de tal manera que el operario no tenga que
moverse para alcanzar partes para la realización de su operación de ensamble.
Cada célula está integrada por 4 operadores como se observa en la figura 1.3, cada
uno realiza cierta operación de ensamble y pasa su pieza (flujo de una sola pieza)
para que esta sea tomada por el siguiente operador, de la misma manera, cuando
termina la operación el segundo operador pasa su pieza hasta llegar a la última
operación donde sale la flecha terminada y se coloca en el plástico, hasta producir el
número de piezas programadas de ese modelo. Cuando se termina un lote se le
avisa a un rutero (montacarguista) para que lleve el lote hacia la siguiente operación,
que puede ser Inspección de piezas para envío seguro (safe launch) o directamente
a paletizado (proceso donde se realiza un plizado para fijar el lote de FVC). Este
proceso continúa hasta que la céula termina la cantidad de flechas de cierto modelo
de acuerdo con el programa. Cuando se termina de producir un lote de cierto
Capítulo 1
17
modelo, se realizan ajustes (cambio de modelo) para iniciar la producción de otro
modelo, de acuerdo al programa de requerimientos generado en ACCESS.
Figura 1.3 Configuración de las células de producción.
Con esta situación se hace necesario pedirle al rutero que se lleve los contenedores
de productos terminados y que traiga maquinados que serán necesarios para el
siguiente modelo. También se le pide traer los paquetes con los misceláneos
correspondientes al modelo que se producirá y plásticos de acuerdo a la longitud de
la flecha.
Esto mismo sucede con cada una de las células, al terminar el lote de producción de
cierto modelo, se realiza un cambio de modelo y solicita partes para producir el
siguiente lote del modelo de acuerdo al programa. Los ruteros conducen sus
vehículos buscando necesidades en cada una de las líneas, ya sea para traer
materiales del almacén o para llevarse un lote de productos terminados al área de
safe launch (área de inspección) o paletizado (área donde aseguran el producto
mediante un plisado).
En la figura 1.4 se representa el proceso de surtimiento de materiales, considerando
desde la programación, hasta la elaboración de flechas, su entrega a safe launch. o
Paletizado y su embarque o almacenamiento.
Capítulo 1
18
Necesidades del cliente
Almacén
Entrega de partes
Surtimiento
Producción
Retiro de productos terminados
Figura 1.4 Diagrama representativo del sistema de surtimiento de materiales (sistema inicial).
PROGRAMA DE PRODUCCIÓN Cantidad de flechas a
producir de cada modelo, para cada cliente
Paqueteros 𝑝 = 1, 2, 3…𝑃
Misceláneos Maquinados Plásticos
Paquetes
Rutero 𝑗 = 1, 2, … ,𝑅
Células 𝑙 = 1, 2, 3, … , 20
Surtidor 𝑠 = 1, 2, 3, … , 𝑆
Punto de uso en célula 𝑙 = 1, 2,… , 20
Producción del lote del modelo n
Lotes del modelo 𝑛 terminados
Rutero 𝑗 = 1, 2, … ,𝑅
Safe lauch Paletizado Almacenamiento
o embarque
Capítulo 1
19
Planteamiento del problema 1.3.
En este trabajo se analiza un problema muy puntual que se presenta en la empresa
GKN Driveline donde trabajan bajo la filosofía de Lean Manufacturing e intentan
reducir todo tipo de desperdicio principalmente el trabajo en proceso (WIP, por sus
siglas en inglés). GKN cuenta con 20 células y no es factible acumular grandes
cantidades de materiales en las células de producción debido a restricciones de
espacio. Esta situación obliga a surtir las células de producción solamente con el
material necesario para producir por pequeños lotes, de acuerdo al programa de
producción, en el momento justo que se necesita.
Para lograrlo, cada vez que se termina de producir un lote de cierto modelo, los
ruteros (o montacargistas) acuden a la célula y toman el lote de productos
terminados para llevarlos al área de safe launch para su inspección o directamente a
paletizado para su embarque. Mientras tanto la célula de producción inicia el cambio
de modelo (CDM) para producir un producto de modelo diferente de acuerdo al
programa de producción registrado en la caja heijunka, cuyo significado en el
vocabulario del Toyota Production System para un sistema productivo es nivelación
de la producción y que en la práctica sugiere producir pequeñas cantidades de todos
los modelos de productos (Ohlmann y col., 2008).
Si los ruteros logran entregar los materiales a tiempo antes de que la célula de
producción esté lista para producir otro modelo, entonces no habrá ningún problema,
ya que la célula será capaz de dar inicio con la producción del siguiente modelo
programado inmediatamente después del CDM, de lo contrario, tendrán que esperar
hasta que los ruteros terminen de abastecerla. Cuando el tiempo en que los ruteros
realizan la entrega de partes es mayor al tiempo en que las células terminan de
realizar su CDM, se presenta el problema que en el contexto de esta investigación
denominamos “pérdidas por falta de surtimiento”. Expresado de otra forma, si
TR (tiempo de surtimiento del rutero) > TCDM (tempo de cambio de modelo),
entonces se presentan pérdidas por falta de surtimiento.
Capítulo 1
20
Bajo este escenario se establece el siguiente cuestionamiento: ¿Es posible
establecer un método que permita asignar una secuencia óptima de los ruteros al
entregar materiales que minimice las pérdidas por falta de surtimiento? La
investigación se centra en la búsqueda, generación o modificación de una heurística
o método de optimización que permitan definir las cantidades exactas de recursos
asignados al abastecimiento de las células y secuencias óptimas de suministro para
minimizar las pérdidas por falta de surtimiento.
En la figura 1.5 se plantea de manera gráfica el problema; lo que se desea es
encontrar la asignación óptima de ruteros, para abastecer materiales desde el
almacén , mediante el rutero , para producir el modelo programado , en la célula ,
de tal manera que se minimice el tiempo de pérdidas por falta de surtimiento. Las
variables que se observan en dicha figura, se definen de la siguiente manera: la
variable es del tipo binario, la cual define la asignación del material ,
transportado por el rutero , para producir el modelo , en la célula ; los son
tiempos de cambio de modelo en la célula ; los , representan las pérdidas por
falta de surtimiento cuando el rutero , entrega el material .
Tiempo de producción
Tiempo de cambio de modelo
Tiempo de surtimiento
Pérdidas por falta de surtimiento
Figura 1.5 Representación gráfica del problema de las pérdidas por falta de surtimiento.
Capítulo 1
21
De acuerdo con lo expresado anteriormente, la definición formal del problema es el
siguiente: dado un programa de producción, registrado en las cajas heijunka de cada
célula, determinar el orden en que los ruteros = 1, 2, … , tomarán los materiales
de los almacenes de maquinados, misceláneos y plásticos = 1, 2, 3 y los
entregaran a las células de producción = 1,2, … , 20, para producir el modelo de
FVC = 1, 2, … , 3 , respetando la secuencia de producción de la caja heijunka y
considerando las restricciones de cambio de modelo.
Estado del arte 1.4.
En la literatura especializada, hasta donde llegó la investigación, no se encontró un
trabajo donde se plantee un problema similar al que aquí se trata, sin embargo, se
encontraron algunos temas con cierta relación que fueron clasificados en Lean
Manufacturing, simulación, heurísticas, metaheurísticas y optimización.
En este sentido, lean Manufacturing, se resume en una filosofía que intenta reducir
siete tipos básicos de desperdicios como son inventarios, sobreproducción,
transportes innecesarios, espera, productos defectuosos, sobreprocesamiento y
movimientos innecesarios (Padilla, 2010). En esta tesis se pone énfasis en el
desperdicio espera que es provocado por la falta de surtimiento de materiales, lo que
ocasiona el ocio a las máquinas y operarios de las células de producción, así como
una afectación a la eficiencia global del equipo (OEE, por sus siglas en ingles). De
acuerdo con Villaseñor y Galindo (2007), el porcentaje de actividades que agregan
valor al producto solo es del 5%, el 95% restante es desperdicio y dentro de ese
95%, 15% se debe a las esperas.
La mayoría de los autores coinciden en que Lean Manufacturing proporciona
ventajas competitivas a las empresas que sí la implementan, aquellas que no lo
hacen están en desventaja; sin embargo, Cusumano (1994), en su análisis de los
límites de la filosofía de Manufactura Esbelta, menciona que una de las grandes
desventajas que se tiene en su aplicación, es la idea de producir lotes pequeños de
manera frecuente, de todos los productos. La desventaja mencionada por Cusumano
Capítulo 1
22
ofrece una oportunidad para contribuir a la correcta implementación de Lean
Manufacturing.
En un sistema de manufactura un tema esencial para lograr la eliminación de todo
tipo de desperdicio (entre ellos la espera), es el flujo de materiales, por lo que se
considera que el objetivo más importante de un sistema de manufactura es el flujo
continuo de los materiales. El problema más frecuente para lograr el flujo continuo,
es la falta de un sistema de manejo de materiales que soporte el flujo continuo en las
células y la fabricación de lotes pequeños (Harris y Wilson, 2003).
Generalmente, los esfuerzos se enfocan hacia la reducción del trabajo en proceso,
como idea de que al eliminarlo, se resolverá un gran porcentaje de los desperdicios,
tal es el caso del trabajo realizado por Srinivasan y Viswanathan (2008) quienes
plantearon un modelo matemático llamado CQN (Closed Queuing Network) y fue
resuelto con un enfoque heurístico para determinar el número de pallets y el número
de piezas que debe contener cada pallet, con el fin de reducir el trabajo en proceso al
mínimo en un empresa con alta variedad de productos, bajo volumen y tiempos de
preparación.
Kim y col. (2008), en su trabajo, definieron políticas de control de la producción con
un WIP (work in processs) equilibrado, considerando los cambios de modelo
mediante el planteamiento de un modelo de programación entera mixta y una
heurística. Un comentario de elevada importancia para el contexto de esta
investigación es: “escas o WIP y frecuentes cambios de modelo, puede provocar
ocio en los equipos”.
Ramesh (2010), al igual que Srinivasan, se enfocó hacia la reducción del inventario
en proceso y la utilización de las máquinas. Para lograrlo propuso la aplicación de las
herramientas de Lean Manufacturing y considera que aquellas empresas que no
logran sus objetivos de reducir desperdicios, es debido a la incorrecta aplicación de
las herramientas Lean, destaca por ejemplo, el caso de Estados Unidos, donde solo
5% de las empresas que aplican Lean Manufacturing lo hace correctamente.
Capítulo 1
23
Ali y col. (2010) propusieron la estandarización del método de surtimiento mediante
tarjetas kanban (señal en Japonés), con la finalidad de reducir el trabajo en proceso.
Sugiere la aplicación de la herramienta simulación, para facilitar su implementación.
Villanueva (2008), destaca la importancia de la simulación y sugiere algunos pasos
en la construcción de modelos usados en la solución de problemas del mundo real.
Comenta las ventajas del uso de la simulación para optimizar el flujo de materiales
dentro de un sistema de eventos discretos, así como las desventajas de la
herramienta al requerir un tiempo prolongado para construir los modelos de
simulación. Standridge y Marvel (2006), realizaron varios proyectos relacionados con
Lean Manufacturing y mencionan lo importante que fue la utilización de la
herramienta de simulación para el éxito de los proyectos. Abdulmalek y Rajgopal
(2006) demostraron los beneficios que se pueden lograr implementando la filosofía
Lean Manufacturing usando herramientas tales como simulación y el mapeo de la
cadena de valor.
Por otra parte, otros autores intentan resolver problemas relacionados con los
inventarios, tal es el caso del problema para la localización de depósitos de ruteo,
determinación de las rutas de distribución y de las políticas de inventario (CLIRP, por
sus siglas en inglés) que plantea Liu y Lin (2005). En su planteamiento se tiene un
problema difícil de resolver, por lo que recurren a una heurística propuesta por ellos,
para su solución. Las heurísticas y metaheurísticas se han utilizado ampliamente en
problemas del mundo real, los cuales por su magnitud, resultan muy difíciles de
resolver. Las heurísticas se han aplicado a problemas muy específicos y las
metaheurísticas se aplican a problemas más generalizados (Duarte, 2007).
Nauss (2003), aplicó un método de ramificación y acotamiento para la solución del
problema de asignación generalizada (GAP, por sus siglas en inglés), que entre sus
aplicaciones se encuentra la planificación de rutas de entrega. El método de
ramificación es menos flexible que las heurísticas y metaheurísticas, sin embargo es
capaz de encontrar soluciones óptimas, contrario a las heurísticas y metaheurísticas
que solo encuentran soluciones de muy buena calidad, en un tiempo relativamente
Capítulo 1
24
corto. En este sentido se convierte en un buen tema de decisión el aplicar un método
exacto o una heurística, todo depende de la calidad de los resultados que se desean
tener y que el tiempo sea razonable para encontrar la solución.
No se encontró un trabajo donde se plantee el problema que se trata en esta tesis,
sin embargo, por sus características, tiene cierta relación con el problema de ruteo
de vehículos (VRP, por sus siglas en inglés). Leür y col. (2009), analizaron
detalladamente el VRP y sus distintas aplicaciones, que básicamente dependen de
su tipología y pueden aplicarse para minimizar el tiempo total de transporte, la
distancia total recorrida y el tiempo de espera. De manera general VRP es el nombre
que se le da a la clase de problemas en los que se debe determinar una serie de
rutas para una flota de vehículos basados en uno o más depósitos, para un cierto
número de ciudades o clientes geográficamente dispersos.
En la literatura especializada, se encontraron trabajos con cierta relación al que se
trata en esta tesis como son CVRP (Capacited VRP) propuesto por Ralphs y col.
(2001), MDVRP (Multi-Depot VRP) propuesto por Hjorring (1995), VRPPD (VRP with
pick-up and delivering) propuesto por Righini (2000), SDVRP (Split Delivery VRP)
propuesto por Dror y col. (1994) y VRPTW (VRP with time windows) propuesto por
Cordeau y col. (2002). Cada una de estas extensiones del VRP tienen ciertas
características que lo relacionan en cierto grado al problema de pérdidas por falta de
surtimiento; sin embargo, ninguna se adapta cien por ciento al problema. Por
ejemplo, en el problema de pérdidas por falta de surtimiento de materiales, se tiene
capacidad limitada de cada uno de los ruteros, dado que solo es posible transportar
una carga, por lo que el rutero deberá de entregar materiales y regresar
constantemente al almacén por otra carga; ésto se entiende como capacidad
limitada.
Otro aspecto importante es la consideración de multi-depósitos, ya que no solo es un
tipo de material el que debe de transportar (se tienen tres almacenes). Una
característica a destacar es que cada cierto periodo el rutero deberá entregar
Capítulo 1
25
material y recoger producto terminado, por lo que en ocasiones se aplica el concepto
de entregar (materia prima) y levantar (producto terminado). También es importante
destacar que las entregas de los materiales puede hacerse por más de un rutero, es
decir un rutero podría entregar plásticos y otro diferente podría entregar maquinados
a la misma célula.
Finalmente la característica más interesante del problema son las ventanas de
tiempo que se definen al momento que se inicia y termina el cambio de modelo. De
acuerdo al planteamiento del problema, dentro de esta ventana temporal es el justo
momento en el que se deben de entregar los materiales.
Una contribución importante documentada en esta tesis es la solución del problema
de pérdidas por falta de surtimiento con matices de un problema de ruteo de
vehículos mediante diferentes herramientas como son simulación, heurísticas y un
modelo matemático, desarrollados en los siguientes capítulos. Dada las
características del problema es posible incorporarlo a la familia de problemas del
VRP modificando ciertas restricciones que aplican para empresas que producen bajo
la filosofía de la Manufactura Esbelta y la entrega de materiales es dentro de una
misma empresa.
Dada su naturaleza, el VRP problema resulta en un problema clasificado como difícil
de resolver, que al resolverse mediante métodos exactos la solución se obtiene en
un tiempo inconveniente e impráctico, por lo que se sugiere la aplicación de
metaheurísticas entre las que destacan algoritmos genéticos, búsqueda de
vecindarios variables, recocido simulado, búsqueda tabú, colonia de hormigas y
enjambre de partículas, como las mayormente empleadas para su solución. Otro
problema combinatorio difícil de resolver es el problema de secuenciación (JSSP, por
sus siglas en inglés), por ejemplo, Álvarez (2008), hace un comentario interesante,
destacando que para programar una secuencia de 23 trabajos, implica un 23 factorial
de secuencias posibles y que si algún grupo pudiera analizar un billón de soluciones
por segundo, tardaría 8.2 siglos en examinarlas todas. La herramienta que sugiere
Capítulo 1
26
para su solución es la metaheurística de recocido simulado. López y col. (2004)
analizaron también el JSSP y propusieron resolverlo con tres metaheurísticas
diferentes como son algoritmos genéticos, recocido simulado y búsqueda tabú.
Intentaron determinar cuál de las tres era mejor, sin embargo, por los resultados
alcanzados en calidad y tiempo de solución, concluyeron que cualquiera de las tres
es recomendable para la solución del JSSP.
A pesar del desempeño mostrado por las metaheurísticas, en esta tesis nos
centraremos en la creación de una heurística de propósito específico que resuelva el
problema planteado de pérdidas por falta de surtimiento. Esta misma heurística
puede extenderse a la solución de problemas de surtimiento de materiales en otras
empresas, aunque se requiere que dichas empresas tengan características similares
como las que se presentan en GKN, principalmente que entre sus objetivos se
encuentre la aplicación correcta de la filosofía Lean Manufacturing.
Finalmente destacamos la aportación de Ball (2011) quien menciona que cuando un
modelo de programación matemática es insertado en un entorno del mundo real, es
posible resolverlo, ya sea por un método heurístico o exacto dependiendo de su
interpretación. Por tanto, “cualquier investigación que implique programación
matemática contribuye al estudio de la programación matemática basada en la
heurística”.
Es de gran importancia realizar trabajos de investigación como el que se presenta en
esta tesis. Ohlmann (2008) menciona que con la implementación del Sistema de
Producción Toyota por parte de una gran cantidad de empresas para ser
competitivos, el diseño de rutas que considere el paradigma de Lean Manufacturing
incrementa su importancia.
En resumen, el contexto de esta investigación involucra temas tales como Lean
Manufacturing, simulación, heurísticas y optimización, de ahí que el marco teórico
profundiza en estos temas.
Capítulo 1
27
Marco teórico 1.5.
El marco teórico está dividido en los temas principales que sustentan esta tesis, en
primer lugar se presenta información relacionada a Lean Manufacturing ya que es lo
que le da origen a esta investigación, en segundo lugar se presenta información de
simulación, debido a que fue una herramienta clave para el logro de los resultados ya
fue muy riesgoso implementar directamente las propuestas en el sistema real, antes
de eso, se validaron en un modelo de simulación. Posteriormente se presenta
información acerca de las heurísticas y metaheurísticas, por ser una alternativa de
solución al problema. Finalmente se presenta información concerniente a la
optimización ya que se presentó una propuesta donde se plantea una solución
competitiva al problema.
1.5.1. Lean Manufacturing
Lean Manufacturing es el nombre que recibe el sistema de producción Toyota en el
occidente. El objetivo de la filosofía Lean Manufacturing es eliminar todo tipo de
desperdicios, desde la llegada de materiales hasta el embarque de los productos
finales. Los principales desperdicios son: Inventarios excesivos, espera,
sobreproducción, movimientos innecesarios, sobreprocesamientos, productos
defectuosos y transportes innecesarios.
1.5.1.1. Antecedentes de Lean manufacturing
Los inicios de la Manufactura Esbelta no se centran solamente en Toyota; Henry
Ford tuvo una parte importante dentro de todo este proceso (Villaseñor y Galindo,
2007). Siendo un joven empresario, Henry Ford estaba tratando de diseñar un
automóvil que fuera fácil de producir y sencillo de reparar. Finalmente en 1908 logró
su cometido al hacer su modelo “T”. La clave de la producción en masa no era solo
ensamblar en línea, sino que, a través de las partes intercambiables y de fácil
ensamble, la línea de ensamble se hiciera posible. Para lograr la intercambiabilidad,
Ford estandarizó las piezas usadas a través de operaciones, mediante innovaciones
en las herramientas de los equipos que le permitían maquinar partes.
Capítulo 1
28
En resumen, los principios innovadores de Ford fueron:
Producción de partes intercambiables.
Reducción de las acciones requeridas para cada trabajador.
Traslado de los carros hacia las estaciones de trabajo, creando la línea de
ensamble.
Se puede decir que, sin lugar a dudas, Henry Ford fue el primero que realmente
pensó esbeltamente. En su fábrica de Highland, Ford contaba con una línea para
fabricar las partes en secuencia, separada por pequeños espacios, con pocas piezas
de inventario en proceso. Lo que hoy en día hace Toyota en sus plantas, Henry Ford
lo hacía en su fábrica hace más de 100 años.
La historia de Toyota se inició con Sakichi Toyoda (Socconini, 2008), inventor y
pensador japonés que nació en 1867 cerca de la ciudad de Nagoya Japón. Toyoda
aprendió el oficio de carpintero, heredado por su padre; más adelante, en 1890,
aplicaría conocimientos aprendidos en ese oficio en la invención de sus telares
automáticos.
En este largo camino, Toyoda trabajó arduamente durante extensas jornadas y logró
concebir varios inventos, uno de los cuales es significativo en esta historia: un
dispositivo que detenía el telar cuando se rompía un hilo, e indicaba con una señal
visual al operador que la máquina se había detenido y que necesitaba atención. Este
invento se le conoce como Jidhoka, que significa autonomización de los defectos o
automatización con enfoque humano. La palabra original es Jidoka, que significa
automatización y se le agrega la “h” para denotar que influye sobre las personas
(humanos). Este invento se convirtió en uno de los pilares más importantes para la
industria de los telares, lo que le valió a Sakichi Toyoda ser considerado entre los
japoneses como un gran ingeniero.
En 1894 nació su hijo Kiichiro Toyoda, quien más adelante iniciaría labores en la
fábrica de Sakichi, Toyoda Loom Works, en donde aplicó un enfoque muy técnico
Capítulo 1
29
para el mejoramiento de los telares de su padre y logró que los equipos se
mantuvieran trabajando ininterrumpidamente sin paros por fallos durante largas
jornadas. Así, en 1924, Kiichiro completó el diseño de la máquina de hilos tipo G, la
cual podía trabajar varios turnos sin interrupción.
En 1929, Kiichiro viajó a Inglaterra para negociar la venta de las patentes de su
invento “a prueba de errores” a los hermanos Platt, quienes pagaron 100,000 libras
esterlinas por el invento. Con este capital, Kiichiro inició la Toyota Motor Company.
El Sistema de Producción Toyota, popularmente conocido como justo a tiempo, tuvo
su origen en Japón como resultado de la necesidad de hacer funcionar una
economía devastada por la Segunda Guerra Mundial. Al finalizar ésta, los japoneses
se dieron cuenta de que todo ese gran esfuerzo por destacar y tratar de impresionar
al mundo con su fuerza bélica debía cambiar radicalmente, dar un nuevo giro a la
“batalla” por la competitividad mundial y resurgir con un nuevo espíritu de lucha,
ahora en post del liderazgo económico.
Kiichiro Toyoda, entonces presidente de Toyota, se dio cuenta de que la
competitividad de los obreros japoneses era casi tres veces menor que la de los
obreros alemanes y casi 10 veces menor que la de los obreros estadounidenses, por
lo que decidió iniciar un camino hacia la competitividad con la creación de un sistema
que le asegurara rentabilidad y una sana participación en un mercado fuertemente
competitivo.
Eiji Toyoda sucedió a Kiichiro en el mando de la compañía y al lado de Taiichi Ohno
la llevó al éxito internacional, apoyándose para ello en su ingenioso sistema de
producción, el justo a tiempo. Eiji fue un prominente industrial y a quien se le debe en
gran medida el desarrollo del justo a tiempo, así como el exitoso despegue de Toyota
Motor Company en cuanto a rentabilidad y reconocimiento internacional.
En tiempos de Eiji Toyoda, Ohno decía que quería convertir una bodega en un taller
de máquinas, para lo cual quería ver que todos trabajaran y recibieran capacitación.
Capítulo 1
30
No decía cómo hacerlo; solo ponía las bases y daba órdenes, se sobrentendía que lo
que él decía se tenía que cumplir. Fue un indiscutible líder con mucho carácter y
decisión que superó el gran reto de convertir una fábrica de automóviles en uno de
los negocios más rentables. Lo anterior constituyó un pilar fundamental en la
creación de lo que hoy es manufactura esbelta.
1.5.1.2. Definición de Lean Manufacturing
Los autores Womack y col. (1992) en su libro “La máquina que cambio al mundo”
quisieron dar a conocer el nuevo enfoque de producción propuesto por Toyota y
hablaron de “producción esbelta”, dado que la definición en ingles de “Lean” se
traduce como magro, estilizada o sin despilfarro. Otra de las traducciones que se le
ha dado a Lean es “ajustada” y algunas fuentes bibliográficas hablan de producción
ajustada.
Manufactura esbelta es el nombre que recibe el sistema justo a tiempo en Occidente
(Socconini, 2008). También se ha llamado manufactura esbelta o ágil, manufactura
de clase mundial y Sistema de Producción Toyota.
Se puede definir como un proceso continuo y sistemático de identificación y
eliminación del desperdicio o excesos, entendiendo como exceso toda aquella
actividad que no agrega valor en un proceso, pero sí costo y trabajo. Esta eliminación
sistemática se lleva a cabo mediante trabajo con equipos de personas bien
organizados y capacitados. Debemos entender que manufactura esbelta es el
esfuerzo incansable y continuo para crear empresas más innovadoras y eficientes.
El verdadero poder de manufactura esbelta radica en descubrir continuamente en
toda la empresa aquellas oportunidades de mejora que están escondidas, pues
siempre habrá desperdicios susceptibles de ser eliminados. Se trata entonces de
crear una forma de vida en la que se reconozca que los desperdicios existen y
siempre serán un reto para aquellos que están dispuestos a encontrarlos y
eliminarlos.
Capítulo 1
31
Una empresa esbelta que quiera obtener el mejor beneficio dadas las condiciones
cambiantes del mundo globalizado, debe ser capaz de adaptarse rápidamente a los
cambios. Para ello debe recurrir a las herramientas idóneas de mejora, prevención,
solución de problemas y administración disponibles, tener hábitos que influyan en la
cultura y disponer de una administración congruente con liderazgo que motive el
cambio.
1.5.1.3. Valor agregado
Cuando se aplica manufactura esbelta se inicia examinando los procesos de
manufactura desde el punto de vista del cliente (Villaseñor y Galindo, 2007). La
primera pregunta es siempre ¿qué es lo que el cliente espera de este proceso?
(tanto para el cliente del siguiente proceso dentro de la línea de producción, como
para el cliente externo). Ésto se define como valor. A través de los ojos del cliente,
puede observarse un proceso y separar los pasos que agregan valor de los que no.
Se pueden aplicar a cualquier proceso (manufactura, información o servicio).
1.5.1.4. El corazón del sistema de producción de Toyota: Eliminación del
desperdicio
A continuación se describen los siete grandes tipos de pérdidas que ha identificado
Toyota, el desperdicio que no añade valor en procesos de la empresa o de la
producción. Estos tipos se pueden aplicar al desarrollo de producto, a la generación
de órdenes, válidos también en la oficina y no solo en las líneas de producción (Liker,
2004):
1. Sobreproducción: Es la producción de artículos para los que no hay pedido, se
generan desperdicios tales como sobreutilizar los recursos, almacenar el exceso
de materiales y generar costos de transporte por exceso de inventario.
2. Espera (tiempo de inactividad): Generado cuando se desaprovechan los
operarios haciéndoles vigilar máquinas automáticas, o dando vueltas esperando
el siguiente proceso, la siguiente herramienta, el siguiente proveedor, la siguiente
Capítulo 1
32
pieza, etcétera, o simplemente sin poder trabajar por falta de material, retrasos en
el proceso de lotes, parada de equipos y cuellos de botella.
3. Transportes innecesarios: Tiene lugar cuando se desplaza el producto en
proceso (WIP) en largos recorridos, lo que crea ineficiencias del transporte,
movimientos de materiales, piezas, artículos acabados a un (o desde un)
almacén, o entre procesos.
4. Sobreprocesar o procesar incorrectamente: Ocurre como consecuencia de la
realización de pasos innecesarios para procesar las piezas. Cuando se procesa
ineficientemente debido a herramientas defectuosas o al diseño del producto, lo
que causa movimientos innecesarios y produce defectos. También se genera
desperdicio cuando se producen productos de una calidad más elevada de la
requerida.
5. Exceso de Inventario: El exceso de materia prima, de piezas en proceso o
piezas acabadas que causan tiempos de proceso más largos, obsolescencias,
daños en los artículos, en costos de transporte e inventario y retrasos. Además, el
exceso de inventario esconde otros problemas como producciones no
equilibradas, retrasos en las entregas de los proveedores, defectos, paros en los
equipos y largos tiempos de preparación de las máquinas.
6. Movimientos innecesarios: Cualquier movimiento inútil de los operarios
mientras trabajan, como mirar, alcanzar, apilar piezas, herramientas, etcétera.
También el caminar se considera desperdicio.
7. Defectos: La producción de piezas defectuosas o por retocar. Las reparaciones
por trabajos, chatarra, sustituciones e inspecciones que signifiquen desperdicio
por movimiento, tiempo y esfuerzo. Liker (2004) hace mención a un octavo
desperdicio adicional a los siete mencionados anteriormente.
Capítulo 1
33
8. Creatividad de los empleados no utilizada: Se pierde tiempo, ideas, aptitudes,
mejoras y se desperdician oportunidades de aprendizaje por no motivar o
escuchar a los empleados.
Uno de los personajes más importantes en la creación del sistema de producción
Toyota es Taiichi Ohno quien consideró que de todos los desperdicios, el más
importante es la sobreproducción ya que causa la mayoría de los demás
desperdicios. Produciendo más de lo que el cliente necesita, en cualquier operación
del proceso de fabricación, necesariamente creamos más inventario en algún lugar
aguas abajo: el material estará en algún lugar aparcado esperando a ser procesado
en la siguiente operación (Liker, 2004). De acuerdo con Villaseñor y Galindo (2007),
los desperdicios que más se presentan en un proceso de fabricación son transporte,
inventario y esperas con porcentajes de desperdicio de 20% en transporte, 20% en
inventario y 15% en espera como se observa en la figura 1.6.
Valor agregado 5%
7 desperdicios
95%
10% Sobreproducción
15% Espera
20% Transporte
10% Sobreprocesamiento
20% Inventario
10% Movimiento
10% Retrabajo
Figura 1.6 Los siete desperdicios.
En la mayoría de los casos, solo el 5% de todas las actividades que se desarrollan
en las empresas agregan valor, el resto es desperdicio.
Capítulo 1
34
1.5.1.5. Mapeo de valor
Los mapas de valor se utilizan para conocer a fondo el proceso tanto dentro de la
planta como en la cadena de suministro. Esta herramienta ha permitido entender
completamente el flujo y, principalmente, detectar las actividades que no agregan
valor al proceso; además, ha sido uno de los pilares para establecer planes de
mejora con un objetivo y un enfoque muy preciso.
Como punto de partida, se establecen algunos aspectos de las operaciones que
debemos contestar al realizar un mapa de valor (Villaseñor, 2007).
1. ¿Cuál es la capacidad del sistema de producción?
2. ¿Cuál es el cuello de botella?
3. ¿Cuál es la velocidad a la que compra el cliente?
4. ¿Cuál es el porcentaje de capacidad disponible?
5. ¿Nuestras restricciones son internas o externas?
6. ¿Cuáles son las limitantes para las metas de nuestro negocio?
7. ¿Cómo diseñaremos nuestro sistema para cumplir con los compromisos?
El análisis de valor puede aportar información muy valiosa para responder a estas
preguntas y, sobre todo, para diseñar un sistema que se adapte a las fluctuaciones
de la demanda, dadas las cambiantes necesidades del cliente.
Un mapa de valor es una representación gráfica de elementos de producción e
información que permite conocer y documentar el estado actual y futuro de un
proceso, es la base para el mismo análisis del valor que se aporta al producto o
servicio, y es la fuente del conocimiento de las restricciones reales de una empresa,
ya que permite visualizar dónde se encuentra el valor y dónde el desperdicio (Rother
y John, 1999).
En el mapa de valor podemos observar y entender el flujo de la información y el flujo
de los materiales, ya que una empresa de manufactura no solo fabrica bienes, sino
que también produce información.
Capítulo 1
35
1.5.1.6. Cadena de valor
Son todas las operaciones que transforman productos de la misma familia y que son
necesarias para ofrecer al cliente un producto desde el concepto o diseño, hasta la
producción y el envío (Socconini, 2008). En una cadena de valor existen elementos
tangibles e intangibles, como equipo, personas, materiales, métodos, conocimiento,
habilidades diversas, energía, etc. El mapeo de la cadena de valor consiste en ver
plasmados todos esos elementos en un dibujo para entenderlos y mejorarlos, y no
solo saber que existen.
1.5.1.7. Tipos de mapas
Mapa del estado actual: El mapa del estado actual será un documento de
referencia para determinar excesos en el proceso y documentar la situación actual de
la cadena de valor.
En este mapa podemos observar los inventarios en proceso e información para cada
operación relacionada con su capacidad, disponibilidad y eficiencia. También
proporciona información sobre la demanda del cliente, la forma de procesar la
información del cliente a la planta y de la planta a los proveedores, la forma en que
se distribuye al cliente y la distribución por parte de los proveedores y, finalmente la
manera en que se suministra información a los procesos. Un mapa de valor es una
herramienta valiosa para el análisis de información, pues en una sola hoja de papel
podemos ver:
La demanda del cliente y la forma de confirmar los pedidos.
La demanda hacia los proveedores y la forma de confirmar los pedidos.
La forma de planear la producción y las compras.
El proceso de entregas de los proveedores y al cliente.
La secuencia de las operaciones de producción.
La información relevante de cada operación.
Los inventarios en materia prima, proceso y producto terminado.
El tiempo que agrega valor y el que no agrega.
Capítulo 1
36
Los tiempos de entrega desde materia prima hasta el producto terminado.
Mapa de valor del estado futuro: Presenta la mejor solución a corto plazo para la
operación, tomando en cuenta las mejoras que van a incorporar al sistema
productivo. Es importante observar que los mapas futuros presentan sistemas jalar, a
diferencia de los mapas actuales, que muestran sistemas de empuje.
El mapa futuro representa la parte del plan de acción para implementar las
herramientas Lean, dada una situación previamente analizada. Las herramientas
Lean que se muestran en este mapa como un relámpago representan la serie de
eventos kaizen (pensamiento de mejora continua) que debe realizar el equipo y que
se describirán en cada tema según sea necesario.
Es importante mencionar que no todas las mejoras se implementaran al mismo
tiempo, sino que se presenta un plan de ataque y una priorización de actividades. El
mapa de estado futuro es el plan de inicio para la construcción de un nuevo esquema
de trabajo y debe ser claro, a fin de que todo el equipo hable un lenguaje común y
esté consciente de los cambios y mejoras que se introducirán al proceso.
Utilidad del mapa de valor: Realizamos un mapa de valor cuando vamos a iniciar
un proceso de mejora de una familia específica de productos y necesitamos
enfocarnos en las herramientas que utilizaremos para encontrar los puntos de mayor
impacto y centrar en ellos nuestros esfuerzos. Estos puntos pueden ser cuellos de
botella, puntos críticos, áreas con potencial, etcétera. En el anexo 3, se presenta un
artículo publicado en la revista Dyna, donde se propone una metodología de autoría
propia que contempla la idea de realizar un mapa de valor.
1.5.1.8. Procedimiento para realizar un mapa de valor
El procedimiento se describe en tres pasos que a su vez contemplan una serie de
actividades.
1. Establecer familias de productos: Para establecer las familias de productos, se
deben enlistar todos los números de parte e indicar las operaciones por las que
Capítulo 1
37
pasa un producto, así como anotar el tiempo de ciclo para cada operación. Una
familia es un grupo de números de parte que pasan por el mismo número de
operaciones y cuyo tiempo total agregado no excede a 30% sobre el rango.
2. Crear el mapa de valor actual: Para realizar el mapa necesitaremos lo siguiente:
Obtener los datos del tiempo de ciclo para cada operación del proceso.
Obtener los datos de disponibilidad de cada equipo del proceso.
Obtener el tiempo de cambio de producto en cada operación del proceso.
Determinar los inventarios observados en cada etapa del proceso, iniciando
con el de materia prima, después los inventarios en proceso y finalmente el de
producto terminado.
Conocer la demanda del cliente, la forma en que pide y las cantidades que
solicita.
Determinar cómo se preparan los pronósticos de compra, la forma de pedir y
las cantidades que se piden a los proveedores.
Comprender la secuencia de flujo del proceso y de la información.
3. Crear estado futuro: Para dibujar el mapa del estado futuro consideraremos los
siguientes puntos:
Desarrollar un flujo continuo: Primero se unen todas las operaciones que
permitan establecer un flujo continuo para crear una célula de producción y lo
representaremos en mapa futuro. Uniremos todas las operaciones en un solo
flujo, procurando mover materiales de una estación a otra.
Crear supermercados: Procedemos a establecer supermercados, uno en el
almacén de materiales y otro en el almacén de producto terminado. Cuando
se retire un producto del supermercado de producto terminado, se retira una
tarjeta Kanban de ese producto y se manda a la célula para indicarle que tiene
que producir para reponer el producto o conjunto de productos que retiró el
cliente; como la célula requiere materiales, los retira del supermercado y
Capítulo 1
38
simplemente se manda la tarjeta a compras para pedir que los proveedores
surtan los materiales correspondientes en el supermercado de materiales.
Realizar mejoras mediante la aplicación de eventos kaizen: En el mapa
del estado futuro se indica dónde se realizaran eventos de mejora para llevar
a cabo todas las modificaciones en el proceso. La secuencia de los eventos
kaizen la determinan las prioridades observadas en el análisis del mapa
futuro. Generalmente se inicia con el flujo continuo o manufactura celular, si el
proceso tiene maquinaria, se sigue con un evento de mantenimiento
productivo total, cambios rápidos de modelo y Poka yoke. Esta secuencia
depende de las prioridades de cada empresa.
Dibujar el mapa del estado futuro: Para llevar a cabo el mapa futuro,
primero debemos preguntarnos si la planta implementará un Kanban en
producto terminado o enviará directamente el producto al cliente, sin
almacenarlo. En el caso de Lean Shop, se decide implementar un
supermercado de producto terminado de cuatro días para empezar y
posteriormente calcular el tamaño del Kanban correcto en la medida que se
aprende del sistema y se logra el flujo continuo entre las operaciones de la
célula. En el mapa del estado futuro podemos observar que ahora, aunque se
sigue utilizando la información del cliente para trabajar, el flujo se ha
convertido totalmente en jalar en lugar de empujar, como lo era en el concepto
anterior. Podemos observar que la planeación de la producción y el control de
los materiales ahora dependen completamente del sistema Kanban y
reprogramar automáticamente la producción.
Dibujar el plano de la planta: Cuando realicemos el dibujo de la distribución
del nuevo esquema de trabajo, veremos claramente que el flujo ya es continuo
y hemos liberado gran cantidad de espacio.
Capítulo 1
39
1.5.1.9. Justo a tiempo
Justo a tiempo (JIT) significa producir el artículo indicado en el momento requerido y
en la cantidad exacta (Villaseñor y Galindo, 2007). Todo lo demás es desperdicio.
Toyota Introdujo el JIT en los años cincuenta en respuesta a los problemas que
estaban enfrentando, algunos de los cuales eran:
Mercados fragmentados que demandaban muchos productos a bajos volúmenes.
Competencia difícil.
Cambios rápidos en la tecnología.
Alto costo del capital.
Precios bajos o fijos.
Trabajadores capaces que demandan niveles más altos de involucramiento.
JIT es un conjunto de principios, herramientas y técnicas que permiten a la compañía
producir y entregar los productos en pequeñas cantidades, con tiempos de entrega
cortos, para satisfacer las necesidades del cliente. Simplemente, JIT es entregar los
artículos correctos en el tiempo indicado en las cantidades requeridas.
El JIT provee elementos básicos para cambiar el sistema de producción de una
compañía:
1. El flujo continuo, el cual es típicamente utilizado en el concepto de la célula,
permite a los materiales que fluyan de operación en operación y mejora la
comunicación entre operadores.
2. Takt time, el cual marcara el paso a seguir dentro del proceso.
3. El sistema jalar (Kanban), que permite a los materiales/productos fluir sin ningún
inventario, o dentro de un rango mínimo de inventario en proceso
(supermercado). Reduce el tiempo de entrega y los costos de movimiento de
inventario; refuerza la importancia de tener un sistema de calidad.
Capítulo 1
40
Principios básicos del JIT: Desde que Toyota comenzó a usar el JIT, ha trabajado
con este sistema y además lo ha mejorado conforme ha pasado el tiempo. JIT fue
una de las primeras herramientas que llevó a Estados Unidos, junto con otra de
calidad.
JIT sigue una serie de reglas sencillas:
No se produce nada a menos que el cliente lo haya ordenado.
Se nivela la demanda de modo que el trabajo fluya suavemente a través de la
planta.
Se ligan todos los procesos a la demanda del cliente mediante simples
herramientas visuales.
Se maximiza la flexibilidad de la gente y la maquinaria.
La esencia del JIT, es “hacer que el valor fluya para que el cliente pueda jalarlo”. Los
componentes de un sistema JIT:
Kanban
Heijunka
Los pasos para introducción del justo a tiempo son:
1. Revolución del pensamiento: aquí se deben desechar los viejos conceptos y
adoptar el modo del pensamiento justo a tiempo.
2. La aplicación de las 5´s: Para comenzar con los trabajos del justo a tiempo, es
básica la implementación de esta herramienta.
3. Flujo continuo: se trabaja para remplazar la producción en lotes con la producción
pieza por pieza.
4. Producción nivelada: se requiere fabricar productos en cantidades niveladas, uno
cada vez, si es posible y no se tiene que estar cambiando la programación.
5. Operaciones estándares: estandarice el trabajo para mantener un buen flujo en
los procesos.
Capítulo 1
41
1.5.1.10. Kanban
Antecedentes: Taiichi Ohno y sus colegas visitaron en alguna ocasión plantas
armadoras de vehículos y fundidoras en Estados Unidos, buscando ideas o un
sistema para no sobre inventariarse. No encontraron lo que buscaban, pero en las
tardes, durante su viaje, visitaban supermercados y les llamó mucho la atención la
manera en la que se resurtían los artículos una vez que el cliente los retiraba del
estante y los pagaba; es decir, el billete era una señal para el abastecedor de que
tenía que resurtir el o los productos que el cliente había retirado (Villaseñor y
Galindo, 2007).
Definición: El sistema jalar (pull system) es un sistema de comunicación que permite
controlar la producción, sincronizar los procesos de manufactura con los
requerimientos del cliente y apoyar fuertemente la programación de la producción. Se
conocen generalmente dos tipos de kanban.
Kanban de retiro: Especifica la clase y la cantidad de producto que un proceso debe
retirar del proceso anterior.
Kanban de producción: Especifica la clase y cantidad de producto que un proceso
debe producir.
Ventajas de implementar Kanban: A continuación se enlistan las ventajas de la
utilización de las tarjetas kanban.
Evita la sobreproducción.
Permite trabajar con bajos inventarios.
Da certidumbre a los clientes de recibir sus productos a tiempo.
Permite fabricar sólo lo que el cliente necesita.
Es un sistema visual que permite comparar lo que se fabrica con lo que el cliente
requiere.
Elimina las complejidades de la programación de producción.
Proporciona un sistema común para mover materiales en la planta.
Capítulo 1
42
1.5.1.11. ¿Cuándo se utiliza Kanban?
Cuando es necesario estructurar el sistema de control de materiales y
administración de la producción debido a la alta mezcla de productos y a los
volúmenes de producción que tienden a ser menores.
Cuando se han introducido las variables de disponibilidad de equipo, orden y
limpieza, cambios rápidos y lotes de producto mínimos, y las condiciones se
prestan para aplicar Kanban.
1.5.1.12. Procedimiento para implementar Kanban
1. Seleccione los números de parte que compartan una misma familia de productos.
Es recomendable trabajar con números de parte que se utilizan comúnmente.
Es muy importante trabajar con números de parte en los cuales ya se ha trabajado
en la flexibilidad de la manufactura, por ejemplo, en los que se han establecido
células de manufactura se han reducido los tiempos de cambio y las máquinas de los
procesos han mejorado su disponibilidad.
2. Calcular la cantidad de piezas por Kanban
La fórmula de piezas por Kanban:
= (1.1)
Donde:
= Demanda semanal. Normalmente la demanda mensual se multiplica por 12 y se
divide entre el número de semanas laborables.
= Tiempo de entrega en semanas que tiene el proveedor interno o externo, e
incluye:
Para productos comprados: Tiempo de generar la orden + tiempo de entrega del
proveedor + tiempo de transporte + tiempo de recepción inspección y stock.
Capítulo 1
43
Para productos manufacturados: Tiempo para generar la orden de trabajo +
tiempo total de procesamiento + tiempo de recepción/inspección.
= Número de ubicaciones. Por ejemplo, al inicio de la implementación se
recomienda tener dos ubicaciones llenas, una para el proveedor y otra para el
cliente.
%VD = Nivel de variación de la demanda. Es la desviación estándar de la demanda
del periodo dividida entre el promedio de la demanda en el mismo periodo.
Otra forma de obtener el Kanban necesario en los procesos está basada en el
cubrimiento de materiales de acuerdo con el tiempo de ciclo del proceso o el tiempo
de entrega.
=
(1.2)
Tiempo de entrega: Es el tiempo total de la cadena de valor desde la materia prima
hasta el producto terminado. Este tiempo incluye actividades que agregan y que no
agregan valor. Normalmente este tiempo se define en el mapa de la cadena de valor.
Tiempo Takt: Es el tiempo disponible para producir dividido entre la demanda.
Unidades por Kanban: Es el tamaño de lote que representará cada tarjeta según la
capacidad de los contenedores que pueda cargar una persona o la cantidad lógica
de producción dadas las condiciones de operación o simplemente el lote económico.
Inventario de seguridad: Es una cantidad de materiales que mantiene cierta
confianza en el sistema ante posibles eventualidades.
3. Escoger el tipo de señal y el tipo de contenedor estándar
Es importante que los contenedores sean de fácil manejo e identificación, y que el
color para aplicar el control visual a las piezas sea acorde al color del contenedor.
Una recomendación es seleccionar la capacidad de carga del contenedor con base
Capítulo 1
44
en la capacidad de carga del operador u operadora para que sea una unidad de
carga manejable. El contenedor puede ser una caja, tarima, charola, etcétera.
4. Calcular el número de contenedores y la secuencia pitch
=
(1.3)
Pitch es el ritmo de producción de acuerdo con la cantidad de productos por
empaque.
= (1.4)
5. Dar seguimiento (WIP to SWIP)
El WIP to SWIP se calcula dividiendo la cantidad de inventario dentro de la celda
entre la cantidad de SWIP (Standard work in process). Este cálculo se realiza para
determinar la cantidad necesaria de inventario en procesos para mantener el flujo de
una sola pieza.
=
(1.5)
El resultado ideal es 1, lo que significa que el WIP es igual al SWIP.
Si el resultado es mayor que 1, entonces se tiene mucho inventario en celda.
Si el resultado es menor que 1, entonces se tiene poco inventario y existe el
riesgo que la celda se quede corta de producción.
A continuación se enlistan una serie de puntos que se deben considerar para la
implementación de tarjetas kanban:
Determine los números de parte que se implementarán en el sistema jalar.
Determine el máximo de inventarios por parte.
Calcule las cantidades Kanban para las operaciones.
Determine el tamaño estándar del contenedor.
Determine las ubicaciones de almacenamiento (supermercados)
Capítulo 1
45
Determine el número de contenedores.
Las siguientes reglas se deben de considerar si se planea la implementación de
tarjetas kanban:
1. No se pasan productos defectuosos a los siguientes procesos.
2. Se retira un Kanban cuando un proceso retira piezas del proceso anterior.
3. Los procesos anteriores fabrican piezas en las cantidades especificadas por el
Kanban retirado (el Kanban les proporciona una orden de producción).
4. Nada se produce o se transporta sin Kanban.
5. El Kanban hace la función de una orden de producción adherida a los artículos.
6. El número de kanbanes disminuye con el tiempo.
1.5.1.13. Herramientas y conceptos útiles para la aplicación Lean
Manufacturing
1. Las 5´s son una herramienta esencial para facilitar las actividades de
implementación de células de manufactura.
2. Considera la implementación del TPM antes de implementar células de
manufactura. Esto hará que sus cálculos sean más realistas y sus equipos más
confiables para trabajar en un ambiente celular.
3. Certifique a sus operadores en varias operaciones y realice una matriz de
capacitación en la que sus operadores sean capaces de operar, mantener y
analizar la calidad en cada centro de trabajo.
4. Asegure el abasto de los materiales en todas las estaciones utilizando un sistema
Kanban u otros métodos para que nunca se detenga la producción por falta de
materiales
5. Realice controles visuales para que los trabajadores entiendan sus operaciones a
fondo utilizando instructivos visuales.
6. Aplique Andon o control visual (lámparas, sonidos u otros medios) para
comunicar que se necesita material, mantenimiento, asistencia, calidad, etc. De
este modo la célula se mantendrá productiva.
Capítulo 1
46
7. Establezca mediciones de avance del trabajo cada hora, en las que los
operadores anoten la producción que llevan en ese momento y la comparen con
la producción que deberían llevar.
8. Si es posible, establezca el trabajo de pieza a pieza. Esto se logrará balanceando
la célula de producción y haciendo que los operadores muevan los materiales
directamente de operación en operación a medida que avanza el proceso.
9. Considera la aplicación de SMED (Cambios rápidos) para asegurar que la célula
trabaje a su máximo potencial.
1.5.1.14. Nivelación de la producción (Heijunka)
Antecedentes: En Toyota, el medio para adaptar la producción a la demanda se
denomina nivelación de la producción, y consiste en reducir al mínimo las
fluctuaciones de las cantidades en la cadena de la producción (Socconini, 2008).
Definición: Heijunka es un sofisticado método para planear y nivelar la demanda del
cliente a través del volumen y variedad a lo largo del turno o del día (Villaseñor y
Galindo, 2007).
1.5.1.15. Fases de la nivelación de la producción
Nivelación de la cantidad total de producción: El objetivo es minimizar la
diferencia entre la producción de un periodo y la del siguiente. Lo ideal es producir
una misma cantidad de productos en cada periodo (Socconini, 2008). Aunque la
demanda puede cambiar considerablemente según la estación (lo que afecta los
volúmenes mensuales de producción), la nivelación permite que los volúmenes de
producción diaria permanezcan constantes.
Veamos la producción en serie de los vehículos A y B, en la que el plan de
producción en serie se prepara con base en un plan mensual de producción, el cual
establece a su vez según la demanda pronosticada. Esta cantidad se divide
simplemente entre los días laborables del mes, con lo que tenemos el volumen por
producir cada día, tal como se observa en la figura 1.7.
Capítulo 1
47
Figura 1.7 Sistema tradicional “AAAAAABBBBBBBAAAAAAA”.
En la figura 1.7 podemos ver que en la manufactura tradicional se establecen
prioridades de producción a largo plazo según la demanda sin que necesariamente
sea el ritmo de venta, contrario a lo que se tiene en una producción nivelada, donde
se intenta producir todos los días todos los modelos, en lotes pequeños, tal como se
muestra en la figura 1.8.
Figura 1.8 Sistema Lean (nivelado de la producción ABABABABAB”.
Nivelado de la producción de cada modelo: Cuando nivelamos la cantidad total de
producción, podemos nivelar la producción de cada modelo mediante la preparación
rápida o el cambio de producto, y establecer la secuencia de producción según
vayan llegando las tarjetas Kanban de producción a la caja de nivelación Heijunka.
A continuación se presenta el procedimiento para implementar Heijunka:
1. Calcular el takt time.
2. Calcular el pitch para cada producto. Pitch representa el tiempo de producción y
empaque de una unidad de producción en su correspondiente cantidad de
productos por empaque.
Capítulo 1
48
3. Establecer el ritmo de producción. Para establecer la secuencia, tomamos el valor
más bajo del pitch.
4. Crear la caja Heijunka o caja de nivelación (Villaseñor y Galindo, 2007), es un
dispositivo físico usado para administrar la nivelación del volumen y la variedad
de la producción sobre un periodo especifico de tiempo. La carga es nivelada
considerando el uso más eficiente del equipo y de las personas. Las tarjetas
Kanban son colocadas en el espacio de la caja según corresponda el incremento
del pitch en los productos que deben elaborarse para embarcarse y rellenarse
subsecuentemente.
Los siguientes puntos se deben considerar para construir una caja Heijunka:
Una caja debe tener un renglón para cada uno de los clientes o producto (o por
cada color).
La caja debe tener una columna para cada lapso del pitch; por ejemplo si el pitch
es de 10 minutos, debe de contar con una columna para cada 10 minutos.
No deben tenerse más de una tarjeta u orden Kanban por casilla dentro de la
caja.
Los niveles de los renglones sobre la caja deben de incluir las piezas por
producto.
Revisar el pitch para tenerlo conforme a la demanda; se debe evitar pensar que
solo con calcularlo una vez es suficiente.
Las siguientes son algunas ventajas de implementar Heijunka (Socconini, 2008):
Evita la sobreproducción.
Establece completamente el sistema jalar.
Nivela la producción en la cadena en mezcla y volumen de producción.
Heijunka puede ser la clave para establecer un verdadero sistema jalar en una
fábrica (Villaseñor y Galindo, 2007). Heijunka usa retiros constantes en base al pitch,
pero se divide en unidades basándose en el volumen y la variedad de los productos
Capítulo 1
49
que serán manufacturados. Heijunka se puede utilizar cuando el sistema Kanban es
maduro y se requiere mayor precisión en la planeación de la producción para evitar
inventarios excesivos (Socconini, 2008).
1.5.1.16. Efectividad global de los equipos (OEE)
Es un indicador que mide la eficiencia de una máquina, línea de producción o de toda
una empresa (Villaseñor y Galindo, 2007). Para obtener la eficiencia global de los
equipos se utilizan tres parámetros:
1. Disponibilidad.
2. Desempeño.
3. Calidad.
En las tablas 1.2 a la 1.5 se explica cómo obtener cada uno de los parámetros.
Tabla 1.2 Cálculo del parámetro disponibilidad.
Disponibilidad
Código Descripción Ecuación A Tiempo total disponible
B Tiempo planeado de paro
C Tiempo neto disponible (A-B)
D Pérdidas por paros
E Tiempo de operación (C-D)
F Disponibilidad (E/C)
Tabla 1.3 Cálculo del parámetro Desempeño
Desempeño
Código Descripción Ecuación G Producción (por turno, día, etc.)
H Capacidad de producción
I Tiempo de ciclo (C/H)
J Desempeño (I*G)/C
Tabla 1.4 Cálculo del parámetro Calidad
Calidad
Código Descripción Ecuación K Número total de defectos
L Calidad (G-K)/G
Capítulo 1
50
Tabla 1.5 Cálculo de la eficiencia global de los equipos
Efectividad global de los equipos
Código Descripción Ecuación
M Efectividad global del equipo (F*J*L)*100
Las pérdidas por falta de surtimiento caen dentro de la categoría D, las cuales
afectan a la disponibilidad del equipo y por consecuencia a la eficiencia global del
equipo (OEE, por sus siglas en inglés).
1.5.2. Simulación
Una de las herramientas más poderosas para el análisis del desempeño de procesos
discretos es la simulación. La simulación permite realizar experimentaciones en un
modelo representativo del sistema real con el objetivo de analizar el desempeño del
sistema bajo ciertas circunstancias llamados escenarios, para asegurarse que las
decisiones tomadas serán efectivas al momento de implementarlas.
Antecedentes: En años recientes, el advenimiento de nuevos y mejores desarrollos
en el área de la computación ha traído consigo innovaciones igualmente importantes
en los terrenos de la toma de decisiones y diseño de procesos y productos. En este
sentido una de las técnicas de mayor impacto es la simulación.
Hoy en día el analista tiene a su disposición una gran cantidad de software de
simulación que le permite tomar decisiones en temas muy diversos. ¨Por ejemplo,
determinar la mejor localización de una nueva planta, diseñar un nuevo sistema de
trabajo o efectuar el análisis productivo de un proceso ya existente pero que requiere
mejoras. Sin duda, la facilidad que otorga a la resolución de éstas, y muchas otras
problemáticas, ha hecho de la simulación una herramienta cuyo uso y desarrollo se
han visto significativamente adelantados (García y col., 2006).
De acuerdo al contexto de esta investigación es importante dar el concepto de
simulación de eventos discretos y algunos otros conceptos relacionados con la
simulación de eventos discretos los cuales se tomaron de García y col. (2006).
Capítulo 1
51
Simulación de eventos discretos: conjunto de relaciones lógicas, matemáticas y
probabilísticas que integran el comportamiento de un sistema bajo estudio cuando se
presenta un evento determinado. El objetivo del modelo de simulación consiste,
precisamente, en comprender, analizar y mejorar las condiciones de operación
relevantes del sistema.
Entidad: es la representación de los flujos de entrada a un sistema; éste es el
elemento responsable de que el estado del sistema cambie. Ejemplos de entidades
pueden ser los clientes que llegan a la caja de un banco, las piezas que llegan a un
proceso o el embarque de piezas que llegan a un inventario.
Evento: es una cambio en el estado actual del sistema; por ejemplo, la entrada o
salida de una entidad, la finalización de un proceso en un equipo, la interrupción o
reactivación de una operación (digamos por un descanso del operario), o la
descompostura de una máquina. Podemos catalogar estos eventos en dos tipos: (1)
eventos actuales, que son aquellos que están sucediendo en el sistema en un
momento dado, y (2) eventos futuros, que son cambios que se presentarán en el
sistema después del tiempo de simulación, de acuerdo con una programación
específica.
Localizaciones: son todos aquellos lugares en los que la pieza puede detenerse
para ser transformada o esperar a serlo. Dentro de estas localizaciones tenemos
almacenes, bandas transportadoras, máquinas, estaciones de inspección, etcétera.
Recursos: son aquellos dispositivos (diferentes a las localizaciones), necesarios
para llevar a cabo una operación. Por ejemplo, un montacargas que transporta una
pieza de un lugar a otro, una persona que realiza una inspección en una estación y
toma turnos para descansar, una herramienta necesaria para realizar un proceso
pero que no forma parte de una localización específica, sino que es trasladada de
acuerdo con los requerimientos de aquel.
Capítulo 1
52
Atributo: es una característica de una entidad. Por ejemplo si la entidad es un motor,
los atributos serian su color, peso, tamaño o cilindraje. Los atributos son muy útiles
para diferenciar entidades sin necesidad de generar una entidad nueva, y puede
adjudicarse al momento de la creación de la entidad, y asignarse y/o cambiarse
durante el proceso.
Variables: son condiciones cuyos valores se crean y modifican por medio de
ecuaciones matemáticas y relaciones lógicas. Pueden ser continuas o discretas, son
muy útiles para realizar conteos de piezas y ciclos de operación, así como para
determinar características de operación del sistema.
1.5.2.2. Pasos para realizar un proyecto de simulación
Existen diferentes ideas acerca de la cantidad y orden de los pasos para realizar un
proyecto de simulación. Una propuesta bien aceptada es la de Harrell y col. (2012),
quien sugiere los siguientes pasos:
Paso 1. Definir el objetivo y plan de estudio: Definir el propósito del proyecto de
simulación y cuál será el alcance del proyecto. Este plan necesita desarrollarse para
determinar los recursos, tiempo y el presupuesto para llevar a cabo el proyecto.
Paso 2. Recolectar y analizar los datos del sistema: Identificar, recolectar y analizar
los datos definiendo el sistema a ser modelado. En este paso tenemos como
resultado un modelo conceptual y los datos documentados, los cuales deben de
coincidir.
Paso 3. Construir el modelo: Desarrollar un modelo de simulación del sistema.
Paso 4. Verificar y validar el modelo: Depurar el modelo y asegurarse que es una
representación fiel del sistema real.
Paso 5. Conducir experimentos: Correr la simulación para cada uno de los
escenarios a ser evaluados y analizar los resultados.
Capítulo 1
53
Paso 6. Presentar los resultados: Presentar los hallazgos y hacer recomendaciones
para la toma de decisiones.
1.5.2.3. Verificación y validación de los modelos de simulación
Para poder tomar decisiones con base en los resultados arrojados por el modelo de
simulación, es necesario someterlo al proceso de verificación y validación. La
verificación es el proceso de determinar si el modelo funciona como se espera. En la
verificación se está interesado que el modelo este bien construido. Es utilizado para
la comparación con el modelo conceptual y con el modelo hecho en la computadora.
El proceso de verificación involucra más al modelador que al cliente. Durante el
proceso de verificación el modelador intenta detectar errores en los datos del modelo
y la lógica del modelo para removerlos. En esencia, la verificación es el proceso de
depurar el modelo (Harrell y col., 2012).
Para llevar a cabo el proceso de validación y verificación, es necesario tener
presentes los siguientes conceptos:
Simulaciones terminales: Una simulación terminal inicia en un tiempo o estado
definido y termina cuando se alcanza otro estado o tiempo definido. Un estado inicial
podría ser el número de partes en el sistema al inicio de la jornada laboral. Un estado
terminal o evento podría ocurrir cuando un número de partes ha sido completado.
Considere por ejemplo, una manufacturera aeroespacial que recibe una orden para
manufacturar 200 aviones de un modelo particular. La compañía podría estar
interesada es saber cuánto tiempo les tomará en producir las 200 aviones. La
simulación inicia con el sistema vacío y termina cuando se han producido los 200
aviones (Harrell y col., 2012).
Simulaciones no terminales o de estado estable: A diferencia de los modelos
anteriores, las simulaciones no terminales o de estado estable no involucran una
ocurrencia en el tiempo en que tengan que finalizar. Por ejemplo, si deseáramos
conocer el número de máquinas que deben instalarse en un sistema de producción
cuya operación tiene que mantenerse activa continuamente durante todo el año,
Capítulo 1
54
podríamos modelar el sistema hasta que la variable de interés llegara a un estado
estable (García y col., 2006). En las simulaciones no terminales el estado estable del
sistema es el que está siendo analizado. En una simulación no terminal no significa
que la simulación nunca termina. Significa únicamente que la simulación podría
teóricamente continuar indefinidamente sin cambios estadísticos en su
comportamiento. Ésto no significa que la condición de estado estable es aquel en el
que todas las observaciones son las mismas. Significa únicamente que todas las
observaciones a lo largo del periodo de estado estable tendrán aproximadamente la
misma distribución. Para lo cual un adecuado periodo de ejecución del modelo para
recolectar estadísticas sobre el comportamiento de estado estable del sistema debe
ser determinado.
Los sistemas no terminales comienzan con un estado de transición y gradualmente
se mueven al estado estable. Una vez que la fase inicial de transición ha sido
disminuido al punto donde el impacto de la condición inicial sobre la respuesta del
sistema es despreciable, se considera que se ha alcanzado el estado estable (Harrell
y col., 2012).
Determinación del periodo de transición: En la simulación de estado estable,
estamos interesados en el comportamiento de estado estable del modelo. Si el
modelo inicia vacío, sin entidades, usualmente tomará algún tiempo antes de que
alcance el estado estable. En la condición de estado estable, las variables de
respuesta en el sistema muestran regularidad en las estadísticas.
El tiempo que toma en alcanzar el estado estable está en función de los tiempos de
actividad y la cantidad de actividad que se realiza. Para algunos modelos, el estado
estable podría ser alcanzado en unas pocas horas del tiempo de simulación. Para
otros modelos, podría tomar cientos de horas para alcanzar el estado estable. En la
modelación del comportamiento de estado estable, el problema es determinar
cuándo el modelo alcanza el estado estable. Este periodo de inicio es usualmente
referido como periodo de transición. Es deseable recolectar los datos estadísticos del
Capítulo 1
55
modelo una vez que pasa el periodo de transición. Por lo tanto, las observaciones al
inicio de la simulación son borradas y se usa el resto de las observaciones para
estimar el verdadero parámetro de respuesta del modelo. Esto se logra en el
software de simulación Promodel, definiendo un periodo warmup como se observa
en la figura 1.9.
Figura 1.9 Definición del periodo warmup o de transición.
Varios métodos han sido desarrollados para la estimación del periodo de transición
(warmup), el enfoque más fácil y sencillo es correr una simulación preliminar del
sistema, preferiblemente con varias réplicas (5 a 10), promediar los valores de las
salidas, en cada paso a través de las réplicas y observar en que tiempo el sistema
alcanza su estabilidad estadística. Ésto usualmente ocurre cuando el promedio de
las respuestas de salida comienzan a estabilizarse o se repiten los patrones.
Trazando cada punto de los datos y conectándolos con una línea, usualmente ayuda
a identificar cuando la respuesta de salida promedio comienza a estabilizarse o a
repetir los patrones (Harrell y col., 2012).
Longitud de las réplicas: para que el resultado de una variable aleatoria llegue a un
estado estable en una simulación no terminal, es necesario garantizar que la longitud
de la réplica, , sea lo suficientemente grande para que la variación entre réplicas no
Capítulo 1
56
difiera de cierta exactitud, , el 100(1 ) de la veces. En caso de normalidad el
tamaño de corrida se calcula como:
= ( ) (1.6)
Si se tiene la certeza de normalidad pero se desconoce el valor de la desviación
estándar, será necesario realizar una corrida inicial de tamaño para determinar un
estimador de la desviación. En este caso la longitud de la réplica se determina
mediante
= (
, )
(1.7)
Cuando se desconoce el tipo de distribución de la variable aleatoria a simular o bien
la suposición de normalidad no existe, es preciso hacer uso del teorema de
Tchebycheff para calcular la longitud de la réplica. En este caso se utiliza
= 1 ( ) (1.8)
1.5.3. Heurísticas y metaheurísticas
Las heurísticas y metaheurísticas surgen por la necesidad de resolver problemas
relacionados con situaciones del mundo real, por ejemplo, la que se presenta en este
trabajo de tesis. Los problemas del mundo real tienen la peculiaridad de considerar
una gran cantidad de variables lo que da origen a un problema con un importante
número de soluciones posibles. Antes de la aparición de las heurísticas y
metaheurísticas se tenía la opción de los métodos de clásicos de optimización, que
buscan mediante elementos matemáticos, mejores soluciones y bajo ciertas
condiciones incluso puede encontrar la solución óptima, sin embargo, en problemas
de grandes dimensiones, te puede llevar a la obtención de resultados en un tiempo
que para cuestiones prácticas no es conveniente (por ejemplo la ejecución de un
programa de producción). Con el uso de las heurísticas y las metaheurísticas es
posible tener una respuesta de buena calidad en un tiempo razonable corto. En este
trabajo de investigación se analizan las dos posibilidades, la de encontrar la solución
Capítulo 1
57
mediante una heurística de propia creación y la de resolver el problema mediante un
modelo matemático resuelto mediante el método de ramificación y acotamiento.
Leür y Col. (2009) realizaron una clasificación de los algoritmos heurísticos en dos
tipos: de mejora y constructivos, que se describen más adelante. Inicialmente las
heurísticas se concebían como algoritmos hechos a la medida del problema que se
quería tratar, por lo que su aplicabilidad estaba acotada a los supuestos de quien las
diseñaba. Luego nacieron enfoques generales que eran capaces de resolver una
clase de problemas, éstas son las metaheurísticas, y dentro de las más comunes se
encuentran: recocido simulado, búsqueda tabú, algoritmos genéticos y búsqueda en
vecindarios variables.
1.5.3.1. Heurísticas
Para la mayoría de problemas de interés no existe un algoritmo exacto con
complejidad polinómica que encuentre la solución óptima a dicho problema. Además,
la cardinalidad del espacio de búsqueda de estos problemas suele ser muy grande,
lo cual hace inviable el uso de algoritmos exactos ya que la cantidad de tiempo que
se necesita para encontrar la solución es inaceptable. Debido a estos dos motivos,
se necesita utilizar algoritmos aproximados o heurísticos que permitan obtener una
solución de calidad en un tiempo razonable (Duarte y col., 2007).
El término heurística proviene del vocablo griego heuriskein que podría traducirse
como encontrar, descubrir o hallar. La definición que aparece en el diccionario de la
real academia de la lengua española en su segunda y cuarta acepción es la siguiente
(RAE, 2003):
Técnica de la indagación y del descubrimiento.
En algunas ciencias, manera de buscar la solución de un problema mediante
métodos no rigurosos, como por tanteo, reglas empíricas, etc.
Desde el punto de vista científico, el término heurística se debe al matemático G.
Polya quien lo empleó por primera vez en su libro how to solve it (Polya, 1957). Con
Capítulo 1
58
este término Polya quería expresar las reglas con las que los humanos gestionan el
conocimiento común.
Leür y col. (2009) clasifican los métodos de solución como métodos exactos,
heurísticas y metaheurísticas. En este apartado se definen las heurísticas y
metaheurísticas, más adelante se contemplan los métodos exactos o de
optimización. A continuación se resume la clasificación de heurísticas sugerida por
Leür y col. (2009):
Según Leür, una heurística es un algoritmo que permite obtener soluciones de buena
calidad para un problema dado. Esto permite tener menores tiempos de ejecución,
pero sin asegurar la optimalidad de la solución. Dependiendo de cómo acometen su
labor, las heurísticas pueden clasificarse como:
Constructivas: no parten de una solución factible, sino que la van elaborando a
medida que progresan. Una de las más conocidas es la heurística de ahorros,
donde se crean rutas factibles, y se va probando a unir una ruta que termina en
con otra que comienza en , agregando el arco , , calculando el ahorro de
cada posible movimiento. Otro ejemplo típico son las heurísticas angulares o de
pétalo, donde las soluciones se van agregando en el orden angular que presentan
respecto al centro de distribución, respetando las restricciones de capacidad, o de
distancia máxima de viaje, según sea el caso (Laporte, 2007).
De mejora: trabajan sobre una solución factible. Existen del tipo intra-ruta, que
mueven arcos dentro de una misma ruta, entre los que se encuentran las
heurísticas 2-opt, 3-opt y más generalmente la heurística de Lin-Kernighan y
extra-ruta que los intercambian entre dos o más rutas distintas, como la heurística
2-swap (Lin y Kernighan, 1973).
Técnicas de relajación: son métodos asociados a la programación lineal entera.
La más conocida es la llamada Relajación Lagrangeana, que consisten en
Capítulo 1
59
descomponer un modelo lineal entero en un conjunto de restricciones difíciles y
otras más fáciles, relajando las primeras, al pasarlas a la función objetivo
multiplicándolas por una penalidad, en forma análoga al método de
multiplicadores de Lagrange. Esto sirve para obtener cotas al problema original,
acelerando el proceso de resolución (Fisher, 1981).
Existen métodos heurísticos (también llamados algoritmos aproximados,
procedimientos inexactos, algoritmos basados en el conocimiento o simplemente
heurísticas) de diversa naturaleza, de acuerdo con ello, Duarte y col. (2007) sugieren
la siguiente clasificación:
1. Métodos constructivos: procedimientos que son capaces de construir una
solución a un problema dado. La forma de construir la solución depende
fuertemente de la estrategia seguida. Las estrategias más comunes son:
Estrategia voraz: partiendo de una semilla, se va construyendo paso a paso una
solución factible. En cada paso se añade un elemento constituyente de dicha
solución, que se caracteriza por ser el que produce una mejora más elevada en la
solución parcial para ese paso concreto. Este tipo de algoritmos se dice que
tienen visión miope ya que eligen la mejor opción actual sin que les importe que
ocurrirá en el futuro.
Estrategia de descomposición: Se divide sistemáticamente el problema en
subproblemas más pequeños. Este proceso se repite (generalmente de forma
recursiva) hasta que se tenga un tamaño de problema en el que la solución a
dicho subproblema es trivial. Después el algoritmo combina las soluciones
obtenidas, hasta que se tenga la solución al problema original. Los algoritmos
más representativos de los métodos de descomposición son los algoritmos de
divide y vencerás tanto en su versión exacta como aproximada.
Métodos de reducción: Identifican características que contienen las soluciones
buenas conocidas y se asume que la solución óptima también las tendrá. De esta
forma se puede reducir drásticamente el espacio de búsqueda.
Capítulo 1
60
Métodos de manipulación del modelo: Consisten en simplificar el modelo del
problema original para obtener una solución al problema simplificado. A partir de
esta solución aproximada, se extrapola la solución al problema original. Entre
estos métodos se puede destacar: la linealización, la agrupación de variables, la
introducción de nuevas restricciones, etc.
2. Métodos de búsqueda: Parten de una solución factible dada y a partir de ella
intentan mejorarla.
Estrategia de búsqueda local 1: parte de una solución factible que la mejora
progresivamente. Para ello examina su vecindad y selecciona el primer
movimiento que produce una mejora en la solución actual.
Estrategia de búsqueda local 2: Parte de una solución factible que la mejora
progresivamente. Para ello examina su vecindad y todos los posibles
movimientos, es decir aquel que produzca un incremento (en el caso de
maximización) más elevado en la función objetivo.
Estrategia aleatorizada: para una solución factible dada y una vecindad asociada
a esa solución, se selecciona aleatoriamente soluciones vecinas de esa vecindad.
Finalmente, cabe mencionar que el problema principal que presentan los algoritmos
heurísticos es su incapacidad de escapar de óptimos locales. Los algoritmos
heurísticos no poseen ningún mecanismo que les permita escapar de dichos óptimos
locales.
1.5.3.2. Un modelo resuelto mediante una heurística
En el ambiente Lean Manufacturing, se analiza la posibilidad de producir una gran
variedad de productos que se clasifican en familias. Srinivasan y Viswanathan (2008)
realizaron un trabajo, donde consideraron un sistema de manufactura que opera en
una ambiente productos de alta variedad y bajo volumen, con un significativo tiempo
de preparación (cambio de modelo). La meta fue lograr determinar los niveles de
inventario de trabajo en proceso para operar un sistema con demanda conocida de
cada producto. Las variables de decisión fueron el número de pallets (contenedor)
Capítulo 1
61
para cada producto y el número de unidades en cada pallet (tamaño de lote). El
objetivo fue minimizar el inventario de todos los productos. Para capturar la
congestión en el sistema, se modela como una red cerrada de colas (closed queuing
network, ) con varios tipos de productos. Al realizarlo de esta manera, se
enfrentaron a un complejo programa no lineal entero con una función objetivo no
convexa. Además desarrollaron una heurística para reducir el número de candidatos
a evaluar en la búsqueda de la solución óptima.
El trabajo fue motivado por un problema en Woodward Aircraft Engine Systems en
Rockford, Illinois. Esta empresa manufactura una amplia gama de productos, por
ejemplo una célula típica produce más de 200 productos con una demanda anual de
entre 40 y 200 unidades. Los tiempos de preparación en las instalaciones son muy
grandes, cerca de 30 a 50 veces el tiempo de procesamiento por unidad.
En este trabajo se utilizó un modelo de red cerrada de colas ( ) con diferentes
clases de clientes para modelar los diferentes tipos de productos. Las variables de
decisión fueron el número de pallets para cada producto y el número de productos en
cada pallet (tamaño de lote). El problema de minimizar el inventario de trabajo en
proceso fue formulado por ecuaciones de estado en desarrollo para la utilizando
el análisis de valor medio. Esto dio como resultado un programa entero no lineal con
una función objetivo no convexa. El algoritmo óptimo trabaja bien con problemas de
10 a 20 productos pero el esfuerzo computacional requerido incrementa
exponencialmente con el número de productos en el sistema. Por lo tanto también
desarrollaron una heurística simple para reducir el número de configuraciones a
evaluar en la búsqueda de la solución óptima.
En la revisión de la literatura realizada, concluyeron que los modelos que se enfocan
a la determinación del número de pallets requeridos para satisfacer una demanda de
una mezcla de productos, asumen que los tiempos de ajuste (Tiempos de cambio de
modelo) en las estaciones de trabajo son insignificantes.
El modelo planteado por Srinivasan y Viswanathan se explica a continuación:
Capítulo 1
62
El sistema de manufactura usa estaciones de trabajo para procesar productos
diferentes. El promedio del tiempo de ajuste para un lote del producto en una
estación de trabajo es y el tiempo promedio de procesamiento por unidad del
producto en la estación de trabajo es La demanda por unidad de tiempo
para el producto es
El número de lotes o pallets de productos del producto en el sistema en cualquier
tiempo es es decir, tan pronto como un pallet del producto se procesa sale del
sistema y un nuevo pallet entra al sistema para mantener constante el inventario
WIP. El tamaño de lote o número de unidades en un pallet de productos es .
Todas las unidades en un pallet son procesadas con un solo ajuste de la estación de
trabajo y cada pallet incurre en un ajuste separado. La máxima cantidad de WIP en el
sistema es controlado por las variables de decisión, y
El sistema de manufactura descrito es modelado como . Sea un vector unidad
en dirección , el modelo es formulado como sigue:
( ) ( , ) = ∑ (1.9)
Sujeto a:
( , ) = ( )(1 ( , )) (1.10)
= 1,… , , = 1,… , ,
( , ) = ∑ ( , ) = 1,… , , (1.11)
( , ) = ∑ ( , ) = 1,… , , (1.12)
( , ) = ( , ) ( , ) (1.13)
= 1,… , , = 1,… , , (1.14)
, 1 , = 1,…
Capítulo 1
63
La notación utilizada por Srinivasan y Viswanathan se resume a continuación:
Numero de productos en el sistema de manufactura;
Número de máquinas o estaciones de trabajo en el sistema;
Tiempo promedio de ajuste para el producto en la estación de trabajo
Tiempo promedio de procesamiento por unidad de producto en la estación de
trabajo
Demanda por unidad de tiempo por producto
Número de pallets (o lotes) del producto permitidos en el sistema.
Número de unidades por pallet (o tamaño de lote) para el producto .
, Restricciones del tamaño de lote más pequeño y más grande:
Valor de dólar por unidad de WIP del producto
( , ): Tiempo promedio requerido por un lote del producto en la estación de
trabajo
( , ): Tiempo ciclo promedio (tiempo en el sistema) para un lote del producto
( , ) Número promedio de lotes del producto en la estación de trabajo
( , ) = ∑ ( , ) Número promedio de lotes de todos los productos en la
estación de trabajo
NTOT: ∑ el número total de lotes de todos los productos en el sistema.
Además del modelo explicado anteriormente, Srinivasan y Viswanathan proponen un
algoritmo heurístico debido a que el que el algoritmo óptimo para resolver el modelo,
está basado en una exhaustiva enumeración y así, a pesar de los límites sobre y
, la complejidad computacional se incrementa exponencialmente con el número
de productos en el sistema. Por lo tanto el enfoque heurístico para resolver el
problema con un gran número de productos es muy conveniente.
Capítulo 1
64
1.5.3.3. Metaheurísticas
Las heurísticas se aplican cuando los métodos clásicos de optimización resultan
imprácticos debido al elevado tiempo de solución o la imposibilidad de aplicarlos. En
general las heurísticas pueden resolver problemas particulares. Dichas heurísticas
han evolucionado de manera que ahora se le denominan metaheurísticas, las cuales
pueden resolver una gran cantidad de problemas diversos (Glover & Laguna 1997).
Los métodos heurísticos tienen su principal limitación en su incapacidad de escapar
de óptimos locales. Ésto se debe, fundamentalmente, a que estos algoritmos no
utilizan ningún mecanismo que les permita proseguir la búsqueda del óptimo en el
caso de quedar atrapados en un óptimo local. Para solventar este problema, se
introducen otros algoritmos de búsqueda más inteligentes, denominado
metaheurísticas.
El término metaheurística o meta-heurística fue acuñado por F. Glover (Glover,
1986). Etimológicamente, deriva de la computación de dos palabras con origen
griego, que son “meta” y “heurística”. El segundo término ya ha sido definido,
mientras que el prefijo meta (en inglés) se podría traducir como más allá de, en un
nivel superior. Con este término, Glover pretendía definir un procedimiento maestro
de alto nivel que guía y modifica otras heurísticas para explorar soluciones más allá
de la simple optimalidad local.
Las metaheurísticas son una clase de métodos aproximados que están diseñados
para resolver problemas difíciles de optimización en los que los heurísticos clásicos
no son efectivos. Las metaheurísticas proporcionan un marco general para crear
nuevos algoritmos híbridos combinando diferentes conceptos derivados de la
inteligencia artificial, la evolución biológica y otros procesos.
Algunas de las metaheurísticas más comúnmente utilizadas en problemas de
optimización combinatoria se describen a continuación (Leür y col., 2009):
Capítulo 1
65
Algoritmos genéticos: corresponden a una clase de algoritmos evolutivos, cada
solución del problema se codifica en un cromosoma, donde cada elemento de
éste se le llama gen. El conjunto de cromosomas forman una población, que para
una iteración corresponde a una generación. Se les aplican diversos operadores,
para generar nuevos individuos, que son agregados a la población, en un proceso
iterativo que trata de escapar de mínimos locales. Han tenido éxito en resolver
problemas de rutas de vehículos, así como de localización y cobertura, entre
muchos otros. Han sido aplicados recientemente en su forma pura para el VRP
original (Fraser, 1957).
Búsqueda en vecindarios variables: comúnmente denominada VNS por sus siglas
en inglés, parte desde una solución inicial aleatoria, a partir de la que se van
explorando, usando algún algoritmo de búsqueda local eficiente, vecindarios
progresivamente más lejanos (y grandes); en caso de que se encuentre una
mejor solución, la búsqueda se mueve hasta ella, reiniciándose la búsqueda en
los vecindarios de esta (Goldberg, 1989).
Recocido simulado: se trata de asemejar el proceso de manufactura donde un
material (metal) es calentado hasta altas temperaturas, para luego ser enfriado
lentamente, de tal manera que sus estructuras cristalinas se reorganicen en la
configuración de mínima energía. En la versión computacional, la temperatura es
discretizada, y para realizar una analogía con la situación física, se admiten
soluciones peores que la mejor encontrada con una probabilidad proporcional a la
distribución termodinámica de Boltzmann, permitiendo escapar de óptimos
locales. Es fácil de implementar, y posee varios parámetros que se pueden
cambiar para buscar mejoras, como el patrón de enfriamiento, o la probabilidad
de aceptar una peor solución. Es un método de trayectoria (Kirkpatrick y col.,
1983).
Búsqueda Tabú: en esta metaheurística, se busca en la proximidad de la solución
actual otra que mejore la evaluación de la función objetivo, almacenando las
soluciones anteriores (o alguna característica de éstas), las que son marcadas
Capítulo 1
66
como tabú. Esto evita que el algoritmo entre en un ciclo, pudiendo escapar de
óptimos locales (Glover, 1989).
Colonias de hormigas: basadas en la naturaleza; varias hormigas (procesos,
hilos, agentes, etc.) exploran distintas direcciones del espacio de soluciones
factibles, dejando tras de sí un rastro de feromonas, que le indican a la siguiente
hormiga las direcciones más interesantes de ser exploradas, las que toma con
una probabilidad proporcional al nivel de feromona existente, en un intento por no
caer en un óptimo local. Junto con esto, por su naturaleza multi-agente de
búsqueda aparece como una estrategia trivialmente paralelizable. Además, los
niveles de feromonas disminuyen tras cada iteración (se evapora). Como trabaja
con distintos agentes, se le considera un algoritmo basado en poblaciones
(Dorigo, 1992).
Enjambre de partículas: se busca simular la búsqueda realizada por entes
colaborativos, considerando las interacciones entre ellos y como se orientan hacia
una búsqueda eficiente (Kennedy y Eberhart, 1995).
1.5.3.4. Clasificación de los algoritmos metaheurísticos
En este apartado se presentan algunas metaheurísticas que con más éxito se han
aplicado a una colección amplia de problemas. A partir de las taxonomías que
aparecen en la literatura, se proponen alternativas que permiten clasificar las
metaheurísticas que se presentan a continuación:
Taxonomías clásicas: En la literatura se pueden encontrar diferentes formas de
describir o clasificar la metaheurísticas, dependiendo fundamentalmente de las
características que seleccionen para dicho propósito. A continuación se describen
brevemente algunas de las formas que más comúnmente se han utilizado para
clasificar metaheurísticas de acuerdo con Blum y Roli (2003):
Atendiendo a la inspiración
o Natural: algoritmos que se basan en un simil real, ya sea biológico, social,
cultural, etc.
Capítulo 1
67
o Sin inspiración: algoritmos que se obtienen directamente de sus
propiedades matemáticas.
Atendiendo al número de soluciones
o Poblacionales: buscan el óptimo de un problema a través de un conjunto
de soluciones.
o Trayectoriales: trabajan exclusivamente con una solución que mejoran
iterativamente.
Atendiendo la función objetivo
o Estáticas: no hacen ninguna modificación sobre la función objetivo del
problema.
o Dinámicas: modifican la función objetivo durante la búsqueda.
Atendiendo a la vecindad
o Una vecindad: durante la búsqueda utilizan exclusivamente una estructura
de vecindad.
o Varias vecindades: durante la búsqueda modifican la estructura de la
vecindad.
Atendiendo al uso de la memoria
o Sin memoria: se basan exclusivamente en el estado anterior.
o Con memoria: utilizan una estructura de memoria para recordar la historia
pasada.
Taxonomía tabular: la estructura tabular, como mecanismo de análisis de las
diferencias y semejanzas entre las distintas metaheurísticas es, probablemente, la
taxonomía más usada y más sencilla. Consiste en construir una tabla que permita la
comparación entre metaheurísticas. Esta tabla tiene una columna por cada una de
las características descritas anteriormente. Cada celda de la tabla se rellenaría con el
valor correspondiente (Ver tabla 1.6).
Capítulo 1
68
Tabla 1.6 Resumen de las características que presentan las distintas metaheurísticas
Paradigma Implementación Inspiración Multi arranque Búsqueda
local
Solución
inicial
Función
objetivo
Niveles de
vecindad Vecindad Memoria
Procesos
aleatorios
Procesos
adaptativos
Colonia de
hormigas -ACO
Arco tradicional +
demonios Si No
No
Si Poblac.
Estática
dinámica Uno estática explícita No Si
Equipos
asincrónicos - AT AT parcial No Si Poblac. Estática varios estática explícita No Si
Algoritmos
culturales - CA CA Si No No Poblac. Estática varios dinámica explícita Si Si
Algoritmos de
estimación de la
distribución – EDA
EDA parcial No No Poblac. Estática varios * Implícita No Si
Búsqueda por
entorno adaptativo
borroso – FANS
FANS No No Si Trayec. dinámica varios estática No No Si
Algoritmos
genéticos - GA GA Si No No Poblac. Estática varios estática Implícita Si Si
Proc. Aleatorizados
y adaptativos de
búsqueda voras –
GRASP
GRASP
Tradición
GRASP blased
No Si Si Trayec. Estática varios dinámica No
Si
No
No
No
Si
Si
Búsqueda local
guiada – GLS GLS No No Si Trayec. dinámica Uno estática explícita No No
Concentración
heurística HC HC No Si Trayec. Estática varios estática explícita No No
Búsqueda local
iterativa – ILS
ILS tradicional
ILS reactivo No No Si Trayec. Estática varios estática No Si
No
Si
Algoritmos
meméticos MA MA parcial No Si Poblac. Estática varios estática Implícita Si Si
Métodos multi
arranque - MSM
MSM básico
AMS No Si Si Trayec. Estática Uno estática No
Si
No
No
Si
Métodos rigurosos
– NM
NM-ruido datos
NM ruido f
NM perturbación
No No Si Trayec. dinámica Uno estática No Si
No
No
No
Metah. De opt.
Parcial en
condiciones esp.
De intensificación –
POPMUSIC
POPMUSIC No No Si Trayec. Estática Uno estática No No No
Re encadenamiento
de trayectorias - PR PR No * Si Poblac. Estática Uno estática Implícita No Si
Recosido simulado
– SA SA Si No Si Trayec. Estática Uno estática No Si No
Inteligencia de
enjambre –SI SI Si No No Poblac. dinámica Uno dinámica Implícita Si Si
Búsqueda dispersa
– SS SS No No Si Poblac. Estática varios estática Explícita No Si
Métodos de
aceptación del
umbral – TAM
TA No No Si Trayec. Estática Uno estática No No No
Búsqueda tabú –
TS
TS tradicional
TS aleatorio
TS reactivo
No No Si Trayec. Estática Uno dinámica explícita
No
Si
No
No
No
Si
Búsqueda en
vecindad variable -
VNS
VND
RVNS
BVNS
No No
Si
No
Si
Trayec. estática varios estática No
No
Si
Si
No
Capítulo 1
69
1.5.3.5. Algunos problemas resueltos con metaheurísticas
D´Armas y Mayra (2005) presentan el estado del arte de la programación de
operaciones con tiempo de preparación e identifican temas para investigaciones
futuras. Su trabajo se enfoca en el campo de la secuenciación de operaciones con
tiempos de preparación, agrupan el conocimiento en cuatro ambientes productivos
principales: una máquina, flowshop, job shop y máquinas paralelas y los clasifican en
problemas con y sin familias de productos, con tiempos de preparación dependientes
e independientes de la secuencia.
De su análisis del estado del arte de la programación de operaciones con tiempos de
preparación, se evidencia que es un campo abierto para futuras investigaciones que
se ocupen de las aplicaciones de sistemas de producción del mundo real.
Problemas de flowshop: En los problemas de ambiente flowshop, todas las piezas
tienen que someterse a múltiples operaciones en un número de máquinas. Todas
las piezas tienen el mismo recorrido, se mantiene la misma secuencia de
operaciones a través del sistema y los tiempos de operación, para cada pieza en las
máquinas, pueden ser diferentes.
La revisión realizada se resume en la tabla 1.7, donde se muestra los nombres de los
autores y cada una de las características del problema resuelto, así como el método
aplicado para su solución.
Capítulo 1
70
Tabla 1.7 Investigaciones sobre secuenciación en flowshop con tiempos de preparación.
AUTOR TIEMPOS DE PREPARACIÓN FAMILIA INDICE DE
EFICIENCIA
METODO APLICADO
Independencia de la
secuencia
Dependencia de la
secuencia Pranzo (2004) X X Heurística basado en TSP
Rajendran y Ziegier (2003) X ∑( ) Algoritmo heurístico
Stafford y Tseng (2002) X PLEM
Aldowaisan (2001) X Branch and bpund
Biazewicz (2001) X Algoritmo heurístico
Lin y Cheng (2001) X Demostración matemática
Ríos Mercado y Bard (2001) X Branch and bound
Allahverdi (2000) X Algoritmos heurísticos
Allahverdi y Aldowaisan (2000) X Algoritmos heurísticos
Cheng et al (2000) X X Algoritmo heurístico
Yang y Chern (2000) X X Algoritmo heurístico
Zhu y Heady (2000) X ∑( )( ) PLEM
Cheng T. C. (1999) X Algoritmo heurístico
Danneberg et al (1999) X X , Algorítmo de búsqueda
local Norman (1999) X Algoritmo heurístico, TS
Rajendran (1999) X ∑( ) Algoritmo heurístico
Ríos-Mercado y Bard (1999) X Heurística basada en TSP
Ríos-Mercado y Bard (1999) X Branch and Bound
Aldowaisan y Allahverdi (1998) X Algoritmo heurístico
Hwang y Sun (1998) X Prog. Dinamiaca GA
Ríos-Mercado y Bard (1998) X Branch and cut
Gupta et al (1997) X Heurística basada en TSP
Parthasarathy y Rajendran (1997 X ∑ Algoritmo heurístico, SA
Rajendran y Ziegler (1997) X Algoritmo heurístico
Problemas de Job Shop: Job Shop es un ambiente de fabricación que produce una
amplia variedad de piezas. Consiste en diferentes máquinas, en las que la pieza que
llega puede requerir de alguna o de todas las máquinas en algún orden específico y
no se puede usar la misma máquina más de una vez en la misma pieza. Los
resultados de su revisión se muestran en la tabla 1.8.
Capítulo 1
71
Tabla 1.8 Investigaciones sobre secuenciación job shop con tiempos de preparación.
AUTOR TIEMPOS DE PREPARACIÓN FAMILIA INDICE DE EFICIENCIA METODO
APLICADO Independencia de la
secuencia
Dependencia de la
secuencia Mason et al (2002) X ∑ Heurística basada en
BATCS Norman y Bean (1999) X ∑ GA
Jensen et al (1998) X X F, Tmed Reglas despatching
Valls et al (1998) X X C TS
Kim y Bobrowski (1997) X X Fmed, WIPmed,Tmed, %T,
Umed
Reglas despatching
Low (1995) X Fmed, Tmed, Promedio de
maquina ociosa
Algoritmo heurístico
Problemas de máquinas paralelas: En el ambiente de máquinas paralelas, las
piezas que llegan pueden ser procesadas en cualquiera de una cierta cantidad de
máquinas disponibles. Cada pieza, con diferentes características, permite una
operación única que puede ser realizada en cualquier máquina. Puede determinarse
la secuencia de piezas que satisfaga un cierto criterio basado en diferentes medidas
de eficacia. Los resultados de la revisión se encuentran en la tabla 1.9.
Tabla 1.9 Investigaciones sobre secuenciación en máquinas paralelas con tiempos de preparación.
AUTOR TIEMPOS DE PREPARACIÓN FAMILIA INDICE DE
EFICIENCIA
METODO APLICADO
Independencia
de la secuencia
Dependencia
de la secuencia Abdekhodaee et al (2003) X C Algoritmo heurístico
Blige et al (2003) X ∑ TS
Chen y Powell (2003) X X X F, U Branch and bound
Guirchoun et al (2003) X Cmax Algoritmo heurístico
Lin y Jeng (2003) X X Tmax Programación dinámica, Algoritmo
heurístico Kim et al (2002) X ∑ SA
Hurink Knust (2001) X C Algoritmo Prog. List
Kravchenko y Wernwr (2001) X C Algoritmo heurístico
Webster y Azizoglu (2001) X X F Prog. Dinámica
Weng et al (2001) X Fmed Algoritmo heurístico
Park et al (2000) X ∑ Algoritmo heurístico, redes neuronales
Balakrishnan (1999) X ∑( ) ( ) Prog. Entera mixta
Sivrikaya-Serifoglu y Ulusoy
(1999)
X ∑( ) GA
Kravchenco y Werner (1997) X Cmax, Tiempo
muerto forzado
Algoritmo heurístico
Lee y Pinedo (1997) X ∑ Regla dispatching, SA
Liaee y Emmons (1997) X X X F, Fmax, Tmax,
Uj
Demostr. matemática
Capítulo 1
72
En una de sus conclusiones destaca que a pesar de que varios autores han
estudiado el problema de secuenciación con tiempos de preparación, pocos se han
ocupado de las aplicaciones a casos del mundo real.
La aplicación de heurísticas para reducción del WIP fue tratada por Kim y col. (2008),
ellos escribieron lo que denominaron políticas de control de la producción robusta
considerando un WIP equilibrado y el tiempo de ajuste (cambio de modelo) en una
línea de fabricación de semiconductores. En su trabajo Kim discute el problema de
determinar la carga de trabajo en una línea de fabricación de semiconductores para
proporcionar un control de la producción robusta.
Propone un modelo matemático para determinar la cantidad de obleas que se
procesa en equipo en un proceso de fotolitografía, donde se incurre en un tiempo de
preparación si se cambia el tipo de oblea en el equipo. El objetivo del modelo es el
control de la línea de producción, manteniendo el trabajo el proceso en un valor ideal,
tan cerca como sea posible de un tiempo de ciclo corto y reduciendo al mínimo los
tiempos de ajuste para lograr un rendimiento máximo.
El modelo propuesto se formula mediante programación entera mixta (MIP, por sus
siglas en inglés) para minimizar la suma ponderada de las dos funciones objetivo.
Kim sugirió un enfoque heurístico usando la relajación lineal y su ajuste. Las
funciones se evaluaron para la solución óptima con un costo computacional y para la
heurística. Se mostró que la heurística da buenas soluciones que están lejos del
10%, en promedio, a partir de la solución óptima, pero que se puede obtener en
pocos segundos.
Kim menciona que los tiempos de ciclo corto pueden ser logrados únicamente en
ambientes con bajos niveles de inventario y de WIP. Escaso WIP puede provocar
ocio en el equipo y frecuentes cambios en los dispositivos elevados costos de ajuste.
Hay un dilema en la operación de la fabricación en línea.
Capítulo 1
73
Para la construcción de su modelo matemático considera lo siguiente:
Las políticas de control del WIP en el modelo de balance intentan tener una alta
utilización de las máquinas mediante el suministro adecuado de WIP y para hacer
líneas reactivas a las demandas de producción.
La política de equilibrio en el control de la producción tiene varios beneficios. Uno de
ellos es la realización del tiempo de ciclo corto, manteniendo los niveles de WIP lo
más bajo posible, que posteriormente se reduce el costo de fabricación mediante el
aumento de la utilización de equipos costosos en una línea de fabricación. Además,
la línea puede operar de forma flexible ante los cambios de la demanda, que a su vez
aumenta la satisfacción del cliente con mayores tasas de cumplimiento de pedidos
de clientes. Kim considera que la línea tiene que ser administrada para operar con
máxima robustez en el mantenimiento de un nivel bajo de inventario en la línea.
Bajo las consideraciones anteriores, el modelo matemático propuesto por Kim
consiste de dos términos para reducir al mínimo: (1) la suma de las diferencias entre
los niveles ideales de WIP y los niveles de WIP reales, y (2) la suma de las pérdidas
de tiempo de ajustes, donde los dos términos son agregados de una manera
ponderada. La unidad de la función objetivo es el número de obleas, y los tiempos de
preparación se transforman a número de obleas, que se procesa en ese equipo
contrario. Se supone que cuando un determinado dispositivo se asigna para ser
procesados, se incurre en tiempos de preparación.
Las notaciones para el modelo son las siguientes:
Índice de los dispositivos
Índice de gestión de los puntos en el proceso.
Índice de los equipos.
Índice de los periodos de planeación.
( , , , ) Volumen del dispositivo , en el punto de gestión , a ser procesado en el
equipo , durante el tiempo .
Capítulo 1
74
( , , , ) Variable binaria, 1, si el dispositivo en el punto de gestión , es
procesado por el equipo durante el tiempo , 0 de otra manera.
( , , ) Cantidad de WIP del dispositivo en el punto de gestión , durante el
tiempo
( , , ) Tiempo de procesamiento del dispositivo , en el punto de gestión , a ser
procesado sobre el equipo .
( , ) Tiempo promedio de procesamiento del dispositivo en el punto de gestión
( , , ) Tiempo de ajuste del dispositivo , en el punto de gestión , a ser
procesada por el equipo
( , ) Capacidad del equipo durante el tiempo
( , ) Conjunto de equipo elegible para procesamiento del dispositivo , en el punto
de gestión
( , , ) Cantidad nominal de WIP del dispositivo , en el punto de gestión , durante un tiempo
( , ) Producción nominal mínima del dispositivo durante un tiempo
Peso para hacer el balance entre lo no balanceado y el tiempo de ajuste.
Número suficientemente grande.
( , , ) Excedente cantidad de WIP para el valor nominal de WIP (TW).
( , , ) Escasez de WIP para un valor nominal de WIP (TW).
La formulación del modelo es la siguiente:
∑{ ( , , ) ( , , )} ∑ ( , , ) ( , , , )
( , ) (1.15)
Subject to
( , , ) = ( , , ) ( , , ) ( , , ), , , (1.16)
( , , ) = ( , , 1) ∑ ( , , , ) ( , ) ∑ ( , 1, , 1) ( , ) , , , (1.17)
∑ ( , , ) ( , ) ( , , 1), , , (1.18)
( , , ) ( , , , ), , , (1.19)
∑ ( , , , ) ( , , ) ∑ ( , , ) ( , , , ) , , ( , ), , (1.20)
∑ ( , , , ) ( , ) ( , ), , , (1.21)
Capítulo 1
75
( , , ) 0, ( , , ) 0, ( , , ) 0, ( , , , ) 0, , , ,
( , , , ) 0, , , ,
( , , , ) 0 1 , , , ,
Kim considera que para la programación de la producción es prácticamente
imposible encontrar la solución a través del modelo MIP. Por lo tanto, sugiere dos
heurísticas: una es la programación lineal (LP), la asignación basada en relajación
(LPR en adelante), y la otra es la llamada asignación directa basada en el equilibrio
(DBA en adelante). Para la solución del problema de surtimiento de materiales de
GKN, es posible aplicar un enfoque parecido al usado por Kim.
La heurística puede hacer uso de los modelos de programación matemática y otros
métodos (Ball, 2011). La primera clase de métodos que analiza Ball descompone un
problema en una secuencia de subproblemas, donde se modela cada subproblema
como un programa matemático y es resuelto óptimamente. El segundo tipo de
métodos que analiza son algoritmos de mejora que resuelven un programa
matemático para generar una solución mejorada a partir de una solución factible
conocida. La tercera clase de métodos que considera son algoritmos de
programación matemática, sobre todo branch and bound (ramificación y cota), para
generar una solución aproximada de interés. Por último considera los métodos de
relajación para solucionar el problema original de interés como un primer paso para
generar una solución factible buena.
La programación matemática implica el estudio de técnicas que pueden generar
probables soluciones óptimas a problemas de optimización. Desde el punto de vista
muy práctico, el campo de la heurística se tiene un objetivo muy similar, es decir,
generar soluciones a los problemas de optimización. La diferencia para el caso de la
heurística es que las soluciones se pueden considerar buenas, pero no
necesariamente óptimas. El objetivo del trabajo de Ball, es explorar entre estos dos
enfoques para la solución de problemas. El énfasis del trabajo de Ball se encuentra
Capítulo 1
76
en la forma de programación matemática que puede ser utilizada en problemas
prácticos, aproximándose a la solución.
Ball concluye su trabajo aclarando que los modelos de programación matemática se
han aplicado en una amplia gama de formas para generar soluciones aproximadas.
En la sección dos de su trabajo destaca que cuando un modelo de programación
matemática es insertado en un entorno del mundo real, es posible resolverlo ya sea
por un método heurístico o exacto, dependiendo de la interpretación. Por tanto hasta
cierto punto, cualquier investigación que implique la programación matemática
contribuye al estudio de la programación matemática basada en la heurística.
La investigación del problema de surtimiento desarrollado, contribuye con el
enriquecimiento de la programación matemática debido a que se trata de un
problema cuyo planteamiento no se encontró hasta el tiempo que duro la
investigación, en la literatura especializada, y los métodos de solución que se
proponen se encuentran en la misma dirección a lo que propone Ball, es decir
mediante métodos exactos y heurísticos.
1.5.3.6. Método Húngaro
El problema de asignación es un problema de transporte balanceado, en el cual
todas las ofertas y todas las demandas son iguales a uno. Se puede resolver
eficientemente mediante el método Húngaro descrito por medio de tres pasos
básicos (Kuhn, 1955):
Paso 1. Empiece por encontrar el elemento más pequeño en cada renglón de la
matriz de costos. Construya una nueva matriz, al restar de cada costo, el costo
mínimo de su renglón. Encuentre, para esta nueva matriz el costo mínimo en cada
columna. Construya una nueva matriz (la matriz de costos reducidos) al restar de
cada costo el costo mínimo de su columna.
Capítulo 1
77
Paso 2. Dibuje el mínimo número de líneas (horizontales o verticales) que se
necesitan para cubrir todos los ceros en la matriz de costos reducidos. Si se
requieren líneas para cubrir todos los ceros, siga con el paso 3.
Paso 3. Encuentre el menor elemento no cero (llame su valor en la matriz de
costos reducidos, que no está cubiertos por las líneas dibujadas en el paso 2. Ahora
reste de cada elemento no cubierto de la matriz de costos reducidos y sume a
cada elemento de la matriz de costos reducidos cubierto por dos líneas. Regrese al
paso 2.
Un problema de asignación es un problema de transporte balanceado en el que
todas las ofertas y demandas son iguales a 1; así se caracteriza por el conocimiento
del costo de asignación de cada punto de oferta a cada punto de demanda. La
matriz de costos del problema de asignación se llama matriz de costos. Como todas
las ofertas y demandas para el problema de asignación son números enteros, todas
las variables en la solución óptima deben ser valores enteros.
Notas a considerar cuando se resuelve un problema mediante la heurística del
método Húngaro.
1. Para resolver un problema de asignación en el cual la meta es maximizar la
función objetivo, se debe multiplicar la matriz de ganancias por menos uno (-1) y
resolver el problema como uno de minimización.
2. Si el número de filas y de columnas en la matriz de costos son diferentes, el
problema de asignación está desbalanceado. El método Húngaro puede proporcionar
una solución incorrecta si el problema no está balanceado; debido a lo anterior, se
debe balancear primero cualquier problema de asignación (añadiendo filas o
columnas ficticias) antes de resolverlo mediante el método Húngaro.
3. En un problema grande, puede resultar difícil obtener el mínimo número de filas
necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede
demostrar que si se necesitan líneas para cubrir todos los ceros, entonces se
Capítulo 1
78
pueden asignar solamente trabajos a un costo cero en la matriz actual; ésto explica
por qué termina cuando se necesitan líneas.
Esta heurística del método Húngaro, se aplicó en la solución de un problema de
asignación de ruteros cuyo desarrollo se presenta en el anexo 3 de esta tesis.
1.5.4. Optimización
La optimización es una disciplina fundamental en campos de la ciencia tales como la
informática, la inteligencia artificial o la investigación de operaciones. En otras
comunidades científicas, la definición de optimización se torna bastante imprecisa, y
se relaciona con la idea de “hacerlo mejor”. De acuerdo con Duarte y col. (2007) el
concepto de optimización se concibe como el proceso de encontrar la mejor solución
posible a un problema de optimización.
En los problemas que se presentan en el mundo real resulta muy complicado la
obtención de soluciones óptimas debido a la dimensionalidad, generalmente se
manejan una enorme cantidad de variables que hacen que la solución óptima se
alcance en un tiempo considerablemente largo donde podríamos hablar de siglos.
Ésto se convierte en impráctico debido a que en las empresas se toman decisiones
en lapsos muy breves.
Más adelante, en el capítulo 3, se presenta un modelo de programación lineal entera
mixta representativo del sistema de surtimiento de materiales, el cual se define
mediante 527 variables y 289 restricciones y se propone el algoritmo de ramificación
y acotamiento para su solución.
Con respecto al problema que se ataca, no se encontró dentro de la literatura
especializada información que presente un problema similar al que se tiene en GKN,
por lo que en este apartado se presenta información de algunos tópicos que tienen
solo cierta relación con la problemática de GKN.
Capítulo 1
79
De acuerdo a la literatura analizada los problemas complejos como el que ese trata
en esta investigación, se han planteado, en su mayoría como modelos de
programación lineal entera.
Las técnicas de optimización más importantes son la programación lineal y no lineal
con y sin variables discretas (Caballero y Grossman, 2007). La clasificación de los
problemas de optimización se presenta en la figura 1.10.
Figura 1.10 División de la optimización.
De la clasificación que se presenta en la figura 1.10, en esta investigación nos
enfocaremos en la programación lineal entera mixta debido a que el problema que se
trató en la empresa GKN presenta las características que lo hacen caer dentro de
esta clasificación.
Si tanto la función objetivo como las restricciones son lineales entonces el problema
tiene la estructura siguiente:
Variables
continuas
Optimización Variables
discretas
Variables
discretas y
continuas
Programación
lineal
Programación no
lineal
Programación lineal
con variables
enteras
Programación no
lineal con variables
enteras
Programación lineal
entera mixta
Programación no
lineal
Problema lineal
complementario
Convexa
Cuadrático
Diferenciable
Capítulo 1
80
=
0
Dónde:
= : Función objetivo
Matriz de coeficientes de las variables en el sistema de ecuaciones de ( )
Vector solución (nx1).
Lado derecho de la restricción.
Vector de costos o de utilidades.
0, condición de no negatividad
El método estándar para resolver un problema lineal ( , por sus siglas en inglés) es
el método simplex. Véase (Dantzing, 1963). Es posible plantear problemas donde
sea necesario examinar todas las bases. Así en un problema con variables y
restricciones, el número de iteraciones en el peor caso sería de ( ), por ejemplo
un problema con 100 variables y 50 restricciones en un hipotético ordenador capaz
de llevar a cabo un billón (1012) de iteraciones del simplex por segundo tardarían
unos 4x1014 años en resolver el problema.
Un modelo de programación lineal entera mixta ( ) se puede escribir de la
siguiente forma:
{0,1}
Capítulo 1
81
Dónde:
, función objetivo
, = Matriz de coeficientes de las variables en el sistema de ecuaciones.
Vector solución para variables continúas.
Vector solución para variables binarias.
Lado derecho de la restricción.
Vector de costos o de utilidades.
, variables continúas
{0,1} , variables binarias
Los métodos para resolver MILPs según Nemhauser & Wolsey, (1988) están
fundamentalmente basados en los métodos de ramificación y acotamiento (BB, por
sus siglas en inglés) y sus variantes, donde cada subproblema lineal se resuelve
utilizando el método simplex. Este método consiste en una enumeración en árbol en
el cual el espacio de variables enteras se divide de forma sucesiva dando lugar a
subproblemas lineales que se resuelven en cada nodo del árbol.
En el nodo inicial las variables enteras se relajan como variables continuas, de tal
forma que se les permite tomar valores fraccionarios. Si la solución de este problema
produce de forma natural una solución en la cual todas las variables y toman valores
enteros se habría alcanzado la solución. Sin embargo, ésto sólo ocurre en un número
muy reducido de casos (por ejemplo en los problemas de asignación) y lo normal es
que algunas de las variables y tomen valores fraccionarios.
En cualquier caso, este nodo inicial produce una cota inferior global al óptimo del
problema. De entre las variables que han tomado valores fraccionarios se debe
seleccionar una de ellas para ramificar de acuerdo a una serie de reglas
predeterminadas (costo reducido, parte decimal más cercana a 0.5, etc). Una vez
que se ha elegido una variable para fijar se resuelve el nuevo problema LP con la
variable selecciona fija. Cuando se aplica el método simplex la solución de este LP
se puede actualizar de forma muy eficiente a partir del resultado de su nodo
Capítulo 1
82
antecesor. Esta propiedad no la comparten los algoritmos de punto interior, por lo
que en los métodos para resolver MILPs los algoritmos de punto interior
prácticamente no se utilizan. El procedimiento continúa ramificando nodos abiertos
(nodos en los que se ha obtenido una solución factible con alguna variable y no
entera). Para la elección del nodo a ramificar se utilizan reglas heurísticas (búsqueda
en profundidad, búsqueda en anchura, etc…).
Es importante remarcar que un nodo cualquiera es una cota inferior para todos los
nodos posteriores generados a partir de éste, es decir, a medida que descendemos
por las ramas del árbol la función objetivo de los nodos va creciendo de forma
monótona. Cuando en un nodo se obtiene una solución entera, ésta es un límite
superior a la solución óptima del problema, de tal forma que todas las ramas abiertas
con valor superior de la función objetivo no necesitan evaluarse (acotamiento). La
enumeración continúa hasta que la diferencia entre las cotas inferiores y superiores
están dentro de una tolerancia o bien no existen ramas abiertas.
En el peor de los casos, el algoritmo básico de ramificación y acotamiento termina
con la enumeración de todos los nodos del árbol. Dos desarrollos importantes han
contribuido a mitigar el crecimiento exponencial en la solución de MILPs: El
desarrollo de técnicas de pre-procesamiento y la introducción de planos de corte. El
pre-procesamiento se basa en la utilización de técnicas de eliminación automática de
variables y restricciones, reducción de límites, reformulación de restricciones y fijar a
priori algunas variables enteras. Los planos de corte son restricciones extra añadidas
al problema, bien en el nodo inicial o dentro de la enumeración, que tienen el efecto
de reducir la región factible del problema sin comprometer ninguna de las soluciones
enteras del mismo. Los últimos desarrollos en MILP incluyen los métodos de
ramificación y precio (Barnhart et al, 1998) y ramificación y corte (Balas et al, 1993).
Una revisión de los métodos de optimización se puede encontrar en (Johnson et al.,
2000).
Capítulo 1
83
Sistemas de modelado: Podríamos considerar un lenguaje de modelado como una
herramienta que permite transformar la representación matemática de un modelo a
una estructura que es capaz de resolver un algoritmo de optimización en una
computadora. Aunque como se verá en los próximos párrafos un sistema de
modelado hace mucho más que una simple “traducción” de un lenguaje matemático
más o menos estándar a código legible por un algoritmo de computadora.
Es fácil comprender las dificultades que aparecen cuando se plantea un modelo de
optimización. El número de ecuaciones que puede aparecer en el modelo es grande,
a veces enorme. Tener que teclear todas esas ecuaciones es una tarea
definitivamente fuera del alcance de cualquier persona y desde luego la probabilidad
de cometer algún error tipográfico, enorme. Incluso aunque el modelo no sea muy
grande pueden serlo los datos que lo acompañan.
En muchas aplicaciones hay que calcular el valor de derivadas e incluso derivadas
de segundo orden que se deben introducir también en el código. Cuando se trabaja
con un modelo es a menudo interesante comprobar el funcionamiento de éste
utilizando diferentes conjuntos de datos. Por supuesto, es interesante analizar los
resultados, sensibilidades, etc. En más de una ocasión es necesario probar
diferentes códigos disponibles, desarrollados por diferentes investigadores y que
habitualmente utilizan formatos de datos distintos. De todos estos aspectos es de lo
que se ocupa un sistema de modelado (Caballero y Grossmann, 2007).
Capítulo 1
84
Justificación 1.6.
En la planta GKN Driveline se requiere una eficiencia general del equipo (OEE, por
sus siglas en inglés) de 82%, considerando una pérdida planeada de 18%. De este
18% de pérdida planeada, 1% de afectación se planea para el surtimiento de
materiales, como se puede observar en la figura 1.11.
Figura 1.11 Representación del 1% de pérdidas por surtimiento para un OEE del 82%.
Fuente: GKN
Aparentemente 1% no es significativo, pero sé si consideran las grandes pérdidas
monetarias como consecuencia de los paros por falta de surtimiento, se dejan de
producir hasta 4200 flechas de velocidad constante (FVC) por mes en solo una línea,
lo cual implica pérdidas hasta de 210,000 dólares mensuales por línea.
La solución, no se encuentra en el incremento del número de ruteros para tener
mayor capacidad de entrega de materiales, debido a la interacción que existe entre
los tiempos de entrega, las cantidades a producir en las diferentes líneas, los tiempos
ciclo de acuerdo al modelo y los tiempos de cambio de modelo. Dicha interacción
provoca en ciertos periodos problemas en el surtimiento. En ocasiones es necesario
abastecer dos o más líneas de manera simultánea, lo que puede ocasionar que se
Capítulo 1
85
presente el problema de pérdidas por falta de surtimiento. Por ciertos periodos de
tiempo las solicitudes se encuentran escalonadas y los ruteros no se requieren de
manera simultánea, lo que genera ocio por parte de los ruteros. De esta manera, el
incrementar el número de ruteros estará en contra de los principios del pensamiento
Lean, donde se exige producir solamente las cantidades de productos que el cliente
solicita y en los modelos que lo requiere, haciendo uso de la cantidad mínima de
recursos para lograrlo. Ésto hace necesario buscar una solución novedosa al
problema de surtimiento de materiales sin tener que incrementar los recursos para
dicha actividad.
Los expertos en Lean Manufacturing, tales como Harris y Wilson (2003) consideran
solamente tiempos determinísticos, en este trabajo se presenta un modelo de
simulación donde es posible analizar el sistema bajo las condiciones en que opera
actualmente, bajo escenarios determinísticos y estocásticas. Standridge (2006) pone
de manifiesto que es necesario hacer uso de la simulación para resolver problemas
de Lean Manufacturing. Grimard (2005) valida un layout de una planta manufacturera
mediante simulación para reducir el trabajo en proceso WIP. En la presente
investigación se contribuye a buscar una solución novedosa a un problema del que
no se encontró evidencia de haber sido tratado en la literatura especializada.
Expertos en lean, simulación y optimización se han centrado en reducir el WIP, sin
considerar los efectos secundarios que conlleva dicha reducción como lo es “las
pérdidas por falta de surtimiento”.
Objetivo principal 1.7.
Analizar cada uno de los elementos que se encuentran involucrados en el proceso de
surtimiento de materiales y determinar la relación que existe entre ellos para
encontrar la forma óptima de definir sus respectivas actividades de manera que
contribuyan en la reducción de los tiempos en que las células de producción se
quedan sin actividad por falta de materiales.
Capítulo 1
86
1.7.3. Objetivos específicos
Los objetivos específicos están orientados principalmente en la solución del
problema de la empresa GKN Driveline, por lo que se definieron de la siguiente
manera:
1. Construir un modelo de simulación que refleje el comportamiento del sistema real
(GKN) para realizar la experimentación de las diferentes propuestas.
2. Analizar la relación entre los tiempos de entrega de los ruteros, los tiempos de
cambio de modelo y las diferentes cantidades de modelos producidos para la
construcción de un modelo matemático que permita reducir la afectación en el
porcentaje de pérdidas por falta de surtimiento.
3. Reducir el porcentaje de pérdidas por falta de surtimiento hasta lograr 1% para
contribuir en el logro de la eficiencia global del equipo planeado por la empresa.
4. Desarrollar un algoritmo heurístico que disminuya el porcentaje de paro de línea
por falta de surtimiento para implementarlo en un modelo de simulación.
5. Establecer el problema de surtimiento como un modelo matemático que sea
posible resolver mediante técnicas de investigación de operaciones para
determinar la secuencia óptima de surtimiento de los ruteros.
Hipótesis 1.8.
H1. La secuenciación y ordenación en la entrega de materiales con base en
herramientas como simulación, optimización y heurísticas hace posible reducir las
pérdidas por falta de surtimiento en sistemas de producción Lean Manufacturing
integrados por ruteros, almacenes y células de producción.
H2. El abastecimiento interno de materiales de una empresa basado en clústeres
afecta el proceso de surtimiento de materiales.
H3. La asignación de ruteros para entrega de materiales basada en un modelo
matemático o un algoritmo heurístico reduce las pérdidas por falta de surtimiento.
Capítulo 2
87
Desarrollo2.
Capítulo 2
88
Capítulo Dos
Desarrollo
Introducción 2.1.
El desarrollo de esta investigación se apoyó en gran medida en el uso de la
herramienta simulación, debido a lo riesgoso que resulta experimentar sobre el
sistema real, ya que GKN es de las empresas denominadas tier one (primer nivel),
las cuales surten directamente su producto a la empresa ensambladora de vehículos.
El costo de desabasto que provoca que se detengan las líneas de producción de una
empresa ensambladora de vehículos es de 5000 USD por minuto (Fuente: GKN). La
simulación nos permite representar sistemas mediante un modelo construido con la
ayuda de una computadora. Por su potencia para modelar sistemas de naturaleza
discreta como es de la manufactura, se consideró uso del software de simulación
Promodel.
El método o desarrollo se puede resumir de la siguiente manera: en primer lugar se
construyó un modelo de simulación siguiendo estrictamente los pasos requeridos
para la ejecución de un proyecto de simulación exitoso tales como: formulación del
problema, planteamiento de los objetivos, diseño del modelo conceptual, recolección
de datos, análisis de datos, construcción del modelo, verificación y validación del
modelo, determinación del warm-up, experimentación e implementación. Una vez
que se logró validar el modelo de simulación se ejecutaron varios experimentos como
son el análisis del desempeño del surtidor, análisis del desempeño de un nuevo
esquema de surtimiento y análisis del sistema de surtimiento aplicando clústeres.
Después de que se ejecutaron los experimentos sobre el modelo de simulación, las
propuestas de mejora que resultaron exitosas, se implementaron sobre el sistema
real. Los resultados logrados utilizando la herramienta de simulación, se comparan
contra los alcanzados con la aplicación del modelo de programación lineal y la
heurística propuesta, sin embargo estas dos últimas sólo quedarán en propuestas,
para su implementación se requiere una inversión importante, donde los recursos se
Capítulo 2
89
planean obtener del programa estímulos a la innovación 2015 que convoca el
Conacyt. El desarrollo se puede resumir en la figura 2.1 que se muestra a
continuación.
Figura 2.1 Desarrollo de la investigación.
Optimización Modelo de programación lineal entera mixta Ramificación y acotación
Heurística Específico Montecarlo
Simulación Recolección y análisis de datos Modelo Verificación Validación Warm-up
Programa de producción
Sistema virtual
Sistema real
PROBLEMA DE SURTIMIENTO DE MATERIALES
Resultado favorable
Experimentación
Análisis de resultados
Si
No
Capítulo 2
90
En el siguiente apartado se describe con detalle la ejecución de cada uno de los
pasos en el proyecto de simulación.
Modelo de simulación 2.2.
El modelo de simulación se fue actualizando conforme avanzó la investigación. Al
inicio del proyecto, sólo 10 células de producción eran las que operaban y conforme
avanzó el proyecto se fueron incorporando células de producción, hasta llegar a 17
células que son con las que actualmente trabajan en GKN.
La construcción del modelo se basó en los pasos sugeridos por Harrell y col. (2012) y
Villanueva (2008) los cuales se presentan a continuación:
Paso 1. Formulación del problema: Construir un modelo de simulación que
represente fielmente el sistema de surtimiento y producción de flechas de velocidad
constante de la empresa GKN Driveline, para validar diferentes propuestas de mejora
con el fin de encontrar la mejor solución al problema de pérdidas por falta de
surtimiento mediante el análisis de los diferentes escenarios y experimentos.
Paso 2. Planteamiento de los objetivos: El software utilizado para construir el modelo
de simulación fue Promodel, debido a que es un software que tiene una plataforma
para simular sistemas de eventos discretos como los que se presentan en la
manufactura. Como objetivos se tiene el simular diferentes sistemas para determinar
el impacto en las pérdidas por falta de surtimiento:
Sistema 1: Modelar sólo la Célula 12 y analizar el desempeño de un solo surtidor.
Los resultados se muestran en el artículo presentado en el Congreso
Internacional Academia Journals 2012, en su formato original. Ver anexo 1.
Sistema 2: Análisis de un esquema de surtimiento nuevo al operar con 1, 2, 3, 4
y 5 ruteros. Los resultados se muestran en el artículo presentado en el Congreso
Internacional de Investigación Interdisciplinaria 2012, en su formato original. Ver
anexo 2.
Capítulo 2
91
Sistema 3: Análisis del sistema de surtimiento mediante clústeres aplicando la
heurística del método Húngaro, métodos empíricos y análisis de cluster jerárquico
(ACJ). Los resultados se publicaron en la revista Dyna, los cuales se pueden
observar en su formato original en el anexo 3.
Sistema 4: Análisis del sistema de surtimiento conformado por clústeres vs
sistema de surtimiento en orden aleatorio. Los resultados se presentaron en el
Congreso internacional de logística y cadena de suministro, el artículo se
encuentra en el anexo 4 en su formato original.
Paso 3. Diseño del modelo conceptual: Dependiendo del objetivo perseguido, se
tiene un modelo conceptual diferente; sin embargo, en este apartado sólo se
describe solo el modelo conceptual del sistema de producción de GKN que
representa la situación más reciente, ya que en el transcurso de la investigación se
fueron implementado mejoras de acuerdo a los resultados mostrados en los anexos
1, 2 y 3. Actualmente se utilizan los siguientes recursos para el proceso de
surtimiento: 5 paqueteros, 3 ruteros y 9 surtidores (ver tabla 2.1).
Tabla 2.1 Situación actual del sistema de surtimiento de GKN.
RECURSO CELULA ASIGNADA
Paquetero 1 C19, C20 y C21
Paquetero 2 C4, C2, C11 y C7
Paquetero 3 C7, C15, C10 y C11
Paquetero 4 C12, C13, C14, C15 y C17
Paquetero 5 C3, C6, C9 y C17
Rutero 1 C19, C20, C17, C9, C1 y C4
Rutero 2 C10, C3, C5, C11 y C15
Rutero 3 C6, C12, C2, C7, C13 y C14
Surtidor 1 C19 y C20
Surtidor 2 C2 y C4
Surtidor 3 C1 y C9
Surtidor 4 C6 y C12
Surtidor 5 C11 y C5
Surtidor 6 C13 y C7
Surtidor 7 C14 y C15
Surtidor 8 C3 y C10
Surtidor 9 C17
Capítulo 2
92
De acuerdo con la tabla 2.1, los paqueteros se encargan de elaborar paquetes,
dependiendo de la cantidad programada de FVC´s y la secuencia plasmada en la
caja Heijunka. Por ejemplo, el paquetero 1 se encarga de elaborar paquetes de las
partes denominadas misceláneos para las células 19, 20 y 21. El resto de los
paqueteros se encargarán de elaborar paquetes de acuerdo a la asignación
plasmada en la tabla 2.1. La asignación está dada de manera empírica,
considerando como criterio la cercanía entre las células. Actualmente, es el mismo
paquetero quien se encarga de transportar los materiales desde el almacén de
misceláneos hasta las diferentes células que requieran los materiales.
Con relación a los ruteros, el rutero 1 se encarga de surtir materiales a las células 19,
20, 17, 9, 1 y 4. El resto de los ruteros se asignaron de acuerdo a lo mostrado en la
Tabla 2.1. De la misma manera, los clústeres se diseñaron tomando como criterio la
cercanía entre las células y que cada rutero tuviera la misma cantidad de células a
surtir (aproximadamente).
En relación a los Surtidores, el surtidor 1 debe surtir de materiales a las células 19 y
20, la idea de que un surtidor surta dos células en promedio está registrada en el
artículo del anexo 1. El resto de los surtidores se asignaron como se muestra en la
tabla 2.1.
La idea de la formación de clústeres se presentó en el artículo mostrado en el anexo
3, sin embargo las asignaciones no se realizaron tal y como lo indica el artículo,
debido a los cambios que se han tenido en la demanda y al número de células que
actualmente operan en la planta, sin embargo, se determinó que formar clústeres
para asignar a los paqueteros, ruteros y surtidores facilitaba en gran medida la
administración del sistema de surtimiento. La figura 2.2 describe esquemáticamente
la función que tiene cada elemento del sistema de surtimiento.
Capítulo 2
93
Figura 2.2 Descripción del modelo conceptual (sistema actual).
Paso 4. Recolección de datos: algunos datos relevantes que la empresa nos facilitó
se encuentran registrados en los anexos 5 al 8, al final de la tesis.
Básicamente se tienen dos tipos de datos, discretos y continuos. Los datos discretos
para esta investigación, son las cantidades a producir por las células que en el
lenguaje manejado por la empresa se denominan “estándar pack” (STD Pack) y
capacidades de los contenedores. Mientras que los datos continuos son los tiempos
ciclo de cada una de las operaciones de ensamble, los tiempos de cambio de
modelo, velocidades de ruteros y pérdidas históricas en porcentaje por falta de
surtimiento.
Capítulo 2
94
Los STD pack son los tamaños de lote estandarizados definidos por la empresa, que
se acercan a la cantidad promedio que pide cada uno de los clientes. Dependiendo
del número de FVC´s que se contemplen en el STD pack, es el número de plásticos
que se requieren para proteger al producto, donde generalmente, en cada plástico
caben entre 8 y 13 FVC, dependiendo del modelo que se produce en la célula. En la
tabla 2.2 se presenta el STD pack dependiendo de las necesidades del cliente, para
cada una de las 17 células que actualmente operan en la empresa.
Tabla 2.2 STD Packs establecidos para las células de ensamble.
CÉLULA STD PACK CLASIFICACIÓN PLÁSTICOS FLECHAS
1 99 MAX 9 11
45 MIN 5 9
2 81 MAX 9 9
48 MIN 6 8
3 104 MAX 8 13
40 MIN 5 8
4 90 MAX 10 9
84 MIN 12 7
5 90 MAX 10 9
81 MIN 9 9
6 90 MAX 10 9
45 MIN 5 9
7 70 MAX 7 10
60 MIN 6 10
9 88 MAX 8 11
64 MIN 8 8
10 72 MAX 8 9
40 MIN 5 8
11 110 MAX 10 11
88 MIN 8 11
12 66 MAX 6 11
54 MIN 6 9
13 77 MAX 7 11
49 MIN 7 7
14 77 MAX 7 11
49 MIN 7 7
15 54 MAX 6 9
45 MIN 5 9
17 50 MAX 5 10
48 MIN 6 8
19 60 MAX 6 10
48 MIN 6 8
20 48 = 6 8
Con respecto a los datos de naturaleza continua se recolectó la siguiente
información:
Capítulo 2
95
Velocidad promedio de los Ruteros: Para determinar la velocidad promedio de los
ruteros se realizó un muestreo preliminar de 10 tiempos en la que el rutero se
desplaza con carga y sin carga a una distancia de 30 metros. La tabla 2.3 muestra
dichas velocidades en metros por minuto (mpm).
Tabla 2.3 Muestra preliminar de tiempos y velocidades de los ruteros con carga y sin carga.
CON CARGA SIN CARGA
Corrida Velocidad mpm Velocidad mpm
1 138 180
2 150 150
3 150 164
4 129 164
5 150 180
6 164 150
7 138 180
8 129 129
9 129 164
10 180 150
Promedio 145.63 160.95
Desviación 16.79 16.73
Bajo el supuesto de normalidad, considerando los datos preliminares recolectados,
se calculó el número de observaciones necesarias con el apoyo de la ecuación 2.1
para determinar la velocidad promedio de los ruteros (Walpole, 2007)
= (
⁄
)
(2 1)
Dónde:
=
⁄
=
=
=
Capítulo 2
96
De acuerdo al contexto, se consideró que un error máximo permitido de 5 es
considerado como bajo, por lo que se definió = . Además se estableció un nivel
de una confianza del 90% por lo que el nivel de significancia es = 0 1,
correspondiente a un valor de la tabla de la distribución normal estándar de 2 =
1 y con la desviación estándar ( ) de las 10 réplicas igual para los dos casos
equivalente a 16.79 y 16.73 respectivamente, se determinó entonces un tamaño de
30 observaciones para ambos casos (la desviación estándar es muy similar en
ambos casos). La tabla 2.4 muestra las 30 velocidades en metros por minuto (mpm)
recolectadas para ambos casos.
Tabla 2.4 Velocidades obtenidas de los ruteros con carga y sin carga.
LLENO VACÍO
Corrida Velocidad mpm Velocidad mpm 1 138 180
2 150 150
3 150 129
4 129 164
5 150 138
6 164 150
7 138 180
8 129 129
9 129 129
10 180 150
11 150 138
12 129 138
13 129 129
14 129 138
15 150 129
16 129 129
17 150 138
18 129 138
19 150 138
20 138 129
21 113 129
22 138 138
23 129 150
24 129 150
25 150 129
26 150 129
27 138 150
28 150 138
29 129 129
30 150 120
Promedio 140 140
Desviación E. 14 15
Tiempos Ciclo de las células. Bajo el mismo procedimiento que se aplicó para la
determinación de la velocidad promedio de los ruteros, se determinó el tiempo ciclo
Capítulo 2
97
promedio de cada una de las células de producción. El promedio de los tiempos ciclo
se muestran en la tabla 2.5.
Tabla 2.5 Tiempos ciclo por célula de Producción.
Célula Tiempo Ciclo (Segundos)
L1 34.3
L2 34.3
L3 34.3
L4 34.3
L5 40.0
L6 34.3
L7 34.3
L9 34.3
L10 34.3
L11 34.3
L12 40.0
L13 34.3
L14 34.3
L15 40.0
L17 40.0
L19 40.0
L20 40.0
Pérdidas históricas por falta de surtimiento. La siguiente información es un
resumen de los registros de los LTA´s (Lost time Average) que la misma empresa
lleva para controlar las pérdidas por falta de surtimiento. Dicha información se
contempla los porcentajes desde el mes de agosto del año 2012, hasta el mes de
marzo de 2013. Esta información servirá más adelante para validar el modelo.
Tabla 2.6 Porcentaje de afectación al OEE debido a problemas de surtimiento, año 2012-2013.
CÉLULAS AGO SEP OCT NOV DIC ENE FEB MAR L1 2.25 2.75 2.33 2.96 2.96 2.04 2.28 1.97 L2 2.42 3.26 2.62 2.05 2.43 1.76 2.72 2.04 L3 2.39 2.45 2.31 2.42 4.28 1.87 2.26 3.13 L4 2.86 2.74 2.8 3.57 2.51 3.04 3.18 3.86 L5 4.65 5.9 6.35 5.67 4.06 3.67 L6 4.63 2.85 2.41 2.36 2.01 3.28 2.33 2.01 L7 2.6 2.56 1.88 2.22 2.7 1.68 2.89 2.02 L9 3.45 2.24 3.7 3.78 5.13 2.74 3.19 2.38
L10 2.72 2.97 3.09 3.7 2.72 2.19 3.17 3.42 L11 3.42 2.79 2.97 3.07 4.2 2.08 3.59 2.58 L12 2.36 5.47 2.05 L13 2.9 3.63 5 2.73 2.75 2.42 2.48 4.06 L14 2.1 2.87 2.65 1.89 2.78 1.58 1.46 1.26 L15 2.85 1.69 2.7 1.27 1.89 1.63 1.31 1.59 L17 3.2 3.5 2.86 3.89 3.36 2.33 2 3.5 L19 1.18 1.5 2.54 1.68 1.55 3.16 2.51 1.21 L20 1 1.92 1.55 1.56 2.25 1.35 1.5 1.29
Capítulo 2
98
Tiempos de cambio de modelo. Aplicando el mismo procedimiento explicado para
determinar el número de observaciones necesarias para la velocidad de los ruteros,
se aplicó para determinar la cantidad de observaciones necesarias para los tiempos
de cambio de modelo, donde se definió que al menos veinte datos eran requeridos,
los cuales se presentan en el anexo 7.
Paso 5. Análisis de datos: Antes de la construcción del modelo de simulación, se
realizó un análisis de los datos recolectados, para determinar la distribución de
probabilidad que siguen los datos, mediante una prueba de bondad de ajuste
(Walpole, 2007).
Promodel cuenta con una herramienta estadística llamada Stat::fit que facilita la
realización de las pruebas de bondad de ajuste basadas en las pruebas de la Chi
cuadrada, Anderson Darling y Kolmogorv Smirnoff.. En la figura 2.3 se muestra la
herramienta Stat::fit que se puede ejecutar desde las herramientas de Promodel.
Figura 2.3 Módulo Stat:fit dentro de Promodel.
La herramienta funciona de la siguiente forma: consideremos los datos de los
tiempos de cambio de modelo de la célula 1. Al ingresarlos al modelo de Stat:fit se
observa como en la figura 2.4.
Capítulo 2
99
Figura 2.4 Forma de ingresar datos al módulo Stat:fit dentro de Promodel.
Una vez que se ingresan los datos se selecciona la opción Auto::fit, para que el
programa automáticamente nos arroje las mejores distribuciones para el conjunto de
datos analizados. Para el ejemplo que se está manejando se tiene el resultado que
se muestra en la figura 2.5, donde se puede observar las mejores distribuciones de
probabilidad.
Figura 2.5 Mejores distribuciones de probabilidad para el conjunto de datos de CDM para la Célula 1.
Capítulo 2
100
Además se pueden obtener las gráficas correspondientes para las mejores
distribuciones de probabilidad identificadas como se muestra en la figura 2.6.
Figura 2.6 Graficas de las mejores distribuciones de probabilidad para el conjunto de datos de CDM para
la Célula 1.
El análisis detallado de la prueba se muestra en la figura 2.7.
Figura 2.7 Resultados de la prueba de bondad de ajuste.
Capítulo 2
101
Realizando este mismo procedimiento con los datos de cada una de las células se
puede obtener la distribución de probabilidad para cada conjunto de datos. En la
tabla 2.7 se muestra un resumen del análisis de datos de tiempos de cambio de
modelo para las 17 células activas.
Tabla 2.7 Distribuciones de probabilidad para los tiempos de cambio de modelo para las 17 células de producción.
Distribución Parámetros
Célula Normal Exponencial Media Sigma Beta
L1 Rechazada No rechazada 18.00 8.02 10.00
L2 No rechazada No rechazada 21.40 10.51 10.40
L3 No rechazada No rechazada 15.18 6.44 7.18
L4 No rechazada No rechazada 15.80 5.71 7.85
L5 No rechazada Rechazada 13.29 3.64 5.29
L6 No rechazada No rechazada 15.85 5.71 7.85
L7 No rechazada Rechazada 13.47 4.05 5.37
L9 No rechazada Rechazada 13.70 3.29 5.74
L10 No rechazada No rechazada 17.92 9.11 9.92
L11 No rechazada No rechazada 17.70 8.72 9.70
L12 No rechazada No rechazada 35.85 20.72 27.85
L13 No rechazada Rechazada 24.22 11.38 16.22
L14 No rechazada Rechazada 27.96 15.29 19.96
L15 No rechazada Rechazada 17.25 5.73 9.25
L17 No rechazada Rechazada 65.66 32.29 57.66
L19 No rechazada Rechazada 21.78 9.41 13.77
L20 No rechazada Rechazada 16.81 4.02 8.81
Así como fueron analizados los datos para los tiempos de cambio de modelo, se
realizó un análisis para cada conjunto de datos recolectados. Con el análisis de datos
se comprobó que la mayoría de los datos cumplen el supuesto de normalidad.
Paso 6. Construcción del modelo: los datos analizados en el paso 5 fueron utilizados
en la construcción del modelo de simulación. Los elementos considerados para la
construcción del modelo fueron los siguientes:
Locaciones: En total se declararon en total 640 locaciones que hicieron las
funciones de punto de uso, células, almacenes, etc.
Capítulo 2
102
Entidades: Se declararon 158 entidades, para identificar cada una de las partes que
componen la flecha, por ejemplo para las entidades de la línea 2 se definieron las
siguientes entidades: Tulipán L2, Misceláneos L2, Semieje L2, Tricetas L2, Campana
L2, Plásticos L2, así como también la entidad Tina L2 que llevan las entidades
agrupadas dependiendo de la cantidad del contenedor.
Arribos: La frecuencia de los arribos está en función del programa de producción de
cada día. Se declararon en total 166 arribos de materiales; todas las entidades llegan
a los almacenes principales y se agrupan dependiendo de las cantidades
establecidas.
Red: Son el conjunto de nodos y segmentos declarados para hacer posible el
movimiento de los recursos destinados para el surtimiento como son paqueteros,
ruteros y surtidores, desde los almacenes hacia las células de producción. En la
figura 2.8 se muestra la red de los ruteros y en la figura 2.9 se muestra la red de los
paqueteros y surtidores.
Figura 2.8 Red que permite el movimiento de los ruteros.
Capítulo 2
103
Figura 2.9 Red que permite el movimiento de paqueteros y surtidores.
Recurso: Como recursos, se declararon 3 ruteros (montacarguistas), 5 paqueteros y
9 surtidores.
Proceso: Es la secuencia lógica que se necesita para que el producto tome su forma
final. El proceso considera desde las llegadas de las entidades a los distintos
almacenes hasta la salida de productos terminados en cada una de las células. En la
figura 2.10 se pueden observar las líneas de la lógica que describen el proceso y el
layout del modelo construido en Promodel. Se anexa a la tesis un CD con el modelo
de simulación que se obtuvo al final del proyecto, donde el sistema funciona de
acuerdo a lo que se presenta en el anexo 4 cuyo proceso es lo más cercano al
sistema de producción con el que se desempeña actualmente GKN. El modelo no
puede ser modificado por el lector, solo sirve para que puedan observar el
funcionamiento del sistema. Se declararon 1049 líneas de proceso.
Capítulo 2
104
Figura 2.10 Layout y líneas del proceso del modelo.
Paso 7. Verificación del modelo: La verificación se realizó simultáneamente con la
construcción del modelo. Promodel cuenta con un depurador que permite realizar la
actividad de verificación al tiempo que se construye el modelo. En las figuras 2.11 y
2.12 se presentan mensajes de error que el software envía para realizar las
correcciones.
Figura 2.11 Mensaje de error del depurador en Promodel.
Capítulo 2
105
Figura 2.12 Mensaje de error del depurador en Promodel identificando fallas en el proceso.
Paso 8. Validación del modelo: Básicamente se aplicaron dos métodos de validación
que consistieron en una validación estadística comparando datos históricos de la
información recolectada contra las salidas del modelo de simulación y una validación
por animación que consistió en comparar la animación del modelo contra el
desempeño del sistema real, ésto con el apoyo de un experto conocedor del sistema
(Sargent, 1998). Para el caso de la validación usando datos históricos se aplicaron
intervalos de confianza para diferencia de medias. El proceso se describe a
continuación:
Con el modelo de simulación se determinó el número de réplicas necesarias para
estimar las perdidas por falta de surtimiento promedio. Se realizó una corrida inicial
de 15 réplicas, se analizaron los resultados de éstas y se identificaron los valores
máximos y mínimos. Utilizando estos valores se ingresan al Stat::fit, con un error de
= 0 y un nivel de confianza de 95%. El procedimiento se puede observar en la
figura 2.13.
Capítulo 2
106
Figura 2.13 Cálculo del número de réplicas.
Este proceso de repitió para la salida de cada una de las células y se definió que el
número de réplicas en promedio para un valor de = 0 y un nivel de confianza
de 95%, es de 50.
Una vez que se tuvieron las réplicas necesarias, se calculó un intervalo de confianza
para diferencia de medias, donde se compararon las pérdidas por falta de surtimiento
de los datos del sistema real, provenientes de la tabla 2.6, contra la media de los
datos provenientes de las 50 corridas de las salidas del modelo de simulación que se
pueden observar en la tabla 2.8.
Capítulo 2
107
Tabla 2.8 Intervalos de confianza para diferencia de medias del sistema real vs simulación.
CÉLULAS
INTERVALO DE CONFIANZA
PARA DIFERENCIA DE MEDIAS
¿MEDIAS
IGUALES?
1 -1.756, 0.738 Si
2 -1.221, 0.868 Si
3 -1.882, 0.377 Si
4 -0.473, 0.954 Si
5 -0.361, 1.083 Si
6 -1.331, 0.771 Si
7 -0.451, 0.752 Si
9 -0.554, 0.524 Si
10 -2.907, 0.070 Si
11 -0.748, 1.155 Si
12 -1.612, 1.827 Si
13 -0.040, 0.860 Si
14 -1.185, 0.030 Si
15 -1.826, 0.736 Si
17 -0.399, 0.481 Si
19 -0.036, 1.106 Si
20 -0.021, 0.840 Si
En un intervalo para diferencia de medias, cuando el intervalo incluye el cero, se
interpreta como que no existe diferencia entre las medias poblacionales (Walpole,
2007), por lo tanto, de acuerdo con los resultados presentados en la Tabla 2.8, se
puede concluir que no existe diferencia entre las medias de las pérdidas por falta de
surtimiento obtenida del sistema real en comparación con las pérdidas por falta de
surtimiento obtenido de las salidas del modelo de simulación. De esta manera se
concluye que el modelo fue validado.
Paso 9. Determinar el periodo de estabilización (warm-up): debido a que se tiene un
repentino inicio de la simulación, el desempeño del sistema simulado no es
representativo del correspondiente sistema real tanto no haya alcanzado su régimen
estable. Por consiguiente los datos obtenidos durante el periodo inicial de operación
deben excluirse del análisis. Ésto se logra definiendo un periodo de warm-up (Harrell
y col., 2012).
Capítulo 2
108
En este problema, la simulación inicia con un sistema vacío, se estabiliza en el
momento en que todas las células han recibido al menos el suministro del primer lote
de materiales para iniciar su operación. Una vez que todas las células han sido
suministradas por primera vez, se determina que el sistema se encuentra en estado
estable. Por esta situación se corrieron 15 réplicas iniciales, para determinar el
tiempo en el que todas las células han sido suministradas y han podido iniciar
operaciones. En el modelo de simulación se definió una variable que cuenta desde 0
hasta 17, donde 0 indica que ninguna célula ha iniciado operaciones y el 17 indica
que todas las células han iniciado el ensamble de al menos el primer lote. Una vez
que la variable indica 17, el sistema operará en estado estable. A continuación en la
figura 2.14, se muestran 15 tiempos en valores mínimos en los que el sistema ha
alcanzado su estado estable. El valor mayor de los mínimos es 17,431.8 segundos
(290,53 minutos o 4,84 horas); de esta manera se establece que cinco horas es un
tiempo de warm-up razonable. El software de simulación Promodel se programa con
un tiempo de corrida de 24 horas y se define un warm-up de 5 horas, por lo que el
tiempo de simulación es de 29 horas.
Figura 2.14 Cálculo del número de réplicas.
Paso 10. Diseñar los experimentos: Se corrieron todos los experimentos planeados
de acuerdo con los objetivos definidos en el paso dos.
Capítulo 2
109
Paso 11. Realizar la simulación y analizar los datos: los resultados se reflejan en los
artículos publicados en congresos y revistas que se presentan los anexos del 1 al 4.
Paso 12. Informes y documentación: La presente tesis hace las veces del informe y
documentación de los resultados, la cual fue entrada el Gerente de Lean Enterprise
de la planta GKN, el Maestro Alejandro Mota Pérez.
Implementación 2.3.
Se implementó el esquema de surtimiento propuesto en el artículo presentado en el
anexo 1, donde se modificaron las funciones del surtidor el cual ahora sólo tendrá
que tomar las piezas del punto de surtimiento y colocarlas en el punto de uso del
operario, donde se identificó que el número ideal de surtidores para atender 17
células es de 9.
Se implementó el número de ruteros de acuerdo a los resultados presentados en el
artículo ubicado en el anexo 2, donde se puede observar que se tiene un equilibrio
entre las pérdidas por falta de surtimiento y el ocio de los ruteros con 3.
Se aplicaron las ideas de clusterizar plasmadas en el artículo ubicado en el anexo 3,
sin embargo los clústeres presentados en la publicación, no coinciden con los
implementados al día de hoy debido a los cambios en la demanda y a la decisión de
que sean los paqueteros quienes entreguen los paquetes de misceláneos y no los
mismos ruteros.
En el anexo 4, se presenta un trabajo que refleja el comportamiento en la actualidad,
donde se demuestra que bajo un sistema de surtimiento aleatorio puede bajarse aún
más las pérdidas por falta de surtimiento, sin embargo, este sistema aleatorio de
surtimiento es difícil de implementar debido a la complejo que resulta, aunque no se
descarta en un futuro cercano.
Finalmente los resultados obtenidos hasta el momento aplicando la herramienta de
simulación, se pueden comparar contra los obtenidos con los obtenidos por un
modelo de programación lineal entera mixta y una heurística propuesta. Los
Capítulo 2
110
resultados del modelo de programación lineal entera mixta se presenta en el capítulo
3 y los resultados de la heurística se presentan en el capítulo 4. Los resultados de
toda la tesis se presentan en el capítulo 5, donde se hace un resumen comparativo
de lo obtenido con todas las herramientas aplicadas para el mejoramiento del
sistema de surtimiento y con base a ello, se establecen las conclusiones.
Capítulo 3
111
Reducción de las pérdidas por 3.
falta de surtimiento en una
empresa manufacturera mediante
un modelo de programación
lineal entera mixta
Capítulo 3
112
Capítulo Tres
Reducción de las pérdidas por falta de surtimiento en una empresa
manufacturera mediante un modelo de programación lineal entera mixta
Introducción 3.1.
De acuerdo con lo explicado en los capítulos anteriores, la situación ideal de una
célula de producción, es tener la cantidad de materiales o materia prima exacta
para fabricar un producto, sin tener exceso de inventario, hacer lotes pequeños de
cierto modelo de producto, y realizar cambios de modelo frecuente. El problema
por falta de surtimiento se presenta justamente cuando una célula de producción
termina de producir un pequeño lote de un modelo de producto y hace el cambio
de modelo para iniciar la producción del siguiente modelo de producto
programado, sin embargo, si las máquinas ya están listas para procesar el
siguiente modelo y los materiales necesarios no se encuentran en la célula, se
tendrá que esperar hasta que terminen de surtir los materiales necesarios, a esta
espera, le hemos denominado pérdidas por falta de surtimiento.
Es importante desarrollar proyectos de situaciones reales donde se demuestre el
potencial de la filosofía Lean Manufacturing. Ohlmann y col. (2008) destacan esta
necesidad en su trabajo donde diseñan rutas de entrega de materiales para un
sistema de producción esbelto, Grimard y Marvel (2005) validaron un rediseño de
una célula de producción basada Lean Manufacturing mediante simulación de
procesos discretos.
Sin importar la herramienta que se utilice es necesario encontrar la solución de
problemas reales que aporten mejoras a una herramienta que ha crecido
considerablemente dado el número de empresas que intentan aplicarla, como lo
es Lean Manufacturing. En este capítulo se presenta evidencia de una
contribución importante al resolver el caso particular de la empresa GKN que
presenta problemas de pérdidas por falta de materiales, mediante el uso de
técnicas de programación lineal entera mixta resolviendo un modelo que
contempla restricciones dadas por algunos principios de Lean Manufacturing.
Capítulo 3
113
En la literatura abierta existe un trabajo con algunas características similares al
que se plantea en este capítulo, donde se planean pedidos y se coordinan la
producción y la distribución para enviar los productos inmediatamente al cliente
considerando una ventana temporal para su entrega, sin embargo, en dicho
trabajo se maximiza el beneficio asociado a la planificación de los pedidos, de
manera que los pedidos se envíen en el momento preciso que el cliente los
requiere (García y col., 2002). Otro trabajo relacionado, es el realizado por Hung y
Hu (1998), donde propusieron una heurística para la solución de un PEM donde se
planteó el problema de planeación de la producción que involucró múltiples
productos, múltiples recursos, múltiples periodos, tiempos de cambio de modelo y
costos.
Descripción del sistema de surtimiento 3.2.
En este capítulo se plantea el caso particular del problema de la empresa “GKN”,
dedicada a la producción de flechas de velocidad constante (FVC) que se utilizan
en la transmisión del torque del motor hacia las ruedas del vehículo. En esta
empresa, para reducir el trabajo en proceso a la mínima cantidad posible, se
propone que las células de producción sean surtidas exactamente cuándo se
termina de producir un pequeño lote de cierto modelo de FVC y se inicia el cambio
de modelo (CDM) para producir el siguiente modelo que se tiene programado.
Esto da origen a tempos de ventana, los cuales se consideran como el tiempo que
dura el cambio de modelo, por lo que se debe de surtir los materiales antes de que
se termine el CDM o de lo contrario la célula de producción incurrirá en pérdidas
por falta de surtimiento, que de acuerdo a la filosofía Lean Manufacturing se
considera un desperdicio conocido como espera.
La planta cuenta con 20 células de producción, sin embargo, solo se programan
17 para trabajar de acuerdo a las necesidades de los clientes, entre los que se
destacan GM, Nissan, Ford, Hyundai, VW, etc. Se producen 357 modelos de FVC
diferentes y cada célula ensambla ciertos modelos dependiendo del cliente. Para
que las células de producción puedan operar, es necesario contar con todas las
partes que componen la FVC, las cuales se clasifican de la siguiente manera:
Capítulo 3
114
maquinados (triceta, tulipán, campana y semieje), misceláneos (seguros, botas,
dámper, abrazaderas, etc) y plásticos (contenedores para protección del productos
terminado). Las partes que componen algunos modelos se pueden observar en la
figura 3.1.
Figura 3.1 Componentes de la FVC.
Si por alguna circunstancia falta cualquier material o materia prima de los antes
mencionados, la célula de producción se detiene y el tiempo que transcurre sin
que trabaje (espera), es el que se denomina “pérdidas por falta de surtimiento” el
cual es medida del tiempo transcurrido, desde que la célula de producción finalizó
el cambio de modelo (CDM) hasta que los montacarguistas (ruteros) entrega todas
las partes necesarias para el ensamble de la FVC del modelo siguiente que se
tenga programado.
Para la entrega de materiales se cuenta con tres ruteros o montacarguistas, por
cada material que entregan consumen cierto tiempo, el cual consiste en el tiempo
que tardan en recoger el material del almacén, más el tiempo de traslado del
material a la célula asignada. Los ruteros, pueden tomar materiales del almacén
de maquinados y plásticos para entregarlos a cualquier célula. La restricción es
que la entrega de materiales la deben hacer en el momento justo que son
requeridos para no acumular materiales que no se necesiten y de esta manera no
provocar que la célula se quede en espera. Los componentes de las FVC
llamados misceláneos son empaquetados por personal conocido como
Capítulo 3
115
“paqueteros”, cuando el paquete conformado por seguros, botas, dampers, etc., es
terminado se almacena hasta que una célula lo requiere, en ese momento el
paquetero es el encargado de transportarlo.
De acuerdo al requerimiento de la empresa, el análisis se centra en la actividad de
los ruteros, ya que son el recurso más escaso, costoso y son los que provocan en
mayor medida las pérdidas por falta de surtimiento. Cada rutero puede transportar
únicamente un material en un solo viaje desde el almacén hasta la célula de
producción asignada; es decir, si un rutero está programado para llevar
maquinados a la célula uno y posteriormente llevar plásticos a la célula dos, tendrá
que entregar los maquinados y posteriormente regresar al almacén por los
plásticos. En otras palabras la capacidad de cada vehículo es de una carga ya sea
de maquinados o plásticos.
Se considera de acuerdo a lo estipulado por la empresa que las cantidades de
FVC requeridas por los clientes y la selección de las células donde se fabricaran
los diferentes modelos de FVC se conocen desde antes de arrancar la producción,
y se encuentran registrados en las cajas Heijunka de cada célula. El tiempo
necesario para procesar el lote, está en función de la cantidad de FVC solicitada
por el cliente. Como los tiempos de cambio de modelo son conocidos, así como el
tiempo asociado con los pedidos programados, se propone programar las
entregas de los materiales en las ventanas temporales dadas por los tiempos de
cambio de modelo con el objetivo de mantener el trabajo en proceso al mínimo
además de reducir las pérdidas por falta de surtimiento.
En una situación ideal, la actividad de una célula es únicamente producir y hacer
cambios de modelo, de acuerdo a la secuencia programada y registrada en la caja
heijunka tal como se observa en la figura 3.2, donde , es el tiempo necesario
para procesar un lote de cierto tamaño y modelo específicos. , es el tiempo
requerido para preparar las máquinas para que sean capaces de producir el
siguiente modelo programado. Las longitudes de cada segmento de color de la
figura 3.2, se determinaron utilizando los valores de la tabla 3.1 la cual representa
una pequeña sección de la caja heijunka que se mostrará en la sección 3.3.
Capítulo 3
116
Tabla 3.1 Segmento de la caja heijunka para la célula 1.
Figura 3.2 Secuencia en célula de producción.
En el caso que exista un atraso en las entregas de los materiales una vez que se
terminó el cambio de modelo, el estatus de la célula de producción será el de
esperar debido a la falta de surtimiento y se detendrá la producción hasta que
terminen de entregar los materiales necesarios para dar inicio con la producción
del siguiente modelo programado y por consecuencia el tiempo final para terminar
el número total de FVC se incrementará.
Se tienen instantes ideales de tiempo en los que debe de iniciar la producción de
cada modelo, sin embargo, éstos pueden verse afectados debido a los atrasos en
la entrega de materiales. Como solo se tiene un número limitado de ruteros, y la
terminación de un cambio de modelo puede coincidir en más de una célula de
producción, puede ocurrir que no se tenga la capacidad suficiente para dar
servicio a todas las células de manera simultánea. Debido a ésto, el objetivo del
modelo que se presenta en este capítulo es minimizar los tiempos de afectación a
las células cuando no terminan de surtirse los materiales dentro de su ventana
temporal dada por el cambio de modelo.
Definición del problema 3.3.
El problema se traduce en encontrar una asignación óptima para la entrega de
materiales necesarios para el ensamble de lotes de diferentes productos en
células de producción que se encuentran registrados en la caja heijunka. Se
cuenta con una cantidad de recursos limitados para la entrega de materiales
denominados ruteros o montacarguistas. Se asocia con cada entrega de
materiales una ventana temporal dada por el (Tiempo de cambio de
CÉLULA MODELO CANTIDAD
(piezas)
TCl
(seg)
TPkl
(min)
SECUENCIA TCDMl
(min)
1
16 99
34.3
56.60 1
18 17 45 25.73 2
18 45 25.73 3
Capítulo 3
117
modelo de la célula ) en la cual los materiales deben ser entregados con la
finalidad de dar inicio la producción del siguiente modelo programado en la célula
en el momento ideal que es cuando se termina el cambio de modelo. La
arquitectura del sistema se muestra en la figura 3.3.
Figura 3.3 Arquitectura del sistema de surtimiento de materiales.
La figura 3.3 sugiere, que los 3 ruteros, pueden tomar materiales de los
almacenes de plásticos y maquinados y los pueden llevar a cualquier célula que lo
necesite. El momento de entregar los materiales será detonado por la terminación
de un lote de un modelo y el inicio del tiempo de cambio de modelo, es decir la
ventana temporal que se ha venido mencionando.
El tiempo de procesamiento de un lote ( ) de cierto modelo programado en la
caja heijunka depende de la cantidad de FVC programadas y del tiempo ciclo
( ) de la célula. Por ejemplo si se programa un lote de 120 FVC´s y el tiempo
ciclo de la célula uno es de 30 segundos, el correspondiente igual a 60
minutos.
La empresa tiene un programa de producción que se tiene que cumplir, el cual se
establece en una caja heijunka, donde se define el modelo, la cantidad a producir
de cada modelo y la secuencia en que deben ser producidas como se muestra en
la tabla 3.2. En la columna uno se muestra el número de célula, en la columna dos
se muestra el número del modelo que se debe producir, en la columna tres se
muestra la cantidad a producir del modelo (en este caso de acuerdo al std pack de
la tabla 2.2), en la columna cuatro, se presenta el tiempo ciclo de la célula (en
Capítulo 3
118
segundos), en la columna cinco se muestra el resultado del producto de la
cantidad a producir multiplicada por el tiempo ciclo ( , expresado en minutos),
indicando el tiempo que tardará la célula en procesar el lote, en la columna seis se
presenta la secuencia en que han de procesarse cada modelo y en la séptima
columna se muestra el tiempo de cambio de modelo (ver anexo 7).
Tabla 3.2 Caja heijunka para cada célula.
CÉLULA MODELO CANTIDAD
(piezas)
TCl (seg) TPkl (min) SECUENCIA TCDMl (min)
(min)
1
16 99
34.3
56.60 1
18 17 45 25.73 2
18 45 25.73 3
2
20 81
30.4
41.04 1
21 21 81 41.04 2
22 48 24.32 3
3
89 104
34.3
59.45 1
15 90 40 22.87 2
91 104 59.45 3
4
209 90
40.2
60.30 1
16 210 84 56.28 2
211 84 56.28 3
5
315 81
40.2
54.27 1
13 316 81 54.27 2
317 90 60.30 3
6
329 90
34.3
51.45 1
16 330 45 25.73 2
331 45 25.73 3
7
84 60
34.3
34.30 1
13 85 70 40.02 2
86 70 40.02 3
9
129 64
34.3
36.59 1
14 130 64 36.59 2
131 64 36.59 3
10
37 72
34.4
41.28 1
18 38 40 22.93 2
39 72 41.28 3
11
74 110
34.4
63.07 1
18 75 110 63.07 2
76 110 63.07 3
12
113 54
40.2
36.18 1
36 114 54 36.18 2
115 66 44.22 3
13
66 49
30.4
24.83 1
24 68 49 24.83 2
69 49 24.83 3
14
67 49
22
17.97 1
28 70 49 17.97 2
73 49 17.97 3
15
43 54
40.2
36.18 1
17 44 45 30.15 2
45 45 30.15 3
17
205 50
40.2
33.50 1
66 206 48 32.16 2
207 50 33.50 3
19
51 48
40.2
32.16 1
22 52 48 32.16 2
53 48 32.16 3
20
55 48
40.2
32.16 1
17 56 48 32.16 2
57 48 32.16 3
Capítulo 3
119
Los números de parte de los modelos de flecha han sido recodificados,
asignándoles valores desde el modelo 1 hasta el 357. Por ejemplo la célula 4,
produce los modelos del 209 al 314; la célula 1, produce los modelos 16, 17, 18,
19, 71, 72, 79, 80, 82, 83, 153, 155, 159, 161, 163, 165 y 167. Cada célula de
producción, elabora diferente modelos de FVC, dependiendo del cliente. Todos los
modelos han sido recodificados, sin alterar la información que nos fue
proporcionada por la empresa, simplemente se cambió el número de parte que
maneja la empresa, por un número consecutivo para facilitar el proyecto de
investigación, es decir, se tienen 357 modelos de FVC diferentes y cada uno de
ellos recibo un número. El llenado de cada una de las cajas heijunka, depende de
las necesidades de los clientes, las cuales son registradas por el área de la
empresa llamada “supply chain”.
Los materiales antes mencionados como son los maquinados y plásticos, son
surtidos por tres ruteros, a los cuales se les asignó números del 1 al 3 ( =
1, 2 3), para su identificación. Así mismo, a los almacenes se les asignó
números de 1 y 2, donde el almacén de plásticos le corresponde 1 y el almacén de
maquinados le corresponde el 2 ( = 1, 2)
Los tiempos en los que los ruteros toman los materiales del almacén i y los llevan
a la célula número , se presentan en la tabla 3.3. Los valores de la tabla reflejan
la distancia que existe entre los diferentes almacenes y las células, es decir, entre
más lejana este la célula, se requiere más tiempo para el surtimiento. Los
maquinados requieren mayor tiempo porque el rutero que se asigna para llevarlos
se lleva primero el lote de productos terminado al almacén de productos
terminados y posteriormente trasporta los materiales desde el almacén de
maquinados hacia la célula que lo requiere.
Tabla 3.3 Tiempos de surtimiento desde cada almacén hacia cada célula en minutos.
ALMACÉN
CÉLULA
1 2 3 4 5 6 7 9 10 11 12 13 14 15 17 19 20
MAQUINADOS 6.8 5.8 7.9 6.3 6.3 4.2 4.7 7.4 8.4 4.7 3.7 4.2 3.2 4.2 4.7 6.3 5.3
PLASTICOS 4.7 3.7 5.3 4.2 4.2 3.2 3.2 4.7 5.8 3.2 2.6 2.6 2.1 2.6 3.2 4.2 3.7
Capítulo 3
120
En el sistema de surtimiento actual, los ruteros desconocen la secuencia en que
deben de hacer la entrega de materiales, es decir, desconocen los materiales que
deben de entregar, así como sus cantidades, la célula a las que deben ser
entregados y el momento en que deben entregarlos. Trabajan con equipo de
radiocomunicación, donde les indican que se tiene cierta necesidad de material y
debe entregarse a una determinada célula. Esta forma de trabajar, no es muy
adecuada, debido a que se han alcanzado pérdidas por falta de surtimiento del
orden de 8% en promedio, muy superior a lo planeado por la empresa y plasmado
en la eficiencia global del equipo (OEE, por sus siglas en inglés), que se tiene
como objetivo donde se determinó que se permitirá a lo más 1%.
En la figura 3.4, se observa el layout de la planta, donde es posible apreciar la
ubicación de las células y de los almacenes, así como la distancia en metros que
existe entre los almacenes y cada una de las células, considerando una posición
dentro en un plano cartesiano de (0,0) para los almacenes.
Figura 3.4 Layout de la planta.
Por lo tanto, el planteamiento del problema se establece de la siguiente manera:
dado un programa de producción, plasmado en la caja heijunka en cada célula,
determinar el orden en que los ruteros = 1, 2, 3 tomaran los materiales de los
almacenes de plásticos y maquinados = 1, 2 y los entregaran a las células de
producción = 1,2, … , 20, para producir el modelo de FVC = 1, 2, … , 3 ,
respetando la secuencia de producción de la caja heijunka y considerando las
restricciones de cambio de modelo con el fin de minimizar las pérdidas por falta de
surtimiento.
Capítulo 3
121
Modelo de programación lineal entera mixta para las pérdidas por falta 3.4.
de surtimiento.
El modelo que se describe, no se encuentra desarrollado en la literatura
especializada, es un modelo novedoso que plantea la situación problemática del
caso particular de la empresa GKN, sin embargo, puede utilizarse para
representar situaciones similares de otras empresas, que trabajan bajo los
principios del pensamiento esbelto y poseen características similares a las de la
empresa objeto de este estudio, como lo son: tener un almacén, contar con ruteros
para entrega de materiales y establecer cambios de modelos frecuentes en sus
células de producción.
Para desarrollar el modelo de programación matemática, sea la variable de
decisión que nos permitirá definir las asignaciones, donde el subíndice indica el
almacén, el subíndice indica el rutero, el subíndice indica el modelo de FVC y
el subíndice indica la célula de producción. La variable es de tipo binario,
cuyos valores se identifican a continuación.
{1 , , 0
Se define la Variable como el tiempo que se pierde antes de dar inicio con el
modelo , es decir, la espera por falta de surtimiento antes de poder dar inicio con
la producción del modelo
La variable determina el tiempo en el que la célula inició la producción del lote
del modelo .
La variable , representa el tiempo requerido para producir el lote del modelo ,
en la línea El tiempo asignado a esta variable, depende del tamaño del lote a
producir del modelo
La variable mide el tiempo de cambio de modelo, el cual puede variar,
dependiendo de la célula de producción de que se trate.
A continuación se presenta el modelo de programación lineal entero mixto.
Capítulo 3
122
( ) = , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
, , , , , , , , , , , , , , , , , , , , , ,
, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
, , , , , , , , , , , , , , , ,
Sujeto a: Tiempos de cambio de modelo
= 1 (1)
= 21 (2)
= 1 (3)
= 1 (4)
= 13 (5)
= 1 (6)
= 13 (7)
= 1 (8)
= 1 (9)
= 1 (10)
= 3 (11)
= 2 (12)
= 2 (13)
= 1 (14)
= (15)
= 22 (16)
= 1 (17)
Hora de inicio del primer lote a producir
= 0 (18) = 0 (19) = 0 (20)
= 0 (21)
= 0 (22) = 0 (23)
= 0 (24)
= 0 (25)
= 0 (26)
= 0 (27)
= 0 (28)
= 0 (29)
= 0 (30)
= 0 (31)
= 0 (32)
= 0 (33)
= 0 (34)
Capítulo 3
123
Tiempo de producción requerida del lote del modelo k a producir en la célula l
, = 0 (35) , = 2 3 (36)
, = 2 3 (37) , = 1 0 (38) , = 1 01 (39) , = 2 32 (40) , = (41)
, = 22 (42)
, = (43)
, = 0 30 (44)
, = 2 (45)
, = 2 (46)
, = 2 (47)
, = 2 (48)
, = 0 30 (49)
, = 1 (50)
, = 2 3 (51)
, = 2 3 (52)
, = 3 30 (53)
, = 0 02 (54)
, = 0 02 (55)
, = 3 (56)
, = 3 (57)
, = 3 (58)
, = 1 2 (59)
, = 22 3 (60)
, = 1 2 (61)
, = 3 0 (62)
, = 3 0 (63)
, = 3 0 (64)
, = 3 1 (65)
, = 3 1 (66)
, = 22 (67)
, = 2 3 (68)
, = 2 3 (69)
, = 2 3 (70)
, = 1 (71)
, = 1 (72)
, = 1 (73)
, = 3 1 (74)
, = 30 1 (75)
, = 30 1 (76)
, = 33 0 (77)
, = 32 1 (78)
, = 33 0 (79)
, = 32 1 (80)
Capítulo 3
124
, = 32 1 (81)
, = 32 1 (82)
, = 32 1 (83)
, = 32 1 (84)
, = 32 1 (85)
Hora de inicio del segundo y tercer modelo programados
= , , , , (86)
= , , , , (87)
= , , , , (88)
= , , , , (89)
= , , , , (90)
= , , , , (91)
= , , , , (92)
= , , , , (93)
= , , , , (94)
= , , , , (95)
= , , , , (96)
= , , , , (97)
= , , , , (98) = , , , , (99) = , , , , (100)
= , , , , (101)
= , , , , (102)
= , , , , (103) = , , , , (104) = , , , , (105) = , , , , (106) = , , , , (107)
= , , , , (108) = , , , , (109) = , , , , (110)
= , , , , (111) = , , , , (112)
= , , , , (113) = , , , , (114) = , , , , (115) = , , , , (116)
= , , , , (117) = , , , , (118) = , , , , (119)
Desviación del tiempo ideal para surtimiento de materiales , , = , ,, , , ,, , (120) , , = , ,, , , ,, , (121)
, , = , , , , , , (122) , , = , ,, , , ,, , (123) , , = , , , , , , (124)
Capítulo 3
125
, , = , , , , , , (125) , , = 3 , , , , , , (126) , , = 3 , ,, , , ,, , (127) , , = 3 , ,, , , ,, , (128) , , = 3 , , , , , , (129)
, = 3 , , , , , , (130)
, = 3 , , , , , , (131)
, , = 3 , , , , , , (132) , , = 3 , , , , , , (133) , , = 3 , , , , , , (134) , , = 3 , , , , , , (135)
, , = 3 , , , , , , (136) , , = 3 , , , , , , (137) , , = 2 , , , 3 , , , (138) , , = 2 , , , 3 , , , (139)
, , = 2 , , , 3 , , , (140)
, , = 2 , , , 3 , , , (141) , , = 2 , , , 3 , , , (142) , , = 2 , , , 3 , , , (143)
, , = 2 , , , 3 , , , (144) , , = 2 , , , 3 , , , (145)
, , = 2 , , , 3 , , , (146) , , = 2 , , , 3 , , , (147)
, , = 2 , , , 3 , , , (148) , , = 2 , , , 3 , , , (149) , , = 3 2 , , , 2 , , , (150)
, , = 3 2 , , , 2 , , , (151) , , = 3 2 , ,, , 2 , , , (152) , , = 3 2 , , , 2 , , , (153)
, , = 3 2 , , , 2 , , , (154) , , = 3 2 , , , 2 , , , (155) , , = 3 2 , , , , , , (156)
, , = 3 2 , , , , , , (157) , , = 3 2 , , , , , , (158) , , = 3 2 , , , , , , (159) , , = 3 2 , , , , , , (160) , , = 3 2 , , , , , , (161) , , = , , , , , , (162) , , = , , , , , , (163) , , = , , , , , , (164) , , = , , , , , , (165) , , = , , , , , , (166) , , = , , , , , , (167) , , = , , , , , , (168) , , = , , , , , , (169) , , = , , , , , , (170) , , = , , , , , , (171)
Capítulo 3
126
, , = , , , , , , (172) , , = , , , , , , (173) , , = 3 2 , , , , , , (174) , , = 3 2 , , , , , , (175) , , = 3 2 , , , , , , (176) , , = 3 2 , , , , , , (177) , , = 3 2 , , , , , , (178) , , = 3 2 , , , , , , (179) , , = 2 , , , 3 , , , (180) , , = 2 , , , 3 , , , (181) , , = 2 , , , 3 , , , (182) , , = 2 , , , 3 , , , (183) , , = 2 , , , 3 , , , (184) , , = 2 , , , 3 , , , (185) , , = 2 , , , 2 , , , (186) , , = 2 , , , 2 , , , (187) , , = 2 , , , 2 , , , (188) , , = 2 , , , 2 , , , (189) , , = 2 , , , 2 , , , (190) , , = 2 , , , 2 , , , (191) , , = 2 1 , , , 3 2 , , , (192) , , = 2 1 , , , 3 2 , , , (193) , , = 2 1 , , , 3 2 , , , (194) , , = 2 1 , , , 3 2 , , , (195) , , = 2 1 , , , 3 2 , , , (196) , , = 2 1 , , , 3 2 , , , (197) , , = 2 , , , 2 , , , (198) , , = 2 , , , 2 , , , (199) , , = 2 , , , 2 , , , (200) , , = 2 , , , 2 , , , (201) , , = 2 , , , 2 , , , (202) , , = 2 , , , 2 , , , (203) , , = 3 2 , , , , , , (204) , , = 3 2 , , , , , , (205) , , = 3 2 , , , , , , (206) , , = 3 2 , , , , , , (207) , , = 3 2 , , , , , , (208) , , = 3 2 , , , , , , (209) , , = 2 , , , 3 , , , (210) , , = 2 , , , 3 , , , (211) , , = 2 , , , 3 , , , (212) , , = 2 , , , 3 , , , (213) , , = 2 , , , 3 , , , (214) , , = 2 , , , 3 , , , (215) , , = 3 , ,, , 3 , ,, , (216) , , = 3 , , , 3 , , , (217) , , = 3 , , , 3 , , , (218)
Capítulo 3
127
, , = 3 , , , 3 , , , (219) , , = 3 , , , 3 , , , (220) , , = 3 , , , 3 , , , (221)
Aseguramiento del surtimiento de los tres materiales básicos plásticos, misceláneos y
maquinados para cada modelo
, , , , , , , , , = 1 (222) , , , , , , , , , = 1 (223) , , , , , , , , , = 1 (224) , , , , , , , , , = 1 (225) , , , , , , , , , = 1 (226) , , , , , , , , , = 1 (227) , , , , , , , , , = 1 (228) , , , , , , , , , = 1 (229) , , , , , , , , , = 1 (230) , , , , , , , , , = 1 (231) , , , , , , , , , = 1 (232) , , , , , , , , , = 1 (233) , , , , , , , , , = 1 (234) , , , , , , , , , = 1 (235) , , , , , , , , , = 1 (236) , , , , , , , , , = 1 (237) , , , , , , , , , = 1 (238) , , , , , , , , , = 1 (239) , , , , , , , , , = 1 (240) , , , , , , , , , = 1 (241) , , , , , , , , , = 1 (242) , , , , , , , , , = 1 (243) , , , , , , , , , = 1 (244) , , , , , , , , , = 1 (245) , , , , , , , , , = 1 (246) , , , , , , , , , = 1 (247) , , , , , , , , , = 1 (248) , , , , , , , , , = 1 (249) , , , , , , , , , = 1 (250) , , , , , , , , , = 1 (251) , , , , , , , , , = 1 (252) , , , , , , , , , = 1 (253) , , , , , , , , , = 1 (254) , , , , , , , , , = 1 (255) , , , , , , , , , = 1 (256) , , , , , , , , , = 1 (257) , , , , , , , , , = 1 (258) , , , , , , , , , = 1 (259) , , , , , , , , , = 1 (260) , , , , , , , , , = 1 (261) , , , , , , , , , = 1 (262)
Capítulo 3
128
, , , , , , , , , = 1 (263) , , , , , , , , , = 1 (264) , , , , , , , , , = 1 (265) , , , , , , , , , = 1 (266) , , , , , , , , , = 1 (267) , , , , , , , , , = 1 (268) , , , , , , , , , = 1 (269) , , , , , , , , , = 1 (270) , , , , , , , , , = 1 (271) , , , , , , , , , = 1 (272) , , , , , , , , , = 1 (273) , , , , , , , , , = 1 (274) , , , , , , , , , = 1 (275) , , , , , , , , , = 1 (276) , , , , , , , , , = 1 (277) , , , , , , , , , = 1 (278) , , , , , , , , , = 1 (279) , , , , , , , , , = 1 (280) , , , , , , , , , = 1 (281) , , , , , , , , , = 1 (282) , , , , , , , , , = 1 (283) , , , , , , , , , = 1 (284) , , , , , , , , , = 1 (285) , , , , , , , , , = 1 (286) , , , , , , , , , = 1 (287) , , , , , , , , , = 1 (288) , , , , , , , , , = 1 (289)
{0,1} , , 0
Las restricciones (1-17), nos permiten actualizar los tiempos de cambio de
modelo; ya que en un sistema de producción esbelto la tendencia es reducir los
tiempos de cambio de modelo, como un proceso de mejora continua.
Las restricciones (18 - 34) representan el tiempo de inicio de producción del
primer modelo programado de acuerdo a la caja heijunka, es el minuto cero.
Ésto es para suponer que el sistema opera en condiciones estables, donde se
supone que todas las células ya tienen materiales para iniciar operaciones.
En las restricciones (35 - 85) se presenta, el conjunto de restricciones que
indican el tiempo necesario (en minutos) para terminar cada uno de los lotes de
los de los modelos , programados en las células .
Capítulo 3
129
Las restricciones (86 - 119), representan los tiempos de inicio de los segundos
y terceros modelos programados.
Las restricciones (120 - 221) se plantean con el apoyo de variables irrestrictas
( = – ), debido a que el surtimiento de materiales por parte del
rutero j puede rebasar el tiempo de cambio de modelo ( ), en este caso
recibirá un valor positivo, el cual indica que existen pérdidas por falta de
surtimiento. Por otra parte, si el surtimiento de materiales se realiza en un
tiempo menor al , el valor de será negativo. Para el objetivo que se
persigue en este trabajo, los valores que se desea minimizar son los
positivos, los cuales se observan en la función objetivo.
El conjunto de restricciones (222 - 289) permite que a las células les lleguen
plásticos y maquinados (se trabaja bajo el supuesto que los misceláneos
siempre se surten a tiempo ya que esta actividad la hace el recurso llamado
paquetero).
Ramificación y acotamiento para programación entera mixta (PEM) 3.5.
Dadas las características del modelo presentado en el apartado anterior, se
propone la aplicación del método de ramificación y acotación para su solución. En
el PEM, algunas variables ( de ellas) están restringidas a valores enteros (que
pueden ser 0 y 1) y el resto son variables continuas comunes. La forma general
del PEM es:
( ) = ∑
s.a.
∑
, = 1,2, … ,
0, = 1,2, … , ,
, = 1,2, … ,
Capítulo 3
130
Cuando = , el problema se convierte en uno de programación entera pura
(PE). Hillier y Lieberman (2010) describen de manera amigable un algoritmo para
la solución del PEM, basándose en el algoritmo de Land y Doing que se resume a
continuación:
Paso inicial: se establece = . Se aplica el paso de acotamiento, el paso de
sondeo y la prueba de optimalidad que se describen después del problema
completo. Si no queda sondeado, se clasifica este problema como el único
subproblema restante para realizar la primera iteración completa.
Paso para cada iteración:
Ramificación: entre los subproblemas restantes (no sondeados), se selecciona el
de creación más reciente. Entre las variables restringidas a enteros, que tienen
valores no enteros, en la solución óptima de la soltura de PL del subproblema, se
elige la primera en el orden natural como la variable de ramificación. Sea esta
variable y su valor con esta solución. Se ramifica desde el nodo del
subproblema agregando las restricciones respectivas [ ] [
] 1.
Acotamiento: para cada subproblema se obtiene su cota aplicando el método
simplex (o el método simplex dual si se reoptimiza) a su soltura de PL y utilizando
el valor de para la solución óptima resultante.
Sondeo: para cada nuevo subproblema se aplican las pruebas de sondeo que se
dan enseguida y destacar aquellos subproblemas que quedan sondeados por
cualquiera de la pruebas.
Prueba 1: su cota , donde es el valor de en la solución de apoyo actual.
Prueba 2: su soltura del PL no tiene soluciones factibles.
Prueba 3: La solución óptima de su relajación de PL tiene valores enteros para
todas sus variables restringidas a enteros. (Si esta solución es mejor que la de
apoyo, se convierte en la nueva solución de apoyo y se vuelve a aplicar la prueba
1 con la nueva a todos los subproblemas no sondeados).
Capítulo 3
131
Prueba de optimalidad: el proceso se detiene cuando no hay subproblemas
restantes; la solución de apoyo actual es óptima. De otra manera se realiza otra
iteración.
Análisis de resultados 3.6.
Se consideró el programa de producción que se muestra en la caja heijunka de
tabla 3.2 del apartado 3.3 para la construcción del modelo, al resolverlo mediante
el método de ramificación y acotación y con el apoyo del software Win QSB se
tienen los resultados que se muestran a continuación:
Tabla 3.4 Resultados y su interpretación.
VARIABLE DE
DECISIÓN
VALOR
(Min)
INTERPRETACIÓN
X16 0 La producción del modelo 16 inicia en el minuto 0
X17 74.6 La producción del modelo 17 inicia en el minuto 117
X18 118.3 La producción del modelo 18 inicia en el minuto 234
X20 0 La producción del modelo 20 inicia en el minuto 0
X21 62 La producción del modelo 21 inicia en el minuto 102
X22 124 La producción del modelo 22 inicia en el minuto 171
X89 0 La producción del modelo 89 inicia en el minuto 0
X90 74.45 La producción del modelo 90 inicia en el minuto 55
X91 112.32 La producción del modelo 91 inicia en el minuto 174
X209 0 La producción del modelo 209 inicia en el minuto 0
X210 74.3 La producción del modelo 210 inicia en el minuto 98
X211 182.6 La producción del modelo 211 inicia en el minuto 202
X315 0 La producción del modelo 315 inicia en el minuto 0
X316 67.27 La producción del modelo 316 inicia en el minuto 94
X317 134.54 La producción del modelo 317 inicia en el minuto 188
X329 0 La producción del modelo 329 inicia en el minuto 0
X330 67.45 La producción del modelo 330 inicia en el minuto 61
X331 109.18 La producción del modelo 331 inicia en el minuto 167
X84 0 La producción del modelo 84 inicia en el minuto 0
X85 47.3 La producción del modelo 85 inicia en el minuto 83
X86 162.2 La producción del modelo 86 inicia en el minuto 156
Tjk´s 0 Los Tjk´s que son igual a cero indican que la célula no tuvo que parar
poder iniciar la producción del modelo k cuando lo abasteció el rutero j.
Capítulo 3
132
Resultados y su interpretación (continuación).
VARIABLE DE
DECISIÓN
VALOR
INTERPRETACIÓN
X1,2,17,1 1 Llevar plásticos, el rutero 2, para producir el modelo 17, en la célula 1
X2,2,17,1 1 Llevar maquinados, el rutero 2, para producir el modelo 17, en la célula 1
X1,3,18,1 1 Llevar plásticos, el rutero 3, para producir el modelo 17, en la célula 1
X2,3,18,1 1 Llevar maquinados, el rutero 3, para producir el modelo 18, en la célula 1
X1,3,21,2 1 Llevar plásticos, el rutero 3, para producir el modelo 18, en la célula 1
X2,3,21,2 1 Llevar maquinados, el rutero 3, para producir el modelo 18, en la célula 1
X1,3,22,2 1 Llevar plásticos, el rutero 3, para producir el modelo 21, en la célula 2
X2,3,22,2 1 Llevar maquinados, el rutero 3, para producir el modelo 21, en la célula 2
X1,3,90,3 1 Llevar plásticos, el rutero 3, para producir el modelo 22, en la célula 2
X2,3,90,3 1 Llevar maquinados, el rutero 3, para producir el modelo 22, en la célula 2
X1,3,91,3 1 Llevar plásticos, el rutero 3, para producir el modelo 22, en la célula 2
X2,3,91,3 1 Llevar maquinados, el rutero 3, para producir el modelo 90, en la célula 3
X1,2,210,4 1 Llevar plásticos, el rutero 2, para producir el modelo 90, en la célula 3
X2,2,210,4 1 Llevar maquinados, el rutero 2, para producir el modelo 90, en la célula 3
X1,3,211,4 1 Llevar plásticos, el rutero 3, para producir el modelo 91, en la célula 3
X2,3,211,4 1 Llevar maquinados, el rutero 3, para producir el modelo 91, en la célula 3
X1,2,316,5 1 Llevar plásticos, el rutero 2, para producir el modelo 91, en la célula 3
X2,2,316,5 1 Llevar maquinados, el rutero 2, para producir el modelo 91, en la célula 3
X1,3,317,5 1 Llevar plásticos, el rutero 3, para producir el modelo 91, en la célula 3
X2,3,317,5 1 Llevar maquinados, el rutero 3, para producir el modelo 91, en la célula 3
X1,3,330,6 1 Llevar plásticos, el rutero 3, para producir el modelo 91, en la célula 3
X2,3,330,6 1 Llevar maquinados, el rutero 3, para producir el modelo 91, en la célula 3
X1,3,331,6 1 Llevar plásticos, el rutero 3, para producir el modelo 91, en la célula 3
X2,3,331,6 1 Llevar maquinados, el rutero 3, para producir el modelo 91, en la célula 3
X1,3,85,7 1 Llevar plásticos, el rutero 3, para producir el modelo 91, en la célula 3
X2,3,85,7 1 Llevar maquinados, el rutero 3, para producir el modelo 91, en la célula 3
X1,3,86,7 1 Llevar plásticos, el rutero 3, para producir el modelo 91, en la célula 3
X2,3,86,7 1 Llevar maquinados, el rutero 3, para producir el modelo 91, en la célula 3
Xijkl que no valen 1 0 Variables de decisión para asignar ruteros, no básicas. Dada su naturaleza reciben
un valor de cero.
Z 0 Pérdidas por falta de surtimiento en todas las células
De acuerdo con los resultados mostrados en la Tabla 3.4, si se asignan los ruteros
de esta forma, las pérdidas por falta de surtimiento son de 0%.
Capítulo 3
133
Conclusiones 3.7.
Mediante el modelo de programación lineal entera mixta se lograron reducir las
pérdidas por falta de surtimiento a 0%. Los resultados parecen ser muy
prometedores para el logro de los objetivos planteados por la empresa, sin
embargo, se deben de observar con ciertas reservas debido a que el modelo solo
considera una instancia muy pequeña consistente en 7 células cuando en realidad
son 17 células las que hay que abastecer.
Analizando los resultados se puede observar que no todos los recursos son
asignados de manera frecuente, en esta ocasión los recursos que más se asignan
son el rutero 2 y 3, por lo que podemos pensar que se tiene capacidad para
realizar surtimiento a más células de producción, sin embargo, la limitante la
encontramos en el software WinQSB ya que el modelo completo requiere 527
variables y 289 restricciones; al definir el modelo de esta magnitud en WinQSB
nos arroja el error mostrado en la figura 3.5 que sugiere una falta de capacidad del
software, por lo que se contempla migrar a un software con mayor potencial como
lo es LINGO o CPLEX.
Figura 3.5 Error del software WinQSB.
Para poder implementar la solución que se recomienda en lo resultados, es
necesario que el sistema de surtimiento no falle en el surtimiento de misceláneos;
actividad realizada por el recurso denominado paquetero y que hasta la fecha ha
mostrado tener suficiente capacidad, por lo que no ha sido necesario analizar
detalladamente su desempeño en el sistema de surtimiento.
La ventaja que se tiene al surtir materiales de acuerdo con los resultados
arrojados por el modelo es que ahora se conoce con anticipación qué materiales
Capítulo 3
134
se deben de entregar, a qué células y qué rutero se debe encargar de dicha
entrega. También se conoce el tiempo estimado para la producción de cada
pequeño lote de los diferentes modelos, lo que les da la oportunidad de planear
sus entregas de manera eficiente.
Considerando que hace 4 años, cuando se inició el proyecto, las pérdidas por falta
de surtimiento llegaron a alcanzar hasta un 8% en promedio, se puede concluir
que se lograron resultados de alto impacto en beneficio de la empresa, lo que les
da la posibilidad de alcanzar sus metas en términos de eficiencia global del equipo
que de acuerdo a lo planeado es de 82%.
Con respecto a la eficiencia del método de ramificación y acotación, se concluye
que se efectuaron 21 iteraciones con una cantidad máxima de nodos de 16 como
se muestra en la figura 3.6.
Figura 3.6 Tiempo de solución del modelo en WinQSB.
El tiempo total de ejecución de la unidad de procesamiento fue de 4236 segundos.
Dada la importancia de tener resultados en un tiempo breve debido a las
exigencias de la empresa y a la inmediata respuesta que hay que dar a los
clientes, se requiere de la aplicación de herramientas que permitan la obtención
soluciones de buena calidad en un tiempo razonablemente corto, como lo hacen
las metaheurísticas. Se propone como trabajo futuro resolver este mismo
problema mediante las metaheurísticas búsqueda tabú y algoritmos genéticos, ya
que son las que han demostrado dar mejores resultados cuando se aplica a
problemas del mundo real (Dero y col., 2008).
Capítulo 3
135
La transferencia tecnológica es muy sencilla, diariamente la caja heijunka debe de
actualizarse conforme al plan de producción que se tenga en el turno. De esta caja
heijunka solo hay que ingresar los nuevos que se calcularan dependiendo
del tamaño de lote programado y del tiempo ciclo de la célula donde se programe,
lo cual requiere solo unos pocos minutos, después hay correr el modelo y analizar
los resultados. Para lograr una eficiente utilización del modelo, se capacitará al
personal del área supply chain para que sean capaces de interpretar los
resultados correctamente.
Capítulo 4
136
Análisis de pérdidas por falta 4.
de surtimiento en empresas
manufactureras mediante una
heurística: aplicación del
método de simulación
Montecarlo
Capítulo 4
137
Capítulo Cuatro
Análisis de pérdidas por falta de surtimiento en empresas manufactureras mediante una heurística: aplicación del método simulación Montecarlo
Introducción 4.1.
Para analizar el desempeño de la heurística que se propone en este capítulo, se
consideró la caja heijunka del capítulo anterior, donde se tienen en total 17 células
en operación y se estableció un programa de tres modelos en cada célula. Se
respetaron las mismas restricciones mencionadas en capítulos anteriores acerca
del esquema de surtimiento, donde para evitar la acumulación de grandes
cantidades de material en proceso, el surtimiento de materiales se realiza en el
preciso momento que se efectúa el cambio de modelo. En este capítulo se
presenta una solución al problema de pérdidas por falta de surtimiento mediante la
aplicación de la heurística propuesta y simulación Montecarlo, se utilizó una hoja
de Excel para facilitar los cálculos tal como lo recomienda Eckstein y Riedmueller
(2002). Para la correcta implementación los resultados alcanzados en este
capítulo se requieren gran sincronía entre los ruteros, para determinar qué rutero
debe de entregar materiales, qué tipo de material, en qué célula y en qué
momento.
Heurísticas 4.2.
Las heurísticas son algoritmos hechos a la medida del problema que se quiere
tratar, por lo que su aplicabilidad está acotada a los supuestos de quien las
diseña. Para la mayoría de problemas del mundo real, como el que se plantea en
esta tesis, no se conoce un algoritmo exacto con complejidad polinómica a dicho
problema. Además, la cardinalidad del espacio de búsqueda suele ser enorme, lo
cual hace generalmente que el uso de algoritmos exactos sea inaceptable. Debido
a estos dos motivos, se deben utilizar métodos aproximados o heurísticas que
permitan obtener una solución de calidad en un tiempo razonable a estos
problemas (Duarte, 2007). La definición que aparece en la real academia de la
lengua en su cuarta aceptación es la siguiente: en algunas ciencias, manera de
Capítulo 4
138
buscar la solución de un problema mediante métodos no rigurosos, como por
tanteo, reglas empíricas, etc. (REA, 2003).
La heurística que se propone es de autoría propia y está diseñada exclusivamente
para resolver el problema de surtimiento de materiales de la empresa GKN. Sin
embargo, puede generalizarse y aplicarse a diferentes empresas que apliquen
Lean Manufacturing y que entre sus objetivos se encuentre reducir desperdicios
como son la espera y los inventarios en proceso.
Simulación Montecarlo 4.3.
La simulación Montecarlo tiene su origen cuando John Von Neumann se
encontraba enfermo, mientras tanto calculó la probabilidad de obtener un solitario
en una baraja de 52 cartas. Mientras la estimaba mediante cálculos combinatorios,
se le ocurrió un método práctico que podría aplicar a los problemas de difusión de
neutrones y otras cuestiones de la física matemática. En sus experimentos, él
observó que los resultados históricos eran similares al comportamiento del juego
del solitario; por lo que determinó, que para llevar a cabo un experimento
Montecarlo, necesitaría una gran fuente de números aleatorios uniformemente
distribuidos en un intervalo. Posteriormente usando los números aleatorios
propuso usarlos para obtener variables aleatorias de interés mediante la técnica
de la transformada inversa (Eckhardt, 1987).
Método 4.4.
El sistema que se representa es un sistema dinámico ya que su estado cambia
minuto a minuto a medida que se terminan de producir los pequeños lotes de
productos en las diferentes células de producción, lo cual detona una necesidad
de que le surtan nuevamente materiales para la producción del siguiente lote
programado en la caja heijunka. Dicho sistema puede representarse en una hoja
de Excel aplicando los principios de simulación Montecarlo.
El método de simulación Montecarlo se combinó con la heurística propuesta que
consiste en una serie de pasos a seguir para determinar los materiales que deben
de entregar cada uno de los ruteros y la célula a la que debe de entregarlos.
Capítulo 4
139
Se utilizó Excel como herramienta para la modelación del problema y llevar el
control de los resultados arrojados por el modelo.
Se aplicó un procedimiento simplificado propuesto por Ramírez (2010),
consistente en los siguientes pasos:
Paso 1. Identificación del sistema complejo.
Paso 2. Identificación de las variables aleatorias para la toma de decisiones.
Paso 3. Identificación del espacio de muestro de la variable aleatoria.
Paso 4. Recolección de datos de la variable aleatoria.
Paso 5. Identificación de la función de probabilidad o construcción del cuadro
de frecuencias absolutas o relativas.
Paso 6. Construcción de la función de probabilidad acumulada.
Paso 7. Determinación o construcción del cuadro de la transformada inversa
de la función de probabilidad acumulada.
Paso 8. Generación de un número aleatorio.
Paso 9. Simulación de un valor aleatorio específico de la variable aleatoria
mediante el cálculo con la sustitución del número aleatorio en la transformada
inversa de la función de probabilidad acumulada o con la asignación del mismo
en el cuadro de la función de probabilidad acumulada.
Heurística propuesta 4.5.
A continuación se presenta una serie de pasos que describen la heurística
propuesta para reducir las pérdidas por falta de surtimiento:
Paso 1: Definir las cantidades a producir de cada modelo en las diferentes células
de producción, los (tiempo de producción del lote de productos del modelo
en la célula ) los (tiempo de cambio de modelo en la célula ) y la
secuencia de producción de cada modelo en la caja heijunka.
Paso 2: Definir los tiempos de surtimiento de materiales desde cada almacén,
hacia cada una de las células de producción.
Capítulo 4
140
Paso 3: Suponer que ya se tienen todos los materiales para correr el primer
modelo programado de la caja heijunka.
Paso 4: Iniciar el reloj en cero y realizar incrementos de un minuto. Parar el reloj
hasta que se produzca el último lote programado en la caja heijunka.
Paso 5: Producir el primer modelo programado de cada célula cuya duración será
igual a su respectivo
Paso 6: Verificar los desde la célula = 1, hasta la célula = 20 y
determinar cuál inicia su tiempo de cambio de modelo. Cuando el
= , iniciar el primer cambio de modelo que dura un
tiempo de Los sucesivos dependen del reloj de simulación y sus
respectivos Si no hay células que requieran surtimiento de materiales,
incrementar el reloj en un minuto hasta que se tenga al menos una célula en el
estatus . A partir de este paso aplicar simulación Montecarlo apoyado en
una hoja de Excel siguiendo los pasos 1 al 9 del apartado 4.4.
Paso 7: Cuando se inicie el cambio de modelo comenzar el surtimiento de
materiales, siempre y cuando haya rutero disponible. Tomar como criterio el primer
rutero en desocuparse, primero en ser asignado, si todos están libres asignar
primero el R1 (rutero1), enseguida R2 (rutero 2) y finalmente R3 (rutero 3).
Entregar siempre primero maquinados y después plásticos.
Paso 8: Para la primera célula que inicia cambio de modelo, asignar R1 para
entregar maquinados y asignar R2 a entregar plásticos a la misma célula .
Pasó 9: Activar estatus de Rutero, definir tiempo de inicio de surtimiento, el
material que está surtiendo, tiempo de surtimiento y tiempo en que termino de
surtir el material.
Paso 10: Después de cada surtimiento determinar si se presentaron pérdidas por
falta de surtimiento en los casos donde el tiempo en el que el rutero terminó de
Capítulo 4
141
surtir materiales, superó el tiempo del cambio de modelo y registrar el tiempo en
espera por falta de surtimiento ( ).
Paso 11: Identificar el estatus de cada rutero y asignar al primero en desocuparse
a la célula que se encuentre en el estatus de con el valor más pequeño, es
decir, aquella que lleve más tiempo esperando a que la surtan de materiales. El
barrido para identificar a la célula esperando por materiales se hará de arriba
hacia abajo y de izquierda a derecha.
Paso 12: Repetir los pasos 9 al 11 hasta que se terminen de producir todos los
modelos planeados. Registrar el tiempo final en que se terminó de producir el
último lote planeado en cada célula ( )
Paso 13: Determinar las pérdidas totales por falta de surtimiento en cada una de
las células mediante la siguiente ecuación: porcentaje de pérdidas por falta de
surtimiento en célula = (∑ / ) 100
Paso 14: Si existen más pedidos pendientes por producir incrementar el reloj en
un minuto, sino, terminar la simulación.
Paso 15: Calcular el promedio global de pérdidas por falta de surtimiento
mediante la siguiente ecuación:
=∑
Paso 16: Definir la ruta de entrega de materiales de cada rutero.
En la figura 4.1, se presenta un diagrama de flujo que resume la heurística
Capítulo 4
142
Figura 4.1 Diagrama de flujo de la heurística propuesta.
Definir los tiempos de surtimiento de los materiales desde cada
almacén, hacia cada una de las células de producción
Introducir las cantidades de todos los pedidos en las cajas Heijunka, definiendo modelo, cantidad, célula de
producción y la secuencia en que han de producirse.
No
Si
Si Si
No
Asignar R1 para entregar Maquinados a célula l
Suponer que ya se tienen todos los materiales para correr el primer
modelo programado de la caja heijunka
Iniciar el reloj en cero y realizar incrementos de un minuto. Parar el reloj hasta
que se termine de producir el último modelo programado en la caja heijunka
Producir el primer modelo programado de cada célula, cuya duración será su respectivo TPkl
Verificar los desde la célula = 1, hasta la célula = 20 y determinar cuál inicia su tiempo de cambio de modelo. Cuando el = ,
iniciar el primer cambio de modelo que dura un tiempo de Los sucesivos dependen del reloj de simulación y sus respectivos Si no hay células
que requieran surtimiento de materiales, incrementar el reloj en un minuto hasta que se tenga al menos una célula en el estatus .
¿Célula = 1 hasta célula = 20 se
encuentra en cambio de modelo?
Incrementar reloj en
1 minuto
¿R1 está ocupado? ¿R2 está ocupado? ¿R3 está ocupado?
¿R1 está ocupado?
Asignar R1 para entregar Plásticos a célula l
Asignar R2 para entregar Maquinados a célula l
No
Asignar R3 para entregar Maquinados a célula l
No
No
Si Si
Si
¿R2 está ocupado? ¿R3 está ocupado?
Asignar R2 para entregar Plásticos a célula l
Asignar R3 para entregar Plásticos a célula l
1
Si 1
No No
0
Calcular el tiempo que la célula estuvo en espera por falta de materiales
¿Tiempo de entrega supero
?
Si
¿Pedidos pendientes de
producir?
No
Si
Calcular el promedio global de pérdidas por falta de surtimiento Determinar la ruta de entrega de materiales de cada rutero Fin
Inicio
No
Proceso iterativo
mediante Montecarlo
Capítulo 4
143
Resultados 4.6.
Paso 1: En primer lugar se presenta la caja heijunka. En esta caja se planea la
producción de tres lotes de diferente tamaño y diferente modelo en cada una de
las células de producción como se muestra en la tabla 4.1.
Tabla 4.1 Tabla Heijunka.
CELULA MODELO CANTIDAD
(piezas)
TCl
(seg)
TPkl
(min)
SECUENCIA TCDMl
(min)
1
16 99
34.3
57 1
18 17 45 26 2
18 45 26 3
2
20 81
30.4
41 1
21 21 81 41 2
22 48 24 3
3
89 104
34.3
59 1
15 90 40 23 2
91 104 59 3
4
209 90
40.2
61 1
16 210 84 56 2
211 84 56 3
5
315 81
40.2
54 1
13 316 81 54 2
317 90 60 3
6
329 90
34.3
51 1
16 330 45 26 2
331 45 26 3
7
84 60
34.3
34 1
13 85 70 40 2
86 70 40 3
9
129 64
34.3
37 1
14 130 64 37 2
131 64 37 3
10
37 72
34.4
41 1
18 38 40 23 2
39 72 41 3
11
74 110
34.4
63 1
18 75 110 63 2
76 110 63 3
12
113 54
40.2
36 1
36 114 54 36 2
115 66 44 3
13
66 49
30.4
25 1
24 68 49 25 2
69 49 25 3
14
67 49
22
18 1
28 70 49 18 2
73 49 18 3
15
43 54
40.2
37 1
17 44 45 30 2
45 45 30 3
17
205 50
40.2
34 1
66 206 48 32 2
207 50 34 3
19
51 48
40.2
32 1
22 52 48 32 2
53 48 32 3
20
55 48
40.2
32 1
17 56 48 32 2
57 48 32 3
Capítulo 4
144
Se realizó una pequeña modificación en la columna 5 ( ) consistente en el
redondeo del tiempo de producción del lote del modelo en la célula , con la
finalidad de facilitar la aplicación del método Montecarlo simplificando los cálculos.
Paso 2: En la tabla 4.2 se presentan los tiempos de surtimiento de materiales,
desde los almacenes de maquinados y plásticos hacia cada una de las células de
producción.
Tabla 4.2 Tiempos de surtimiento.
ALMACEN CÉLULA (Tiempos en minutos)
1 2 3 4 5 6 7 9 10 11 12 13 14 15 17 19 20
MAQUINADOS 7 6 8 6 6 4 5 7 8 5 4 4 3 4 5 6 5
PLÁSTICOS 5 4 5 4 4 3 3 5 6 3 3 3 2 3 3 4 4
Paso 3: El paso tres es muy importante, ya que representa el estado estable del
sistema. El estado estable se logra cuando todas las células de producción ya
iniciaron la producción del su primer lote y a partir de ese momento estarán
produciendo, haciendo cambios de modelo o esperando cuando no tengan
materiales. Por esta razón se estableció el supuesto de que para el primer lote de
los modelos programados, ya se contaba con los materiales.
Paso 4: Para facilitar los cálculos, se utilizó una hoja de Excel, donde se aplicó el
método Montecarlo. En esta hoja de Excel se programaron todos los posibles
estados del sistema conforme transcurre cada minuto. La escala se definió en
minutos para facilitar todos los cálculos.
Paso 5 y 6: La figura 4.2 muestra los tiempos para el primer lote programado
en la caja heijunka de cada célula (en color verde) y su primer cambio de modelo
(en color amarillo).
Capítulo 4
145
Figura 4.2 Primer lote producido y primer cambio de modelo.
Capítulo 4
146
Paso 7 y 8: En la figura 4.3 se puede observar la aplicación de este paso, donde
la primera célula que requiere materiales es la C14, por lo que es programado el
rutero 1 para entregar maquinados y el rutero 2 para entregar plásticos. Este
surtimiento simultáneo es posible porque se hace con dos ruteros distintos.
Figura 4.3 Surtimiento de materiales a la primera célula que lo requiere.
Paso 9: El estatus de surtimiento se definió mediante el siguiente código de
colores. Para las células, verde significa que la célula se encuentra en producción,
amarillo que se encuentra en cambio de modelo, rojo se encuentra en espera
debido a que no le han terminado de surtir. Para los ruteros Azul fuerte significa
rutero 1 surte maquinados; color azul claro, rutero 2 surte maquinados y color gris
significa rutero 3 surte maquinados. Con respecto al surtimiento de plásticos se
definió el color café obscuro cuando el rutero 1 surte plásticos, el color naranja
para cuando el rutero 2 surte plásticos y el color carne, cuando el rutero 3 surte
plásticos, como se observa en la figura 4.4. Los tiempos de inicio y los tiempos
Capítulo 4
147
finales de surtimiento de cada rutero surtiendo los diferentes materiales, se
representan mediante su longitud; cada cuadro representa un minuto.
Figura 4.4 Código de colores para definir estatus de células y ruteros.
Paso 10: Las pérdidas por falta de surtimiento se presentan cuando la entrega de
materiales ya sea por plásticos o maquinados termina después del cambio de
modelo. Ésto se puede ver en la figura 4.5, donde el tiempo final de surtimiento del
rutero 2 es igual a 62 minutos, mientras que la célula 10, terminó en el minuto 59
su cambio de modelo, por lo que se tienen 3 minutos en pérdidas por falta de
surtimiento en dicha célula, identificado en color rojo.
Figura 4.5 Identificación de pérdidas por falta de surtimiento en una célula.
Capítulo 4
148
Paso 11: En el paso once, se efectúa un barrido, donde se compara el tiempo
donde el rutero está desocupado y se asigna a la primera célula que requiera
servicio de surtimiento. El barrido se hace de izquierda a derecha y de arriba hacia
abajo, como se observa en la figura 4.6. En este caso la primera célula en requerir
servicio de surtimiento es la C14 (al final del minuto 18), posteriormente la célula
C13 (al final del minuto 25), después, la célula C19 y la célula C20 (ambas
después del minuto 32), sin embargo se atiende primero a la C19 y después a la
C20 debido a la forma en que se hace el barrido.
Figura 4.6 Identificación de pérdidas por falta de surtimiento en una célula.
Capítulo 4
149
Paso 12: Se repiten los pasos del 9 al 11 hasta realizar todas las asignaciones de
manera que sean surtidas todas las células para poder producir todos los modelos
programados en la caja heijunka. En este proceso iterativo se insertó la simulación
Montecarlo, siguiendo los 9 pasos definidos en el apartado 4.4; los resultados se
observan en la figura 4.7, donde aprecia una fracción pequeña de la solución. Se
utilizó una hoja de Excel para llevar el control del estado del sistema cada minuto,
y poder analizar el desempeño de las células y de los ruteros al realizar los
surtimientos. Se anexa programa de simulación Montecarlo para facilitar su
apreciación, ya que debido a la dimensión de la hoja de Excel, no es posible
observar el resultado final.
Figura 4.7 Resultado final del algoritmo en forma de diagrama de PERT.
Capítulo 4
150
Paso 13: Para la programación que se ejecutó de la caja heijunka de la tabla 4.1
mostrada anteriormente, se calcularon los siguientes porcentajes:
1 = (1 / 1 1) 100 = 0 ;
3 = ((2 3) / 1 ) 100 = 2 ; (La célula 3, en dos ocasiones sufrió
pérdidas por falta de surtimiento en esta corrida).
= (1 1 ) 100 = 0 ;
= (1 1 1) 100 = 0 1 ;
= (3 1 2) 100 = 0 0 ;
10 = (3 1 ) 100 = 2 0 ;
El resto de las células, no sufrieron pérdidas por falta de surtimiento.
Paso 14: Continuar avanzando minuto a minuto y actualizar el estado del sistema
de cada célula y cada rutero. Si ya no hay más pedidos programados entonces se
detiene el algoritmo y continuamos con el paso 15.
Paso 15: Las pérdidas por falta de surtimiento de manera global para este
programa de producción fueron de 0.45%.
=
= 0
Paso 16: A continuación se presenta la ruta de surtimiento de cada uno de los
ruteros de acuerdo a los resultados arrojados por la heurística, resumidos en la
tabla 4.3. El surtimiento debe de hacerse de arriba hacia abajo.
Capítulo 4
151
Tabla 4.3 Definición de rutas de surtimiento.
Rutero 1 Rutero 2 Rutero 3
Material a surtir Célula Material a surtir Célula Material a surtir Célula
Maquinados C14 Plásticos C14 Maquinados C20
Maquinados C13 Plásticos C13 Maquinados C7
Maquinados C19 Plásticos C19 Maquinados C12
Plásticos C6 Plásticos C20 Maquinados C15
Plásticos C17 Maquinados C17 Maquinados C2
Maquinados C9 Plásticos C12 Plásticos C10
Plásticos C12 Plásticos C9 Maquinados C5
Maquinados C6 Plásticos C15 Maquinados C3
Plásticos C6 Maquinados C10 Plásticos C4
Maquinados C1 Plásticos C5 Maquinados C14
Plásticos C3 Plásticos C1 Plásticos C13
Maquinados C11 Maquinados C4 Maquinados C15
Plásticos C14 Plásticos C11 Plásticos C10
Maquinados C20 Maquinados C13 Plásticos C19
Plásticos C15 Plásticos C20 Maquinados C9
Maquinados C19 Maquinados C10 Maquinados C1
Plásticos C7 Maquinados C17 Plásticos C3
Maquinados C6 Plásticos C9 Plásticos C2
Plásticos C1 Plásticos C6 Maquinados C14
Maquinados C2 Maquinados C3 Maquinados C5
Plásticos C12 Maquinados C12 Plásticos C15
Maquinados C4 Plásticos C14 Maquinados C20
Maquinados C13 Plásticos C4 Maquinados C19
Maquinados C15 Plásticos C5 Maquinados C7
Plásticos C17 Plásticos C13 Maquinados C10
Plásticos C20 Maquinados C17 Plásticos C11
Maquinados C1 Maquinados C6 Maquinados C14
Plásticos C7 Plásticos C19 Plásticos C14
Plásticos C9 Plásticos C1 Maquinados C12
Plásticos C10 Maquinados C9
Plásticos C2 Maquinados C11
Maquinados C3 Maquinados C2
Maquinados C4 Plásticos C3
Maquinados C5 Plásticos C4
Maquinados C17 Plásticos C12
Plásticos C5
Plásticos C17
Capítulo 4
152
Conclusiones 4.7.
Se ha diseñado una heurística que permite definir rutas de entrega de materiales.
Esta heurística se aplicó al caso concreto del problema de GKN. Sin embargo, su
aplicación se puede extender a diferentes sistemas de producción discretos que
operan bajo los principios de manufactura esbelta, apoyado en el sistema de flujo
de materiales, donde se intenta tener la menor cantidad de material en proceso y
al mismo tiempo afectar lo menos posible a las células de producción en las
esperas por falta de surtimiento de materiales.
Se logró establecer una ruta de entrega de materiales para cada uno de los
ruteros, especificando los materiales que deben ser transportados, el rutero que
debe entregarlo así como la célula de producción y el orden en que debe de
hacerlo. De esta manera el rutero contará con una hoja de ruta de entrega de
materiales y éste conocerá con anticipación los materiales que ha de transportar y
las células a la que habrá de entregarlos.
El problema fue resuelto para el caso concreto de la caja heijunka de la tabla 4.1,
sin embargo, la heurística está diseñada de manera que permite ejecutar cualquier
programa de producción registrado en la caja heijunka, simplemente hay que
actualizar las cantidades a producir de cada uno de los modelos en las diferentes
células de producción.
Se logró reducir las pérdidas por falta de surtimiento a una cantidad menor a la
solicitada por la empresa, cuyo objetivo es de 1% y se redujo hasta 0.45% en
promedio por célula. Cabe aclarar que este porcentaje podría cambiar
dependiendo del programa de producción que se ejecute, pero estará cercano al
1%.
Por lo anteriormente mencionado, se concluye que es de gran utilidad la aplicación
de la heurística propuesta en combinación con el método de simulación
Montecarlo, ya que se tiene una solución en cuestión de segundos lo cual
representa una gran ventaja con respecto a los métodos óptimos donde el tiempo
de solución puede ser muy extenso e impráctico. Aunque no se encontró la mejor
Capítulo 4
153
solución posible mediante la aplicación de la heurística y simulación Montecarlo,
se facilita en gran medida la interpretación de los resultados y su implementación
en el sistema real.
Capítulo 5
154
Resultados y conclusiones 5.
Capítulo 5
155
Capítulo Cinco
Resultados y conclusiones
Resultados 5.1.
Los resultados se presentan en el orden en que se obtuvieron logros importantes
en el sistema de surtimiento de materiales de la empresa GKN Driveline. El primer
logro fue estandarizar el sistema de surtimiento, para ello, se redefinieron las
actividades que le corresponden a cada elemento que integra dicho sistema, como
son los ruteros, paqueteros y surtidores.
El elemento denominado surtidor realizaba excesivos movimientos ya que se
desplazaba desde las células hacia el almacén cada vez que detectaban
necesidades de materiales en la célula a la que había sido asignado. Tomaba
materiales sin contarlos y los colocaba en el punto de uso de cada operador. Esto
resultaba inconveniente, debido a que sólo le permitía al surtidor abastecer de
materiales a una sola célula y cuando se realizaban cambios de modelos, se
deberían de retirar todos los materiales sobrantes del modelo anterior (ver artículo
del anexo 1). Esta actividad de retirar material sobrante del modelo anterior y
colocar material para el nuevo modelo en ocasiones era motivo de atraso para la
célula de producción.
De ahí surgió la idea de implementar un nuevo elemento que al inicio del proyecto
no existía, el paquetero. Este elemento ahora se encarga de elaborar paquetes
con los materiales denominados misceláneos, cuyo contenido coincide
exactamente con la cantidad de FVC´s programadas de los diferentes modelos.
De esta manera, al realizar cambios de modelo, no es necesario retirar materiales
del modelo anterior, ya que estos se deben de agotar completamente con lo que
se facilita el cambio de modelo (ver artículo del anexo 2).
Para facilitar la administración del sistema de surtimiento, se acordó asignar a los
ruteros de acuerdo a una estrategia de clusterización, la cual ha sufrido
modificaciones conforme la demanda del mercado cambia. Las ideas originales
Capítulo 5
156
para la clusterización quedaron registradas en el anexo 3, en el artículo que se
publicó en la revista Dyna.
Originalmente, se planeó que los ruteros fueran quienes se encargaran de
abastecer maquinados, misceláneos y plásticos, sin embargo, debido a que la
actividad del rutero se incrementó, los ruteros se convirtieron en el factor de mayor
impacto en las esperas por falta de surtimiento, por lo que se decidió finalmente,
que sean los mismos paqueteros quienes realizaran los paquetes y los entreguen
a las células donde se requieren, en el momento que se necesitan. De esta
manera, los ruteros solo se dedicarán a la entrega de plásticos y maquinados, que
son los materiales más pesados y difíciles de desplazar. Con las ultimas mejoras
implementadas, se lograron reducir las pérdidas por falta de surtimiento de
materiales desde 2.71%, hasta 1.17% (ver artículo del anexo 4), cabe mencionar
que al inicio del proyecto, las pérdidas por falta de surtimiento llegaban a ser hasta
de 8%.
Por otra parte, se planteó un modelo de programación lineal entera mixta que fue
resuelto mediante el método de ramificación y acotamiento, donde se demostró
que puede bajarse las pérdidas por falta de surtimiento hasta un 0% (ver capítulo
3). Los resultados alcanzados son alentadores ya que demuestran que si se
respetan las asignaciones de ruteros para el abastecimiento de los diferentes
materiales hacia las diferentes células, de acuerdo con lo obtenido por el modelo
de programación lineal entera mixta, es posible alcanzar el objetivo de reducir las
pérdidas por falta de surtimiento a un porcentaje inferior a lo planeado por la
empresa.
Finalmente se planteó una heurística inédita, que permite asignar ruteros a las
diferentes células mediante reglas establecidas exclusivamente para definir
secuencias de entrega de materiales, de los diferentes ruteros hacia las diferentes
células, en el preciso momento que las necesitan. Se implementó una estrategia
de solución Montecarlo programada en Excel con lo que se obtuvo un resultado
favorable. Se resolvió el problema para la misma planeación de la producción que
se presentó con el modelo de programación lineal entera mixta y se alcanzaron
Capítulo 5
157
perdidas por falta de surtimiento de 0.45%, superior a lo alcanzado con el modelo
de programación lineal entera mixta, pero muy favorable para los objetivos
perseguidos, ya que también está por debajo del 1%.
Los resultados se resumen en la Tabla 5.1.
Tabla 5.1 Resumen de resultados.
Ubicación Anexo 1 Anexo 2 Anexo 3 Anexo 4 Capítulo 3 Capítulo 4
Evento o
revista
Congreso
Internacional
Academia
Journals
2012
Congreso
Internacional de
Investigación e
Innovación 2012"
Multidisciplinario
Revista
Ingeniería e
Industria
Dyna
Congreso
Internacional
de Logística y
cadena de
suministro
CiLOG 2013
Revista
JORS
(planeado)
Revista
Simulation
Modeling
Practice and
Theory
(planeado)
Beneficio
Orden en el
surtimiento.
Un surtidor
puede
atender dos
células en
lugar de 1.
Orden en el
surtimiento.
Análisis de la
posibilidad de
usar 3
montacarguistas
en lugar de 4, con
surtimientos
aleatorios.
Análisis de la
posibilidad de
trabajar con
clústeres
donde los
ruteros
entreguen los
tres tipos de
material.
Identificar que
es mejor
entregar
materiales de
manera
aleatoria en
lugar de
clústeres.
Ruteros solo
abastecen
maquinados y
plásticos.
Entrega de
materiales
mediante un
nuevo
método.
Ruteros solo
abastecen
maquinados
y plásticos.
Entrega de
materiales
mediante un
nuevo
método.
Ruteros solo
abastecen
maquinados y
plásticos
Perdidas por
falta de
surtimiento
logrado
8%
5.4% con 3
ruteros
3.54% con 4
ruteros
6.53 % con 4
ruteros
2.71% con
clústeres
1.17% en
orden
aleatorio
0% 0.45%
Herramienta Simulación Simulación
Método
húngaro y
simulación
Simulación
Optimización
(ramificación
y
acotamiento)
Heurística
(Montecarlo)
Implementado Si Si Si Solo clusters Pendiente Pendiente
Grado de
dificultad
para
implementar
Bajo Bajo Bajo
Bajo (por
cluster)
Elevado
(aleatorio)
Elevado Elevado
Capítulo 5
158
Transferencia tecnológica 5.2.
Se entregaron a la empresa tres herramientas de solución al problema, un modelo
de simulación en Promodel, una heurística con un programa de simulación
Montecarlo en Excel y un modelo de programación lineal entera mixta en Win
QSB.
Cada día se podrá resolver el problema de surtimiento de materiales para cada
turno, sólo se requiere ingresar la información a la tabla heijunka acerca de las
cantidades a producir en cada una de las células, así como los modelos y las
secuencias. Se hará de diferente manera dependiendo de la herramienta que
empresa decida utilizar.
Para el modelo de simulación, se debe de definir el tipo de material que se debe
de entregar, ya sea maquinados, misceláneos o plásticos, así como la frecuencia
de arribos de cada uno de ellos, lo cual depende de la programación de la
producción que se registre en las cajas heijunka. Todo esto en el módulo de
arribos del software Promodel (ver figura 5.1). Se cuenta con personal capacitado
en el manejo del software dentro de la empresa.
Figura 5.1 Declaración de arribos de acuerdo al programa de producción.
Además en el proceso se debe definir si se trabaja con clústeres, qué células
deben de abastecer cada uno de los ruteros en el movimiento lógico del software,
como se muestra en la figura 5.2, donde solo se presenta una asignación,
Capítulo 5
159
Figura 5.2 Forma de asignar ruteros a cada uno de los clústeres.
o de la siguiente manera si el surtimiento es en orden aleatorio, donde cualquier
rutero puede surtir cualquier célula (ver figura 5.3).
Figura 5.3 Forma de asignar ruteros en orden aleatorio.
La ventaja de este producto es que en la empresa se puede correr la propuesta
planeada en el modelo antes de aplicarla en el sistema real, para conocer con
anticipación los resultados que se esperan en relación a las pérdidas por falta de
surtimiento.
Para el modelo de programación lineal entera mixta, la manipulación del modelo
es más sencilla. Se hará con la ayuda del software Win QSB modificando los
Capítulo 5
160
valores de los en las restricciones, los cuales dependen de las cantidades
programadas de cada uno de los modelos en la caja heijunka (ver figura 5.4).
Figura 5.4 Forma de actualizar el modelo de acuerdo a la producción programada.
Para la heurística, lo único que hay que hacer es modificar los valores de las
columnas 2 y 3 en la caja Heijunka, que se refieren al modelo y a la cantidad
programada de cada uno de los modelos, en la hoja de Excel donde se encuentra
el modelo Montecarlo (ver figura 5.5).
Capítulo 5
161
Figura 5.5 Forma de actualizar la caja heijunka en el programa Montecarlo.
No es complicada la manipulación de las herramientas entregadas a la empresa.
Además, se cuenta con un alumno de maestría quien da seguimiento a la
implementación de las herramientas, para que en un corto plazo funcionen de
acuerdo a lo planeado. La expectativa es que se lleguen a implementar de manera
correcta los resultados alcanzados con la heurística o el modelo de programación
lineal entera mixta.
Conclusiones 5.3.
Se analizó el problema de surtimiento de materiales de GKN utilizando diferentes
herramientas como son simulación, optimización y heurísticas. Se implementaron
las mejoras conforme se fueron validando en el modelo de simulación. Solo quedo
pendiente la implementación de los resultados observados en los capítulos 3 y 4,
donde se aplicó un método de optimización y se propuso una heurística. Al
parecer estos últimos resultados son los más prometedores pero los más
Capítulo 5
162
complicados de implementar, debido a la gran sincronía que se requiere, entre
paqueteros, surtidores, ruteros, almacenistas y todos los involucrados en el área
de supply chain, por lo que se recomienda implementar tecnologías de información
que faciliten su aplicación, para que todos se encuentren en sintonía cada vez que
ocurre un evento como puede ser un cambio de modelo, el surtimiento de cierto
material, la elaboración de un paquete en el almacén, el numero parcial de FVC
que se han producido hasta cierto momento en una célula, etc.
Se han logrado alcanzar los objetivos planteados por la empresa establecidos en
su ejercicio denominado BPI (Business process Improve), donde se planteó
permitir cuando mucho 1% en pérdidas por falta de surtimiento en afectación a la
eficiencia global del equipo. Las propuestas de solución generadas por el modelo
de programación lineal entera mixta y la heurística son las mejores pero las más
difíciles de implementar, aunque no son imposibles, ya que como se mencionó
anteriormente, con una gran sincronía entre los elementos encargados del
suministro de materiales será posible lograrlo.
Básicamente se proponen dos vertientes de solución: la primera es la que
actualmente se aplica al trabajar con clústeres, que operativamente es muy
sencilla de ejecutar ya que los ruteros son asignados solamente al abastecimiento
de un número limitado de células; por otra parte se tienen las dos últimas
propuestas que otorgan las mejores soluciones pero que su aplicación se complica
debido a que cualquier rutero puede tomar cualquier material (plásticos o
maquinados) y los puede entregar a cualquier célula que los necesite. Esta última
solución se deja al criterio de la empresa implementarla, se recomienda una
implementación escalonada, es decir, se puede intentar primeramente con dos
ruteros y posteriormente incorporar los tres, en otras palabras, se podría combinar
las estrategias, donde un rutero continúe abasteciendo el cluster al cual fue
asignado y los otros dos ruteros se pueden asignar para el abastecimiento del
resto de las células.
Los resultados alcanzados en esta tesis seguirán aplicando ante los cambios de la
demanda y servirán de apoyo a manera de pronóstico respondiendo a las
Capítulo 5
163
preguntas ¿qué pasaría si?... la demanda crece o disminuye. Para lograrlo solo se
requiere actualizar las cantidades demandadas por los clientes y analizar los
resultados.
Considerando las hipótesis planteadas en el inicio de la investigación se concluye
que las herramientas tales como simulación, optimización y heurísticas propuestas
para resolver el problema de pérdidas por falta de surtimiento, son adecuadas y se
pueden manejar de manera conjunta para mejorar el sistema de surtimiento de
materiales de una empresa que trabaja aplicando la filosofía de producción Lean
Manufacturing, por lo que la hipótesis H1 es aceptada.
Con respecto a los clústeres, estos pueden resultar benéficos o perjudiciales,
según sea la naturaleza del surtimiento interno de materiales. Para el caso
aplicado en esta investigación resulta perjudicial en las pérdidas por falta de
surtimiento, sin embargo, resulta muy sencillo de administrarlo, ya que cada rutero
solo se encarga de un pequeño cluster compuesto por un rutero y pocas células
que hay que surtir de materiales. En este caso los surtimientos de los ruteros se
hicieron entregando solo una carga por viaje. Si la naturaleza del proceso fuera
que el rutero de un solo viaje pudiera entregar materiales a distintas células, los
clústeres podrían funcionar. Por lo tanto la hipótesis H2 no es posible rechazarla o
aceptarla de manera contundente, debido a que los clústeres por una parte,
facilitan la administración del sistema de surtimiento de materiales, pero por otra
parte incrementan el porcentaje de pérdidas por falta de surtimiento, esto
dependerá de la decisión final de la empresa, en el sentido de seguir como
actualmente operan o actualizarse y aplicar las sugerencias dadas en los capítulos
3 y 4 de esta tesis.
Finalmente se demostró que la mejor solución se obtiene cuando se entregan
materiales con base en los resultados obtenidos por el modelo de programación
matemática y con base en la heurística propuesta. Sin embargo, esta solución
implica que el surtimiento se haga sin clústeres con el grado de dificultad que ello
representa, a pesar de esta problemática, es posible afirmar que la hipótesis H3 es
aceptada.
Capítulo 5
164
En una investigación futura se propone extender la situación problemática de GKN
de manera que aplique el problema de ruteo de vehículos (VRP, por sus siglas en
inglés), donde se establezcan las condiciones para tomar más de una carga, es
decir, tener la posibilidad de entregar materiales a diferentes células sin tener la
necesidad de regresar constantemente a los almacenes. Esta situación llevara al
análisis del desempeño del VRP en la logística interna de una empresa en el
surtimiento de materiales y la aplicación no solo de una heurística de propósito
específico sino más bien metaheurísticas como pueden ser búsqueda tabú o
algoritmos genéticos, que han demostrado su potencia para resolver el problema
VRP.
Bibliografía
165
BIBLIOGRAFIA
Bibliografía
166
Abdulmalek FA y Rajgopal J. Septiembre (2006). “Analyzing de benefist of lean manufacturing and value stream mapping via simulation: a process sector case study”. International Journal of production economics. Vol. 107. p.223-236.
Ali A, Khadem M y Santini N. (2010). “Kanban Supplier System as a Standardization
Method and WIP Reduction”. Proceedings of the 2010 International Conference on Industrial Engineering and Operations Management.
Álvarez MD, Toro OE y Gallego RR. (2008). “Algoritmo recocido simulado aplicado al problema de secuenciación de tareas en sistemas de flow – shop”. Scentia et Technica. Año XIV, No.40.
Ball MO. (2011). “Heuristics based on mathematical programming”. Surveys in Operations Research and Management Sicence. Numero 16 pp 21 – 38.
Blum C. and Roli A. (2003). “Metaheuristics in combinatorial optimization: Overview and conceptual comparison”. ACM Computing surveys, 35(3): 268-308.
Caballero JA y Grossman IE. Enero (2007). “Una revisión del estado del arte en optimización”. Revista Latinoamericana de Automática e Informática Industrial. Vol. 4, No. 1, p. 5-23.
Cordeau JF, Desaulniers G, Desrosiers J, Solomon MM, and Soumis F. (2002). “VRP with time windows”. In P. Toth and D. Vigo (eds.): The vehicle routing problem. SIAM Monographs on Discrete Mathematics and Applications. Vol. 9. Philadelphia. p. 157-193. Cusumano MA. (1994). “The limits of lean”. Solan Managgement Review. Vol. 35, No. 4. p. 27-32.
Dror M, Laporte G, Laporte y Trudeau P.. (1994). “Vehicle Routing with Split Deliveries”. Discrete Applied Mathematics. Vol. 50 No. 1. p. 239–254. Dero J, Siarry P, Michalewickz Z y et al. (2008). “Metaheuristics for Hard Optimization” Springer. 372p. ISBN: 978-3-540-30966-6.
D´Armas y Mayra (2005). “Estado del arte de la programación de operaciones con tiempos de preparación: Tema para futuras investigaciones, parte II”. Universidad, Ciencia y Tecnología, Volumen 10, Número 34, pp. 96-102.
Dorigo D. (1992). “Optimization, Learning an Natural Algorithms”. PhD thesis, Politécnico de Milano, Italia.
Duarte-Muñoz A, Pantrigo-Fernández JJ y Gallego-Carrillo M. Madrid (2007). “Metaheurísticas”. Editorial Dikonson. ISBN 978-84-9849-016-9.
Eckstein J y Riedmueller ST (2002). “YASAI: Yet Another Add-in for TeachingElementary Monte Carlo Simulation in Excel”. Informs Transactions On Education. Volume 2, Numero 2. pp 12-26.
Fisher ML (1981). “The lagrangian relaxation method for solving integer programming problems”. Management Science. Vol. 27 p.1-18.
Fraser AS. (1957) “Simulation of genetic system by automatic digital computers I. Introduction”. Australian Journal of biological sciences. Vol 10 p 484-489.
Bibliografía
167
García E, García H y Cárdenas B. México (2006). “Simulación y análisis de sistemas con Promodel”. Editorial Pearson Educación.
García JM y col. Septiembre (2002). “Algoritmo de búsqueda tabú para la planificación coordinada de la producción y distribución con ventanas temporales”. II Conferencia de Ingeniería de Organización. pp 740-755.
Glover F. (1986) “Future paths for integer programming and links to artificial intelligence”. Computers and operations research, 13:533549.
Glover F and Laguna M. (1997). “Tabu Search”. Kluwer Academic Plubishers, Boston, Hardboud.
Goldberg D. (1989). “Genetic Algorithms in Search”, optimization and Machine Learning. Addison Welsey, NY.
Grimard C. y Marvel JH.. (2005). “Validation of the re-design of a manufacturing Work cell using simulation”. Proceedings of the 2005 Winter Simulation Conference. 1836-1391.
Harrell C, Gosh BK y Bowden R. (2012). “Simulatión Using Promodel”. 3a ed. United States of America Mc Graw Hill Hihger Education. 603p. ISBN: 0-07-234144-0.
Harris, RC and Wilson E. (2003). “Making Materials Flow”. The Lean Enterprise Institute: Massachusetts.
Hillier FS y Lieberman GJ (2010). “Introducción a la investigación de operaciones” 9ª. edición. Mc Graw Hill. México. 1009 p.
Hjorring C. (1995). “The vehicle routing problem and local search metaheuristics”, Chapter 2. PhD thesis, Department of Engineering Science, The University of Auckland, 1995.
Hung YF and Hu C. (1998). “Solving mixed integer programing production planning problems with setups by shadow price information”. Computers Operation Research. Vol. 25, No. 12, p. 1027-1042.
Kennedy J and Eberhart R. (1995). “Particle Swarm Optimization”, in 1995 Proceedings, IEEE International Conference on Nerural Networks, Neural computation 11, 1769-1796.
Kim S, Hoon LY, Yang T y Park N. (2008). “Robust production control policies considering WIP balance and setup time in a semiconductor fabrication line”. Int J Adv Manuf Technol (2008) 39:333–343.
Kirkpatrick S, Gelatt CD y Vecchi MP. (1983) “Optimization by Simulated Annealing Science”. New Series Vol. 220. No. 4598. p. 671-680.
Kuhn HW. (1955) “The Hungarian method for the assignment problem”. ONR Logistics Project. p.83–97. DOI: http://dx.doi.org/10.1007/978-3-540-68279-0_2.
Laporte G. (2007) “What You Should Know about the Vehicle Routing Problem”. Naval Research Logistics. Vol. No. 54 (8) p.811-819.
Leür A, Venavente M, Bustos J y Venegas B. (2009). “El problema de rutas de vehículos : Extensiones y métodos de resolución, estado del arte”. Workshop Internacional, EIG 2009. Departamento de Ingeniería de Sistemas, Universidad de la Frontera-Chile.
Bibliografía
168
Liker JK. (2004). “Las claves del éxito de Toyota”. Editorial Mc Graw Hill. ISBN 978-84-96612-34-1.
Lin S y Kernighan BW. (1973). “An Effective Heuristic Algorithm for the Traveling-Salesman Problem”. Operations Research. Vol. 21 p. 498-516.
Liu SC y Lin CC. (2005). “A heuristic method for the combined location routing and inventory problem”. Int J Adv Manuf Technol 26: 372–381.
López HS, Sánchez MP. y Conde CJ. (2004). “Secuenciación de tareas mediante metaheurísticos”. VIII congreso de ingeniería de organización. Leganés.
Nauss RM. (2003). “Solving the Generalized Assignment Problem: An Optimizing and Heuristic Approach”. INFORMS Journal on Computing, 15, 249-266.
Nemhauser GL and Wolsey. (1988). “Integer and combinatoried optimization” Ed. Wilsey. 763 p.
Ohlmann JW and Fray MJ. Agosto (2008). Thomas BW. “Route Design for Lean Production Systems”. Transportation Science. Vol. 42. No.3. p.352-370. DOI:10.1287/trsc.1070.0222.
Padilla L. (2010). “Lean Manufacturing”. Revista Electrónica Ingeniería Primero. Enero No.15. p.64-69. ISSN: 2076-3166.
Polya G. (1957). “How to solve it?” Priceton University Press.
RAE. “Diccionario de la lengua española”. (2003) ESPASA-CALPE.
Ralphs T, Hartman J. and Galati M. (2001) "Capacitated vehicle routing and some related problems". Rutgers University.
Ramesh VN. (2010). “Balancing WIP and Throughput with Machine Utilization in a Manufacturing Facility”. Proc. of. Int. Conf. on Advances in Mechanical Engineering. 10-14.
Ramírez-Barrera VA y Ramírez-Nieves AE. (2010). “Aplicación de simulación Montecarlo en un sistema de inventarios dinámico”. Administración y organizaciones. p. 65-79.
Righini G. (2000). “Approximation algorithms for the vehicle routing problem with pick-up and delivery”. Note del Polo - Ricerca 33. Polo Didattico e di Ricerca di Crema. Università degli Studi di Milano.
Rother M & John S. (1999). “Learning to See Value Stream Mapping to Add Value and Eliminate Muda”. Lean Enterprise Institute.
Sargent RG. (1998) “Verification and validation of simulation models”. Department of Electrical Engineering and Computer Science.
Shah R y Ward PT. Marzo (2003). “Lean manufacturing: context, practice bundles and performance”. Journal of operations management. Vol. 21 No. 2, p. 129-149. DOI: http://dx.doi.org/10.1016/S0272-6963(02)00108-0.
Socconini L. (2008) “Lean Manufacturing paso a paso”. Editorial Norma, México.
Bibliografía
169
Srinivasan MM. y Viswanathan S. (2008). “Optimal work-in-process inventory levels for high-variety, low-volume manufacturing systems”. IIE Transactions (2010) 42, 379–391.
Standridge CR y Marvel JH. (2006). “Why lean needs simulation”. IEEE. 1907-1913.
Villanueva CJ. (2008). “Simulación de procesos clave en la toma de decisiones”. Vol. 83, no. 4: 221-227 DYNA.
Villaseñor A y Galindo E. (2007). “Manual de Lean Manufacturing”. 1ra ed. México: Limusa.
Walpole y col. (2007). “probabilidad y estadística para ingeniería y ciencias”. 8va edición.
México: Pearson.
Womack J, Jones D, & Roos D. (1992). “La máquina que cambio el mundo” 1ra ed. España: McGraw-Hill.
.
Anexos
170
ANEXOS
Anexos
171
Anexo 1 Propuesta de mejora basada en
manufactura esbelta para el surtimiento de materiales en una célula de ensamble
utilizando simulación
Memorias del Congreso Internacional Academia Journals 2012
ISSN 1946-5351 Online y 1948-2353 CD ROM
Vol. 4, No. 3, 2012
Páginas 1447-1452
Anexos
172
Anexos
173
Anexos
174
Anexos
175
Anexos
176
Anexos
177
Anexos
178
Anexo 2 Diagnóstico del desperdicio en el
surtimiento de materiales en líneas de ensamble de flechas de velocidad constante Utilizando
Promodel
Memorias del "Congreso Internacional de Investigación e Innovación 2012"
Multidisciplinario
ISSN 1946-5351 ISBN-978-607-95635
Anexos
179
Título del Trabajo:
Diagnóstico del Desperdicio en el Surtimiento de Materiales en Líneas de
Ensamble de Flechas de Velocidad Constante Utilizando Promodel
Autores:
M. en C. José Alfredo Jiménez García1,*,jjimenez@upgto.edu.mx, Autor Principal
Dr. José Martín Medina Flores1, jmedina@upgto.edu.mx, Coautor
Dr. Javier Yáñez Mendiola2, jyanez@ciatec.mx, Coautor
Dr. Efrén Mezura Montes3, emezura@xalapa.lania.mx, Coautor
Institución de Adscripción:
1,*Ingeniería en Procesos de Manufactura, Universidad Politécnica de Guanajuato, Av. Universidad Norte S/N, Localidad Juan Alonso, Cortázar, Gto., C.P. 38483,
México. 2CIATEC A.C.
Omega 201, Industrial Delta, León de los Aldama, Gto., México. 3LANIA.
Rébsamen 80/A.P. 696 Xalapa, Veracruz 91090 México.
Anexos
180
Diagnóstico del Desperdicio en el Surtimiento de Materiales en Líneas de
Ensamble de Flechas de Velocidad Constante Utilizando Promodel
ABSTRACT
This paper presents a diagnosis in the process of material feeding, developed and
implement in a company that manufactures constant velocity joints or half shafts
(CVJ), to solve problems of waste such as motion, waiting, work in process (WIP),
according to the lean thinking [1]. It seeks to change the current material feeding
system to reduce waste. Before implementing the changes we developed a
simulation model in Promodel that represents material feeding system to the
assembly cells, which will reveal different rates that reflect the amount of waste.
Different were run in the model to find the most suitable material feeding method.
We performed a simulation model that represents the ideal material feeding
situation. According to the results of the model proposed method is recommended
as the indices such as expected, movement and work in process (WIP) are
reduced.
RESUMEN
En este trabajo se presenta un diagnóstico en el proceso de surtimiento de
materiales, realizado en una empresa que manufactura flechas de velocidad
constante (FVC), para resolver problemas de desperdicio tales como movimiento,
espera, inventarios en proceso, de acuerdo con el pensamiento esbelto [1]. Se
busca cambiar el sistema actual de surtimiento para reducir los desperdicios.
Antes de implementar los cambios se desarrolló un modelo de simulación en
Promodel que representa el sistema de surtimiento, en el cual se ponen de
manifiesto diferentes índices que reflejan la cantidad de desperdicio. Se corrieron
en el modelo diferentes escenarios para encontrar el método ideal de surtimiento.
Se realizó un modelo de simulación que representa la situación ideal de
surtimiento. De acuerdo a los resultados del modelo se recomienda el método
Anexos
181
propuesto dado que los índices tales como espera, movimientos y trabajo en
proceso (WIP), se reducen.
Palabras clave: Simulación, desperdicios, pérdidas por falta de surtimiento.
NOMENCLATURA
FVC Flecha de velocidad constante.
WIP Trabajo en proceso.
M % de tiempo en movimiento sin materiales realizado por el surtidor.
E % de tiempo de espera.
1. INTRODUCCIÓN
El objetivo principal de la manufactura esbelta es minimizar el desperdicio, definido
como todo aquello que no agrega valor y por lo cual el cliente no está dispuesto a
pagar. Dentro de los desperdicios, se tiene una clasificación de siete diferentes
tipos que se enlista a continuación [1]:
1. Sobreproducción: Producir artículos parar los que no existen órdenes de
producción.
2. Espera: Los operadores esperan observando las máquinas trabajar o esperan
por herramienta, partes, etc.
3. Transporte innecesario: El movimiento innecesario de algunas partes durante
la producción.
4. Sobreprocesamiento o procesamiento incorrecto: No tener claro los
requerimientos de los clientes causa que en la producción se hagan procesos
innecesarios.
5. Inventarios: El exceso de materia prima, inventario en proceso o productos
terminados causan largos tiempos de entrega, obsolescencia de productos,
productos dañados, costos por transportación, almacenamiento y retrasos.
6. Movimiento innecesario: Cualquier movimiento innecesario hecho por el
personal durante sus actividades, tales como mirar, buscar, acumular partes,
herramientas, etc., caminar también puede ser un desperdicio.
Anexos
182
7. Productos defectuosos o retrabajos: Producción de partes defectuosas.
Reparaciones o retrabajo, “scrap”, reemplazos en la producción e inspección
significan manejo, tiempo y esfuerzo desperdiciado.
Cuando se realiza el análisis de un proceso utilizando el pensamiento de
manufactura esbelta, los siete desperdicios mencionados anteriormente, deben
tomarse en cuenta para implementar posibles mejoras. Sin embargo, dependiendo
de la empresa quizá algunos no ocurran o sean analizados de manera
independiente. Uno de los desperdicios que más afectan la productividad de una
empresa es el exceso de WIP, para reducirlo se han realizado trabajos donde se
propone determinar la cantidad de contenedores y la capacidad de los
contenedores considerando gran variedad de productos y bajo volumen, como los
que presentan Srinivasan y Viswanathan [2] y Kim [3]. Grimard [4] validó un
rediseño de una célula de manufactura usando simulación, donde pudo visualizar
un mejor arreglo de una la célula de producción. En este trabajo se hace uso del
software PROMODEL para desarrollar un modelo de simulación de las líneas de
ensamble de flechas de velocidad constante de un caso particular de una empresa
del sector automotriz donde el objetivo es reducir el WIP del proceso y por ende el
tiempo que las células de producción se detienen por falta de surtimiento de
materiales.
2. DESCRIPCION DEL ESQUEMA ACTUAL DE SURTIMIENTO
En la empresa manufacturera de FVC el surtimiento de materiales se realiza
desde el almacén hacia cada una de las células de producción, el proceso de
surtimiento comienza en diferentes almacenes como son: almacén de
maquinados, almacén de misceláneos y un almacén de plásticos. Los modelos de
flecha que se ensamblan varían dependiendo del cliente, los cuales pueden ser:
VW, Nissan, Ford, GM, Hyundai, Renault, entre otros. Se producen 357 modelos
diferentes de flechas que se reparten por familias de productos en veinte células
de producción dependiendo del cliente.
Anexos
183
En la Fig. 1 se muestra los diferentes componentes que integran una flecha de
velocidad constante (FVC). El surtidor coloca cada uno de ellos en los puntos de
uso, de tal forma que el operario no tenga que moverse para alcanzarlos y llevar a
cabo la operación de ensamble.
Figura 1. Componentes de la flecha de Velocidad constante.
Cada una de las células de producción está integrada por cuatro operadores,
donde, cada uno realiza cierta operación y entrega su ensamble al siguiente
operador. Cuando el segundo operador termina su ensamble, éste lo entrega al
siguiente operador y así sucesivamente hasta llegar a la última operación donde la
flecha terminada se coloca en un contenedor que resguarda el producto de
manera segura, denominado plástico. En el sistema de surtimiento actual, el
surtidor realiza varios viajes hacia los diferentes almacenes (excepto al de
maquinados) cuando observa que las distintas partes que componen una flecha
de velocidad constante se están agotando en el punto de uso de los obreros.
Generalmente transporta entre veinte y ochenta partes en cada viaje y no se tiene
control de ello; por lo tanto, esto provoca que cuando se termina de producir un
lote de cierto modelo, se deba recoger todo el material correspondiente al modelo
anterior y traer los componentes para el siguiente modelo. Esta manera
descontrolada de surtir, provoca que las células de producción no se surtan a
tiempo, de manera que cuando se termina el cambio de modelo, el surtidor no ha
terminado de entregar todas las partes necesarias para la producción del siguiente
modelo, lo cual genera lo que se conoce como “perdidas por falta de surtimiento”.
Anexos
184
En el proceso de surtimiento de materiales además del surtidor existe otro factor
que debe ser considerado. Se cuenta con un rutero (montacarguista) que tiene
acceso únicamente al almacén de maquinados, donde los toma y los transporta
hacia un costado de la célula de producción, llamado punto de surtimiento. Una
vez que el rutero coloca los maquinados en el punto de surtimiento, el surtidor los
toma y los coloca en el punto de uso de cada uno de los operarios que conforman
la célula de producción.
3. ANALISIS DEL ESQUEMA DE SURTIMIENTO ACTUAL.
Bajo el enfoque de surtimiento actual, un solo surtidor tiene la capacidad de dar
servicio cuando mucho a dos células de producción por lo que se hace necesario
tener al menos cinco surtidores para realizar el proceso de surtimiento, dado que
de las veinte células de producción disponibles, solamente se programa actividad
en diez de ellas, dependiendo de la demanda del mercado. Las células de
producción de Flechas de Velocidad Constante tienen un flujo de producción en
forma de U [5], las cuales constan de cinco operaciones de ensamble (Fig. 2), la
operación 10, 20, 30, 40 y 50. En la célula de producción existen cuatro operarios,
donde, uno de ellos realiza dos operaciones, dado que las operaciones 20 y 30 se
realizan de manera semiautomática. El operario solo carga y descarga ambas
máquinas, mientras una máquina realiza su tiempo ciclo, el operario descarga y
carga la otra máquina. Cada uno de los integrantes de la cuadrilla de operarios es
capaz de realizar cualquiera de las cinco operaciones.
Figura 2. Configuración de las células de producción.
Anexos
185
En el sistema de surtimiento actual de partes (materiales) para el ensamble de
FVC (Flechas de Velocidad Constante), el surtidor consigue del almacén
correspondiente tanto los plásticos como los misceláneos, por lo que se encuentra
con sobrecarga de trabajo. La forma de trabajo del surtidor es la siguiente: camina
desde la célula al que fue asignado (generalmente se le asignan dos células
adyacentes o cercanas) hasta el almacén de misceláneos, toma partes como son:
dámper, tricetas, botas, seguros, etcétera y los lleva hasta el punto de uso de la
célula donde los operarios las tomaran y realizarán la operación de ensamble.
Después se desplaza hacia el almacén de plásticos y dependiendo del modelo y
del número de FVC a producir de ese modelo, toma la cantidad de plásticos
necesarios y los coloca cerca de la última operación de la célula de producción,
donde salen los productos terminados.
Las partes denominadas maquinados son transportadas por montacarguistas
(ruteros), acercándolos a las células de producción, donde el surtidor las toma del
lugar donde el rutero los deja y los coloca en el punto de uso. En la Fig. 2 se
observa una célula representativa, se puede identificar los cuatro operarios, las
máquinas donde se realizan las operaciones 10 a la 50 y los puntos de uso donde
los operarios toman las partes colocadas por el surtidor. Para analizar el proceso
actual de surtimiento de materiales para el ensamble de FVC, se desarrolló un
modelo de simulación del proceso discreto utilizando el software Promodel y
siguiendo los pasos propuestos por Villanueva [6]. La validación del modelo
desarrollado en Promodel se llevó a cabo mediante la comparación de datos
históricos con los resultados arrojados por la simulación y consideraciones hechas
por expertos [7]. La Fig. 3 presenta el layout del modelo de simulación del sistema
de surtimiento actual, donde se destaca, en color rojo, la red por donde se
desplaza el surtidor para hacer llegar materiales desde el almacén hacia los
diferentes puntos de surtimiento de la célula. En color azul marino, dentro de la
célula de producción se observan los operarios, los círculos amarillos representan
los puntos de uso de cada uno de los operarios, donde toman los materiales
surtidos para realizar su ensamble. Debido a la magnitud de la planta, en el layout,
Anexos
186
solo se observan tres células (líneas) de producción. En este análisis, sólo se
estudio el efecto de un surtidor abasteciendo solo una célula de producción.
La Fig. 4 muestra el resultado del modelo de simulación del esquema actual de
surtimiento, del cual se puede obtener el desempeño del surtidor entregando
partes solamente en la célula cuatro. El color verde representa el porcentaje de
tiempo de trabajo efectivo, es decir, tiempo en el cual el surtidor tiene partes en su
mano y se encuentra trasladándolas desde el almacén hacia la célula o
colocándolas en el punto de uso. El color amarillo representa movimiento sin carga
y el azul el ocio. Con la ayuda del modelo de simulación se corrieron 3 escenarios
diferentes, cada escenario representa una propuesta de surtimiento, con relación
en el tamaño de lote a transportar, específicamente, consisten en que el surtidor
tome lotes pequeños de veinte, cuarenta y ochenta partes de los diferentes
componentes cada vez que realice el surtimiento.
Figura 3. Modelo del esquema de surtimiento actual.
MAQUINADO
S
MISCELANEOS
PLÁSTICOS
Anexos
187
Figura 4. Porcentaje de trabajo efectivo, movimiento sin material y ocio del surtidor
identificado por colores, sistema actual.
Figura 5. Porcentaje de trabajo efectivo, movimiento sin material y ocio del surtidor identificado por colores, sistema propuesto.
En el escenario donde el surtidor asiste al almacén para tomar veinte piezas para
abastecer una sola célula en una jornada de ocho horas, 24.58% de su tiempo lo
utilizará para trabajo efectivo, 36.67% para movimientos sin materiales y 38.73%
del tiempo estará ocioso. Lo anterior depende también de lo que el surtidor
observa que se está agotando en el punto de uso del operario, es decir, si observa
que falta dámper acude al almacén por veinte dampers, si observa que hacen falta
botas acude al almacén por veinte botas y así sucesivamente. En la Fig. 4 se
presenta también los porcentajes de tiempo efectivo, traslado (movimientos) y
ocio, para cuando el surtidor maneja lotes de cuarenta y ochenta.
4. ANALISIS DEL ESQUEMA DE SURTIMIENTO PROPUESTO
El objetivo más importante en un sistema de manufactura esbelta es el flujo de
materiales [8], el sistema de surtimiento que se propone en este trabajo intenta
agilizar el flujo de materiales con el fin de eliminar el desperdicio considerado
como: de espera, movimientos innecesarios y el exceso de materiales en las
células de producción. Para tal fin, se propone un nuevo esquema de surtimiento
donde se descarga de trabajo a los surtidores, se incrementa el número de ruteros
y se introducen nuevos elementos llamados “paqueteros”. La descripción de cada
Travel to use
Anexos
188
uno de los elementos que componen el proceso de surtimiento de materiales
propuesto es:
1. Ruteros (Montacarguista): personal que se desplaza usando un montacargas y
que acude a los almacenes de plásticos, misceláneos y maquinados. Toma
materiales y los transporta hacia las células de producción.
2. Paqueteros: personal encargado de hacer paquetes con las partes
denominadas misceláneos. Los paquetes estarán en función de la cantidad
demandada de cada uno de los modelos, de manera que se entregaran
cantidades exactas para procesar un lote determinado. Con esto se evita
realizar varios viajes hacia los almacenes y tener excedentes de materiales en
las células de producción.
3. Surtidor: personal que toma los maquinados, plásticos y misceláneos y los
coloca en el punto de uso, de manera que los operarios de la célula de
producción no tengan que moverse para conseguir partes (materiales o
componentes), solo se dedican a realizar la operación que les corresponde y
tomar las partes del punto de uso para realizar su ensamble correspondiente.
La Fig. 5 presenta los resultados de la simulación del nuevo esquema de
surtimiento de materiales, se puede apreciar que si el surtidor coloca en el punto
de uso lotes de veinte, solo requiere 26.88% de su tiempo disponible para cumplir
con su tarea en una sola célula de producción. Si coloca cuarenta partes en los
puntos de uso cada vez que realiza surtimiento solo requerirá el 21.92% de su
tiempo disponible y si colocara las partes en el punto de uso en lotes de ochenta
solo necesitaría del 20.79% de su tiempo disponible. Independientemente del
tamaño de lote, se puede observar en color azul, que el porcentaje de tiempo de
ocio del surtidor, en el caso de dar servicio a una sola línea, es en promedio 75%
aproximadamente, lo que sugiere que un solo surtidor puede ser capaz de atender
de tres a cuatro células de producción. La Tabla 1 presenta los porcentajes de
trabajo efectivo, movimiento sin materiales y el ocio relacionados con el surtidor en
el esquema actual propuesto.
Anexos
189
Tabla 1. Porcentaje de desperdicio del surtidor bajo el esquema de surtimiento propuesto.
Tamaño
de lote
%
Trabajo
efectivo
%
Movimiento
sin
materiales
% de
ocio
20 8.32 18.56 73.11
40 8.32 13.6 78.07
80 8.32 12.47 79.2
Se aprecia que lo más recomendable es surtir lotes de tamaño ochenta cada vez
que el surtidor coloca partes en los puntos de uso debido a que el desperdicio
“movimiento sin materiales” se reduce al valor más pequeño de los tres escenarios
analizados.
5. RESULTADOS
Este trabajo se desarrolló bajo el supuesto de que los paqueteros no afectan en el
sistema, es decir, elaboran paquetes de misceláneos de manera que siempre
están disponibles cuando el rutero los requiere para ser entregados a la célula
correspondiente. El estudio se centró principalmente en el efecto entre surtidores y
ruteros, debido a que la propuesta fue eliminar el desperdicio “movimiento del
surtidor” que realiza desde la célula hacia los almacenes y de los almacenes hacia
la célula. Para el sistema de surtimiento propuesto, dichos movimientos los
realizará el rutero con la ayuda de un montacargas llevando paquetes con
cantidades exactas de acuerdo al programa de producción. Por ejemplo, si se
tiene programado producir ochenta FVC en la línea cuatro del modelo 320, el
rutero en un solo viaje debe llevar un paquete con ochenta Dampers, ciento
sesenta seguros, ciento sesenta botas, ochenta tricetas, etcétera. Con esto se
eliminan movimientos innecesarios del surtidor ya que ahora no será necesario
realizar varios viajes hacia los diferentes almacenes.
Debido que al rutero se le asigna el traslado tanto al almacén de misceláneos
como al de plásticos además del de maquinados, es necesario analizar el efecto
Anexos
190
de este cambio en el proceso de surtimiento y determinar el número de ruteros
que se requieren para reducir el tiempo de espera por falta de materiales de las
células de producción. En el sistema de surtimiento actual, el rutero solo acerca
maquinados a la célula, en el esquema propuesto, el rutero debe ahora transportar
desde los diferentes almacenes; maquinados, misceláneos y plásticos, por lo
tanto, se necesita determinar el número adecuado de ruteros. Para este fin, se
realizaron corridas con el modelo de simulación para cinco escenarios diferentes
de surtimiento, cada escenario representa una propuesta, donde el sistema de
surtimiento se supone que puede operar con uno, dos, tres, cuatro y hasta cinco
ruteros. Los resultados de los diferentes escenarios se muestran en la Tabla 2. En
la columna cuatro de la Tabla 2 se puede observar el desperdicio de espera que
sufren los ruteros; por lo tanto, es de esperarse que al tener únicamente un solo
rutero no habrá tiempo para descansar y solamente se trasladara con carga
(columna 2) y sin carga en busca de mover más materiales (Columna 3). En este
escenario (un solo rutero) no se tiene desperdicio con respecto al recurso rutero.
Conforme se incrementa el número de ruteros, aumenta el porcentaje del
desperdicio espera, donde se puede observar que con cuatro y cinco ruteros se
tienen los porcentajes más elevados del desperdicio espera, con 30.51% y 42.38%
respectivamente.
Tabla 2. Porcentaje de espera de los ruteros.
No. de ruteros
% en uso
% viajando para ser utilizado
% en espera
para ser utilizado
1 72.09 27.90 0.01
2 69.94 30.06 0.01
3 64.50 27.54 7.97
4 48.53 20.91 30.51
5 40.39 17.24 42.38
Tabla 3. Porcentaje de espera de las células para ser surtidas.
Numero de Célula
Un Rutero
Dos Ruteros
Tres Ruteros
Cuatro Ruteros
Cinco Ruteros
% de afectación a cada célula
1 91.57 56.39 3.38 4.57 2.93
2 97.32 59.50 4.85 4.81 3.60
3 93.34 43.49 0 0 0
4 89.16 55.50 3.88 2.44 2.14
5 89.58 52.56 7.04 4.16 4.80
6 91.38 48.15 7.13 3.87 3.10
9 81.45 52.12 7.85 2.74 3.46
10 89.58 56.65 8.15 3.90 2.55
11 89.58 56.92 8.08 4.71 2.55
17 98.67 60.09 3.62 4.15 3.94
Promedio 91.16 54.14 5.40 3.54 2.97
Por otra parte, se puede observar en la Tabla 3, el porcentaje de tiempo ocioso
(por falta de surtimiento) que son afectadas cada una de las células, dependiendo
del número de ruteros que asignen para el surtimiento. Por ejemplo, en el caso de
Anexos
191
un solo rutero abasteciendo todas las células (columna 2); la célula 1, tendrá un
porcentaje de tiempo en espera de 91.57%; la célula 2, tendrá un porcentaje de
97.32%, etcétera. De esta manera, si se promedia el porcentaje de ocio que todas
las células son afectadas, se determina que con un solo rutero, en promedio, las
células están en espera por falta de surtimiento 91.16%. De la misma manera, si
se asignan dos ruteros para realizar el surtimiento, se tendrá un porcentaje de
espera por falta de surtimiento promedio para las células de 54.14%, con tres
ruteros, 5.4%, con cuatro ruteros 3.54% y con cinco ruteros, 2.97%. Se puede
observar que a medida que se incrementa el número de ruteros, se tiene una
mejora considerable en relación al porcentaje de ocio debido a la espera por falta
de surtimiento, sin embargo, la mejora marginal de pasar de un sistema de 3
ruteros a un sistema de 4 ruteros, no es muy significativa, es decir, si se establece
el sistema de surtimiento con tres ruteros, las células en promedio tendrán un ocio
(o estarán detenidas por falta de surtimiento) de 5.4% y si se establece el sistema
con cuatro ruteros, el ocio será de 3.54%. En la Figura 6, se refleja el impacto en
los porcentajes de tiempo ocioso tanto para los ruteros como para las células de
producción, a medida que se incrementa el número de ruteros.
Figura 6. Número ideal de ruteros para abastecer 10 células.
Los resultados de las Tablas 2 y 3, se pueden resumir en la Figura 3, donde se
observan el porcentaje de ocio, de los ruteros en color rojo y el porcentaje de ocio
para las células en color verde. Se puede apreciar que a medida que se
incrementa el número de ruteros, se incrementa el porcentaje de ocio de los
Anexos
192
ruteros, y disminuye el porcentaje de ocio de las células. Debido a que el objetivo
es reducir el porcentaje de espera por falta de surtimiento de las células, sin
incrementar de manera importante el porcentaje de ocio de los ruteros, se
recomienda entre tres ruteros, gráficamente se observa mediante la intersección
entre la curva de los porcentajes de ocio de los ruteros y la curva del porcentaje de
ocio de las células. Con esto se obtiene un porcentaje de ocio de 7.97% para los
ruteros de (acuerdo a la Tabla 1) y un porcentaje de ocio promedio de 5.4% para
todas las células.
Con respecto a la cantidad de surtidores, se propone que solo sean cuatro en
lugar de cinco. En la Tabla 1, se puede apreciar que si el surtidor coloca partes en
los puntos de uso en lotes de 80, y abastece solamente una célula, tendrá un
79.2% de Ocio. Esto sugiere, que para surtir solamente una célula, se requiere de
20.8% de su tiempo disponible, por lo tanto, para proporcionar servicio a tres
células, requerirá 62.4%. De esta manera, la asignación de surtidores para el
nuevo esquema de surtimiento se presenta en la Tabla 4. Como se aprecia
pareciera que les queda bastante tiempo de ocio, sin embargo, se debe considerar
que las partes maquinadas (semieje, campana y tulipán) son pesadas y a lo largo
de la jornada de trabajo provocan una fatiga considerable, además, necesitan un
tiempo para trasladarse de una célula a otra, el cual no está considerado dentro
del 62.4% mencionado anteriormente, este porcentaje solo considera el tiempo
cuando el surtidor se encuentra abasteciendo los puntos de uso y se mueve de
nueva cuenta para buscar materiales para continuar surtiendo. El criterio de
asignación de las diferentes células a los surtidores es la cercanía entre ellas, para
reducir las distancias de los desplazamientos del surtidor al trasladarse de una
célula a otra, por ejemplo, las células uno, dos y tres se encuentran adyacentes,
por lo que son asignadas al surtidor uno.
Anexos
193
Tabla 4. Asignación de surtidores a células.
Surtidor Células asignadas
1 1,2,3
2 4,5,6
3 9,10
4 11,17
Tabla 5. Comparación entre esquema actual y propuesto.
Desperdicio o recurso Esquema de surtimiento
actual
Esquema de surtimiento propuesto
No. de ruteros 4 3
No. de surtidores 5 4
WIP (puntos de uso) 51 partes 41 partes
% de espera por falta de surtimiento (E)
8% 5.4%
% de tiempo en movimiento sin materiales
realizado por el surtidor (M)
17.66% 12.47%
La propuesta de surtimiento desarrollada en este trabajo produce mejores
resultados en comparación con el esquema de surtimiento anterior. En la Tabla 5,
se destacan los tres desperdicios con mayor efecto para este trabajo y se compara
el esquema de surtimiento actual contra el propuesto. Se puede observar que no
cambia el número de ruteros necesarios para el esquema de surtimiento actual,
siendo cuatro la cantidad de ruteros que se requiere. Con relación al número de
surtidores, anteriormente eran necesarios cinco surtidores, donde cada surtidor
tiene la capacidad de abastecer solamente dos células. En el esquema de
surtimiento actual, solamente se requiere de cuatro surtidores, dos de ellos
surtirán dos células y los otros dos, surtirán tres células. Esta asignación nos da la
flexibilidad de que si existe un incremento en la demanda y es necesario trabajar
con más de diez células de producción, por ejemplo doce (como sucede en ciertas
temporadas), será posible asignar a cada rutero tres células de producción. En la
misma Tabla 5, se puede observar que la cantidad de trabajo en proceso, en
promedio, se reduce de cincuenta y uno partes a cuarenta y uno partes, en los
diferentes puntos de uso. Finalmente se puede observar que con el esquema
propuesto el porcentaje de tiempo que un surtidor se mueve sin materiales, se
reduce del 17.66% a 12.47%.
Las tarjetas Kanban se pueden utilizar como un método de estandarización y
reducción de WIP [9]. En este trabajo solo se requiere una tarjeta por modelo,
debido a que se propone producir cantidades exactas, por ejemplo, si tiene
programadas ochenta FVC del modelo 3, ciento sesenta FVC del modelo 15 y dos
cientos cuarenta FVC del modelo 43, solo se colocará en la caja heijunka, a un
Anexos
194
costado de la célula de producción, una tarjeta que indique que se debe producir
en primer lugar un lote de ochenta FVC del modelo 3, una tarjeta que indique que
se deben producir ciento sesenta FVC del modelo 15 y una tarjeta que indique que
se deben producir dos cientos cuarenta FVC del modelo 43. La caja heijunka
servirá por entender la secuencia de producción y la hora en que han de
entregarse cada uno de los modelos programados. A esta información también
deben de tener acceso, tanto paqueteros, ruteros y surtidores, para tener listo el
material del siguiente modelo, una vez que se termine de producir el modelo que
actualmente se está corriendo en la línea correspondiente.
6. CONCLUSIONES
En este artículo se presentó un diagnóstico de surtimiento de materiales, en una
empresa fabricante de Flechas de velocidad constante, donde se utilizó el
software Promodel para experimentar con posibles escenarios de simulación para
conocer las consecuencias antes de llevar a la práctica las sugerencias de mejora.
Con los resultados logrados, al reducir de 8% a 5.4% las pérdidas por falta de
surtimiento en las células de producción, se tiene un 2.6% más de tiempo para
producir, considerando que en el turno se trabajan 7.5 horas efectivas, se tiene
7.5x60x60 = 27000 segundos disponibles para producción, el 2.4% del tiempo
ahorrado, traducido a segundos son 702 segundos. Considerando que en
promedio el tiempo ciclo de cada célula es de 30 segundos, se pueden producir
23.4 FVC más en un turno, en una sola célula, si consideramos las 10 células que
generalmente operan, se estarán produciendo aproximadamente 234 FVC más en
un solo turno. Con esta mejora, se tendrá mayor capacidad de respuesta a los
clientes y se reducirán las posibilidades de enviar pedidos expeditados.
Al eliminar un surtidor, no se perderá un empleo, esto no es el fin de la
manufactura esbelta, dicho surtidor puede reubicarse para realizar actividades a
favor del nuevo sistema de surtimiento, por lo que se propone asignarlo a tareas
de elaboración de paquetes en el almacén de misceláneos. La simulación se
utilizó exitosamente como una herramienta para validar la propuesta antes de
Anexos
195
implementarla, de manera que al implementarla se observaron en el sistema real
pérdidas por falta de surtimiento cercanas al 5.4%% en promedio, que también se
observó en los resultados arrojados por el modelo de simulación. Si se considera
que se tienen 3 ruteros y que cada uno de ellos puede entregar maquinados,
misceláneos o plásticos, se tienen 9 posibles asignaciones para la entrega de
materiales para la producción de un solo modelo. Si se programan 5 modelos
diferentes en cierta célula de producción, se tienen 59049 formas diferentes en
que se puede asignar a los ruteros para la entrega de materiales para el
cumplimiento de la producción de los 5 modelos de FVC mencionados. Dada la
gran cantidad de combinaciones, es complicado plantear un modelo matemático
que determine una secuencia óptima de entrega de materiales para minimizar las
pérdidas por falta de surtimiento, para lograr acercarse a la meta de la empresa,
que consiste en tener solamente 1% en pérdidas por falta de surtimiento. Se
sugiere hacer uso de herramientas metaheurísticas, las cuales han demostrado
ser capaces de encontrar soluciones de calidad, que si bien no son óptimas, si son
muy cercanas al óptimo y el tiempo para encontrar dicha solución es
razonablemente corto.
AGRADECIMIENTOS
Los autores agradecen al Consejo Nacional de Ciencia y Tecnología CONACyT
por el financiamiento para este proyecto.
REFERENCIAS
[1]. Ballesteros P. P. (2008). Algunas reflexiones para aplicar la manufactura
esbelta en empresas colombianas. Scientia et Technica Año XIV, No 38, Junio
de 2008. Universidad Tecnológica de Pereira.
[2]. Srinivasan M. M. y Viswanathan S., Optimal work-in-process inventory levels
for high-variety, low-volume manufacturing systems. IIE Transactions (2010)
42, 379–391, 2008.
Anexos
196
[3]. Grimard C. y Marvel J. H., Validation of the re-design of a manufacturing Work
cell using simulation. Proceedings of the 2005 Winter Simulation Conference.
1836-1391, 2005.
[4]. Kim S., Hoon L. Y., Yang T. y Park N. (2008). Robust production control
policies considering WIP balance and setup time in a semiconductor fabrication
line. Int J Adv Manuf Technol (2008) 39:333–343.
[5]. Balakrishnan, J., Cheng, C. H., Ho, K. C. y Yang K. K., The application of
single-pass heuristics for U-lines, Journal of manufacturing systems, Vol. 28,
pp. 28-40, 2009.
[6]. Villanueva C. J. (2008). Simulación de procesos clave en la toma de
decisiones. Vol. 83, no. 4: 221-227 DYNA.
[7]. Sargent R. G. (1998). Verification and validation of simulation models.
Department of Electrical Engineering and Computer Science.
[8]. Harris, R., C and Wilson, E., Making Materials Flow, 2003 (The Lean Enterprise
Institute: Massachusetts).
[9]. Ali A., Khadem M. y Santini N. (2010). Kanban Supplier System as a
Standardization Method and WIP Reduction. Proceedings of the 2010
International Conference on Industrial Engineering and Operations
Management.
Anexos
197
Anexo 3 Reducción del desperdicio espera
en líneas de ensamble mediante el uso de heurísticas y escenarios de simulación
Publicado en revista Ingeniería e Industria Dyna
Año 0 (DYNA Acelerado)
Volumen DYNA-ACELERADO
Número 0 (DYNA Acelerado)
Anexos
198
Anexos
199
Anexos
200
Anexos
201
Anexos
202
Anexos
203
Anexos
204
Anexos
205
Anexos
206
Anexos
207
Anexos
208
Anexos
209
Anexo 4 Material supply system analysis
under simulations scenarios in lean manufacturing environment
International Congress on Logistics & Supply Chain 2013
Conference Proceedings
Technical session I: supply chain systems 2
ISBN Pendiente
Páginas 171 - 177
Anexos
210
Anexos
211
Anexos
212
Anexos
213
Anexos
214
Anexos
215
Anexos
216
Anexos
217
Anexo 5 Causas de paro de máquina
Anexos
218
Máquina Fecha de Inicio Fecha de Terminación Número de parte TIEMPO Motivo de Paro / Comentarios
1604 01/04/2010
07:20 01/04/2010 07:30 10228006 0:10:00 TAPA
1601 01/04/2010
07:46 01/04/2010 08:18 326850-1 0:32:00 TRICETA
1604 01/04/2010
08:00 01/04/2010 08:10 10228006 0:10:00 TAPA
1616 01/04/2010
09:40 01/04/2010 10:00 808981 0:20:00 PLÁSTICOS
1604 01/04/2010
10:00 01/04/2010 10:20 10228006 0:20:00 TAPA
1604 01/04/2010
10:30 01/04/2010 10:50 10228006 0:20:00 RACKS
1604 01/04/2010
11:40 01/04/2010 12:00 10181130 0:20:00 SURTIMIENTO
1601 01/04/2010
12:15 01/04/2010 12:28 10179229 0:13:00 RETIRAR TARIMA
1615 01/04/2010
12:55 01/04/2010 13:00 809237 0:05:00 RETIRAR TARIMA
1601 01/04/2010
13:03 01/04/2010 13:13 10179229 0:10:00 RETIRAR TARIMA
1604 01/04/2010
14:55 01/04/2010 15:00 10181128 0:05:00 SURTIMIENTO
1603 01/04/2010
16:05 01/04/2010 16:15 10185205 0:10:00 maquinados cdm
1603 01/04/2010
16:50 01/04/2010 17:05 10185203 0:15:00 campana
1611 01/04/2010
16:50 01/04/2010 17:20 10224998 0:30:00 faltan maquinados
1609 01/04/2010
17:45 01/04/2010 17:55 8396010402 0:10:00 falta semieje con damper
1604 01/04/2010
19:10 01/04/2010 19:50 10179578 0:40:00 maquinados cdm
1611 01/04/2010
20:10 01/04/2010 20:20 10224997 0:10:00 falta tulipan preparado
1602 01/04/2010
21:06 01/04/2010 21:30 10180464 0:24:00 faltan materiales
1602 02/04/2010
00:00 02/04/2010 00:10 10190950 0:10:00 bota r.f. revuelta
1604 02/04/2010
02:43 02/04/2010 02:58 10178309 0:15:00 falta de valero
1601 02/04/2010
04:10 02/04/2010 04:30 8205010306 0:20:00 falta de surtimiento para el cdm
1602 02/04/2010
15:00 02/04/2010 15:30 10190950 0:30:00 CAMPANA
1602 02/04/2010
16:20 02/04/2010 16:40 10190947 0:20:00 TULIPÁN
1602 02/04/2010
18:45 02/04/2010 18:55 10190947 0:10:00 RETIRAR TARIMA
1602 02/04/2010
18:55 02/04/2010 19:10 10190947 0:15:00 BASES
1601 03/04/2010
07:20 03/04/2010 07:40 8205010306 0:20:00 faltan racks
1601 03/04/2010
12:00 03/04/2010 12:20 8205010306 0:20:00 falta campana en linea
1601 03/04/2010
13:00 03/04/2010 13:10 8205010306 0:10:00 faltan racks
1604 04/04/2010
11:05 04/04/2010 11:15 10091710 0:10:00 U
1611 04/04/2010
12:05 04/04/2010 12:25 10224998 0:20:00 falta tulipan preparado
1604 04/04/2010
14:20 04/04/2010 14:40 10088371 0:20:00 falta semieje checado
1606 04/04/2010
15:07 04/04/2010 15:50 8471010601 0:43:00 SURTIMIENTO
1604 04/04/2010
15:32 04/04/2010 16:10 10181128 0:38:00 FALTA DE MATERIALES
Anexos
219
1616 04/04/2010
15:45 04/04/2010 15:55 809006 0:10:00 RETIRAR TARIMA
1613 04/04/2010
15:58 04/04/2010 16:25 10067926-A 0:27:00 SURTIMIENTO
1614 04/04/2010
16:51 04/04/2010 17:01 10231264 0:10:00 SURTIMIENTO
1606 04/04/2010
16:52 04/04/2010 16:57 8471010601 0:05:00 RETIRAR TARIMA
1616 04/04/2010
16:55 04/04/2010 17:05 809006 0:10:00 RETIRAR TARIMA
1614 04/04/2010
17:31 04/04/2010 17:41 10231264 0:10:00 CINCHO MENOR
1616 04/04/2010
18:05 04/04/2010 18:15 809006 0:10:00 RETIRAR TARIMA
1601 04/04/2010
18:46 04/04/2010 18:56 10179188 0:10:00 RETIRAR TARIMA
1604 04/04/2010
18:56 04/04/2010 19:00 10181128 0:04:00 RETIRAR TARIMA
1601 04/04/2010
19:10 04/04/2010 19:20 10179188 0:10:00 TRICETA
1606 04/04/2010
19:37 04/04/2010 19:40 8471010601 0:03:00 TULIPÁN
1613 04/04/2010
19:38 04/04/2010 19:55 10068491 0:17:00 SURTIMIENTO MISCELÁNEOS
1604 04/04/2010
19:57 04/04/2010 21:00 10228009 1:03:00 SURTIMIENTO
1614 04/04/2010
20:45 04/04/2010 21:00 10231264 0:15:00 INSERTO
1603 04/04/2010
21:15 04/04/2010 21:30 10185154 0:15:00 RETIRAR TARIMA
1601 04/04/2010
21:24 04/04/2010 21:45 10179231 0:21:00 PLÁSTICOS Y BASE
1606 04/04/2010
21:36 04/04/2010 21:40 8221010604 0:04:00 RETÉN
1606 04/04/2010
21:45 04/04/2010 22:10 8221010604 0:25:00 SURTIMIENTO
1601 04/04/2010
22:02 04/04/2010 22:10 10179231 0:08:00 SEGURO PISTA
1604 04/04/2010
22:11 04/04/2010 22:26 10228009 0:15:00 PLÁSTICOS
1615 04/04/2010
22:21 04/04/2010 22:36 00809193A 0:15:00 SURTIMIENTO
1606 04/04/2010
22:31 04/04/2010 22:36 8221010604 0:05:00 TRICETA
1604 04/04/2010
22:34 04/04/2010 22:49 10228009 0:15:00 BALERO
1606 04/04/2010
22:53 04/04/2010 23:00 8221010604 0:07:00 S/E
1604 04/04/2010
23:00 04/04/2010 23:30 10228009 0:30:00 falta de surtimiento de omega
1610 04/04/2010
23:20 04/04/2010 23:30 10055874 0:10:00 por surtimiento de miscelanios
1606 04/04/2010
23:25 05/04/2010 00:00 8221010604 0:35:00 falta de surtir campana
1613 04/04/2010
23:40 05/04/2010 00:05 10067926-a 0:25:00 U
1601 04/04/2010
23:50 05/04/2010 01:05 10179190 1:15:00 falta de surtimiento de linea p/cdm
1606 05/04/2010
00:50 05/04/2010 01:05 8221010604 0:15:00 falta de surtir tulipan
1606 05/04/2010
01:40 05/04/2010 01:50 8221010604 0:10:00 bota equivocada
1616 05/04/2010
02:15 05/04/2010 02:30 10232401 0:15:00 falta de surtir cincho, etiqueta
1619 05/04/2010
03:25 05/04/2010 03:35 10221398 0:10:00 falta de campana en linea
1619 05/04/2010
03:55 05/04/2010 04:00 10221398 0:05:00 falta de surtir seguro
Anexos
220
1619 05/04/2010
05:35 05/04/2010 05:45 10221397 0:10:00 falta de etiqueta
1619 05/04/2010
06:05 05/04/2010 06:15 10221397 0:10:00 falta de omega
1616 05/04/2010
07:15 05/04/2010 08:10 10232400 0:55:00 falta de DO
1606 05/04/2010
07:50 05/04/2010 08:02 8226010602 0:12:00 grasa
1619 05/04/2010
07:55 05/04/2010 08:05 10221397 0:10:00 falta de etiqueta
1603 05/04/2010
09:30 05/04/2010 09:40 10185200 0:10:00 falta tulipan en linea
1603 05/04/2010
10:20 05/04/2010 10:45 10185200 0:25:00 falta semieje en linea
1606 05/04/2010
10:30 05/04/2010 10:45 8226010602 0:15:00 falta semieje en linea
1601 05/04/2010
11:20 05/04/2010 12:15 10172970 0:55:00 tulipan cdm
1606 05/04/2010
16:35 05/04/2010 16:45 8221010604 0:10:00 reten revuelto
1616 05/04/2010
17:05 05/04/2010 17:15 809006 0:10:00 falta de surtimiento en linea
1614 05/04/2010
19:10 05/04/2010 21:38 10231264 2:28:00 U
1615 05/04/2010
19:15 05/04/2010 19:50 10196622 0:35:00 falta de surtimiento de linea p/cdm
1606 05/04/2010
20:43 05/04/2010 20:53 8471010601 0:10:00 falta de triceta y arandela en linea
1604 05/04/2010
21:13 05/04/2010 21:23 10228010 0:10:00 falta de campana en linea
1606 05/04/2010
21:19 05/04/2010 21:24 8471010601 0:05:00 falta de bota rf en linea
1606 05/04/2010
21:50 05/04/2010 22:00 8471010601 0:10:00 falta de reten
1604 05/04/2010
22:53 05/04/2010 23:00 10228010 0:07:00 falta tapa sellador
1604 05/04/2010
23:00 05/04/2010 23:15 10228009 0:15:00 falta de semieje
1613 05/04/2010
23:20 05/04/2010 23:30 10068491 0:10:00 falta de semieje
1601 05/04/2010
23:20 05/04/2010 23:25 10179188 0:05:00 FALTA DE BOTA
1615 05/04/2010
23:25 05/04/2010 23:50 809237 0:25:00 falta de semieje cardiado
1613 05/04/2010
23:30 05/04/2010 23:55 10068491 0:25:00 falta de tulipan
1604 05/04/2010
23:35 05/04/2010 23:45 10228009 0:10:00 falta de miscelanios
1613 06/04/2010
00:10 06/04/2010 01:30 10068491 1:20:00 falta de campana
1604 06/04/2010
01:53 06/04/2010 02:00 10228007 0:07:00 falta de protector vl con sellador
1601 06/04/2010
02:30 06/04/2010 02:40 10179229 0:10:00 FALTA DE SURTIMIENTO EN LINEA
1601 06/04/2010
04:00 06/04/2010 04:25 10179229 0:25:00 FALTA DE DAMPER
1604 06/04/2010
04:30 06/04/2010 04:37 10228007 0:07:00 falta de protector vl con sellador
1604 06/04/2010
04:56 06/04/2010 05:20 10228007 0:24:00 surtimiento de materiales en linea
1615 06/04/2010
08:05 06/04/2010 08:15 10225722 0:10:00 U
1606 07/04/2010
07:00 07/04/2010 07:05 8220010605 0:05:00 no retiran tarima
1601 07/04/2010
14:00 07/04/2010 14:13 10172971 0:13:00 no retiran tarima
1602 08/04/2010
01:46 08/04/2010 01:51 10190951 0:05:00 no retirar tarima
Anexos
221
1602 08/04/2010
02:39 08/04/2010 02:49 10190951 0:10:00 falta de surtir grasa
1615 08/04/2010
05:10 08/04/2010 05:20 809433 0:10:00 falta de plastico
1603 09/04/2010
07:20 09/04/2010 07:40 8705010402 0:20:00 falta de retirar materia prima anterior y surtir para el cdm
1601 09/04/2010
10:40 09/04/2010 10:55 8205010306 0:15:00 no retirar tarima
1603 10/04/2010
01:10 10/04/2010 01:20 8708010404 0:10:00 falta de plasticos en linea
1603 10/04/2010
05:45 10/04/2010 05:55 10185153 0:10:00 falta de racks
1604 11/04/2010
01:00 11/04/2010 01:05 8224010601 0:05:00 tarima
1604 11/04/2010
02:30 11/04/2010 02:35 8224010601 0:05:00 L
1604 12/04/2010
09:30 12/04/2010 09:50 10228007 0:20:00 falta tapa con sellador
1606 12/04/2010
09:34 12/04/2010 09:41 8221010604 0:07:00 no retiran tarima
1606 12/04/2010
10:17 12/04/2010 10:22 8221010604 0:05:00 no retiran tarima
1602 12/04/2010
23:20 12/04/2010 23:25 10184533 0:05:00 no retirar tarima
1602 13/04/2010
08:03 13/04/2010 08:13 10190950 0:10:00 no retiran tarima
1615 13/04/2010
09:47 13/04/2010 10:00 10225722 0:13:00 no retiran tarima
1614 13/04/2010
13:11 13/04/2010 13:21 10067926-A 0:10:00 no retiran tarima
1604 13/04/2010
13:40 13/04/2010 13:50 10228008 0:10:00 tapa
1601 13/04/2010
13:55 13/04/2010 14:05 10179190 0:10:00 no retiran tarima
1604 13/04/2010
14:35 13/04/2010 14:52 10228008 0:17:00 no retiran tarima
1614 13/04/2010
14:39 13/04/2010 14:49 10067926-A 0:10:00 L
1601 13/04/2010
15:10 13/04/2010 15:20 10179231 0:10:00 FALTA DE SURTIR PLASTICOS
1616 13/04/2010
18:00 13/04/2010 18:10 809237 0:10:00 FALTA DE PLASTICOS
1614 13/04/2010
19:10 13/04/2010 19:25 10231264 0:15:00 NO RETIRAN TARIMA
1602 13/04/2010
19:25 13/04/2010 19:30 10184533 0:05:00 NO RETIRAR TARIMA
1602 13/04/2010
20:10 13/04/2010 20:15 10184533 0:05:00 NO RETIRAR TARIMA
1613 13/04/2010
21:50 13/04/2010 22:00 10068491 0:10:00 FALTA DE RETIRAR TARIMA
1602 14/04/2010
00:00 14/04/2010 00:10 10190951 0:10:00 NO RETIRAN TARIMA
1606 14/04/2010
07:52 14/04/2010 07:57 8226010602 0:05:00 no retirar tarima
1602 14/04/2010
08:00 14/04/2010 08:30 10190947 0:30:00 falta de bases
1611 14/04/2010
10:00 14/04/2010 10:30 10225655 0:30:00 falta de plasticos
1604 14/04/2010
10:01 14/04/2010 10:16 8224010601 0:15:00 falta de sacar tarima
1602 14/04/2010
10:30 14/04/2010 11:00 10091384 0:30:00 falta de baases
Fuente: GKN.
Anexos
222
Anexo 6 Codificación de los diferentes
modelos de flecha de velocidad constante
Anexos
223
BOMBARDIER
Línea No. de parte
GKN No. parte
Bombardier CODIGO
PROYECTO Descripción de FVC
16 8859 0977 1 OUTLANDER REAR LD
16 8860 0976 2 OUTLANDER REAR LI
16 9006 0979 3 EVOQ REAR LI
16 9007 0983 4 EVOQ REAR LD
16 56F4 0659 5 EVOQ LI
16 57F4 0660 6 EVOQ LD
16 3692 0960 7 TSS REAR
16 3694 0628 8 TSS FRONT LI
16 3695 0627 9 TSS FRONT LD
16 4818 0732 10 RENEGADE LI
16 4819 0733 11 RENEGADE LD
16 2400 0934 12 EVOQ LI
16 2401 0935 13 EVOQ LD
16 3143 0952 14 TSS
16 3144 0953 15 TSS
CHRYSLER
Línea No. de parte
GKN No. de parte Chrysler
CODIGO PROYECTO
Descripción de FVC
1 0464 36AC 16 PT-44 LD CABS
1 0465 34AC 17 PT-44 LD SABS
1 0466 35AC 18 PT-44 LI SABS
1 0467 37AC 19 PT-44 LI CABS
2 0464 36AC 20 PT-44 LD CABS
2 0465 34AC 21 PT-44 LD SABS
2 0466 35AC 22 PT-44 LI SABS
2 0467 37AC 23 PT-44 LI CABS
2 1384 18AB 24 JC49 REAR LD
2 1385 19AB 25 JC49 REAR LI
2 4533 30AA 26 JC49 FRONTALLD 2.4L TA
2 6715 63AG 27 JC49 FRONTAL LI 2.0L TM
2 0947 80AF 28 JC49 FRONTAL LI 2.4L/2.7L TA
2 0948 58AF 29 JC49 FRONTAL LD 2.4L TA
2 0949 85AF 30 JC49 FRONTAL LD 2.7L TA
2 0950 45AE 31 JC49 FRONTAL LI 3.5L TA
2 0951 46AE 32 JC49 FRONTAL LD 3.5L TA
2 0952 31AF 33 JC49 FRONTAL LI 2.0L DIESEL TM
2 0953 32AF 34 JC49 FRONTAL LD 2.0L DIESEL TM
2 0954 87AE 35 JC49 FRONTAL LI 2.0L DIESEL TA
2 0955 56AE 36 JC49 FRONTAL LD 2.0L DIESEL TA
Anexos
224
10 1047 84AA 37 WD
10 1048 85AA 38 WD
10 1049 12AA 39 WD
10 1050 13AA 40 WD
10 1051 20AA 41 WD
10 1052 21AA 42 WD
15 1198 01AA 43 WD
15 1217 18AA 44 WD
15 1221 19AA 45 WD
15 1225 00AA 46 WD
15 1296 20AA 47 WD
15 1297 21AA 48 WD
15 1298 16AA 49 WD
15 1299 17AA 50 WD
19 4637 84AB 51 WD LD ZF AXLE
19 4638 5AB 52 WD LI ZF AXLE
19 4639 12AB 53 WD LD FRONT
19 4640 13AB 54 WD LI FRONT
20 0985 91AB 55 WD LI
20 0986 90AB 56 WD LD
20 1320 20AB 57 WD
20 1321 16AB 58 WD
20 1323 17AB 59 WD
20 1325 18AB 60 WD LD
20 1327 19AB 61 WD LI
20 1329 01AB 62 WD
20 1714 21AA 63 WD REAR
20 1716 23AA 64 WD REAR
20 1717 24AA 65 WD REAR
FORD
Línea No. de parte
GKN No. de parte Ford
CODIGO PROYECTO
Descripción de FVC
13 926-A 27-DC 66 FORD U293/U204 ABS LD
14 926-A 27-DC 67 FORD U293/U204 ABS LI
13 8490 27-AB 68 FORD U251 HSH LD
13 8491 28-AB 69 FORD U251 HSH LI
14 392-A 28-BB 70 FORD U204 ABS LI 4X2
1 2970 38-AA 71 FORD D471 TRASERA LD
1 2971 39-AA 72 FORD D471 TRASERA LI
14 749-A 28-AF 73 FORD U293 ABS LI
11 9490 37-BB 74 FORD B299N LI TA DPS6
11 9491 36-BB 75 FORD B299N LD TA DPS6
Anexos
225
11 9492 37-AA 76 FORD B299N LI TM IB5
11 9493 36-AA 77 FORD B299N LD TM IB5
14 0738 28-DE 78 FORD U377 ABS LI
1 2261 38-BA 79 FORD U502 TRASERA LD
1 2262 39-BA 80 FORD U502 TRASERA LI
14 1264 28-DF 81 FORD U377 ABS LI
GM
Línea No. de parte
GKN No. de parte GM
CODIGO PROYECTO
Descripción de FVC
1 850-1 6779 82 CHEVY LD TM
1 0306 2321 83 CHEVY LI C/ABS
7 5662 8076 84 GMT 319 LD TM
7 5663 8075 85 GMT 319 LI TM
7 5664 8074 86 GMT 319 LI/LD
2 4913 8307 87 GMX001 2900I LI
2 4914 8308 88 GMX001 2900I LD
3 5153 2981 89 CACTUS T250/T255 LI TA S/ABS
3 5154 2982 90 CACTUS T250/T255 LD TA S/ABS
3 5155 2983 91 CACTUS T250/T255 LI TA C/ABS
3 5156 2984 92 CACTUS T250/T255 LD TA C/ABS
3 5200 2977 93 CACTUS T250/T255 LI TM S/ABS
3 5203 2978 94 CACTUS T250/T255 LD TM S/ABS
3 5205 2979 95 CACTUS T250/T255 LI TM C/ABS
3 5207 2980 96 CACTUS T250/T255 LD TM C/ABS
11 9365 8231 97 EPSILON 2 LI
11 9731 7108 98 EPSILON 2 LD
11 5652 5233 99 EPSILON 2 LD
11 5653 5232 100 EPSILON 2 LI
11 4997 1588 101 THETA EPSILON LI
11 4998 1589 102 THETA EPSILON LD
11 4999 1590 103 THETA EPSILON LI/LD
11 5654 0104 104 THETA EPSILON LI
11 5655 0103 105 THETA EPSILON LD
11 4904 0017 106 THETA EPSILON LI
11 4905 0016 107 THETA EPSILON LD
2 8785 8185 108 E-FLEX LI
2 8786 8186 109 E-FLEX LD
7 6378 9508 110 GMT319 LI FRT
7 6379 9509 111 GMT319 LD FRT
20 6303 TBD 112 GM1700
Anexos
226
HONDA
Línea No. de parte
GKN No. de parte Honda CODIGO PROYECTO Descripción de FVC
12 4141 A000-M1 113 HONDA HAM 2000I LD
12 4220 A100-M1 114 HONDA HAM 2000I LI
10 5874 A000-M1 115 HONDA HAM 2000I LI
12 4203 A200-M1 116 HONDA HAM 2300I LI
12 1721 A010-M1 117 HONDA HAM 2300I LI
12 4960 A220-M1 118 HONDA HAM 2300I LD '09
12 4961 A020-M1 119 HONDA HAM 2300I LD '09
12 9744 A110-M1 120 HONDA HAM 2000I LI
12 9745 A110-M1 121 HONDA HAM 2000I LD
HYUNDAI
Línea No. de parte
GKN No. parte Hyundai CODIGO PROYECTO Descripción de FVC
19 1397 3Q300 122 HYUNDAI LI TA C/ABS
3 1397 3Q300 123 HYUNDAI LI TA C/ABS
19 1398 3Q350 124 HYUNDAI LD TA C/ABS
7 5809 3Q100 125 HYUNDAI LI TM C/ABS
7 5810 3Q150 126 HYUNDAI LD TM C/ABS
KAWASAKI
Línea No. de parte
GKN No. de parte
Kawasaki CODIGO
PROYECTO Descripción de FVC
16 8380 0022 127 BRUTE FORCE FRONT
16 8387 0021 128 BRUTE FORCE FRONT
NISSAN
Línea No. de parte
GKN No. de parte Nissan
CODIGO PROYECTO
Descripción de FVC
9 04 01 ET000 129 L32H LD TM
9 04 04 ET000 130 L32H LI TM
9 04 02 ET200 131 L32H LD CVT
9 04 05 ET200 132 L32H LI CVT
3 04 01 EL000 133 X11C 1.8L LD TM
9 04 01 EL000 134 X11C 1.8L LD TM
3 04 04 EL000 135 X11C 1.8L LI TM
9 04 04 EL000 136 X11C 1.8L LI TM
3 04 02 EL005 137 X11C 1.8L LD TA
9 04 02 EL005 138 X11C 1.8L LD TA
3 04 05 EL005 139 X11C 1.8L LI TA
9 04 05 EL005 140 X11C 1.8L LI TA
Anexos
227
13 8518 EL005 141 X11C 1.8L LI TA
3 8611 EM40C 142 X11C 1.8L LD CVT
9 8611 EM40C 143 X11C 1.8L LI CVT
3 8612 EM40C 144 X11C 1.8L LD CVT
9 8612 EM40C 145 X11C 1.8L LI CVT
9 8592 EL20B 146 X11C 1.5L DIESEL LD TM
9 8593 EL20B 147 X11C 1.5L DIESEL LI TM
3 8705 EL10A 148 X11C 1.6L LD TA
3 8706 EL10A 149 X11C 1.6L LI TA
3 8707 EL10B 150 X11C 1.6L LD TM
3 8708 EL10B 151 X11C 1.6L LI TM
3 8655 AZ60B 152 X11J 1.6L LD TM
1 9188 F420B 153 GS-CV LD TM
3 9188 F420B 154 GS-CV LI TM
1 9189 F420A 155 GS-CV LD TA
3 9189 F420A 156 GS-CV LI TA
1 9190 F420B 157 GS-CV LDTM
3 9190 F420B 158 GS-CV LI TM
1 9191 F420A 159 GS-CV LD TA
3 9191 F420A 160 GS-CV LI TA
1 9229 F420D 161 GS-CV LD TM CP
3 9229 F420D 162 GS-CV LI TM CP
1 9230 F420C 163 GS-CV LD TA CP
3 9230 F420C 164 GS-CV LI TA CP
1 9231 F420D 165 GS-CV LD TM CP
3 9231 F420D 166 GS-CV LI TM CP
1 9232 F420C 167 GS-CV LD TA CP
3 9232 F420C 168 GS-CV LI TA CP
9 1391 EL00A 169 X11C 1.8L LD TM Europa
3 4512 0981A 170 X02A 1.0L LD TM
3 4513 0981A 171 X02A 1.0L LI TM
3 4930 0990A 172 X02 A/B 1.6L LD CVT
3 4931 0990A 173 X02 A/B 1.6L LI CVT
3 4936 0990B 174 X02 A/B 1.6L LD TM
3 4937 0990B 175 X02 A/B 1.6L LI TM
3 6070 0990C 176 X02 A/B 1.6L LI TA
3 6071 0990C 177 X02 A/B 1.6L LD TA
3 8076 3HC0A 178 X02 A/B 1.6L LI TA
3 8077 3HC0A 179 X02 A/B 1.6L LD TA
3 0996 1HB0B 180 X02 A/B 1.0L LD TM
3 0997 1HB0B 181 X02 A/B 1.0L LI TM
3 0998 3HC0B 182 X02 A/B 1.6L LD TM
3 0999 3HC0B 183 X02 A/B 1.6L LI TM
3 1000 3AB0C 184 X02 A/B 1.6L LD CVT
3 1001 3AB0C 185 X02 A/B 1.6L LI CVT
Anexos
228
3 2224 1HB0B 186 X02 A/B 1.0L LD TM
3 2225 1HB0B 187 X02 A/B 1.0L LI TM
3 2226 3HC0B 188 X02 A/B 1.6L LD TM
3 2227 3HC0B 189 X02 A/B 1.6L LI TM
3 2228 3HC0A 190 X02 A/B 1.6L LD TA
3 2229 3HC0A 191 X02 A/B 1.6L LI TA
POLARIS
Línea No. de parte
GKN No. de parte Polaris
CODIGO PROYECTO
Descripción de FVC
15 9237 2656 192 SPORTSMAN 1.5
16 9237 2656 193 SPORTSMAN 1.5
15 9239 2655 194 SPIRIT II REAR
15 9240 2654 195 SPORTSMAN 1.5 REAR
15 9433 2672 196 VISTA REAR LI
15 193A 2383 197 Q FRONT
15 5191 2809 198 Q REAR
16 8981 2606 199 T-REX FRONT
15 6627 2720 200 RANGER 6X6 MID AXLE
15 9493 2638 201 BLACK WIDOW
15 8492 2725 202 BLACK WIDOW INTERNATIONAL
15 6507 2770 203 SCRAMBLER MVP FRONT
15 5722 2814 204 RANGER 2011 4X4 COMUN
RENAULT
Línea No. de parte
GKN No. de parte Renault
CODIGO PROYECTO
Descripción de FVC
7 05 01B 8 200 132 074 205 X-65 LD TM S/ABS
7 05 04B 8 200 132 077 206 X-65 LI TM S/ABS
7 05 01 8 200 329 736 207 X-65 LD TM C/ABS 44 Dientes
7 05 04 8 200 329 737 208 X-65 LI TM C/ABS 44 Dientes
VW
Línea No. de parte
GKN No. de parte VW
CODIGO PROYECTO
Descripción de FVC
4 9578 272 NN 209 PQ34 LD IND
4 1125 271 PR 210 PQ34 LI
4 1126 272 NG 211 PQ34 LD
4 1127 271 PQ 212 PQ34 LI
4 1128 271 QE 213 PQ34 LI IND
4 1129 271 QF 214 PQ34 LI CD IND
4 1130 271 QG 215 PQ34 LI CARB
4 1132 272 NF 216 PQ34 LD
4 06 04 271 BL 217 PQ35 LI
Anexos
229
4 06 01 272 EB 218 PQ35 LD
4 06 01 272 EC 219 PQ35 LI
4 06 04 271 BN 220 BORA PQ35 LI
4 06 04 271 EF 221 PQ35 LI
4 06 01 272 JC 222 PQ35 LD
4 06 01 272 EK 223 BORA PQ35 LD
4 06 01 272 KQ 224 PQ35 LD
4 06 04 271 FS 225 BORA PQ35 1.4L BITURBO LI
4 06 01 272 LL 226 BORA PQ35 1.4L BITURBO LD
4 8369 271 GG 227 BORA PQ35 LI
4 8370 271 GH 228 BORA PQ35 LI
4 8371 272 MG 229 BORA PQ35 LD CD
4 8372 271 GJ 230 BORA PQ35 LI
4 8373 272 MH 231 BORA PQ35 LD
4 8374 272 MF 232 BORA PQ35 LD CD
4 1710 271 GR 233 BORA PQ35 1.4L LI
4 1712 272 MP 234 BORA PQ35 1.4L LD CD
4 1844 271 FK 235 PQ35 LI
4 8309 271 HN 236 PQ35 LI
4 6718 272 NM 237 BORA PQ35 LD
4 8778 271 JG 238 BORA PQ35 VARIANT LI
4 2886 272 QK 239 PQ35 4 MOTION LD
4 6028 272 NL 240 PQ35 LD
4 7344 271 JL 241 BORA PQ35 LI
4 7345 272 PN 242 BORA PQ35 LD CD
4 7346 271 JN 243 BORA PQ35 LI
4 7347 272 PQ 244 BORA PQ35 LD CD
4 7348 271 JR 245 PQ35 LI
4 7349 272 QA 246 PQ35 LD
4 7350 272 QB 247 PQ35 LD
4 7353 271 JM 248 BORA PQ35 LI
4 7354 272 PP 249 BORA PQ35 LD CD
4 7355 271 JQ 250 BORA PQ35 1.4L BITURBO LI
4 7356 272 PS 251 BORA PQ35 1.4L BITURBO LD
4 7357 271 JS 252 BORA PQ35 LI
4 8728 271 HS 253 BORA PQ35 LI
4 8732 271 JP 254 BORA PQ35 LI
4 8874 272 A 255 NMS LD
4 8875 271 A 256 NMS LI
4 8876 271 B 257 NMS LI
4 8877 272 B 258 NMS LD
4 8878 271 F 259 NMS LI
4 8879 272 D 260 NMS LD
4 8882 271 C 261 NMS LI
4 8883 272 E 262 NMS LD
Anexos
230
4 8884 7271 263 NMS LI
4 8885 7272 264 NMS LD
4 8886 272 C 265 NMS LD
4 8887 271 B 266 NB-NF LI
4 8888 272 C 267 NB-NF LD CD
4 8889 272 E 268 NB-NF LD
4 8890 272 F 269 NB-NF LD
4 9559 271 D 270 NB-NF LI
4 9560 272 G 271 NB-NF LD
4 5660 271 LC 272 BORA PQ35 LI CD
4 5896 7 272 273 JETTA NF LD
4 5974 271 G 274 NB-NF LI
4 5975 272 J 275 NB-NF LD
4 8006 271 MA 276 PQ35 LI
4 8007 272 RP 277 PQ35 LD
4 8008 271 MC 278 PQ35 LI
4 8009 272 RR 279 PQ35 LD
4 8010 271 ME 280 PQ35 LI
4 8011 271 MF 281 PQ35 LI
4 8012 272 SA 282 PQ35 LD
4 8013 272 SC 283 PQ35 LD
4 8014 271 MD 284 PQ35 LI
4 8015 271 MB 285 PQ35 LI
4 8016 272 RQ 286 PQ35 LD
4 8017 272 SB 287 PQ35 LD
4 8969 271 T 288 NB-NF LI
4 8970 272 AB 289 NB-NF LD
4 8973 271 AA 290 NB-NF LI
4 8974 272 AC 291 NB-NF LD
4 8977 271 M 292 NB-NF LI
4 8978 272 P 293 NB-NF LD
4 8979 271 P 294 NB-NF LI
4 8980 272 R 295 NB-NF LD
4 8981 271 N 296 NB-NF LI
4 8982 272 Q 297 NB-NF LD
4 8983 271 S 298 NB-NF LI
4 8984 272 AA 299 NB-NF LD
4 8985 272 T 300 NB-NF LD
4 8986 271 R 301 NB-NF LI
4 8987 271 Q 302 NB-NF LI
4 8988 272 S 303 NB-NF LD
4 8989 271 G 304 NB-NF LI
4 8990 272 J 305 NB-NF LD
4 9132 271 M 306 NMS LI
4 9133 272 N 307 NMS LD
Anexos
231
4 8028 1J0 407 271 QJ 308 PQ34 LI
4 8029 1J0 407 272 NR 309 PQ34 LD
4 8030 1K0 407 271 JJ 310 PQ35 LI
4 8031 1K0 407 272 PK 311 PQ35 LD
4 8064 3C0 407 271 AJ 312 PQ35 LI
4 8065 1K0 407 272 RE 313 PQ35 LD
4 8066 1K0 407 272 RL 314 PQ35 LD
VW
Línea No. de parte
GKN No. de parte VW Descripción de FVC Descripción de FVC
5 1137 272 NQ 315 PQ-34 LD CARB
5 1138 272 NK 316 PQ-34 LD CD CARB
5 1133 271 PG 317 PQ-34 LI IND
5 1134 271 PH 318 PQ-34 LI CD IND
5 1135 271 PL 319 PQ-34 LI CARB
5 0714 417 AH 320 SUBENSAMBLE PQ34 LI
5 0714 417 AJ 321 SUBENSAMBLE PQ34 LI CD
5 0714 417 AK 322 SUBENSAMBLE PQ34 LI
5 0714 418 AF 323 SUBENSAMBLE PQ34 LD
5 9578 272 NN 324 PQ34 LD IND
5 0601 272 EB 325 PQ35 LD
5 0601 272 EC 326 PQ35 LD
5 0605 271 BP 327 PQ35 LI
5 0602 272 EF 328 PQ35 LD
VW
Línea No. de parte GKN No. de parte VW Descripción de FVC Descripción de FVC
6 1139 271 QA 329 PQ34 LI
6 1143 272 NJ 330 PQ34 LD
6 1144 271 QC 331 PQ34 LI
6 1145 272 NL 332 PQ34 LD
6 0605 271 PB 333 PQ34 LI
6 0605 271 PC 334 PQ34 LI CD
6 0605 271 PD 335 PQ34 LI
6 0602 272 MT 336 PQ34 LD
6 0605 271 BP 337 PQ35 LI
6 0604 271 BQ 338 PQ35 LI
6 0602 272 EF 339 PQ35 LD
6 0605 271 CG 340 BORA PQ35 LI
6 0601 272 HR 341 BORA PQ35 LD
6 7351 271 JT 342 BORA PQ35 LI
6 7352 272 QD 343 BORA PQ35 LD
6 8880 271 E 344 NMS LI
Anexos
232
6 8881 272 G 345 NMS LD
6 3007 271 G 346 NMS LI
6 3008 272 H 347 NMS LD
6 5659 271 LN 348 PQ35 LI CD
6 5897 272 A 349 JETTA NF LD
6 8971 271 AB 350 NB-NF LI
6 8972 272 AD 351 NB-NF LD
6 8975 271 AC 352 NB-NF LI
6 8976 272 AE 353 NB-NF LD
6 9134 271 P 354 NMS LI
6 9135 272 Q 355 NMS LD
6 9138 271 R 356 NMS LI
6 9139 272 S 357 NMS LD
Fuente: GKN.
Nota: Solo se conservaron sólo los últimos 4 dígitos del número de parte de GKN y la
empresa ensambladora por razones de confidencialidad.
Anexos
233
Anexo 7 Tiempo de cambio de modelo
Anexos
234
Dato No. Célula 1 Célula 2 Célula 3 Célula 4 Célula 5 Célula 6 Célula 7 Célula 9 Célula 10
1 24 25 11 26 11 10 15 11 10
2 11
42 9 20 10 10 14 10 15
3 39 16 17 15 10 10 12 12 15
4 14 11 9 38 11 14 14 25 15
5 17 23 16 11 10 25 10 12 20
6 28 11 11 10 15 15 15 10 30
7 11 16 17 12 10 12 15 10 15
8 8 20 15 10 10 20 10 13 17
9 14 21 11 14 20 10 9 15 20
10 14 15 14 15 16 19 15 17 19
11 17 15 20 16 10 11 12 12 16
12 38 24 11 15 21 11 17 15 18
13 10 23 13 10 10 20 15 15 26
14 23 27 13 13 21 16 8 17 24
15 15 22 9 10 13 15 10 12 12
16 15 16 11 20 13 13 10 13 20
17 35 16 17 12 10 13 17 12 10
18 15 11 21 18 15 19 9 15 10
19 15 16 11 9 10 13 9 18 10
20 13 23 14 13 15 10 15 12 9
21 15
50 25 24 11 14 28 12 10
22 18 11 34 21 11 17 18 17 20
23 11 15 32 11 17 36 11 12 10
24 15 11 18 16 20 15 15 14 10
25 18 16 13 16 13 20 15 10 20
26 18 47 9 11 13 23 14 18 53
27 15 35 9 32 13 17 9 12 30
PROMEDIO 18 21 15 16 13 16 13 14 18
Anexos
235
Dato No. Célula 11 Célula 12 Célula 13 Célula 14 Célula 15 Célula 17 Célula 19 Célula 20
1 9 35 21 15 15 52 13 22
2 16 52 35 15 8 51 12 13
3 10 15 25 21 15 45 15 17
4 9 55 50 31 15 12 16 10
5 15 33 27 15 18 60 21 17
6 15 45 46 24 15 46 21 14
7 15 55 15 38 15 79 25 14
8 10 12 51 25 28 72 13 13
9 15 10 14 45 25 40 25 13
10 18 81 15 35 20 75 13 16
11 23 58 38 18 18 80 18 16
12 45 45 18 21 10 76 40 16
13 11 12 24 26 15 60 30 13
14 25 15 24 20 15 115 45 19
15 20 15 18 17 15 37 22 16
16 10 15 20 15 12 50 23 16
17 38 54 17 15 30 115 41 16
18 25 60 15 25 25 40 16 16
19 30 15 15 75 20 81 20 16
20 20 35 15 22 13 164 15 16
21 20 15 29 15 29 11 28
22 10 31 75 16 17 16
23 9 20 35 20 20 16
24 17 11 23 12 20 18
25 17 15 30 11 13 22
26 15 39 25 15 23 17
27 11 20 20 30 40 28
PROMEDIO 18 36 24 28 17 66 22 17
Anexos
236
Anexo 8 Tiempo ciclo por célula y modelo
(# de parte)
Anexos
237
LINEA 1 (FORD, NISSAN Y CHRYSLER)
# DE PARTE GKN DESCRIPCION tiempo
Ciclo x
pieza 2970 FORD D471 TRASERA LD 29
2971 FORD D471 TRASERA LI 29
2261 FORD U502 TRASERA LD 29
2262 FORD U502 TRASERA LI 29
9188 GS-CV 2300I LD TM 31
9189 GS-CV 2300I LD TA 31
9190 GS-CV 2300I LI TM 31
9191 GS-CV 2300I LI TA 31
9229 GS-CV 2300I LD TM CP 40
9230 GS-CV 2300I LD TA CP 40
9231 GS-CV 2300I LI TM CP 40
9232 GS-CV 2300I LI TA CP 40
850-1 CHEVY LD TM 39
0306 CHEVY LI C/ABS 39
0464 PT-44 LD CABS 39
0465 PT-44 LD SABS 39
0466 PT-44 LI SABS 39
0467 PT-44 LI CABS 39
LINEA 2 (CHRYSLER)
# DE PARTE GKN DESCRIPCION
0464 PT-44 LD CABS 28
0465 PT-44 LD SABS 28
0466 PT-44 LI SABS 28
0467 PT-44 LI CABS 28
1384 JC49 REAR LD 28
1385 JC49 REAR LI 28
4533 JC49 FRONTAL 2600 LD 2.4L TA 28
6715 JC49 FRONTAL 2600 LI 2.0L TM 28
0947 JC49 FRONTAL 2600 LI 2.4L/2.7L TA 28
0948 JC49 FRONTAL 2600 LD 2.4L TA 34
0949 JC49 FRONTAL 2600 LD 2.7L TA 34
0950 JC49 FRONTAL 3300 LI 3.5L TA 32
0951 JC49 FRONTAL 3300 LD 3.5L TA 33
0952 JC49 FRONTAL 3300 LI 2.0L DIESEL TM 32
0953 JC49 FRONTAL 3300 LD 2.0L DIESEL TM 33
0954 JC49 FRONTAL 3300 LI 2.0L DIESEL TA 32
0955 JC49 FRONTAL 3300 LD 2.0L DIESEL TA 33
LINEA 3 (NISSAN Y GM)
# DE PARTE GKN DESCRIPCION
0402 NISSAN X11C 1.6L LD TA 28
0405 X11C 1.6L LI TA 29
0401 X11C 1.6L LD TM 28
0404 X11C 1.6L LI TM 34
Anexos
238
0401 X11C 1.8L LD TM 34
0404 X11C 1.8L LI TM 34
0402 X11C 1.8L LD TA 34
0405 X11C 1.8L LI TA 34
0402 X11C 1.8L LD CVT 34
0405 X11C 1.8L LI CVT 34
8655 X11J 1.6L LD TM 34
5153 CACTUS T250/T255 LI TA S/ABS 34
5154 CACTUS T250/T255 LD TA S/ABS 34
5155 CACTUS T250/T255 LI TA C/ABS 34
5156 CACTUS T250/T255 LD TA C/ABS 34
5200 CACTUS T250/T255 LI TM S/ABS 34
5203 CACTUS T250/T255 LD TM S/ABS 34
5205 CACTUS T250/T255 LI TM C/ABS 34
5207 CACTUS T250/T255 LD TM C/ABS 34
9188 GS-CV 2300I LD TM 34
9189 GS-CV 2300I LD TA 34
9190 GS-CV 2300I LI TM 34
9191 GS-CV 2300I LI TA 34
9229 GS-CV 2300I LD TM CP 34
9230 GS-CV 2300I LD TA CP 34
9231 GS-CV 2300I LI TM CP 34
9232 GS-CV 2300I LI TA CP 34
LINEA 4 (VW)
# DE PARTE GKN DESCRIPCION
9578 PQ34 LD IND RF95/VL101 31
1125 PQ34 LI RF91/VL91 31
1126 PQ34 LD RF91/VL91 31
1127 PQ34 LI RF95/VL2600 31
1128 PQ34 LI IND RF95/VL101 31
1129 PQ34 LI CD IND RF95/VL101 31
1130 PQ34 LI CARB RF95/VL101 31
1132 PQ34 LD RF95/VL2600 31
0604 PQ35 LI UF2600i/VL2600 31
0601 PQ35 LD UF2600i/VL2600 31
0601 PQ35 LD UF2600i/VL2600 33
0604 BORA PQ35 LI UF3400/VL3700LP 33
0604 PQ35 LI UF3400/VL3700LP 33
0601 PQ35 LD UF3400/VL3700LP 33
0601 BORA PQ35 LD UF3400/VL3700LP 47
0601 PQ35 LD UF3400/VL3700LP 46
0604 BORA PQ35 1.4L BITURBO LI UF3400/VL3700LP 46
0601 BORA PQ35 1.4L BITURBO LD UF3400/VL3700LP 46
8369 BORA PQ35 LI UF2600i/VL2600 (Antiruido) 46
8370 BORA PQ35 LI UF2600i/VL2600 (Antiruido) 46
Anexos
239
8371 BORA PQ35 LD CD UF2600i/VL2600 (Antiruido) 46
8372 BORA PQ35 LI UF2600i/VL2600 (Antiruido) 46
8373 BORA PQ35 LD UF2600i/VL2600 (Antiruido) 46
8374 BORA PQ35 LD CD UF2600i/VL2600 (Antiruido) 46
1710 BORA PQ35 1.4L LI UF2600i/VL2600 46
1712 BORA PQ35 1.4L LD CD UF2600i/VL2600 46
1844 PQ35 LI AC98/VL2600 (Antiruido) 46
8309 PQ35 LI AC98/VL2600 46
6718 BORA PQ35 LD UF2600i/VL2600 (Antiruido) 46
8778 BORA PQ35 VARIANT LI UF3400/VL3700LP 46
2886 PQ35 4 MOTION LD UF3400/VL3700LP 46
LINEA 5 (VW)
# DE PARTE GKN DESCRIPCION 34
1137 PQ-34 LD CARB RF95/AAR2000 34
1138 PQ-34 LD CD CARB RF95/AAR2000 34
1133 PQ-34 LI IND RF95/AAR2000 34
1134 PQ-34 LI CD IND RF95/AAR2000 34
1135 PQ-34 LI CARB RF95/AAR2000 34
0714 SUBENSAMBLE PQ34 LI AAR2000 (GRANADA) 34
0714 SUBENSAMBLE PQ34 LI CD AAR2000 (GRANADA) 34
0714 SUBENSAMBLE PQ34 LI AAR2000 (GRANADA) 34
0714 SUBENSAMBLE PQ34 LD AAR2000 (GRANADA) 34
9578 PQ34 LD IND RF95/VL101 34
0601 PQ35 LD UF2600i/VL2600 34
0601 PQ35 LD UF2600i/VL2600 34
0605 PQ35 LI UF3400/AAR2600i 34
0602 PQ35 LD UF3400/AAR2600i 34
LINEA 6 (VW)
# DE PARTE GKN DESCRIPCION
1139 PQ34 LI UF3400/AAR2600i 34
1143 PQ34 LD UF3400/AAR2600i 34
1144 PQ34 LI UF3400/AAR3300i 34
1145 PQ34 LD UF3400/AAR3300i 34
0605 PQ34 LI UF3400/AAR2600i 34
0605 PQ34 LI CD UF3400/AAR2600i 34
06 05 PQ34 LI UF3400/AAR2600i 34
0602 PQ34 LD UF3400/AAR2600i 34
06 05 PQ35 LI UF3400/AAR2600i 34
06 04 PQ35 LI UF3400/AAR3300i 34
06 02 PQ35 LD UF3400/AAR2600i 34
06 05 BORA PQ35 LI UF2600i/AAR2600i 34
06 01 BORA PQ35 LD UF3400/AAR3300i 34
LINEA 7 (RENAULT)
# DE PARTE GKN DESCRIPCION 34
501B RENAULT X-65 LD TM S/ABS 34
Anexos
240
504B RENAULT X-65 LI TM S/ABS 34
0501 RENAULT X-65 LD TM C/ABS 44 Dientes 34
0504 RENAULT X-65 LI TM C/ABS 44 Dientes 34
5664 GM GMT 319 LD/LI 34
LINEA 9 (NISSAN)
# DE PARTE GKN DESCRIPCION
0401 X11C 1.5L DIESEL LD TM 34
0404 X11C 1.5L DIESEL LI TM 34
0401 X11C 1.8L LD TM 34
0404 X11C 1.8L LI TM 34
0402 X11C 1.8L LD TA 34
0405 X11C 1.8L LI TA 34
0402 X11C 1.8L LD CVT 34
0405 X11C 1.8L LI CVT 34
1391 X11C 1.8L LD TM Europa 34
0401 L32H LD TM 22
0404 L32H LI TM 22
0402 L32H LD CVT 22
0405 L32H LI CVT 22
LINEA 10 (HONDA)
# DE PARTE GKN DESCRIPCION
5874 HONDA HAM 2000I LI 35
4220 HONDA HAM 2000I LI 35
LINEA 11 (GM)
# DE PARTE GKN DESCRIPCION
9365 EPSILON 2 LI ACi2300/GIi2300 33
9731 EPSILON 2 LD ACi2300/GIi2300 33
5652 EPSILON 2 LD AC2300i/GI2300i 33
5653 EPSILON 2 LI AC2300i/GI2300i 33
4997 THETA EPSILON LI AC2600i/AAR2600i 33
4998 THETA EPSILON LD AC2600i/AAR2600i 33
4999 THETA EPSILON LI/LD AC3300i/AAR2900ng 33
5654 THETA EPSILON LI AC2300i/GI2300i 33
5655 THETA EPSILON LD AC2300i/GI2300i 33
4904 THETA EPSILON LI AC2300i/GI2300i 33
4905 THETA EPSILON LD AC2300i/GI2300i 33
LINEA 12 (HONDA)
# DE PARTE GKN DESCRIPCION
4141 HONDA HAM 2000I LD 28
4203 HONDA HAM 2300I LI 28
1721 HONDA HAM 2300I LI 28
4960 HONDA HAM 2300I LD '09 28
4961 HONDA HAM 2300I LD '09 28
LINEA 13 (FORD)
# DE PARTE GKN DESCRIPCION
Anexos
241
926-A FORD U293/U204 2600i ABS LD 28
8490 FORD U251 HSH 3300I LD 28
8491 FORD U251 HSH 3300I LI 28
LINEA 14 (FORD)
# DE PARTE GKN DESCRIPCION
926-A FORD U293/U204 2600i ABS LD 22
392-A FORD U204 2600I ABS LI 4X2 22
749-A FORD U293 2600I ABS LI 22
1264 FORD U377 2600I ABS LI 22
0738 FORD U377 2600I ABS LI 22
LINEA 15 (POLARIS)
# DE PARTE GKN DESCRIPCION
9237 POLARIS SPORTSMAN 1.5 30
9239 POLARIS SPIRIT II REAR 30
9240 POLARIS SPORTSMAN 1.5 REAR 30
9433 POLARIS VISTA REAR LI 30
193A POLARIS Q FRONT 30
5722 POLARIS RANGER 2011 4*4 COMUN 30
6507 POLARIS SCRAMBLER MVP FRONT. 30
5191 POLARIS Q REAR 33
6627 POLARIS RANGER 6X6 MID AXLE 33
9493 POLARIS BLACK WIDOW 33
8492 POLARIS BLACK WIDOW INTERNATIONAL 33
LINEA 16 (KAWASAKI, BOMBARDIER Y POLARIS)
# DE PARTE GKN DESCRIPCION
80F4 KAWASAKI BRUTE FORCE FRONT 31
87F4 KAWASAKI BRUTE FORCE FRONT 31
8859 BOMBARDIER OUTLANDER REAR LD 31
8860 BOMBARDIER OUTLANDER REAR LI 31
9006 BOMBARDIER EVOQ REAR LI 31
9007 BOMBARDIER EVOQ REAR LD 31
56F4 BOMBARDIER EVOQ LI 31
57F4 BOMBARDIER EVOQ LD 31
9237 POLARIS SPORTSMAN 1.5 31
2400 BOMBARDIER EVOQ LI 31
2401 BOMBARDIER EVOQ LD 31
8981 POLARIS T-REX FRONT 31
LINEA 19 (HYUNDAI)
# DE PARTE GKN DESCRIPCION
1397 HYUNDAI LI TA C/ABS 31
1398 HYUNDAI LD TA C/ABS 33
5809 HYUNDAI LI TM C/ABS 31
5810 HYUNDAI LD TM C/ABS 33
Fuente: GKN.
242