Actas de la Conferencia de simulación de invierno de 2008
SJ Mason, RR Hill, L. Mönch, O. Rose, T. Jefferson, JW Fowler eds.
USO DE LA SIMULACIÓN DEL PROCESO DE OPERACIÓN PARA UN PROYECTO SEIS SIGMA
DE FÁBRICA DE PRODUCCIÓN DE MINERÍA Y HIERRO
Undram Chinbat
Soemon Takakuwa
Facultad de Ciencias Económicas y Empresariales
Furo-cho, Universidad de Nagoya
Chikusa-ku, Nagoya, Aichi 464-8601, JAPÓN
ABSTRACTO
El uso de Operation Process Simulation (OPS) para proyectos Six
Sigma (SSP) puede ilustrar la visualización del proceso al permitir
definir, medir, analizar y mejorar el proceso actual de manera
virtual pero realista. Este artículo investiga los beneficios
cuantitativos de utilizar la técnica Design for Six Sigma (DFSS)
para un SSP en una fábrica de producción de hierro y minería
(MIPF). El DFSS se implementó a través de cinco fases distintas:
DMAIC, para optimizar el MIPF actual como una primera parte de
la investigación. La segunda parte de la investigación investiga las
posibilidades de desarrollar los entregables del DMAIC para un
DMADV para implementar un nuevo MIPF. El uso del OPS en
todas las fases del DMAIC ha proporcionado una predicción muy
eficaz y precisa para la mejora del proceso de fábrica. Además,
1. INTRODUCCIÓN
El interés en la metodología de administración Six Sigma está creciendo
rápidamente dentro de la comunidad de administración profesional. Six Sigma
es una implementación rigurosa, enfocada y altamente efectiva de principios y
técnicas de calidad comprobados, apunta a un desempeño empresarial
virtualmente libre de errores (Pyzdek 2003). El objetivo fundamental de la
metodología Six Sigma es la implementación de una estrategia basada en
mediciones que se enfoca en la mejora de procesos y la reducción de
variaciones a través de la aplicación de proyectos de mejora Six Sigma. Six
Sigma pone énfasis en los resultados financieros que se pueden lograr
mediante la eliminación virtual de los defectos del producto y del proceso
(McCarthy y Stauffer 2001).
En el competitivo mercado actual, las empresas están adoptando nuevas
prácticas como Design for Six Sigma (DFSS), una metodología estructurada impulsada
por el cliente para obtener productos nuevos y menos costosos, de mayor calidad y
más rápidos en el mercado.
978-1-4244-2708-6 / 08 / $ 25.00 © 2008 IEEE 2431
servicios (Goldman y Campbell 2004). DFSS es una metodología sistemática
que utiliza herramientas, capacitación y mediciones para diseñar productos y
procesos que cumplan con las expectativas del cliente en los niveles de
calidad Six Sigma. La simulación es una buena opción para DFSS y DMAIC
(Ferrin, Miller y Muthler 2005).
La simulación es un proceso de diseño de un modelo de un sistema
real y la realización de experimentos con este modelo con el fin de
comprender el comportamiento del sistema y / o evaluar diversas estrategias
para el funcionamiento del sistema (Shannon 1998). OPS puede ayudar a
los profesionales de Six Sigma a comprender el comportamiento del sistema
y optimizarlo a través de varias estrategias en una realidad virtual.
Tradicionalmente, DFSS se implementa a través de una de las dos
sub-metodologías Six Sigma: DMAIC (definir, medir, analizar, mejorar,
controlar) y DMADV (definir, medir, analizar, diseñar, verificar). Las tres
fases iniciales (definir, medir y analizar) se centran en gran medida en
comprender los requisitos del cliente e identificar qué nivel de
rendimiento se requiere para satisfacer e incluso deleitar al cliente
(Seifert 2005). Las dos fases restantes del DMAIC (mejorar y controlar)
son para un sistema de mejora para los procesos existentes que caen
por debajo de las especificaciones mientras se busca una mejora
incremental. Las dos últimas fases del DMADV (diseño y verificación) son
para un sistema de mejora utilizado para desarrollar nuevos procesos o
productos con niveles de calidad Six Sigma. El OPS se utilizará para el
DMAIC para mejorar la condición actual del MIPF. El modelo optimizado
“futuro” se integrará con los parámetros del nuevo MIPF y se reutilizará
para el DMADV para construir el nuevo MIPF. Hasta donde sabemos,
este es el primer intento de reutilizar los entregables de DMAIC para un
DMADV mediante la formulación de un nuevo modelo de proceso Six
Sigma: Definir, Ajustar y Verificar (DAV).
 Chinbat y Takakuwa

2 SOBRE EL CASO capacidad debido a importantes cuellos de botella y procesos de producción

Monzol es una empresa con sede en Mongolia que actualmente posee licencias
de exploración para depósitos de oro, carbón, hierro y polimetales en los
territorios de las provincias de Selenge, Dornogobi, Dornod y Sukhbaatar en
Mongolia. El trabajo de investigación y exploración de la empresa ha descubierto
un depósito de mineral de hierro - Ervei Khuder - en el distrito de Ervei khoshuu
de la provincia de Sukhbaatar (aproximadamente a 320 km de distancia de la
capital, Ulán Bator). Actualmente, la compañía opera una fábrica abierta de
producción de hierro y minería y exporta su producto a la industria metalúrgica
de Harbin en China. Por lo tanto, la empresa ha adquirido una experiencia real
en la producción y venta de hierro.
Monzol planea operar una MIPF y una Fábrica Metalúrgica
similares pero mejoradas en su propiedad llamada Alagtsav del distrito
de Erkhit en la provincia de Dornogobi (aproximadamente a 200 km de
distancia de la capital, Ulán Bator).
La empresa también tiene como objetivo mejorar el funcionamiento actual
de Ervei Khuder MIPF. Además, la compañía está buscando implementar una
fábrica metalúrgica cerca de una de las propiedades en un futuro cercano,
después de la implementación de la fábrica de producción de hierro Alagtsav.
problemáticos. Por lo tanto, el objetivo de la actividad de mejora era aumentar el
uso de la capacidad de su fábrica y disminuir los cuellos de botella. Además, la
reducción del costo operativo del MIPF fue otra preocupación para la
administración.
Con los ingenieros de Monzol, se recopiló información clave de la
operación de MIPF a través de un estudio de tiempo y observación y se
resumió en una hoja de cálculo desarrollada. Se realizó un estudio de la
operación real y se realizó una entrevista sobre la operación y problemas
con los ingenieros y empleados de las distintas posiciones de la empresa.
Se dibujó un mapa de proceso para ilustrar la trayectoria natural del
proceso de Ervei Khuder MIPF, como se muestra en las Figuras 1 y 2. Los
datos seleccionados del proceso también se ilustran en las Tablas 1 y 2.
Los datos se resumieron usando un Arena Analizador de entrada para
determinar la distribución de probabilidad.
El Ervei Khuder MIPF consta de dos partes principales, la minería a cielo
abierto y la fábrica de enriquecimiento de hierro. En la minería a cielo abierto, se
realiza un proceso de explosión una vez cada cinco días de la semana durante el
período de 21: 00-23: 00. El trabajo de perforación se detiene durante el proceso de
explosión debido a las normas de seguridad. Se espera que el resultado de este
proceso satisfaga las siguientes demandas en la fábrica de producción de hierro con
materias primas. El mineral y el suelo detonados se cargarán en camiones de 25
toneladas por una excavadora para cada característica. Hay 18 camiones con 11

2.1 Ervei Khuder, minando una fábrica de producción de hierro transportando el mineral desde el punto de extracción hasta la fábrica y 7
transportando el suelo hasta el lugar de disposición del suelo. En el lugar de
disposición del suelo, el suelo se utiliza para esparcirse al suelo para recuperar el

Ervei Khuder MIPF opera 244 días al año, con dos turnos de ocho horas medio ambiente utilizando una excavadora.

cada uno (7: 00-15: 00 y 15: 00-23: 00) por día dentro de una semana de
cinco días. Anualmente, 556000 tonos
(tn) de mineral de hierro (Fe 2 O 3) que produce aproximadamente 360 mil tn de
Hierro (Fe) luego de ser procesado a través de Perforación

el MIPF. Aproximadamente 60 mil m 3 de suelo debe eliminarse durante el

Explosión
proceso de extracción.

Carga de camiones
3 DISEÑO PARA SIX SIGMA
Transporte
La simulación es apropiada e incluso puede ser preferible para su uso en
Colina de eliminación
muchas de las etapas DMAIC (Miller y Ferrin Fábrica
Es hierro
2005).
si ¿Mineral? No
OPS se aplica en las cinco fases del proceso DMAIC, que se
desarrollaron utilizando Arena, un paquete de software para el Almacén de fábrica Desechando el
análisis y la simulación de procesos (Kelton, Sadowski y Sturrock de mineral de hierro Suelo

2007).
Figura 1: Mapa de proceso de la operación minera

3.1 La fase de definición

Tabla 1: Lista de parámetros de la minería
Nombres de parámetros Unidades Mineral Suelo
Six Sigma se enfoca en mejorar la calidad (es decir, reducir el desperdicio) Profundidad promedio del pozo metro 11,7 11,9
ayudando a las organizaciones a producir productos y servicios mejor, más Tiempo de preparación y finalización de
min EXPO (6) EXPO (6)
rápido y con menor costo. La fase Definir es para definir los objetivos de la el perforador

actividad de mejora. Producción de perforadoras por turno m EXPO (92,4) EXPO (90,2)
Tiempo de perforación por pozo de 1 metro
min 2.21 2.51
incluido el tiempo de soporte Duración del
El principal problema en Ervei Khuder fue el plazo de ejecución del proceso
proceso de explosión horas UNIF (2, 3)
(PLT). El MIPF no estaba funcionando al máximo

2432
 Chinbat y Takakuwa

Cuando el mineral de hierro se transporta a la fábrica de producción de hierro, se

mantendrá en el área de almacenamiento donde se carga el mineral al primer conjunto 1. El mineral será triturado por dos trituradoras continuas y luego
de máquinas de la fábrica de producción de hierro. La fábrica de producción de hierro filtrado. Las piezas de más de 100 mm volverán al segundo
consta de cuatro procesos en serie (SP) de la siguiente manera: chancador y el resto irá al segundo SP por medio de un
transportador. La tercera máquina trituradora triturará el
2. mineral en trozos más pequeños y el segundo proceso de
Mineral de hierro
filtrado decidirá si los trozos son mayores de 5 mm. Las piezas
1 S t serie grandes volverán al segundo chancador por un transportador
1 S t Trituración de grado
proceso
y el resto irá al siguiente SP por un transportador.

2 Dakota del Norte Trituración de grado

3. Un separador magnético separará el mineral de las rocas y

Filtración enviará los escombros al punto de desecho. Las partes
magnéticas se volverán a filtrar y si por casualidad hay
No (10%)
¿Es más pequeño que piezas un poco grandes, pasarán por el proceso de
100 mm? fresado. Las piezas que pasen por el filtro pasarán al
si siguiente separador magnético donde se unirán las piezas
3 rd Trituración de grado
fresadas. Aquí, los escombros también irán al punto de
desecho y el resto irá más allá del cuarto SP.
Filtración

No
se-
2 Dakota del Norte Si (90%) 4. El hierro utilizable separado se limpia mediante dos máquinas
ries ¿Es más pequeño que

proceso 5 mm? continuas y otra máquina de filtrado desplazará las rocas de

hierro limpias y las llevará al punto final.

1 S t Separación magnética

Sí (60%) Tabla 2: Lista de parámetros de la fábrica de producción de hierro

No
Las partes son Parámetros
¿magnético? Nombres de parámetros Unidades
Suelo Mineral
Filtración
Velocidad de la trituradora para procesar 1 min - UNIF (6, 6,6)

No (10%)
tonelada de mineral Velocidad del filtro para min - UNIF (3.6, 4.2)
Es mas pequeño
procesar 1 tonelada de mineral Velocidad del separador magnético y del molino
de 5 mm? min - EXPO (7.2)
para procesar 1 tonelada de mineral
Molienda
Sí (92%) Velocidad más limpia para procesar 1 tonelada min - EXPO (6,6)
2 Dakota del Norte Separación magnética de mineral Velocidad del transportador m / seg - 1,6
Longitud del transportador metro - 50, 50, 50, 70

No Tiempo de proceso de la excavadora para llenar 25tn camión min. UNIF (8, 16) UNIF (12.5, 25)
Las partes son
3 rd serie Tiempo de proceso de la excavadora de 1 tonelada min EXPO (5,25) EXPO (10,25)
¿magnético?
proceso
Velocidad de camión permitida dentro de la planta km / h 30
si
Capacidad de carga de camiones Tennesse dieciséis 25
4 th serie 1 S t Limpieza Distancia entre estaciones
proceso
Punto de partida Distancia del punto de destino (m)
2 Dakota del Norte Limpieza
Estacionamiento Minería 1000
Minería Colina de eliminación 1500
Filtración
Minería Fábrica 500

si
Limpieza Se utilizó un modelo “tal cual” para definir el proceso existente para
¿residuos?
crear una vista más clara del proceso, que proporcionó una presentación
No
visual y una métrica numérica del proceso para ayudar a analizar y medir el
Planchar Residuos proceso y su fondo. cuellos como se muestra en la Figura 3.

Figura 2: Mapa de procesos de la fábrica de producción de hierro

2433
 Chinbat y Takakuwa
Figura 3: Animación del MIPF
Después de construir el modelo "tal cual", la verificación y
la validación del modelo fue una parte esencial de este camino.
La verificación es la tarea de asegurar que el modelo se comporte
como pretendías; más coloquialmente, se conoce como depuración
ging el modelo. La validación es la tarea de asegurar que el
El modelo se comporta igual que el sistema real. Al verificar
el modelo, varias pruebas obvias como la sobrecarga del
modelo con entidades y ejecutar el modelo sección por sección
fue ejecutada. Las partes que revelaron una vacilación
fue reevaluado y verificado repetidamente.
Durante el proceso de validación, el equipo decidió convertir el modelo
en una simulación de estado estable para una
resultado istico. Las gráficas de trabajo en proceso se muestran en la Figura
4.
Para el período de calentamiento, después de utilizar Arena Output
Analizador, el efecto de la condicin inicial de vaco e inactivo
durante los primeros cientos de minutos en el trabajo en
El proceso es razonablemente consistente en todas las repeticiones, pero
parece que las cosas se calman después de unos 3000 minutos.
Por lo tanto, para seleccionar una opción más confiable, 4800 min-
Se seleccionó utes (5 días) como período de calentamiento.
Figura 4: Diagramas de trabajo en proceso
2434
La validación se realizó comparando la réplica
resultados con los datos en tiempo real del Ervei Khuder
MIPF. Por ejemplo, la cantidad de salida procesada del
La cantidad de hierro y suelo coincidió con la producción anual.
cantidad del MIPF con una diferencia inferior al 1% para cada
replicación. Además, el PLT de la sección minera
y la sección de la fábrica de producción de hierro del modelo coincidió
con el PLT promedio del proceso real, que había sido
adquirido durante las investigaciones de las visitas al sitio a
el MIPF.
3.2 La fase de medida
Cuando uno experimenta con un modelo para medir la posicin
comportamiento futuro posible de un sistema (por ejemplo, simulación), uno
obtiene información sobre la naturaleza de un sistema de un proceso,
identifica problemas con el diseño del sistema y gestiona el riesgo
tomando decisiones con una mejor comprensión de los
costos y beneficios (Luce et al. 2005).
El equipo Six Sigma debe establecer valores válidos y confiables
métricas para ayudar a monitorear su progreso hacia el proyecto
metas. El objetivo principal en este punto del proceso es establecer las
características críticas para la calidad (CTQ).
Las métricas utilizadas para medir el proceso las decide el equipo en
función de la correlación con las características CTQ del proceso. El PLT, los
tiempos sin valor agregado (tiempos de espera), la cantidad de utilización del
camión y el número total de productos fueron las principales métricas para
monitorear el progreso del proyecto hacia los objetivos del proyecto que se
establecieron durante la fase de Definición.
 Chinbat y Takakuwa

El modelo "tal cual" se replicó 50 veces y el principal
Las métricas se obtuvieron y analizaron en la siguiente fase.
3.3 La fase de análisis
La intención de esta fase es ofrecer mejoras precisas
decisiones de mento al sistema actual con el fin de cumplir
objetivos de la fase Definir, basados en los parámetros
obtenido de la fase de Medida.
El resumen del informe de las réplicas con la mejor
Los parámetros habían sido estudiados por la Figura 6 y la Tabla 3.
El NVAT, el tiempo de espera total se redujo drásticamente
aproximadamente siete veces, lo que reduce el tiempo total del proceso
a solo más de 1300 minutos. Además, en
Modelo "futuro" 3, la entrada se duplicó para investigar el
Pueden ocurrir cambios en el modelo. Sin embargo, la salida en
pliegue no causó mucho cambio en el PLT ya que
se muestra en la Tabla 3. Por lo tanto, la producción duplicada evidenciará

La dirección y los ingenieros jefes de Monzol. didamente duplicar la ganancia.

Lluvia de ideas sobre los puntos de optimización basados en los informes de

replicación. Las siguientes opciones se decidieron como las decisiones de Utilización 1 Ut ilización 2
optimización más favorables: Costo Tiempo de cola

• Con respecto al cuello de botella del proceso de 80 400

perforación, la dirección decidió comprar más perforadoras 70 350

y el número se decidirá según el OPS. Esto suavizaría el 60 300

Costo ('000 $), tiempo de espera (min)

cuello de botella y podría demostrar una posibilidad de 50 250

Utilización (%)
producción adicional. 40 200

30 150

• El proceso de explosión podría aumentarse a un número 20 100

adecuado según los informes de OPS. Evidentemente, era 10 50

necesario reducir el principal cuello de botella de este proceso. 0 0

5 6 7 8 9 10 11

Cantidad total de Autosamosval (Unidades)

• Para reducir el costo, la cantidad de camiones podría reducirse a
una cantidad adecuada cambiando la capacidad del camión a
Figura 5: Variables de la Cantidad Autosamosval
Autosamosval de 40 tn en lugar de Autosamosval de 25 tn. El
precio de alquiler mensual del Autosamosval de 40 tn en USD fue
NVAT Salida
de $ 2500 en comparación con los USD $ 2000 del Autosamosval Tiempo Total

de 25 tn. 4500 700.000,00

4000
600.000,00
• Además, si la capacidad de Autosamosval se cambia a 40 3500

tn, el tiempo de carga aumentará y creará otro cuello de 3000

500.000,00

botella. Por tanto, para evitar ese cuello de botella, se

Tiempo medio (min)

Salida (Hierro en tn)

2500 400.000,00

prefirió un aumento de la cantidad de cargadores.

2000 300.000,00

1500
200.000,00
1000
3.4 La fase de mejora 100.000,00
500

0 0,00
La fase de mejora es un momento ideal para utilizar la optimización, Como es Ser - estar Ser 1 Ser 2 Ser 3
donde los puntos de mejora decididos en la fase de análisis se pueden Modelos

aplicar y experimentar en la simulación.

La cantidad de camiones se seleccionó con base en los datos de la
Figura 5. Las principales métricas asistidas para elegir el número adecuado de
camiones fueron el Tiempo sin valor agregado (NVAT) de la entidad que
espera el transporte, que se aborda como el tiempo de espera, y Se
consideraron los costos y la cantidad de utilización. Siete camiones se
decidieron como la cantidad adecuada de Autosamosval basándose en la
intersección de dos dimensiones (costo y NVAT) en la Figura 5. Las
cantidades de utilización de siete Autosamosvals fueron considerablemente
razonables.
Con base en los informes de réplicas con parámetros alterados, se
seleccionó la mejor posibilidad de rendimiento.
Figura 6: Análisis de escenarios de los modelos
Los mejores atributos posibles y las métricas elegidas de los informes de
replicación se resumen en la Tabla 3, y claramente el modelo “futuro” 3 muestra
los mejores resultados posibles.
El equipo concluyó que, de acuerdo con el OPS y los resultados de
optimización del Modelo 3 “a ser”, los cuellos de botella del proceso se
redujeron disminuyendo el PLT en un promedio aproximado de 72 por ciento
y la producción se duplicó aumentando la ganancia en aproximadamente el
100 por ciento. El paso más importante del proceso Six Sigma es la
implementación de la vida real que se lleva a cabo en la fase de Control.

2435
 Chinbat y Takakuwa

Tabla 3: Resumen del informe (todos los modelos)

Tiempo de entidad (promedio)
Salida de utilización del tiempo de cola (Iron
Valor Tiempo de espera Tiempo total (%) en tn)
Modelo "tal cual"

Explosión 1 3.824,78 4.284,24 2.260,08 -

40 tn Autosamosval 18 - - 401.58 18 y 6 305.788,00
Taladrador 1 - - 1.015,79 -
Modelo "futuro"
Explosión 2 1.017,22 2.478,11 1.068,99 -
40 tn Autosamosval 3 - - 607,66 50 y 22 308.610,22
Taladrador 4 - - 7.88 -
"futuro" 1 modelo
Explosión 3 688,23 1.792,14 766,80 -
40 tn Autosamosval 5 - - 282,65 33 y 11 308.775,78
Taladrador 4 - - 9,72 -
Modelo "futuro" 2
Explosión 5 472.15 1.315,60 432,23 -
40 tn Autosamosval 5 - - 179,58 33 y 11 308.783,50
Taladrador 4 - - 13.22 -
Modelo "futuro" 3 (entrada aumentada)
Explosión 5 487,45 1.346,78 431,40 -
40 tn Autosamosval 5 - - 345.15 67 y 22 617.949,06
Taladrador 4 - - 39,87 -

re efine
3,5 La fase de control

Con los resultados del OPS y la optimización, la administración se hace cargo del si
Hace un proceso
proyecto Six Sigma para prepararse para la implementación a gran escala. Los ¿existe?
resultados de la vida real de los cambios aplicados pueden ser útiles para el OPS
No
del segundo MIPF donde se pueden recopilar más ideas de optimización. METRO seguro existente

proceso
No Hace una coincidencia

¿Existe el proceso?
4 PROCESO DMADV
Desarrollar si
Con base en los modelos “to-be”, los parámetros del nuevo MIPF METRO alivio
Eliminar
fueron agregados al modelo “to-be” del nuevo MIPF, por lo que los criterios No
¿En control? especial
procesos son prácticamente similares. Los primeros tres pasos del
causas
DMADV (definir, medir y analizar) se consideran análogos al Proyecto si

Six Sigma del MIPF existente. En el proceso DMADV, los objetivos de

si
No
la actividad de diseño se definen en la fase Definir, las métricas críticas ¿Capaz?
se determinan en la fase Medir y en la fase Analizar, y se analizan las UN analizar
UN analizar
opciones disponibles para alcanzar los objetivos. Estos se
corresponden con los objetivos definidos anteriormente en este
trabajo, las medidas determinadas y las opciones para el cumplimiento
si No Re-explotando
de los objetivos analizados en las fases del proceso DMAIC. Necesitar
resultados de la
¿diseño?
Proceso DMAIC

UN ajustar con necesario

parámetros
El modelo de correlación de los procesos DMAIC y DMADV, más
claramente, la reutilización del proceso DMAIC para DMADV para la No
¿Capaz?
construcción de un modelo de simulación idéntico se realiza de acuerdo
con el modelo desarrollado. El modelo de correlación DMAIC y DMADV re esign yo mejorar
si
se ilustra en la Figura 7. El modelo anterior DMAIC versus DMADV
desarrollado por Pyzdek se transformó en un nuevo modelo de proceso
DAV (definir, ajustar y verificar) y se utilizó en este estudio de caso. V erificar C ontrol

Figura 7: Modelo de correlación DMAIC y DMADV

2436
 Chinbat y Takakuwa

4.1 La fase de ajuste

La Tabla 4 ilustra la capacidad de las nuevas máquinas de la fábrica

de producción de hierro, que es mayor que la de la fábrica existente. A
pesar de la diferencia de capacidad, los mapas de procesos eran idénticos.
Por lo tanto, los nuevos parámetros del nuevo MIPF se ajustaron al modelo
"futuro" existente. Se realizaron varias réplicas y se descubrió el mejor
escenario de operación posible, como se muestra en la Tabla 5.

Tabla 4: Lista de parámetros de la nueva fábrica de producción de hierro

Parámetros
Nombres de parámetros Unidades
Suelo Mineral

Velocidad de la trituradora para procesar 1 tn min - UNIF (1,5, 1,65)

Velocidad del filtro para procesar 1 tn Velocidad del min - UNIF (0.9, 1.05)
separador magnético y molinillo para procesar 1 tn de
min - EXPO (1.8)
mineral Velocidad del limpiador para procesar 1 tn

Velocidad del transportador min - EXPO (1,65)

m / seg - 6.4 Figura 8: Análisis de escenarios (todos los modelos)

Longitud del transportador metro - 70, 70, 70, 100

Tiempo de proceso de la excavadora para llenar El proceso se desarrolló relativamente sin problemas, pero es posible que se
mínimo UNIF (12,5, 25) UNIF (20, 40)
un camión de 40 toneladas
requiera una mayor optimización en el futuro. La principal entrega del proyecto fue un
Tiempo de proceso de la excavadora de 1 tonelada min EXPO (5,25) EXPO (10.25)
diseño de proceso con más capacidad y un flujo de proceso considerablemente más
Velocidad permitida del camión dentro de la km / h 30
suave.
capacidad de carga del camión Tennesse 25 40
Destino entre estaciones
Punto de partida Punto de destino Distancia (m) 4.2 La fase de verificación
Estacionamiento Minería 1000
Minería Colina de eliminación 1500
La fase de verificación es la fase más importante y difícil del proyecto
DFSS. El equipo con la dirección de Monzol Co., Ltd. ejecutó una prueba
El OPS del Alagtsav MIPF se construyó como un nuevo modelo "futuro". El
piloto del "futuro" Nuevo Modelo bajo una atenta vigilancia. Se
informe de replicación del mejor escenario del "futuro" Nuevo Modelo ha mostrado el
recopilaron y analizaron métricas para determinar la fluidez del proceso,
resultado esperado de un aumento de la producción cuatro veces mayor que el
y el PLT y las predicciones de salida fueron razonablemente precisas
antiguo MIPF y con un PLT y NVAT similares, como se muestra en la Tabla 5.
dada la condición de una simulación virtual.

Tabla 5: Resumen del informe (modelos nuevos "futuros" 3 y "futuros")

5. CONCLUSIONES

Tiempo de entidad (promedio) Valor de utilización Salida

De este estudio se pueden extraer las siguientes conclusiones:
de cola Tiempo de espera Tiempo total Tiempo activado (%) (Planchar)
1. Después de cuidadosas evaluaciones y discusiones, la empresa ha
Modelo "futuro" 3 (entrada aumentada)

Explosión 5 487,45 1.346,78 431,40 - decidido implementar el modelo en su MIPF actual. Como indicó

40 tn Autosamosva 5 - - 345.15 67 y 22 617.949,06 el estudio, los entregables de este proyecto proporcionaron una
Taladrador 4 - - 39,87 - mayor rentabilidad debido a una mayor producción, un proceso
Nuevo modelo "futuro" reducido y un ciclo de desarrollo de productos reducido. La alta
Explosión 5 522,85 1.362,67 442,60 - dirección señaló que la simulación permitió al equipo Six Sigma
40 tn Autosamosva 13 - - 414,98 78 y 32 2.474.021,00 2. tener una visión clara de los problemas y cuellos de botella del
Taladrador 12 - - 144,48 - proceso y comprender visualmente la optimización con
demostración numérica.
Se utilizó un Arena Process Analyzer (PAN) para comparar NVAT y la
salida de hierro de todos los modelos para visualizar y fundamentar la
mejora del proceso. En la Figura 8 se muestra un análisis de escenario de 3. El uso del software Arena para el OPS para la optimización del
todos los modelos. MIPF actual y el diseño del nuevo MIPF permite la capacidad
de medir, analizar, mejorar y diseñar el proceso con un mínimo
de retrabajo del diseño posterior, con resultados realistas.

2437
 Chinbat y Takakuwa
4. Una aplicación de DFSS a través de DMAIC
proceso para optimizar el MIPF actual y ajustar
Justo los resultados para el proceso DMADV ha
proporcionó un gran beneficio al comparar los resultados
y un diseño optimizado del nuevo MIPF con
asistencia del proceso actual y optimizado
entregables.
5. Finalmente, este artículo ha presentado cómo el OPS
se utilizó en todas las fases del DMAIC y
Procesos DMADV y también las ventajas
posibilidades de reutilizar los entregables del
Proceso DMAIC para los procesos DMADV.
REFERENCIAS
Ferrin, D., M. Miller y D. Muthler. 2005. Lean Sigma
y simulación, ¿cuál es la correlación? V2. En
Actas de la conferencia de simulación de invierno de 2005
ence, ed. ME Kuhl, NM Steiger, FB Armstrong,
y JA Joines, 2011-2015. Piscataway, Nueva Jer-
sey: Instituto de Ingenieros Eléctricos y Electrónicos,
Cía.
Goldman, L y C. Campbell. 2004. Crystal Ball y De-
firmar para Six Sigma. En Actas del 2004 Win-
ter conferencia de simulación ed. RG Ingalls, MD Rossetti, JS
Smith y BA Peters, 1680-1687.
Piscataway, Nueva Jersey: Instituto de Electricidad y
Ingenieros electrónicos, Inc.
Kelton, D., R. Sadowski y D. Sturrock. 2007. Simula
con Arena, Cuarta edición, Nueva York: McGraw
Hill, Inc.
Luce, K., L. Trepanier, F. Ciochetto y L. Goldman.
2005. Simulación y optimización como efectivas
Herramientas DFSS. En Actas del invierno de 2005
Conferencia de simulación, ed. ME Kuhl, Nuevo México
Steiger, FB Armstrong y JA Joines, 1993-
1999. Piscataway, Nueva Jersey: Institute of Electrical
e ingenieros electrónicos, Inc.
McCarthy, BM y R. Stauffer. 2001. Enhancing Six
Sigma a través de la simulación con el proceso Igrafix para
Six Sigma. En Actas de la Conferencia de Simulación de
Invierno de 2001, ed. BA Peters, JS Smith, DJ Medeiros y MW
Rohrer, 1241-1247. Piscataway, Nueva Jersey: Institute of
Electrical and Electron- ics Engineers, Inc.
Miller, M. y D. Ferrin. 2005. La aplicación de Simu-
Metodología de lación en un proyecto Seis Sigma de un Hospital.
En Actas de la Conferencia de simulación de invierno de 2005, ed.
ME Kuhl, NM Steiger, FB Armstrong y JA Joines, 2016-2019.
Piscataway, Nueva Jersey: Instituto de Ingenieros Eléctricos y
Electrónicos, Inc.
Pyzdek, T. 2003. El manual de Six Sigma, Nueva York:
McGraw Hill, Inc.
2438
Seifert, M. 2005. El uso de la simulación de eventos discretos
en un diseño para proyecto Six Sigma. En Procedimientos de
la Conferencia de simulación de invierno de 2005, ed. YO
Kuhl, NM Steiger, FB Armstrong y JA
Se une, 2000-2004. Piscataway, Nueva Jersey: Instituto
of Electrical and Electronics Engineers, Inc.
Shannon, RE 1998. Introducción al arte y la ciencia
de simulación. En Actas del invierno de 1998
Conferencia de simulación, ed. DJ Medeiros, EF
Watson, JS Carson y MS Manivannan, 7-14.
Piscataway, Nueva Jersey: Instituto de Electricidad y
Ingenieros electrónicos, Inc.
BIOGRAFÍAS
UNDRAM CHINBAT es un Ph.D. candidato en la graduación
comió la Escuela de Economía y Administración de Empresas en
Universidad de Nagoya en Japón. Ella recibió su BA en
2003 y MBA en 2004 de la Universidad Internacional
sity of America, campus de Londres, Reino Unido. Su investigación en
Los intereses incluyen la gestión de proyectos, la gestión de marketing.
gestión y Six Sigma. Su investigación actual
se centra en el diseño de Six Sigma, simulación y optimización
mización.
PRONTO TAKAKUWA es profesor en el posgrado
Escuela de Economía y Administración de Empresas en Na-
Universidad de Goya en Japón. Recibió su B. Sc. y M.
Carolina del Sur. Grados en ingeniería industrial de Nagoya Insti-
tute of Technology en 1977, respectivamente. Su Ph.D. es en
ingeniería industrial de la Universidad Estatal de Pensilvania
Versity. Sus intereses de investigación incluyen la optimización de
sistemas de fabricación y logística, información de gestión
sistemas de mación y análisis de simulación en estos sistemas
así como en hospitales. Ha preparado el edi-
tanto de la introducción a la simulación con SIMAN
y Simulación con ARENA. Ha estado sirviendo
actualmente como miembro del personal superior del Departamento de
Planificación y estrategia de gestión hospitalaria en Nagoya
Hospital Universitario.