ANÁLISIS Y OPTIMIZACIÓN DE UN SISTEMA PRODUCTIVO

MEDIANTE SIMULACIÓN DISCRETA

Francisco Javier Olmos Herguedas

e-mail: javolm@cartif.es
C.A.R.T.I.F.

Gregorio Sainz Palmero, Clemente Cárdenas, Susana San José

email: {gresai, clecar,sussan}@cartif.es
C.A.R.T.I.F.
Centro de Automatización, Robótica y Tecnológias de la Información y Fabricación.
Parque Tecnológico de Boecillo 47151. Valladolid
Telef. 983 54 65 04

Resumen objetivo, sería conveniente conocer estos

El presente artículo, presenta las claves para
conseguir una simulación discreta completa de un
factoría de la industria del automóvil.
Inicialmente se hace un planteamiento de lo que se
pretende obtener del modelo de simulación, para
posteriormente plantear las herramientas y datos
necesarios para abordar el trabajo. A continuación
se muestran las definiciones de los parámetros
logísticos que se van a usar en el análisis del modelo
de simulación y de la factoría. El siguiente punto
muestra la forma de realizar un análisis formal del
modelo.
La parte siguiente del artículo se centra más en la
realización práctica de un modelo de simulación
real, en concreto de una factoría de fabricación y
montaje de automóviles. Herramientas que fue
necesario desarrollar, ejemplo real y conclusiones.
parámetros después de la inversión, sin haber
realizado ésta. Dada la gran cantidad de variables
que se deben de tener en cuenta en el análisis y sobre
todo la importancia de los eventos aleatorios, la
principal herramienta que nos va a permitir estimar la
evolución de los parámetros logísticos, es la
SIMULACIÓN DISCRETA mediante ordenador.
Este artículo, parte de la experiencia
conseguida con el proyecto de simulación completo
de una factoría de fabricación y montaje de
automóviles. Proyecto realizado por C.A.R.T.I.F.
para una de las empresas más importantes en el
sector del automóvil. Por razones de confidencialidad
del proyecto, dado que la simulación parte de datos
reales tomados directamente de la factoría, se
omitirán nombres a zonas en concreto de la factoría y
datos importantes.

Este proyecto ha sido posible gracias a la

Palabras Clave: simulación discreta, parámetro CICYT y la UE, que ha soportado en parte la
logístico, disponibilidad, producción, recurso, avería, financiación gracias al proyecto FEDER 1FD97-
capacidad productiva. 0825.

2 DATOS Y HERRAMIENTAS
1 INTRODUCCIÓN
NECESARIAS EN LA
La dimensión de las factorías de la industria GENERACIÓN DE UN MODELO
del automóvil y la situación tecnológica actual de las DE SIMULACIÓN
mismas, hacen que la toma de decisiones para llevar
a cabo diferentes planes de fiabilización y Vamos a ver los datos y herramientas que vamos
mantenibilidad, pasen por realizar grandes a necesitar para procesarlos e incluirlos el modelo de
inversiones, con el alto riesgo que esto implica. simulación.
Un procedimiento ordenado de creación de un
El análisis de determinados parámetros modelo de simulación de un proceso productivo sería
logísticos de las unidades productivas de la factoría, el siguiente:
nos van a determinar el estado de funcionamiento de
la misma, así como la relación entre ellas. Para 1. Análisis del proceso productivo. En esta primera
saber si una inversión concreta, en un plan de fase se estudia el funcionamiento de la factoría:
fiabilización y/o mantenibilización, cumplirá su
 flujo productivo, recursos, productos, artículos,
horarios,...
Se debe recopilar toda la información que
nos aporte datos sobre el funcionamiento esto
incluye: planos de la factoría, planos de
instalaciones, composición de máquinas,
asignación de operarios y operaciones a realizar
en cada instalación. Cuanto más se conozca el
proceso productivo mucho mejor, de tal forma
que cuando se obtengan los tiempos tecnológicos
y manuales se puedan asignar correctamente a
las operaciones. También será importante
determinar los horarios de producción y
mantenimiento de cada una de las instalaciones.
Posiblemente sea la etapa más importante,
una mala interpretación en el funcionamiento
puede hacer que el modelo creado de simulación
no responda de forma semejante al real. Dada la
dimensión final que puede llegar a tener el
modelo, errores iniciales de concepción de
funcionamiento pueden hacer que se retrase
mucho el proyecto.
2. Elaboración de un modelo general. Partiendo
del conocimiento del proceso productivo se
determina cuales son los elementos que se
implementarán en el modelo de simulación así se
debe fijar principalmente:
• Nivel de implantación del modelo. Para
poderlo modelar y pasarlo fácilmente a un
lenguaje de simulación, será necesario
identificar correctamente todos los
elementos de simulación y su
funcionamiento, destacando: elementos de
producción (máquinas), productos o
artículos, recursos (operarios y máquinas
especiales compartidas), ...etc.
• Elección de las variables de entrada y salida.
• Intervalo temporal que se usará como
referencia para la implantación del modelo.
Esta elección será también muy importante,
pues la información de funcionamiento de la
factoría, para el modelo de simulación, será
sacada de los históricos durante ese
intervalo.
3. Obtención y filtrado de información. Al definir
el nivel del modelo en el paso anterior quedan
determinados los elementos de la factoría de los
que va a ser necesario obtener información. Esta
fundamentalmente se refiere a:
• Tiempos de ciclo manuales y tecnológicos.
• Históricos de las incidencias y averías
ocurridas en las diferentes instalaciones.
En muchos casos, la no existencia de estos
registros automáticos en algunas
instalaciones, obligará a recurrir a los partes
manuales. Toda esta información debe ser
filtrada, de esta forma se eliminen todos los
eventos que no deben ser incluidos en el
modelo, eventos que por la propia naturaleza
de la simulación serán reproducidos por la
simulación. Así por ejemplo tenemos el caso
de parada por falta de pieza, esto
normalmente queda registrado como una
incidencia, sin embargo no será
implementado en el modelo de simulación,
siendo el propio modelo el que reproducirá
estos eventos. Si que se usarán estos
registros posteriormente para validar el
modelo.
4. Selección del software de simulación y
construcción del modelo de simulación. La
elección del software de simulación vendrá
condicionado fundamentalmente por la potencia
y capacidad del mismo para implantar los
elementos seleccionados en el modelo. La
elección del software estará dentro de los
productos capaces de implementar modelos de
simulación basados en eventos discretos, dentro
de estos los más usados son Witness y Promodel.
5. Definición de los parámetros logísticos que
usaremos para evaluar y validar el modelo. Una
vez implantado el modelo, se definirán los
métodos de cálculo de los diferentes parámetros
que usaremos para validar el modelo y para
analizar el proceso productivo. Estos parámetros
son los que calcularemos para las diferentes
configuraciones del sistema productivo, y su
evolución nos determinarán la mejora en el
mismo. Más adelante se explica un método para
definir estos parámetros.
6. Validación del modelo. Una vez tenemos el
modelo implantado en el software de simulación,
debemos decidir el número de simulaciones
(replicaciones) que se realizarán del mismo. La
elección del número de replicaciones depende de
la variabilidad de los datos de partida. Con el
modelo reflejando la situación de la factoría,
validamos el mismo con los valores de los
parámetros obtenidos de la simulación y de la
realidad.
7. Análisis de diferentes configuraciones.
Proponemos diferentes alternativas y
modificaciones al modelo, se simulan y se
calculan los parámetros correspondientes.
8. Salida de Resultados y análisis. La salida de
resultados se realiza de forma normalizada.
Normalmente el formato será el definido por el
área de mantenimiento de la factoría, de tal
forma que los resultados sean comparables
 fácilmente. La evolución de los parámetros
logísticos serán los que me definan la nueva siendo Rv el rendimiento de velocidad y Tq la tasa de
situación de la factoría. calidad.

3 PARÁMETROS LOGÍSTICOS Para completar el análisis de situación de la

Como se ha comentado, el análisis de la
instalación se realizará calculando desde el modelo
una serie de parámetros logísticos. Evidentemente
estos parámetros estarán incluidos dentro de las
variables de salida del modelo.
instalación también se incluyeron los siguientes
parámetros:
NMS: nivel medio de los stocks.
PVS: porcentaje de vacío de los stocks.

Variables de salida : PLLS: porcentaje de lleno de los stocks.

El análisis de los parámetros logísticos se deberá
§ Producción (P). realiza a diferentes niveles, por lo que es necesario
§ Parámetros logísticos (Dp, determinar estos parámetros desde un nivel bajo
Do, Ro, NMS, PVS y PLLS). hasta un nivel más alto.
§ Coste de producción
(Cpr). Dependiendo del grado de profundidad de
§ Coste de mantenimiento análisis del taller en cuestión, así podemos tener:
(Cma).
• Nivel 0: Factoría completa.
• Nivel 1: Grandes talleres.
Los parámetros logísticos seleccionados por • Nivel 2: Subtalleres.
parte del personal de mantenimiento de la factoría • Nivel 3: Instalaciones.
fueron los siguientes. • Nivel 4: Nivel de Isla.

Con las variables de entrada configuraremos el

Do: Disponibilidad operacional. Nos va a dar una modelo para una situación en concreto. Estas
medida de la influencia del entorno y averías propias variables principalmente pueden ser
de la unidad productiva estudiada.
♦ Variables de entrada:
Dp: Disponibilidad propia. Influencia de las averías § Tiempos ciclo (Tc).
propias de la unidad productiva en cuestión. § Horarios de trabajo (Pl).
§ Tiempo entre averías (Tav).
Ro: Rendimiento operacional. Rendimiento § Tiempos de reparación (Tr).
productivo real respecto del ideal. § Recursos necesarios para cada
reparación (Rr).
P: Producción. § Tiempos entre reglajes (Tes).
§ Tiempos de reglajes (Tse).
El cálculo de estos indicadores se pueden realizar de § Recursos necesarios para realizar el
diferentes formas, siendo la usada en la factoría la reglaje (Rse).
siguiente: § Tamaño de los stocks (St).
TF TF § Tiempo mínimo de estancia en los
Do = ; Dp = ; stocks (Stm).
TR TF + TAP § Relación de artículos producidos
N .P.R. (Rel).
RO = § Porcentaje de artículos rechazados (Prj).
N .P.R.T .
donde
Otras variables de entrada o de configuración
TR: Tiempo Requerido.
pueden ser:
TF: Tiempo de Funcionamiento.
§ Asignación de recursos.
TAP: Tiempo de Avería Propia.
§ Horarios.
N.P.R.: Producción semanal.
§ etc...
N.P.R.T.: Producción semanal teórica.
Todas estas variables pueden ser
Do y Ro se encuentran relacionadas de la siguiente
estocásticas o deterministas y discretas o
forma:
continuas.
RO = DO ∗ RV ∗ Tq
4 ANÁLISIS FORMAL DE de variables críticas que al ser modificadas
MODELO DE SIMULACIÓN conjuntamente si sean absolutamente críticas.

El análisis formal del modelo, con las

diferentes configuraciones, simplemente corresponde 5 PRÁCTICO. IMPLEMENTAR
al análisis de los parámetros logísticos. UNA FACTORIA DE
FABRICACIÓN Y MONTAJE DE
A continuación se muestra una forma para AUTOMÓVILES EN WITNESS
realizar este análisis mediante un método formal.
Como se ha comentado, con este artículo se
El análisis de la instalación, se debe realizar de una trata de transmitir la experiencia conseguida con el
forma estructurada y siguiendo unas pautas definidas proyecto de simulación de una factoría completa del
por la necesidad de clasificar las diferentes variables sector del automóvil.
de entrada por su afectación a las variables de salida.
Para una configuración determinada, se pueden De forma simplificada, una factoría de la
clasificar las variables de entrada como: industria del automóvil se puede dividir en tres
grandes talleres:
§ Completamente crítica: Un cambio en la variable
de entrada X produce un cambio en la variable
• Soldadura
de salida Y:
• Pintura
∆X > 0 ⇒ ∆Y ≠ 0 • Montaje
∆X < 0 ⇒ ∆Y ≠ 0
§ Critica: Si El nivel de estudio que se quiere realizar de la
factoría obliga a definir los mínimos elementos de
∆X > 0 ⇒ ∆Y ≠ 0 ; simulación que se implementarán, en este punto hay
∆X < 0 ⇒ ∆Y = 0 que evaluar el grado de complejidad que
o si obtendríamos, si este es muy elevado será necesario
reducir el modelo bien eliminando elementos que se
∆X > 0 ⇒ ∆Y = 0 ; consideren que influyen poco (lo cual exige como se
∆X < 0 ⇒ ∆Y ≠ 0 ha comentado un gran conocimiento de la
§ Insensible: Si instalación) y/o dividir el modelo en diferentes
∀ ∆X ≠ 0 ⇒ ∆Y = 0 submodelos y posteriormente estudiar las relaciones
entre los mismos.

Una vez analizadas las instalaciones y viendo

dentro de las variables absolutamente críticas se el nivel de estudio solicitado en cada taller so optó
determina: por crear 4 submodelos:

• Sensibilidad de primer orden: − Soldadura 1

∆Y
S XY =
∆X
• Valor óptimo en el incremento de X, ∆X OP :
∀ ∆X i > ∆X OP ⇒ ∆Y i = ∆Y OP
• Coste asociado al cambio: Inversión necesaria
para obtener la nueva configuración.
• Cambios de configuración equivalentes:
Diferentes cambios en la configuración de
partida producen el mismo incremento en las
variables de salida. En estos casos es necesario
analizar los costes asociados.
Si partiendo de una configuración no existe una
variable absolutamente crítica, se toma un conjunto
− Soldadura 2
− Pintura
− Montaje
La simulación se realizó implementando el
modelo de simulación sobre el software WITNESS
9.0.
Una vez definida la estructura del modelo y sus
elementos de simulación, se deben implantar los
eventos aleatorios (averías, faltas de suministro,...).
Es importante resaltar que aunque actualmente las
factoría posee un sistema de seguimiento y registro
automático, la gran cantidad de eventos que estos
almacenan y que no deben ser incluidos en el
modelo de simulación, hace necesario realizar un
filtrado.
La información que aparece registrada y que debe ser
eliminada corresponde a:

♦ Alarmas inducidas por otras averías. La

implantación en el modelo debe ser sólo de la
avería original (avería propia), pues de las demás
será el propio modelo generará las demás.
♦ Registros de averías que no existen por paradas
propias, sino por intervenciones en horarios de
mantenimiento. Al realizar un mantenimiento,
un sensor puede estar situado en posición de Figura 1. Instalación ejemplo.
fallo, sin que en realidad esté funcionando la
máquina. Primero definimos el número de elementos
♦ Eventos de falta de pieza producidos por la Witness que necesitamos:
ruptura del flujo de producción
− 2 conveyor de 2 posiciones: C_X0304 y
Todos estos eventos aleatorios deben ser C_X0301
implementados en el modelo mediante variables − 4 máquinas “simples”: M_X0309,
estocásticas continuas. Para ello se usaron dos M_X0310,M_X0306 y M_X0308.
métodos:
a la hora de crear el artículo A escribimos el
♦ Ajuste a funciones de distribución continuas: siguiente código en el evento “a la creación”:
Weibull, exponenciales y Gamma. T_Acabado = "NO"
♦ Funciones de distribución experimentales,
introducidas en el modelo como histogramas. y en las “acciones al final” del robot de soldadura
Con este método se consiguió mucho mejor escribimos:
ajuste, obteniendo una reproducción de eventos T_Acabado = "SI"
satisfactoria. El proceso consiste en incluir los
histogramas experimentales en el modelo, siendo Así el código de funcionamiento del robot1 será:
el software de simulación el encargado de
generar las funciones de distribución “acciones al inicio”. sitúa el tiempo de ciclo que
experimentales. tarda en realizar la operación (depende de la
operación a realizar):
IF TYPE = A
5.1 EJEMPLO. UNA INSTALACIÓN IF T_Acabado = "NO"
IMPLEMENTADA EN WITNESS VC_X0306 = 0.2
ELSE
Vamos a ver con un ejemplo, cómo se VC_X0306 = 0.27
implementa una parte de una instalación dentro de ENDIF
Witness. ELSE
VC_X0306 = 0.37
Tenemos el robot1 (M_X0306) que manipula ENDIF
piezas A y B. Las piezas A las toma de C_X0301 y
las posiciona en un soporte, donde un robot1 y mandará la pieza a la máquina que corresponda:
(M_X0310) realiza unas operaciones de soldadura de IF T_Acabado = "SI"
tetones. El robot1 será también el encargado de coger IF TYPE = A
la pieza ya soldada y posicionarla en un soporte de PUSH to M_X0308
un línea aérea(M_X0309). Además el robot1 debe ELSE
tomar piezas B de la máquina C_X0304 y PUSH to M_X0309
posicionarlas sobre otro soporte de otra línea aérea ENDIF
(M_X0308). ELSE
PUSH to M_X0310
ENDIF

Para poder implementar el funcionamiento

debemos recurrir a la programación, de tal manera
que se consiga que las diferentes ”máquinas”
implementadas en Witness se comporten
correctamente.

6 CONCLUSIONES
Hasta ahora, la mayor parte de estudios previos
realizados en las factorías de la industria del
automóvil, estaban orientados a conseguir una mejora
de producción, sin realizar un análisis detallado de
los parámetros logísticos. Con la SIMULACIÓN
DISCRETA se consigue una herramienta capaz de
analizar a fondo todos los parámetros logísticos, y lo
que es más importante, estimar la evolución de los
mismos antes de realizar una modificación en la
instalación. Así pues, con el modelo de simulación,
obtenemos una potente herramienta para el personal
de mantenimiento de la factoría, así como una ayuda
en la organización de la producción. En concreto la
simulación nos permitirá:
• Determinar cuellos de botella y su naturaleza.
• Optimización de la producción.
• Asignación eficiente de recursos.
• Determinar evoluciones de la factoría ante
posibles planes de mejora en la misma y
cuantificación de las mejoras que se consiguen.
• Comparar diferentes estrategias o alternativas.
• Determinación de la inversión óptima.
[6] Pukelsheim, F. (1.993) “Optimal Design of
Experiments” Marcel Dekker, Inc.
[7] García, Ricardo F. and Zeigler, Bernard (1.986)
“Discrete event simulation”, IEEE Spectrum, pp
32-36
[8] Rawles, Ian. (1.998). “The WITNESS Toolbox
a Tutorial”. In Proceedings of the 1.998 Winter
Simulation Conference, eds.D. J. Medeiros,
Edward F. Watson, John S. Carson, and Mani S.
Manivannan, 223-226.
[9] Ülgen, Onur, and Ali Gunal. (1.999).
“Simulation in the Automobile Industry”. In
Handbook of Simulation, ed. Jerry Banks. New
York, New York: John Wiley & Sons,
Incorporated, 547-570.
[10] “WITNESS User Manual”, V. 9.0, Lanner
Group

La realización de un proyecto de simulación de una

factoría completa, da lugar a modelos de simulación
muy complejos, será necesaria una completa
planificación y una capacidad de simplificación sin
pérdida relevante de información, en este punto la
experiencia del personal de la factoría se hace
imprescindible.

Agradecimientos

Este proyecto ha sido posible gracias a la

CICYT y la UE, que ha soportado en parte la
financiación gracias al proyecto FEDER 1FD97-
0825.

Referencias (10 ptos, negrita)

[1] Blanks, J. and Carson, J.S. (1.996) “Discrete

Event System Simulation”, Prentice Hall
[2] Brown, E. (1.998) “IBM combines rapid
modelling technique and simulation to design
PCB factory of the future”, IE pp. 23-26
[3] Law, A. and McComas, M. (1.990) “Secret of
Successful Simulation Studies” IE, pp. 47-53
[4] Miller, David M. and Park, Young (1.998)
“Simulation and analysis of an automotive
assembly operation”, Automotive Engineering
International, pp. 112-115.
[5] Petersen, R.G. (1.985) “Design and Analysis of
experiments”