SERIEGROOTTE- BEPALING IN PRODUCTIE- OMGEVINGEN

Transcriptie

1 SERIEGROOTTE- BEPALING IN PRODUCTIE- OMGEVINGEN Hoofdstuk 6 van het seriegrootteboek Abstract De EOQ-benadering werkt niet goed bij het bepalen van seriegroottes in productie-omgevingen. Dit, ondermeer, omdat de afweging van kosten minder belangrijk zijn dan de bezetting van de capaciteiten Ir. Paul P.J.Durlinger Versie 18 augustus 2018

2 6. Seriegroottes in Productie-omgevingen 6.0 Inleiding In de vorige hoofdstukken hebben we gekeken naar de seriegrootte bepaling in voornamelijk handelsomgevingen. Zouden we de geleerde inzichten nu ook kunnen gebruiken in productie-omgevingen om productieseries te bepalen? Door bijvoorbeeld in plaats van de orderkosten de instel/omstelkosten te gebruiken? Dit lijkt eenvoudig, maar het bepalen van de omstel/instelkosten is niet zo eenvoudig. Dit probleem bekijken we in paragraaf 6.1. Daarnaast speelt de productietypologie (de productiestructuur) een belangrijke rol. Dat komt in 6.2 ter sprake. Vervolgens kijken we naar de specifieke problemen bij de diverse productiesituaties. In par komt het interferentieprobleem ter sprake, dat vooral optreedt in procesmatige omgevingen waarbij één machine capaciteitsbepalend is. Paragraaf behandelt de massa-assemblage. En als er nu eens meerdere machines zijn waar het product overheen moet; hoe bepalen we dan een seriegrootte? Het is aannemelijk dat we per machine verschillende seriegroottes per product gaan krijgen. Dit bekijken we in paragraaf En tenslotte is er ook nog een link met de doorlooptijd van een product of order. Deze is sterk afhankelijk van de bezettingsgraad van de machine. De hoogte van de seriegrootte speelt daarbij een cruciale, en tegelijkertijd een beetje ingewikkelde rol. Dit effect komt ter sprake in paragraaf Bepalen omstelkosten Ook in productie-omgevingen is het bepalen van de seriegrootte een afweging, maar minder een afweging van bestel- en voorraadkosten maar meer een capaciteitsoverweging. We geven een voorbeeld. Stel dat de vraag naar een product ABC gelijk is aan stuks per jaar. Het afname patroon is zeer regelmatig. We stellen de kostprijs op 400 euro per stuk. En dit is al een gevaarlijke aanname. Het bepalen van de prijs van een onderhanden product is niet altijd even eenduidig. Dit is echter meer een accounting-probleem en laten we hier even buiten beschouwing. Verder stellen we de kosten van voorraad houden op 25% per product per jaar. Dit product wordt op een CNCfreesmachine geproduceerd. De productietijd is één uur per product. Stel dat de insteltijd van de machine 2 uur is. De accountant heeft het machine uurtarief vastgesteld op 200 euro per uur. Ook dit is in de praktijk vaak moeilijk

3 te bepalen. We zouden nu de PEOQ (productie EOQ) kunnen uitrekenen. Dit levert het volgende resultaat: = = =200 stuks, De totale omstelkosten zijn dan 25 (series) x 400 = euro, gelijk aan de voorraadkosten (200/2 x 400 x 25%). Maar als we nog eens goed naar de uitkomsten kijken valt iets op. Stel dat we uitgaan van 50 weken per jaar. Per jaar is de machine 50 x 168 uur (7 x 24) = uur beschikbaar. Maar we gebruiken de machine slechts 5050 uur (5.000 uur productie en 50 uur omstellen). Wat doen we dan met de overgebleven 3350 uur? We zouden die kunnen gebruiken om extra producten te kunnen produceren; maar als er geen extra vraag is, wat dan? Dan zouden we overgebleven tijd kunnen gebruiken voor extra omstellingen; gesteld dat de operator-uren geen probleem zouden zijn. Dat zou eigenlijk betekenen dat de omstelkosten geen 200 euro per uur zouden zijn, maar veel minder. Sterker nog, in dit geval zouden de extra omstellingen niets extra kosten. Maar als we de omstelkosten gelijk aan nul zouden stellen krijgen we ook een onzinnige seriegrootte (namelijk nul). Misschien is het beter om de capaciteitsbenadering uit de Just-in-Time filosofie te gebruiken. Deze zegt het volgende. Stel dat een machine 100 uur beschikbaar is en dat er voor de productie 80 uur nodig zijn. Dan zijn er 20 uur beschikbaar voor omstellen. Stel dat de omsteltijd gelijk was aan één uur, dan konden er 20 series worden gemaakt. Zou de insteltijd maar 30 minuten zijn dan kan men 40 series maken. Dit is een van de achtergronden van de SMED (Single Minute Exchange of Die) aanpak van Toyota. (Shingo [1982]) Kortere omsteltijden leiden tot kleinere series. Dit analoog aan de EOQ-benadering, waar lagere bestelkosten leiden tot kleinere series. Grote voordeel van deze capaciteits-benadering is dat we van alle gekunstelde kostprijs en machineuur kosten bepalingen af zijn. Juist het bepalen van de juiste kosten is volgens Corbey [1995] het probleem bij een PEOQ-achtige benadering. Zoals gezegd speelt ook de productietypologie een rol. Ik geef hier een summiere beschrijving. Voor meer details verwijs ik naar Durlinger [2015]. 6.2 De productietypologie Productie omgevingen zijn onder te verdelen in vijf typologieën op basis van materiaalcomplexiteit (uit hoeveel componenten/grondstoffen is het

4 eindproduct opgebouwd?) en de capaciteitscomplexiteit (uit hoeveel bewerkingen bestaat het productieproces?). We geven de uitleg volgens Bertrand [1998]. Voor een uitgebreide beschrijving zie Durlinger [2015] maar wij volstaan hier met een samenvatting. De complexiteit van de capaciteit en variëteit in de routing Dit hangt nauw samen met de herhalingsgraad in de vraag naar een product. Is deze laag, dan is er sprake van veel verschillende producten en dus ook van veel verschillende routingen. Vaak betekent dit ook dat het machinepark hierop aangepast is en dus bestaat uit vrij veel specifieke bewerkingsgerichte machines. Is de herhalingsgraad hoog, dan zal het machinepark meer afgestemd zijn op het product zelf. De complexiteit van de materiaalstructuur Hierbij kijken we vooral naar het aantal verschillende materialen dat nodig is om een product te maken. Gebruik makend van deze invalshoeken komt Bertrand tot een typologie als in figuur 6.1. Figuur 6.1 Typologie productiesituaties volgens Bertrand

5 De ideaaltypische situaties vinden we in de hoeken van bovengenoemde figuur Procesmatige omgevingen Situatie I beschrijft een situatie met een lage capaciteitscomplexiteit en lage materiaalcomplexiteit. De meeste procesmatige omgevingen bevinden zich in dit segment. Met lage capaciteitscomplexiteit wordt bedoeld dat er meestal slechts één capaciteitsbepalende machine is. Die machine wordt dan de bottleneck genoemd. Schematisch geven we dit weer in figuur 6.2. Figuur 6.2 Schematische weergave procesmatige productie-omgeving Deze machine is meestal zo duur dat hij zoveel mogelijk aan de gang moet worden gehouden. Lage capaciteitscomplexiteit wil hier dus niet zeggen dat het om een eenvoudige machine gaat. Juist integendeel; een naftakraker kan moeilijk een eenvoudige machine worden genoemd, maar vanuit planningsoogpunt gezien is die eenvoudig. Er staat er maar één die de output van de hele fabriek bepaalt. Eenzelfde soort situatie treft men aan in drukkerijen. Hierbij is de drukpers bepalend. Deze moet draaiend worden gehouden en eventuele voor- en nabewerkingen moeten worden afgestemd op de drukpers. Vaak draaien dit soort installaties 24 uur per dag en is overwerken niet mogelijk, maar stilzetten is normaliter ook geen optie vanwege de lange aanlooptijd (en dus hoge kosten). Het probleem in dit soort omgevingen is het bepalen van de run- en cycluslengte en het schedulen van de orders op de bottleneckmachine. Kleine series en dus vaak omstellen betekent kostbaar capaciteitsverlies; grote series draaien betekent lange levertijden en hoge voorraden. Vaak zijn in dit soort omgevingen de omsteltijden volgorde-afhankelijk. Dit brengt ook weer specifieke schedulingsproblemen met zich mee. In Durlinger, Bemelmans [2018] besteden we hier aandacht aan. Dus ondanks (of juist vanwege) het feit dat men te maken heeft met een lage capaciteits-complexiteitsstructuur is het probleem wel degelijk een capaciteitsprobleem.

6 Sterker nog, deze omgevingen verkópen capaciteit. Er is vaak een directe relatie tussen omzet en capaciteit. Brouwerijen praten op elk planningsniveau over x miljoen hectoliter bier, in papier/karton fabrieken over y ton papier. Hier kan men nog vrij betrouwbaar bepalen wat een uur productiecapaciteit kost. We kunnen dan per SKU een PEOQ bepalen. Maar een EOQ-achtige bepaling van de seriegrootte van één bepaald product houdt normaliter geen rekening met andere producten. Het zou dus kunnen voorkomen dat de afzonderlijke EOQ s samen leiden tot capaciteitsproblemen op deze machine (vergelijkbaar met het Lagrange-probleem in paragraaf 3.7). Maar zelfs áls de capaciteit voldoende is, kunnen we te maken krijgen met het interferentieprobleem. Stel dat we twee producten moeten maken op een machine M 1. We gebruiken de EOQ-benadering. Stel dat productietijd voor een order van product P 1, drie dagen duurt. De productie is genoeg voor 10 dagen vraag. Dat betekent dat we een nieuwe run moeten opstarten op dag 10 (en de volgende op dag 20, etc.). Product 2 kent een productietijd van 2 dagen en daar doen we 8 dagen mee. Dat betekent dat we product 2 op dag 11 moeten starten. Dus daar hebben we een probleem. (zie figuur 6.3). Figuur 6.3 Interferentieprobleem Met een beetje schuiven (als er tenminste ruimte is) kan het soms nog wel worden opgelost, maar eenvoudig is anders. Zeker als er nog meer producten gebruik maken van deze machine Dit is het terrein van APS (Advanced Planning and Scheduling) software. Voor een meer uitgebreide beschrijving en mogelijke oplossingen verwijzen we de lezer naar Durlinger, Bemelmans [2018] en McKay, Wiers [2005] Massa-assemblage Situatie II is een omgeving met een lage capaciteitscomplexiteit, maar met een hoge materiaalcomplexiteit. Hierbij moet men denken aan massa-assemblage,

7 waarbij een product (tv, auto) moet worden geassembleerd uit een groot aantal onderdelen aan een lopende band. Ik hoor de lezer al zeggen dat het hier niet om één capaciteit gaat maar om een aantal assemblage robots. Schematisch geven we dit weer in fig Figuur 6.3 Massa assemblage (automotive) Dit beeld is juist maar tussen de robots is maar weinig plaats om producten op te slaan, met als gevolg dat wanneer één robot een storing vertoont er maar weinig tijd is om deze te repareren, voordat de hele lijn stilvalt. Vanuit dit oogpunt kunnen we zeggen dat het om één machine gaat. In de automotive sector speelt de seriegrootte bij de assemblage van de auto s de serieproblematiek eigenlijk geen rol. Door verregaande automatisering en slimme ontwerpen kon Toyota eigenlijk elk type auto door elkaar maken. Eerst een 1,8 liter groene driedeurs, dan een gele 2- liter hatchback etc. Niet helemaal in elke willekeurige volgorde echter, het vergde een enorme rekenkracht om een goede volgorde te bepalen om te zorgen dat de takttijd (één auto per x minuten) haalbaar was. Maar wanneer men bijvoorbeeld één groene auto liet volgen door één gele auto, was het zinloos om een serie te maken van 5 gele voordeuren en 6 groene kofferdeksels. Vaak was daar gewoon fysiek geen opslagplaats voor. En als dan alles precies was afgestemd, was het ook niet echt handig als Bridgestone voor één week autobanden afleverde. Dus probeerde men de componenten in een zo klein mogelijke serie te vervaardigen. Dat gebeurde dan in afdelingen zoals we beschrijven in par Een probleem in massa-assemblage omgevingen is om alle materialen of onderdelen op het juiste tijdstip bij de lopende band te krijgen. Materiaalcoördinatie is dus essentieel in dit soort omgevingen. Daarnaast kent men ook, evenals bij de procesmatige omgeving, een probleem bij het bepalen van cycluslengtes en seriegroottes. Hoewel in dit soort omgevingen de omsteltijden niet zo n grote rol spelen, is het probleem toch wel degelijk aanwezig.

8 Par Serieproductie Bij procesmatige omgevingen en de massa-assemblage is het mogelijk om te bepalen wanneer een bepaalde productieorder begint op een bepaalde machine en wanneer die eindigt. Dit omdat de orders maar over één machine (of assemblagelijn gaan) en de productietijden van een order precies bekend zijn. In seriematige omgevingen en zeker in job-shop omgevingen is dit zeker niet het geval. Dit omdat de orders over meerdere machines gaan. In figuur 6.4 geef ik een grafische weergave van een seriematige productie omgeving. Figuur 6.4 Seriematige productie Voor de éérste bewerking zou misschien nog een detailschema kunnen worden gemaakt; als elke order tenminste begint op deze ene machine. Omdat de routingen per order kunnen verschillen en ook de bewerkingstijden variëren is het ondoenlijk te bepalen wanneer een order precies bij de volgende bewerking moet aankomen. En het is heel normaal dat er meerdere orders aankomen bij een machine, die al bezet is. Met een prioriteitsregel moet dan een volgorde worden bepaald, waardoor het nog moeilijker wordt om te bepalen wanneer een order start en bij een volgende bewerking aankomt. Maar er is nog iets aan de hand en dat heeft te maken met de doorlooptijd van een order. In de theorie over productiebesturing gaan we er gemakshalve van uit dat de orders random aankomen bij de machine, iets preciezer gezegd, met negatief exponentieel verdeelde tussenaankomsten. Voor de leek komt dit neer op: we weten wel dat er x orders per dag bij de machine aankomen, maar we hebben geen flauw idee wanneer. Onder deze aanname kunnen we uitrekenen hoe lang een order gemiddeld moet wachten

9 bij de CNC-machine, voordat die aan de beurt is. Hier betreden we het vakgebied van de wachttijdtheorie. Dit is niet het meest toegankelijke gebied maar een fenomeen is de lezer zeker bekend. Hoe drukker het is, hoe langer we moeten wachten. Dit heeft alles te maken met de bezettingsgraad van de machine (zie ook Pound, Bell, Spearman [2014]). Opnieuw, hoe hoger de bezettingsgraad, hoe langer de wachttijd voor de machine en dus de doorlooptijd in de fabriek. Een bijkomend nadeel is dat bij langere wachttijden ook de standaarddeviatie in de wachttijd toeneemt en daarmee in de doorlooptijd. De bezettingsgraad ρ (rho) wordt bepaald door de som van de bewerkingstijden(bwt) plus de omsteltijden(ot) gedeeld door de beschikbare uren. = + h De doorlooptijd van een order bij een machine is de wachttijd vóór de machine plus de omsteltijd plus bewerkings (productie)tijd op de machine (figuur 6.5). Figuur 6.5 Wachtrij-situatie We zijn dan de het volgende effect. Door de kleinere seriegrootte zal de productietijd van een order dalen, maar doordat er meer wordt omgesteld, zal de bezettingsgraad van de machine toenemen en daardoor ook de wachttijd. Zeker bij hogere bezettingsgraden neemt de wachttijd méér toe dan de productietijd afneemt, waardoor de doorlooptijd (en ook de standaardafwijking in de doorlooptijd) toeneemt. Dit laatste heeft weer een negatief effect op de veiligheidsvoorraad. Het wordt dan ook moeilijk om een optimale seriegrootte te bepalen. We moeten ons ook nog realiseren, dat dit

10 probleem voor elke machine in de routing speelt. Dat betekent dat we in theorie voor élke product-machine combinatie een verschillende seriegrootte krijgen. Een onwerkbare situatie. Een mogelijkheid zou zijn om alleen naar de bottleneck machine te kijken (de machine met de hoogste bezettingsgraad). Dit is de benadering van de OPT-filosofie (Goldratt [1984]), die vond dat men zich moest concentreren op de bottleneck machine. Als we op deze machine een haalbare seriegrootte kunnen bepalen moet dat voor de andere (minder hoog bezette) machines ook haalbaar zijn. Hoewel dat in seriematige productie geen gekke benadering is leverde deze OPT-benadering in praktijk echter nogal wat problemen op (Browne e.a. [1988]). Een van de problemen was dat de volgorde van de orders vóór een machine ná elke geproduceerde order kon wijzigen. Dit had een desastreus effect op het geloof en vertrouwen van de operators in deze aanpak. In job-shop omgevingen is ook deze benadering onwerkbaar, zoals we zullen zien in de volgende paragraaf De Job-shop Situatie IV beschrijft een omgeving met een hoge capaciteitscomplexiteit en een lage materiaalcomplexiteit. De typische vertegenwoordiger van deze productsituatie betreft de job-shop, machinewerkplaats of de reparatiewerkplaats van de NS of KLM. Hier worden vaak producten gemaakt in kleine tot zeer kleine series (soms gewoon enkelstuks). Dat kunnen bijvoorbeeld onderdelen zijn voor een Formule-1 motor of onderdelen voor landingsgestellen voor een F-16 straaljager. Het materiaal hiervoor nodig, is meestal een stuk metaal, dat op een aantal machines verschillende bewerkingen moet ondergaan. De routing van het product loopt over de diverse machines opgesteld in werkplekken, zoals een boorderij, een perserij, een frezerij, etc. Ze kunnen meestal verschillende werkzaamheden verrichten. Job-shop omgevingen worden gekenmerkt door een grote onzekerheid. Routingen zijn vaak per order verschillend. De bewerkingstijden per order zijn variabel en zelfs identieke orders (waarvan er niet veel zijn) kunnen verschillende productietijden hebben. De structuur (als die er al is) wordt weergegeven in figuur 6.4.

11 Figuur 6.4 Job-shop omgeving Daarnaast is in dit soort omgevingen vaak sprake van een wandelende bottleneck, dat wil zeggen, de bottleneck varieert als gevolg van de daadwerkelijke orders. Gevolg hiervan is dat niet mogelijk is om te bepalen wanneer een order aan de beurt is. Het grote probleem in dit soort omgevingen is een capaciteitscoördinatieprobleem. Vragen als; hoe ervoor te zorgen dat de diverse machines niet overbezet raken of hoe te zorgen dat de doorlooptijd onder controle blijft, spelen hier een grote rol. Dit fenomeen is zó dominant dat in dit soort omgevingen de bezettingsgraden moedwillig laag worden gehouden om te voorkomen dat de wachttijden en daarmee de doorlooptijden van een order exploderen. Daarmee wordt het effect van de seriegrootte een stuk kleiner. Opnieuw, niet het onderwerp van dit boekje. We verwijzen opnieuw naar de literatuur op het gebied van de productieplanning. Situatie Projectmatige omgeving Situatie V betreft een omgeving met een grote capaciteitscomplexiteit en een hoge materiaalcomplexiteit. Men kan hierbij denken aan een bouwbedrijf of het bouwen van de eerste Airbus A-380. Hier moeten een groot aantal kleine deelorders worden gecombineerd tot één grote order. Hier heeft men dan ook te maken met grote onzekerheden met betrekking tot capaciteiten en materialen. Ook deze omgeving valt buiten het kader van dit boek. 6.3 Conclusie Het is nog helemaal niet zo eenvoudig om de klassiek EOQ-benadering toe te passen in productie-omgevingen. De belangrijkste reden is dat de klassieke

12 EOQ-benadering kosten-gebaseerd is en daarom goed zal werken in groothandels omgevingen. Dit in tegenstelling tot productie-omgevingen, die capaciteits-georiënteerd zijn. Productie-omgevingen zijn niet zozeer geïnteresseerd in voorraadoptimalisátie maar in doorlooptijd/levertijd beheersing. Daarom kan men bij de bepaling van seriegroottes in productieomgevingen ook beter een capaciteitsbenadering volgen. Misschien moeten we nog eens goed kijken naar de Japanse manier van denken. Zij wisten dat kleinere series in veel omgevingen voordelig zijn. Ze leiden immers tot kortere doorlooptijden, die op hun beurt zorgen voor lagere OHW voorraden, lagere veiligheidsvoorraden, grotere flexibiliteit en een betere reactie naar de markt. En dit was eigenlijk ook impliciet de gedachtegang van de uitvinder van de EOQ, Ford Whitman Harris, die deze benadering gebruikte in een productie omgeving ruim 100 jaar geleden gepubliceerd in zijn artikel in 1913: How many parts to make at once, waarmee de cirkel rond is. 6.4 Literatuur bij hoofdstuk 6 Browne J. J. Harhen, J. Shivnan [1988] Production Management Systems, a CIM perspective Addison Wesley Publishing Company Corbey M. [1995] Logistiek management & management accounting : logistieke flexibiliteit in bedrijfseconomisch perspectief. Proefschrift TBK, TU Eindhoven Durlinger P.P.J. [2015] Productie en Voorraadbeheer. Hoofdstuk 1 Framework Durlinger P.P.J., R.P.H.G. Bemelmans [2018] Productiebesturing in procesmatige omgevingen Harris F.W. [1913] How many parts to make at once Factory, The Magazine of Management 1913

13 Goldratt E.M. The Goal / Het Doel North River Press: New York 1984 Zowel in het Engels als het Nederlands vele herdrukken en e-book McKay K., V. Wiers [2005] Practical Production Control J. Ross Publishing Pound E.S., Bell J.H., M. Spearman [2014] Factory Physics for Managers McGraw Hill Shingo S., Toyota Production Systems- an industrial engineering view Japan Management Association Tokyo 1982