Mejora del proceso de fabricación de electrodos mediante el desarrollo de un modelo de simulación (página 3)

productivo, estará basado en este ítem. Cabe recalcar que enfocarse en este ítem no perj udica el desempeño del resto de El proceso productivo consta de ocho procesos principales, donde se transforman básicamente tres tipos de materia prima: el Alambrón, que es un gran rollo de acero utilizado para formar las varillas del electrodo; los Componentes Químicos en Polvo y, que en conjunto con los Silicatos, que hacen la función de aglutinantes, forman el revestimiento de la varilla para formar el electrodo. Como se puede observar en el Diagrama de Flujo para la Fabricación de Electrodos mostrado anteriormente, los principales procesos que se llevan a cabo son: 1. 1. Trefilación del Alambrón: En este proceso el alambrón entra a una operación de decapado, en la que debido a la fricción contra unos rodillos, se le retira el óxido ferroso para después pasar por una serie de etapas de trefilado hasta obtener un alambre de cierto diámetro requerido. Antes de cada una de estas etapas, el alambre pasa por unas soluciones de jabón lubricante en polvo. Finalmente pasa por una solución de kerex para eliminar el jabón lubricante y poder utilizar el alambre enrollado en una bobina. 2. 2. Corte del alambre trefilado: Para realizar los cortes del alambre trefilado y formar pequeñas varillas, primero este tiene que ser enderezado, ya que este sale enrollado del proceso de trefilado. Al igual que en el proceso de trefilado, en este proceso se suelda la punta del rollo que está por entrar a la cortadora con la punta final del que ya se está terminando de cortar, para poder mantener un proceso continuo. Las varillas cortadas se acumulan y almacenan en unas cajas especiales alimentadoras de la extrusora. .3. Pesaje de Polvos Químicos: Dependiendo de cada tipo de electrodo que se va a realizar se utiliza una receta confidencial .que indica los ingredientes a utilizar con su respectiva proporción. Para esto, con una balanza montada sobre unos rieles, se recorre la bodega de polvos químicos vertiendo sobre un mismo container cada componente y cantidad requerida. 3. 4. Pesaje de Silicatos: Este proceso es realizado de forma automática mediante el uso de una balanza digital y un PLC (Power Line Communication – Comunicación mediante Línea de Energía). Los silicatos fluyen por tuberías a un recipiente y el sensor cierra el flujo en el momento que se alcanzó la cantidad requerida por la receta. 4. 5. Mezcla: Se vierten y amasan en la mezcladora los componentes químicos en polvo, a los que se denomina Mezcla Seca. Luego, se añaden los silicatos y se amasa la mezcla ahora denominada Húmeda.

Así se forma el revestimiento de los electrodos. Finalmente, la masa entra a una prensa de briquetas para formar un tocho, que es la masa compactada en unos moldes. .6. Extrusión: Se vacía una caja de varillas cortadas en la tolva de entrada de la extrusora. En la extrusora las varillas son impulsadas y revestidas de la mezcla producida; al salir, los electrodos pasan por una operación de cepillado para retirar un pedazo de masa del extremo final del mismo y después se lija la punta del extremo inicial para permitir un correcto contacto al .momento de soldar; después se rotula indicado el tipo de electrodo y el lote de producción. Por último, se recogen los electrodos en unas bandejas y se acumulan unas encima de otras formando rumas para un mejor manejo y transporte. 5. 7. Secado: Primero se realiza un presecado, dejando reposar las rumas al aire libre por unas 24 horas, después se completa el secado en un horno a 120ºC por una hora y luego se deja enfriar las rumas dentro del horno, a puertas abiertas, por un tiempo aproximado de una hora y media. 6. 8. Empaque: Antes que un lote de electrodos sea aprobado y empacado, se le realizan pruebas de calidad y funcionalidad en un laboratorio. En el proceso de empaque se pesan electrodos hasta alcanzar el peso indicado para la presentación final; se enfundan y se los coloca en cajas de cartón que después son paletizadas en grupos de cien y embaladas para ser almacenadas en la bodega de producto terminado.

Un mejor detalle de las operaciones que se realizan en cada proceso y las máquinas, recursos y operarios que intervienen en ellas se encuentra en el Diagrama de Proceso de Fabricación de Electrodos que se encuentra en el Apéndice A. Todas estas operaciones son realizadas en unas instalaciones que mantiene un proceso continuo y con un flujo de materiales que puede ser apreciado en el layout de la fábrica. Ver figura 3.3.

3.2. Descripción del Modelo Los datos necesarios para realizar el modelo de simulación del sistema de producción de la fábrica de electrodos se obtuvieron mediante una medición directa de tiempos, durante un tiempo prudencial en el que se podrían observar las diferentes variaciones que ocurren en este; así mismo, se utilizaron diferentes datos históricos que se registran de las máquinas, como las veces que estas se han dañado y el tiempo que se empleó en su reparación. Además, se tomó en cuenta las actividades y hábitos de los trabajadores y las diferentes normas exigidas por los jefes y administradores. La capacidad productiva de la fábrica difiere con respecto al día de la semana; los días hábiles, de lunes a viernes, se trabaja doble turno, el sábado un simple turno y el domingo es de descanso, motivo por el cual se simuló el proceso de forma semanal, aplicando los horarios reales de trabajo diario para cada una de las estaciones, ya que no todas estas estaciones de trabajo tienen una jornada de trabajo con la misma cantidad de horas por turno; esto se logró mediante el uso de la herramienta de ProModel: “Shift Editor”, donde se pueden programar las horas exactas de producción y de descanso, ya que hay que considerar que para cada día de trabajo se tuvo que restar media hora destinada al almuerzo, media hora para la cena, dependiendo de la jornada de trabajo, media hora para la preparación y limpieza de las máquinas al inicio de cada turno y media hora destinada para la limpieza general al finalizar cada turno. En la tabla número 2, se presenta finalmente las horas productivas por jornada de trabajo, dependiendo de cada estación de trabajo. TABLA 2 JORNADAS DE TRABAJO DE LAS ESTACIONES DE LA FÁBRICA El modelo de simulación abarca todos las operaciones desde que inicia el proceso de transformación de las materias primas hasta el proceso de empaque y paletizado del producto final; sin tomar en cuenta las bodegas de materia prima ni producto terminado, por lo que se programó que el sistema nunca se desabastece de materia prima y que arriba directamente a la primera estación de trabajo, según corresponde. Para armar el modelo se crearon diferentes aspectos representativos del sistema real, entre ellos están las entidades que son la representación de los flujos de entrada a un sistema; son los elementos responsables de que el estado del sistema cambie. Como entidades se tiene a la representación de las materias primas, que en este caso son el Alambrón para formar las varillas y los Contenedores de Polvos Químicos para hacer el revestimiento. Durante el modelo de simulación, estas entidades se van procesando, agrupando o transformando, razón por la cual se crean muchas otras entidades que dependen de una original. Incluso, por motivos de programación lógica y para adaptar la realidad al modelo de simulación se crearon ciertas entidades ficticias, que, si bien estas no existen en el sistema real, tampoco perjudican ni alteran las actividades o resultados del modelo. En la Tabla 3, se presenta con mayor detalle las entidades creadas en el modelo de simulación, indicando en la descripción de cada una de ellas lo que representan. TABLA 3 ENTIDADES DEL MODELO DE SIMULACIÓN

Las locaciones creadas en el modelo de simulación son todos aquellos lugares en los que la pieza o entidad puede detenerse para ser transformada o esperar a serlo, como es el caso de las estaciones de trabajo [3]. En este caso, existen locaciones que representan las máquinas de transformación de la materia prima, espacios destinados para acumular o almacenar producto en proceso y también locaciones ficticias necesarias para una correcta programación lógica del sistema real. Las locaciones que se crearon en el modelo de simulación son los siguientes: TABLA 4 LOCACIONES DEL MODELO DE SIMULACIÓN

Los recursos empleados en el modelo de simulación son aquellos dispositivos necesarios para llevar a cabo una operación dentro del sistema, es una herramienta necesaria para realizar un proceso pero que no forma parte de una locación específica, sino que es trasladada de acuerdo con los requerimientos de aquel [3]; en este caso un tecle o un puente grúa utilizado para transportar una entidad o pieza de una locación a otra. La utilización de recursos permite limitar el traslado de entidades de una locación a otra y simular de mejor manera la realidad, como en el caso de las Cortadoras; ya que existen dos de ellas, puede darse el caso que ambas tengan una entidad lista para enviar a la siguiente locación pero como sólo existe un tecle, una de las cortadoras tendrá que esperar mientras la otra es atendida. A continuación se presenta los recursos creados en el modelo de simulación con su respectiva descripción. TABLA 5 RECURSOS DEL MODELO DE SIMULACIÓN

Los arribos, que son llegadas de las entidades al sistema [3], fueron programados para las materias primas. El Alambrón fue programado para arribar a la locación Caballete y el Container fue programado para arribar a la locación Bodega_Polvos, de tal forma que no existe escasez de ellos en el sistema. Como se explicó anteriormente con la herramienta “Shift Editor” se programaron las jornadas diarias de ciertas estaciones de trabajo principales, las cuales fueron asignadas a las respectivas locaciones que las representan en el modelo de simulación. A continuación se presenta en una tabla el horario de trabajo de las locaciones para los días laborales de lunes a sábado: TABLA 6 ASIGNACIÓN DE JORNADAS DIARIAS A LOCACIONES Una vez creadas entidades, locaciones, recursos, arribos y la asignación de turnos y horarios de trabajo, se inicia la programación lógica del modelo en la que se representan las operaciones del sistema, donde se aplican con diferentes atributos y variables. El atributo representa una característica cualquiera de una entidad. Sirven para diferenciar entidades sin necesidad de generar una entidad nueva y pueden adjudicarse al momento de la creación de la entidad, o asignarse y/o cambiarse durante el proceso [3]. El principal atributo que se utiliza en este modelo es el tipo de ruma que forma o formará una cierta entidad. Existen rumas con una capacidad de apilamiento de 3 hileras de 30 bandejas, es decir, una ruma con 90 bandejas de electrodos; y otra ruma con una capacidad para apilar 3 hileras de 40 bandejas, es decir, una ruma de 120 bandejas de electrodos. Por lo tanto, durante el proceso, a las entidades se les asigna un atributo que toma valores de 90 o 120 para identificarla, dependiendo el caso. Por cuestiones de programación cuando se agrupan ciertas entidades para formar una nueva entidad, esta última pierde las características de sus predecesores. Por lo que, para asignarle el mismo atributo a la nueva entidad se tuvo que crear un nuevo atributo que cumple las mismas funciones que el explicado anteriormente. En la tabla que se presenta a continuación, se detallan estos dos atributos creados, en adición de un atributo que aplicado en conjunto con el comando “clock()” permite calcular el tiempo de ciclo de una operación específica. TABLA 7 ATRIBUTOS DEL MODELO DE SIMULACIÓN NOMBRE TIPO DESCRIPCIÓN

Las variables presentes en el modelo de simulación, son condiciones cuyos valores se crean y se modifican por medio de ecuaciones matemáticas y relaciones lógicas [3]. Aplicados frecuentemente para realizar conteos de ciertas entidades específicas; así como, lograr ciertas operaciones que permiten calcular el tiempo de formación de una ruma, restringir el paso de entidades hacia una locación específica, trabajar en conjunto con los atributos para traspasar la característica de una entidad vieja a una recién creada, entre otras. El uso de estas variables se presenta de forma más específica en la siguiente tabla: TABLA 8 VARIABLES DEL MODELO DE SIMULACIÓN

Contabiliza la cantidad de hileras con Contabilizar la formación de hileras, rumas, cajas, pallets y tochos. CONTH90

CONTH120

CONT_RUMA90

CONT_RUMA120

CONT_CAJA

CONT_CAJA1

CONT_CAJA2

CONT_CAJA3

CONT_CAJA4

CONT_PALLET Entero

Entero

Entero

Entero

Entero

Entero

Entero

Entero

Entero

Entero atributo 90 procesadas en la extrusora. Al llegar a cuatro se resetea. Contabiliza la cantidad de hileras con atributo 120 procesadas en la extrusora. Al llegar a tres se resetea. Contabiliza la cantidad de rumas formadas, con atributo 90. Contabiliza la cantidad de rumas formadas, con atributo 120. Contabiliza la cantidad de cajas producidas por todas las estaciones de empaque. Contabiliza la cantidad de cajas producidas por la estación de empaque #1. Contabiliza la cantidad de cajas producidas por la estación de empaque #2. Contabiliza la cantidad de cajas producidas por la estación de empaque #3. Contabiliza la cantidad de cajas producidas por la estación de empaque #4. Contabiliza la cantidad de pallets producidos por todas las estaciones de empaque.

Contabiliza la

CONT_PALLET1

CONT_PALLET2

CONT_PALLET3

CONT_PALLET4

CONT_7TOCHOS

CONT_7TOCHOS_USADOS Entero

Entero

Entero

Entero

Entero

Entero

cantidad de pallets producidos por la estación de empaque #1. Contabiliza la cantidad de pallets producidos por la estación de empaque #2. Contabiliza la cantidad de pallets producidos por la estación de empaque #3. Contabiliza la cantidad de pallets producidos por la estación de empaque #4. Contabiliza la canttidad de grupos de 7 tochos que se han producido. Contabiliza la canttidad de grupos de 7 tochos que se han utilizado.

Para mayor información y un mejor entendimiento de la programación del modelo de simulación de esta fábrica de electrodos, se puede consultar el Apéndice B donde se encuentra la programación escrita en el lenguaje y formato empleado por ProModel.

CAPÍTULO 4

4. APLICACIÓN DE DISEÑO DE EXPERIMENTOS El principal problema y así mismo, lo más importante del diseño de experimentos, es la obtención de los datos. Si los datos empleados son incorrectos, los resultados del diseño serán incorrectos y no habrá servido de nada los recursos empleados ni el análisis realizado. La obtención tradicional de datos, variando los factores de interés en diferentes niveles dentro del sistema real y esperando los resultados, presenta varios inconvenientes. Uno de los principales está en que es inevitable interrumpir las actividades normales de la empresa para poder realizar las variaciones necesarias de las condiciones del experimento. Mientras mayor es la cantidad de factores o niveles que se desean investigar, mayor es la cantidad de experimentos a realizar; sólo para desarrollar un estudio de 5 factores a 2 niveles, sin tomar en cuenta la realización de réplicas, se deben realizar 32 experimentos; por lo tanto se

aplican diseños experimentales menos precisos y rigurosos, ya que se realizan arreglos para poder hacer una menor cantidad de pruebas. Aún así, la realización de experimentos implica la inversión de recursos y una gran influencia en los costos de la empresa por un tiempo considerablemente prolongado hasta la finalización de los experimentos. Además, esto significa que los experimentos están limitados a los recursos y capacidades de la empresa; es decir, sería muy complicado realizar experimentos de un sistema aumentado la cantidad de máquinas u operarios, o cambiando un equipo por uno más moderno y automatizado. Todos estos inconvenientes logran superarse con la aplicación de técnicas de simulación. En lugar de realizar variaciones al sistema de producción real, se realiza un modelo de simulación validado que representa de forma confiable y precisa a las operaciones que se llevan a cabo en la empresa. Esto permite que se realicen cualquier tipo de variaciones, pruebas y experimentos sin necesidad de incurrir en grandes costos ni recursos de la empresa, no se interrumpen sus actividades normales de producción, toma poco tiempo y pueden variarse sin problema los factores de capacidad de los equipos o recursos de la empresa; por lo que pueden ser probados una mayor cantidad factores, inclusive con la posibilidad de replicar los resultados para obtener un mejor análisis estadístico. Para aplicar el modelo de simulación validado de la fábrica de electrodos para soldar como campo experimental y fuente de datos, se tuvieron que realizar ciertos ajustes que permitirían variar los factores de interés dentro de los niveles escogidos. Entre estos ajustes está la creación de un recurso, macros, escenarios y lógicas de programación; los cuales serán explicados más adelante, en la sección 4.3 según corresponda cada factor. El principal cambio realizado, fue el tipo de rumas, puesto que la gerencia de la fábrica cambiará todas sus rumas a una capacidad de 120 bandejas, por lo que ya no se utilizarán los atributos y ciertas locaciones especializadas para diferenciar y manejar los dos tipos de rumas diferentes. Para un mayor entendimiento, de las variaciones realizadas, se puede revisar el Apéndice C, en el que se encuentra el código fuente del modelo de simulación del sistema para la realización de experimentos. 4.1. Descripción del Problema La fábrica de electrodos no tiene la cultura de registrar datos de desempeño de la línea de producción, como son el tiempo de ciclo, el producto en proceso ni el througput (TH) o tasa de producción. Además, no se ha realizado un correcto estudio de la capacidad de de las estaciones de trabajo que intervienen en el sistema, ya que la gerencia suele tomar decisiones correctivas a ciertos síntomas de falta de abastecimiento que se presentaron en algún momento, sin un correcto estudio de las causas reales de ese problema. Esto ha provocado que la gerencia necesite conocer las correctas capacidades de ciertas estaciones de trabajo que permita maximizar la tasa de producción y por ende, disminuir su tiempo de ciclo. 4.2. Selección de la Variable de Respuesta El cálculo del tiempo de ciclo es un poco complicado en este sistema de producción, ya que se manejan entidades o productos que cambian de unidades varias veces durante el proceso. De un alambrón después de ser trefilado, salen seis rollos; dos de ellos se utilizan para crear una caja de varillas y de una caja se puede realizar una ruma de 120 bandejas de electrodos, que para entrar al horno de presecado tiene que esperar siete rumas más y finalmente de una sola ruma se obtienen 20 cajas empacadas para después formar un pallet de 100 cajas de producto final. Esto hace que sea muy complicado conocer el tiempo de ciclo de un solo electrodo o de una ruma. Se ha escogido como variable de respuesta el throughput de las cajas empacadas en una unidad de tiempo de una semana, con el fin de encontrar el escenario que logre maximizarlo. Además por la ley de Little se conoce que si se aumenta el throughput de una línea de producción, manteniendo un nivel de WIP constante, el tiempo de ciclo disminuye. Los valores que representan a la variable de respuesta seleccionada son tomados de la columna de Total Exits de la variable creada “CONT_CAJA” que se obtiene en la hoja de resultados de ProModel al finalizar la corrida del modelo. 4.3. Selección de Factores y Niveles La selección de factores se la realizó consultando los intereses de la gerencia y los conocimientos de los operarios ya que son quienes mejor conocen la línea de producción y tienen una mejor idea de las mejoras que pueden ser aplicadas para obtener los resultados deseados, además de conocer las limitaciones que existen por falta de espacio, recursos, conocimiento, entre otros; que impidan el manejo de los factores a diferentes niveles. Después de algunas conversaciones, tomando en cuenta lo que a la gerencia le interesa conocer y sabiendo las situaciones que realmente pueden ser modificadas y que se consideran influyentes a la variable de respuesta, se escogieron los siguientes factores: ? Número de Cortadoras: En la actualidad

existen dos cortadoras que trabajan en paralelo, estás se encuentran después de la trefiladora para cortar el rollo trefilado en varillas que serán el cuerpo del electrodo. Sobre la cantidad de cortadoras existentes en la planta existen dos opiniones, hay quienes dicen que la línea de producción trabajaría de igual manera con una sola máquina y hay quienes dicen que la producción mejoraría con una tercera cortadora, y que existe la posibilidad de adquirir una nueva cortadora de ser necesario, se ha decidido probar estas dos situaciones establecidas. Como nivel bajo se probaría este factor con una sola cortadora y con tres cortadoras en el nivel alto. Para poder modelar este factor se creó una macro llamada “NUM_CORTADORAS” y un ruteo en la lógica del proceso. Nivel Bajo: 1 Cortadora Nivel Alto: 3 Cortadoras ? Velocidad de Cambio: Este factor mide el tiempo que toma realizar un cambio de utillajes en la cortadora, como son las cuchillas que se gastan al cortar las varillas. Actualmente, este tiempo se distribuye como una Gamma con una media de 12,668 minutos el cuál se ha establecido como el nivel alto de este factor. Mediante un estudio de TPM previamente realizado, se puede reducir este tiempo de espera a la mitad y establecer como nivel bajo de este factor un tiempo de cambio de utillajes de 6.334 minutos. A este factor le corresponde una macro llamada “VELOCIDAD_CAMBIO” que reemplaza el valor de escala de la distribución Gamma que representa al tiempo empleado para el cambio de utillajes. Nivel Bajo: 6.334 minutos Nivel Alto: 12.668 minutos ? Capacidad de la Tochera: La máquina tochera es la que se encarga de compactar la masa de sustancias químicas que sale de la mezcladora para formar un bloque de forma cilíndrica para que encaje dentro de la extrusora. El consumo de la extrusora es de siete tochos por cada parada; pero suele darse el caso que estos se consumen mucho más rápido de lo que se demora en producirlos. Esto ha provocado la inquietud de pensar en la opción de duplicar la capacidad de la tochera ya que la gerencia dice que la extrusora no debería dejar de trabajar en ningún momento; por esta razón se plateó especificar como nivel bajo de prueba una tochera con capacidad de un solo tocho y como nivel alto de prueba para este factor, se estableció una capacidad de dos tochos. Para este factor se creó una macro llamada “CAP_TOCHERA” que reemplaza el valor de la capacidad asignada a la locación al momento de crearla. Nivel Bajo: 1 tocho Nivel Alto: 2 tochos ? Número de Rumas: Las rumas se producen después que los electrodos son formados al recubrir las varillas con la masa de químicos producida; los electrodos se recogen en bandejas y estas se las apilan en rumas de tres hileras. Ya que se desea estandarizar las rumas con una capacidad de 120 bandejas de electrodos, la decisión queda en conocer cuantas estructuras para rumas son realmente necesarias. Actualmente existen 100 estructuras para rumas, pero para poder notar si existe alguna influencia al usar más o menos estructuras se decidió establecer niveles con una variación de 20 rumas; es decir, un nivel bajo de 80 estructuras y un nivel alto de 120 estructuras para rumas. Este factor se modeló creando un recurso llamado “PLATAFORMA” y una macro llamada “NUM_RUMAS” que reemplaza el valor de unidades del recurso. Nivel Bajo: 80 rumas Nivel Alto: 120 rumas ? Número de Empacadoras: Las empacadoras son las estaciones donde se recibe las rumas de electrodos completamente secadas, para que estas sean pesadas y empacadas en las cajas que son la presentación final del producto para su comercialización. A pesar que está establecido que cuatro estaciones trabajen en empaque, actualmente por problemas de salud se ha trabajado sólo con tres estaciones y se está considerando la posibilidad de mantener este número de estaciones, a pesar que anteriormente se había pensado en aumentar la capacidad a cinco estaciones de trabajo, por lo que se quiere conocer la influencia de utilizar tres estaciones, como el nivel bajo; contra el uso de cinco estaciones de empaque, que sería el nivel alto de este factor. Para este factor se creó una macro llamada “NUM_EMPACADORAS” y se modeló un ruteo en la lógica del proceso. Nivel Bajo: 3 Estaciones de Empaque Nivel Alto: 5 Estaciones de Empaque

4.4. Selección del Diseño Experimental Existen cinco factores que han sido escogidos para la realización de los experimentos y observar el impacto que tienen sobre la variable respuesta, por lo tanto, es necesario realizar un Diseño Factorial, ya que estos son los más eficientes para estudiar los efectos producidos por dos o más factores. Por diseño factorial se entiende aquel en el que se investigan todas las posibles combinaciones de los niveles de los factores en cada ensayo completo o réplica del experimento. El efecto de un factor se define como el cambio en la respuesta, producido por un cambio en el nivel del factor. Los diseños factoriales tienen como dificultad que a medida que se aumenta el número de factores, aumenta sensiblemente el número de experimentos elementales que es necesario realizar, y en consecuencia, el aumento del costo del experimento. Si se tienen por ejemplo un modelo de 3 factores con 3, 4 y 5 niveles respectivamente, este modelo se representa como un Diseño Factorial “3x4x5”, indicando así por una parte el número de factores y sus niveles, y por otra parte, que son necesarios 60 experimentos elementales. Si se replica el mismo experimento tres veces, se necesitaría realizar 180 experimentos. Este tipo de diseños se hace impracticable a partir de un momento dado, por llevar los costos a niveles inaccesibles. Además, con mucha frecuencia, sólo una parte de factores son activos, o sea, tienen una influencia realmente significativa sobre la variable respuesta, mientras que los demás son factores inertes. Para reducir el número de observaciones se requiere tomar algunas medidas como eliminar factores, disminuir niveles o no tomar observaciones en todas las combinaciones posibles. Esto puede lograrse a k partir de la aplicación de Diseños Factoriales a 2 Niveles, también conocidos como diseños 2 , donde k es el número de factores a estudiar. En la industria, los diseños más utilizados, con una gran diferencia sobre los demás, son los diseños k factoriales a 2 niveles; es decir, diseños del tipo 2 . En este caso los valores correspondientes a los dos niveles se codifican, asignando al nivel bajo el valor 1 y al alto +1. Si el factor fuese cualitativo, a un nivel seleccionado arbitrariamente se le asigna 1 y al otro +1. k La gran difusión industrial de los Diseños 2 y la razón por la cuál será utilizado en este estudio se basa en los siguientes motivos: ? Proporcionan una excelente relación entre el esfuerzo experimental y la información obtenida. ? Son sencillos de construir, realizar e interpretar. ? Son fáciles de combinar entre ellos para obtener diseños más complejos. ? Existen programas informáticos que han desarrollado excelentes herramientas destinadas para el análisis completo de los Diseños Factoriales a 2 Niveles, facilitando el manejo de los datos y la interpretación de los resultados. Ya que todos los datos y resultados se los obtiene del modelo de simulación, no existe un mayor esfuerzo experimental ni costos elevados por la realización de los mismos, por lo tanto, la cantidad de experimentos a realizar no es un verdadero problema como sería si se los tendría que ejecutar físicamente en la fábrica de electrodos, por lo que es posible darse el lujo de replicar los experimentos. Como son 5 los factores en 5 estudio, cada uno a dos niveles, se tiene un Diseño 2 , que equivale a 32 experimentos elementales, y se ha determinado realizar tres réplicas para cada experimento, obteniendo así un equivalente de 96 experimentos a realizar. 5 Por lo tanto, para este estudio, el modelo estadístico lineal, del Diseño 2 con tres réplicas, se presenta a continuación: Yijklmn= µ + Ai+ Bj+ Ck+ Dl+ Em+ (AB)ij+ (AC)ik+ (AD)il+ (AE)im + (BC)jk + (BD)jl + (BE)jm + (CD)kl + (CE)km + (DE)lm + (ABC)ijk + (ABD)ijl + (ABE)ijm + (ACD)ikl + (ACE)ikm + (ADE)ilm + (BCD)jkl + (BCE)jkm + (BDE)jlm + (CDE)klm + (ABCD)ijkl + (ABCE)ijkm + (ABDE)ijlm + (ACDE)iklm + (BCDE)jklm + (ABCDE)ijklm + eijklmn Donde µ es un parámetro común a todos los tratamientos, denominado media global; A, B, C, D, E son los diferentes parámetros escogidos denominados efectos; i, j, k, l, m son los niveles respectivos de cada parámetro, llamados tratamientos del experimento, n es el número de réplicas y eijklmn es la componente aleatoria del error. Los niveles de los parámetros y el número de réplicas se encuentra definido por: i= 1, 2 j= 1, 2 k = 1, 2 l= 1, 2 m = 1, 2 n = 1, 2, 3 creados con sus respectivos parámetros modificados se presentan en la tabla siguiente.

A pesar que uno de los requisitos del diseño de experimentos, así como de cualquier otro método estadístico, es la aleatorización, en este caso de los experimentos, ya que ayuda a evitar el error de los resultados eliminando los efectos de factores extraños que no son parte del experimento; en este caso, eso no presenta mayor problema, ya que en el modelo de simulación se asegura que no influye ningún otro parámetro o factor más que los previamente diseñados y determinados en cada escenario, además cada réplica del experimento se genera utilizando diferentes semillas generadoras de números aleatorios, lo que permite tener una incertidumbre igual a la realidad y una independencia entre los resultados obtenidos de un mismo escenario, manteniendo los experimentos en el orden establecido. El modelo empleado para la experimentación tiene los mismos requerimientos de recursos, variables y secuencia lógica que el original, así como los mismos turnos de trabajo de cada máquina, paras programadas y no programadas y un mismo nivel de warmup que los establecidos en el capítulo anterior. Por lo que simplemente se deben correr los escenarios establecidos, obteniendo así tres valores de throughput de cajas empacadas producidas en una semana, las cuales se presentan en la tabla posterior.

4.6. Análisis Estadístico Con ayuda del software Minitab 14 se calcularon las estimaciones de cada efecto, las cuales se presentan a continuación.

Como ayuda para visualizar de mejor manera los resultados y poder tomar decisiones correctas sobre cuales son los efectos activos en el experimento, se utilizó el Diagrama de Pareto de Efectos Los Estandarizados.

resultados obtenidos al admitir todos los posibles efectos del experimento, produjo la siguiente información.

Según este gráfico se puede notar claramente la influencia que tiene el factor A, Número de Cortadoras, sobre la variable respuesta. Además que existen varios efectos que no influyen de ninguna forma; entre estos, un efecto principal, el factor D, Número de Rumas. Para tomar decisiones con mayor certeza, se analiza la tabla de efectos estimados, con su respectivo valor p; y como el valor a determinado para este estudio es de 0,05, para todo efecto cuyo valor p sea mayor a este, se considera no significativo en los resultados del experimento. Estimated Effects and Coefficients for TH (coded units) TABLA 20 VALORES P DE EFECTOS SELECCIONADOS #1 Term Effect Coef SE Coef T P Constant A B C D E A*B A*C A*D A*E B*C B*D B*E C*D C*E D*E A*B*C A*B*D A*B*E A*C*D A*C*E A*D*E B*C*D B*C*E 826,67 68,33 20,00 0,00 46,67 15,00 6,67 0,00 56,67 35,00 0,00 11,67 0,00 10,00 0,00 15,00 0,00 28,33 0,00 20,00 0,00 0,00 48,33 1370,00 413,33 34,17 10,00 0,00 23,33 7,50 3,33 0,00 28,33 17,50 0,00 5,83 0,00 5,00 0,00 7,50 0,00 14,17 0,00 10,00 0,00 0,00 24,17 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 98,38 29,68 2,45 0,72 0,00 1,68 0,54 0,24 0,00 2,03 1,26 0,00 0,42 0,00 0,36 0,00 0,54 0,00 1,02 0,00 0,72 0,00 0,00 1,74 0,000 0,000 0,017 0,475 1,000 0,099 0,592 0,812 1,000 0,046 0,213 1,000 0,677 1,000 0,721 1,000 0,592 1,000 0,313 1,000 0,475 1,000 1,000 0,087

B*D*E C*D*E A*B*C*D A*B*C*E A*B*D*E A*C*D*E B*C*D*E A*B*C*D*E 0,00 0,00 0,00 65,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 32,50 0,00 0,00 0,00 0,00 13,93 13,93 13,93 13,93 13,93 13,93 13,93 13,93 0,00 0,00 0,00 2,33 0,00 0,00 0,00 0,00 1,000 1,000 1,000 0,023 1,000 1,000 1,000 1,000 S = 136,443 RSq = 93,41% RSq(adj) = 90,22% Considerando sólo las interacciones de 5, 4 y 3 factores, que de por sí, son interacciones en las que existe una probabilidad muy ligera de que realmente ocurran e influyan en los resultados, como se puede notar analizando la Tabla 20, sus valores P son muy superiores al valor a determinado, llegando muchas veces a uno, es decir, no son efectos influyentes en este experimento por lo que serán descartados para el siguiente análisis, a excepción de una interacción de cuatro factores ABCE, “Número de Cortadoras, Velocidad de Cambio, Capacidad Tochera y Número de Empacadoras” que parece ser un efecto influyente en los resultados. Estimated Effects and Coefficients for TH (coded units) TABLA 21 VALORES P DE EFECTOS SELECCIONADOS #2 Term Effect Coef SE Coef T P Constant A B C D E A*B A*C A*D A*E B*C B*D B*E C*D 826,67 68,33 20,00 0,00 46,67 15,00 6,67 0,00 56,67 35,00 0,00 11,67 0,00 1370,00 413,33 34,17 10,00 0,00 23,33 7,50 3,33 0,00 28,33 17,50 0,00 5,83 0,00 13,00 13,00 13,00 13,00 13,00 13,00 13,00 13,00 13,00 13,00 13,00 13,00 13,00 13,00 105,38 31,79 2,63 0,77 0,00 1,79 0,58 0,26 0,00 2,18 1,35 0,00 0,45 0,00 0,000 0,000 0,010 0,444 1,000 0,077 0,566 0,798 1,000 0,032 0,182 1,000 0,655 1,000

C*E D*E A*B*C*E 10,00 0,00 65,00 5,00 0,00 32,50 13,00 13,00 13,00 0,38 0,00 2,50 0,702 1,000 0,014 S = 127,379 RSq = 92,91% RSq(adj) = 91,47% Observando el Gráfico 4.2 y la Tabla 21, se procede a analizar los efectos de dos interacciones, de los cuales sólo se puede considerar significativo al efecto AE, “Número de Cortadoras y Número de Empacadoras”, el resto tiene un valor P por encima de 0,05 que es el valor de a empleado en este estudio, por lo que serán eliminados para el siguiente análisis. Los resultados obtenidos al eliminar los efectos no influyentes de las interacciones de dos se obtuvieron los resultados que se presentan en la gráfica y tabla que se encuentra a continuación. TABLA 22 VALORES P DE EFECTOS SELECCIONADOS #3 Estimated Effects and Coefficients for TH (coded units) Term Effect Coef SE Coef T P Constant A B C D E A*E A*B*C*E 826,67 68,33 20,00 0,00 46,67 56,67 65,00 1370,00 413,33 34,17 10,00 0,00 23,33 28,33 32,50 12,52 12,52 12,52 12,52 12,52 12,52 12,52 12,52 109,46 33,02 2,73 0,80 0,00 1,86 2,26 2,60 0,000 0,000 0,008 0,426 1,000 0,066 0,026 0,011 S = 122,629 RSq = 92,68% RSq(adj) = 92,10% En este caso los factores principales inertes o no influyentes en la variable respuesta son C, D y E; “Capacidad Tochera”, “Número de Rumas” y “Número de Empacadoras”, respectivamente. De estos factores, C y E, a pesar de no influir por sí solos a la variable respuesta, en conjunto con los efectos principales activos A y B, “Número de Cortadoras” y “Velocidad de Cambio”, respectivamente, si influyen a la variable respuesta, a través de la interacción ABCE; por lo que no podrían ser eliminados. Esto no ocurre con el factor principal D, ya que no influye por sí mismo ni mediante una interacción con otros factores, por lo que puede ser eliminado del análisis obteniendo así los siguientes resultados finales.

TABLA 23 VALORES P DE EFECTOS SELECCIONADOS #4 Estimated Effects and Coefficients for TH (coded units) Term Effect Coef SE Coef T P Constant A B C E A*E A*B*C*E 826,67 68,33 20,00 46,67 56,67 65,00 1370,00 413,33 34,17 10,00 23,33 28,33 32,50 12,45 12,45 12,45 12,45 12,45 12,45 12,45 110,08 33,21 2,75 0,80 1,87 2,28 2,61 0,000 0,000 0,007 0,424 0,064 0,025 0,011 S = 121,938 RSq = 92,68% RSq(adj) = 92,19% Una vez determinados los factores activos y los efectos influyentes en la variable respuesta, se deben definir los niveles de cada uno de los factores. A pesar que A y B son factores activos, existe una efecto de cuatros factores influyente que contiene a estos dos factores y una interacción de dos factores que contiene al factor activo A; por lo que para elegir los mejores niveles no se puede escoger según lo que cada factor influye individualmente sobre el TH de cajas empacadas semanalmente, sino hay que escoger los niveles según la mejor influencia que tenga la interacción sobre la variable de respuesta. En este caso hay que analizar las medias de los efectos de la interacción ABCE, para escoger el mayor valor entre ellos, ya que lo que se desea es maximizar la variable respuesta. Los datos necesarios para este análisis se encuentran en la Tabla 24 de Medias de los Efectos Seleccionados #1. TABLA 24 MEDIAS DE EFECTOS SELECCIONADOS #1 Least Squares Means for TH Mean SE Mean A 1 956,7 17,60 1 1783,3 17,60 B 1 1404,2 17,60 1 1335,8 17,60 C 1 1380,0 17,60 1 1360,0 17,60 E 1 1346,7 17,60 1 1393,3 17,60 A*E 1 1 961,7 24,89 1 1 1731,7 24,89 1 1 951,7 24,89 1 1 1835,0 24,89 A*B*C*E 1 1 1 1 973,3 32,93 1 1 1 1 1808,3 32,93 1 1 1 1 970,0 32,93 1 1 1 1 1675,0 32,93 1 1 1 1 1018,3 32,93 1 1 1 1 1723,3 32,93 1 1 1 1 885,0 32,93 1 1 1 1 1720,0 32,93 1 1 1 1 1028,3 32,93 1 1 1 1 1846,7 32,93 1 1 1 1 895,0 32,93 1 1 1 1 1843,3 32,93 1 1 1 1 943,3 32,93 1 1 1 1 1891,7 32,93 1 1 1 1 940,0 32,93 1 1 1 1 1758,3 32,93 Partiendo de las medias obtenidas del efecto ABCE, se puede observar que el mayor TH se obtiene cuando el Factor A se encuentra en su nivel superior, 3 cortadoras, el Factor B se encuentra en su nivel inferior, una media de cambio de utillajes de 6.334 minutos, el Factor C en su nivel superior, una tochera con capacidad para dos tochos y el factor E en su nivel superior, 5 empacadoras; obteniendo así una media de 1891,7 cajas empacadas por semana. De igual manera el

factor A cuando interactúa con E, presenta un mayor desempeño cuando ambos están en sus niveles superiores, como se definió anteriormente. Y el factor D, en este caso puede ser cualquier valor de los dos niveles escogidos ya que no influye en los resultados; o se puede tomar otra factor de decisión como el costo, ya que es preferible mantener 80 plataformas para armar las rumas que 120 de ellas, se puede escoger sin problema el nivel inferior para este factor, obteniendo así los resultados que se presentan en la siguiente tabla. TABLA 25 NIVELES QUE MAXIMIZAN EL TH DE CAJAS EMPACADAS #1 Al estudiar estos resultados podemos notar caramente que es mucho más conveniente tener, por ejemplo, tres cortadoras en lugar de una o cinco estaciones de empaque en lugar de tres, pero no se ha podido comprobar si es necesario tener precisamente tres cortadoras, o sólo con dos de ellas se lograría un desempeño similar; al igual que con las estaciones de empaque, es probable que manteniendo sólo cuatro estaciones consiga un desempeño igual o inclusive mejor que si utilizo cinco estaciones de empaque. Debido a que los experimentos son realizados en un modelo de simulación, podemos aprovechar la ventaja que realizar los experimentos no representa un costo significativo, ni una utilización de tiempo ni recursos considerable, por lo que es posible realizar un nuevo experimento probando los niveles que no han sido tomados en cuenta. Además, esto es una solución factible ya que los niveles de estos factores en cuestión no se encuentran tan espaciados entre sí, por lo que no existe gran dificultad por incertidumbre al escoger que otros niveles probar. Para los factores B y C, “Velocidad de Cambio” y “Capacidad Tochera” respectivamente, sólo existen los dos niveles previamente establecidos; el factor D, “Número de Rumas” además de que posee niveles bastante espaciados entre sí y por ende varias posibilidades que serían difícilmente analizadas con un diseño de experimentos, este es un factor no influyente. Pero del factor A, “Número de Cortadoras”, se encontró como mejor nivel el utilizar tres cortadoras; ya que los recursos no permiten utilizar cuatro cortadoras, queda la incertidumbre de probar el desempeño de la línea con dos cortadoras. Así mismo, el factor E, “Número de Empacadoras”, ya que el nivel resultante fue de cinco estaciones en lugar de tres, no es necesario probar con una o dos estaciones de trabajo pero sí sería necesario probar con cuatro estaciones de empaque. Por esta razón, se realizaron nuevos experimentos empleando la misma variable respuesta y los mismos factores, pero modificando los niveles de algunos de ellos. En este experimento se probará el factor Número de Cortadoras (A) con un nivel bajo de 2 cortadoras y un nivel alto de 3 cortadoras, el factor Velocidad de Cambio (B) con un nivel bajo de 6.334 minutos y un nivel alto de 12.668 minutos por cambio de utillajes, el factor Capacidad Tochera (C) con un nivel bajo de uno y un nivel alto de dos tochos, el factor Número de Rumas (D) con un nivel bajo de 80 plataformas y un nivel alto de 120 plataformas para rumas, y por último el factor Número de Empacadoras (E)·con un nivel bajo de cuatros estaciones y un nivel alto de cinco estaciones de trabajo. Al realizar los experimentos bajo estas condiciones y replicando cada uno de ellos tres veces, se obtuvieron los resultados que se muestran en la Tabla 26.

Con estos resultados se realizó el análisis de Diseño Experimental, similar al realizado anteriormente ya que 5 es igualmente un Diseño 2 y se obtuvieron las siguientes estimaciones de los efectos.

Si se compara las estimaciones de la media de estos experimentos, con la media de los resultados experimentales del Diseño anterior, que se encuentra en la Tabla 19, Estimaciones de Efectos #1, se

puede notar claramente que en este diseño se obtuvo una media más elevada de la variable respuesta, por lo que podría suceder que aquí se encuentre una solución aún mejor que el caso pasado. Para comprobarlo se realiza el análisis del Diagrama de Pareto de Efectos Estandarizados y los Valores P de los efectos seleccionados. Se puede observar claramente que existen una gran cantidad de efectos que no influyen en la variable de respuesta, lo cual será analizado de mejor manera con los datos de la tabla que se expone a continuación. Estimated Effects and Coefficients for TH2 (coded units) TABLA 28 VALORES P DE EFECTOS SELECCIONADOS #5 Term Effect Coef SE Coef T P Constant A B C 5,00 105,00 13,33 1814,17 2,50 52,50 6,67 13,35 13,35 13,35 13,35 135,86 0,19 3,93 0,50 0,000 0,852 0,000 0,619

D E A*B A*C A*D A*E B*C B*D B*E C*D C*E D*E A*B*C A*B*D A*B*E A*C*D A*C*E A*D*E B*C*D B*C*E B*D*E C*D*E A*B*C*D A*B*C*E A*B*D*E A*C*D*E B*C*D*E A*B*C*D*E 0,00 43,33 18,33 30,00 0,00 80,00 36,67 0,00 6,67 0,00 45,00 0,00 46,67 0,00 50,00 0,00 15,00 0,00 0,00 58,33 0,00 0,00 0,00 15,00 0,00 0,00 0,00 0,00 0,00 21,67 9,17 15,00 0,00 40,00 18,33 0,00 3,33 0,00 22,50 0,00 23,33 0,00 25,00 0,00 7,50 0,00 0,00 29,17 0,00 0,00 0,00 7,50 0,00 0,00 0,00 0,00 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 13,35 0,00 1,62 0,69 1,12 0,00 3,00 1,37 0,00 0,25 0,00 1,69 0,00 1,75 0,00 1,87 0,00 0,56 0,00 0,00 2,18 0,00 0,00 0,00 0,56 0,00 0,00 0,00 0,00 1,000 0,110 0,495 0,265 1,000 0,004 0,175 1,000 0,804 1,000 0,097 1,000 0,085 1,000 0,066 1,000 0,576 1,000 1,000 0,033 1,000 1,000 1,000 0,576 1,000 1,000 1,000 1,000 S = 130,831 RSq = 41,73% RSq(adj) = 13,50% Todos los efectos que tienen un valor P mayor al valor de a determinado, será eliminado del experimento, primero se eliminan los efectos de 5 factores, después los de 4 y así sucesivamente hasta llegar a los factores principales; ya que este procedimiento es similar al realizado anteriormente, se presentarán los resultados finalmente obtenidos. TABLA 29 VALORES P DE EFECTOS SELECCIONADOS #6 Estimated Effects and Coefficients for TH2 (coded units)

Term Effect Constant A 5,00 B 105,00 C 13,33 E 43,33 A*E 80,00 A*B*E 50,00 B*C*E 58,33

Coef SE Coef T P 1814,17 12,26 147,95 0,000 2,50 12,26 0,20 0,839 52,50 12,26 4,28 0,000 6,67 12,26 – 0,54 0,588 21,67 12,26 1,77 0,081 40,00 12,26 3,26 0,002 25,00 12,26 2,04 0,044 29,17 12,26 2,38 0,020 S = 120,139 RSq = 32,44% RSq(adj) = 27,06% A pesar que los factores A, C y E no son influyentes por si mismo, estos son influyentes cuando interactúan entre sí y en conjunto con el factor activo B, por lo que no pueden ser eliminados. Least Squares Means for TH2 SE Mean TABLA 30 MEDIAS DE EFECTOS SELECCIONADOS #2 Mean A 1 1 B 1 1 C 1 1 E 1 1 A*E 1 1 1 1 1 1 1 1 1812 1817

1867 1762

1821 1808

1836 1793

1873 1798 1750 1835 17,34 17,34

17,34 17,34

17,34 17,34

17,34 17,34

24,52 24,52 24,52 24,52 A*B*E 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1901 1876 1846 1721 1828 1863 1673 1808 30,03 30,03 30,03 30,03 30,03 30,03 30,03 30,03 B*C*E 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1924 1761 1853 1806 1823 1776 1868 1704 27,42 27,42 27,42 27,42 27,42 27,42 27,42 27,42 Ya que existen interacciones de tres y dos factores influyentes a la variable respuesta, se debe analizar las mejores combinaciones de estos y no individualmente el nivel de cada factor. Observando la Tabla 30, Medias de Efectos Seleccionados #2, se puede notar que el máximo TH de cajas empacadas para el efecto

BCE es cuando todos sus niveles son bajos, así mismo ocurre con el efecto ABE y AE, en los que se encuentra un mejor desempeño cuando todos sus factores está a nivel bajo. En cuanto al factor D, en este caso tampoco influyó de ninguna manera a la variable respuesta, por lo que por cuestiones de costos se lo puede mantener igualmente en el nivel más bajo. Así se obtiene que la mejor combinación para estos factores, es cuando se encuentran en el nivel más bajo de este experimento, lo cual queda expresado en la Tabla 31. TABLA 31 NIVELES QUE MAXIMIZAN EL TH DE CAJAS EMPACADAS #2 4.7. Evaluación de Resultados del Diseño de Experimentos En el primer experimento se obtuvo una combinación de niveles de los factores que maximizaba la variable respuesta a un promedio de 1793.6 cajas empacadas/semana, cuando se utilizan 3 Máquinas Cortadoras, 6.334 minutos en Cambios de Utillaje, una Tochera con capacidad para dos tochos, 80 Plataformas para Rumas y 5 Estaciones de Empaque. En el segundo experimento se obtuvo en cambio, un media de 1797.7 cajas empacadas/semana, empleando 2 Máquinas Cortadoras, 6.334 minutos en Cambios de Utillaje, una Tochera con capacidad para un solo tochos, 80 Plataformas para Rumas y 4 Estaciones de Empaque, como se puede apreciar en la Tabla 32; y si se observan los intervalos de confianza de las variables de respuesta obtenidos por la mejor situación de ambos experimentos en la Tabla 33, fácilmente se puede notar que no existe diferencia estadística entre ambas situaciones, por lo que se podría simplemente optar por mantener como mejor situación las del segundo experimento ya que esta representa una menor aplicación de recursos y ahorro en cuanto a inversiones por compra de máquinas o contratación de nuevos operarios. TABLA 32 CUADRO COMPARATIVO DE RESULTADOS EXPERIMENTALES EXPERIMENTO 1 EXPERIMENTO 2 FACTOR / NIVEL A+ B

C+ D E+ TH DESCRIPCIÓN 3 Máquinas Cortadoras 6.334 min. Cambio Utillaje Tochera con capacidad 2 80 Plataformas Rumas 5 Estaciones Empaque 1793.6 cajas/semana FACTOR / NIVEL A B

C D E TH DESCRIPCIÓN 2 Máquinas Cortadoras 6.334 min. Cambio Utillaje Tochera con capacidad 1 80 Plataformas Rumas 4 Estaciones Empaque 1797.7 cajas/semana TABLA 33 IC DE LA VARIABLE RESPUESTA Individual 95% CIs For Mean Based on Pooled StDev Level Experimento Experimento 1 2 N 44 44 Mean 1793,6 1797,7 StDev 148,3 152,4 ++++ (*) (*) ++++ 1750 1775 1800 1825 Si el primer experimento hubiese sido realizado realmente en la fábrica de electrodos para soldar, no hubiera habido la posibilidad de emplear más recursos para la realizar el segundo experimento, lo que provocaría la toma de una decisión errónea. Pero este problema surgió en primera instancia por aplicar sólo dos niveles por cada factor, y resulta evidente que los diseños en los que cada factor sólo varía a dos niveles, tienen un grave inconveniente: sólo permiten estudiar relaciones lineales. Aunque este inconveniente queda en parte compensado dado que el investigador es quien escoge los niveles, por lo que

siempre puede escogerlos lo suficientemente cercanos como para que una recta sea una buena aproximación a la verdadera forma de la respuesta en la región de interés. Ahora se puede aprovechar también el beneficio de los modelos de simulación para realizar la cantidad de experimentos y pruebas que se deseen, aunque con la limitación de escoger niveles relativamente cercanos. El problema renace cuando existen pruebas que se desean hacer con niveles necesariamente distantes, como es el caso de factor D, “Número de Rumas”, ya que es muy probable que la cantidad de plataformas necesarias sea incluso menor al nivel inferior establecido, 80 plataformas, sin que altere al desempeño normal del sistema. Pero probar 80 diferentes niveles posibles que existen entre 1 y 80 plataformas mediante un diseño de experimentos, se vuelve tedioso e injustificable. Para esto se puede contar con la herramienta de optimización una vez reducida la cantidad de factores de interés, lo cuál se llevará a cabo en el siguiente capítulo de este estudio. CAPÍTULO 5 5. OPTIMIZACIÓN DEL PROCESO 5.1. Selección de Factores Críticos El factor crítico es el factor seleccionado como variable para optimizar la función objetivo seleccionada; no necesariamente tiene que ser el factor activo más influyente a la variable respuesta que se encontró en el diseño de experimentos, sino aquel factor que presente una mayor cantidad de niveles de interés que aún se desean probar. El diseño de experimentos sirve como pauta para saber escoger un rango más conveniente de niveles del factor escogido para realizar la optimización. La optimización con SimRunner es una herramienta de la que se desea aprovechar la capacidad de probar un rango de valores de cierta variable escogida, para maximizar o minimizar una variable de respuesta que mide el desempeño del sistema. En este estudio la variable escogida es el factor D, “Número de Rumas”, a pesar que no fue ni siquiera un factor influyente para la variable de respuesta seleccionada, existe una gran cantidad de niveles que no han sido estudiados. Es probable que entre los niveles previamente escogidos para el diseño de experimentos no exista mayor diferencia en el desempeño de la línea, pero puede encontrarse un valor fuera de este rango que sí influya en el desempeño. De lo contrario, simplemente puede encontrarse el mínimo valor posible que no altere; en este caso, que no disminuya el TH de cajas empacadas/semana. Para escoger el rango de valores a probar en el optimizador, hay que partir de los resultados obtenidos en el diseño de experimentos. Se encontró que no existe diferencia entre tener 80 o 120 plataformas para armar rumas; ya que no existe tal diferencia, por costos se escogió el menor valor, es decir, 80 plataformas. Pero es posible que se encuentre un valor menor a éste permitiendo que la fábrica tenga un mayor ahorro y una mejor organización por tener menor cantidad de producto en proceso sin tener que alterar su productividad. Por lo tanto se escogió un rango que va de 60 a 80 plataformas, lo cual indica que se realizarán 21 experimentos para encontrar el valor óptimo. 5.2. Optimización a través de SimRunner El primer paso para la optimización a través de SimRunner es escoger y seleccionar la función objetivo o variable de respuesta y determinar si se desea maximizarlo o minimizarlo; en este caso se desea maximizar el TH de cajas empacadas/semana que se lo mide a través de los datos de la columna Total Changes de la Variable “CONT_CAJAS” en la hoja de respuestas de ProModel. Después se selecciona el factor de entrada; es decir, la variable que será modificada hasta encontrar el valor que maximice la función objetivo. Este factor de entrada tiene que estar establecido mediante una macro que tenga el rango definido para las pruebas a realizar; en este caso se selecciona la macro “NUM_RUMAS” correspondiente al factor D, que tiene un rango establecido desde 60 hasta 80 plataformas para armar las rumas. Es preciso indicar que las otras variables o factores escogidos quedaron establecidos en los niveles previamente seleccionados como resultado del diseño de experimentos, es decir, las pruebas serán realizadas con 2 máquinas cortadoras, 6.334 minutos en cambio de utillajes, la tochera con capacidad de uno y cuatro estaciones de empaque. Una vez seleccionadas las variables, se colocan los datos necesarios para la realización de pruebas. Primero se escoge el perfil de la optimización, el cual puede ser: Cauteloso, Moderado o Agresivo. De esto depende el tamaño de la población, que será utilizado para los experimentos, lo cual define el número de soluciones que evaluará el algoritmo de optimización. Una población pequeña de evaluaciones corresponde al perfil de optimización Agresivo, una mediana población corresponde al perfil Moderado y una población grande de evaluaciones corresponde al perfil de optimización Cauteloso; éste último fue escogido para la presente investigación. El porcentaje de convergencia es un valor que SimRunner utiliza de referencia para

comparar entre la media de la función objetivo de toda la población y el mejor valor (el más alto) de la función objetivo que se ha logrado obtener hasta ese momento; cuando estos valores tienen una diferencia igual al porcentaje de convergencia escogido, el optimizador se detiene y ya no se realizan más experimentos. Así mismo, se coloca el número de réplicas tiempo de corrida y warmup, que serán los mismos calculados en la sección 3.3.2, y un nivel de confianza del 95%. Una vez colocados los datos de entrada como se presenta en la figura anterior se procede a correr el programa de optimización; debido a que se escogió un perfil de optimización Cauteloso se realizó experimentos con cada uno de los niveles que se encontraba entre los rangos escogidos, es decir, 21 experimentos. A continuación se presenta el Gráfico de Medida del Desempeño, donde se observa con línea verde los valores de la función objetivo que se obtuvieron con cada experimento; en este gráfico se puede apreciar la forma en que trabaja este algoritmo, a medida que se realizan los experimentos, se va acercando al valor que maximiza la función objetivo y cada vez va marcando el máximo encontrado con la línea roja hasta que se terminan todos los experimentos. Una vez terminadas las pruebas, SimRunner presenta los datos de cada uno de los experimentos realizados en orden jerárquico, colocando en primer lugar al que maximiza la función objetivo hasta el último que dio como resultado al menor valor de la función objetivo. Se puede observar en la figura siguiente que al utilizar 78 rumas se obtiene un TH de 1830 cajas empacadas/semana, muy de cerca están los valores obtenidos con 62 y 77 rumas.

5.3. Evaluación de Resultados de la Optimización Pese a que SimRunner define cuál es el valor que maximiza la variable de respuesta, se debe analizar los primeros valores de la lista ya que el verdadero valor óptimo puede ser diferente al escogido por el programa debido a ciertas limitaciones o conveniencias definidas por el sistema o el personal y gerencia. Si se observan los tres primeros valores de la lista presentada en la figura 5.3, se puede notar que la función objetivo que se obtiene al utilizar 78, 62 o 77 plataformas es muy similar; es más, si se observan los intervalos de confianza que se encuentran en la columna derecha de la figura, es correcto decir que no existe diferencia estadística entre estos tres valores. Por lo que por conveniencia en cuanto a costos de la fábrica, reducción de producto en proceso y maximización del espacio en planta, es preferible trabajar empleando tan sólo 62 plataformas para rumas de las 100 que actualmente mantienen.

CAPÍTULO6 6. CONCLUSIONESYRECOMENDACIONES ? Hechos los estudios necesarios mediante las herramientas de Diseño de Experimentos y Optimización, se obtuvo que el mejor escenario que permite maximizar la tasa de producción de cajas empacadas por semana se logra manteniendo los siguientes niveles: 2 Máquinas Cortadoras, cambio de Utillajes de las Cortadoras a un tiempo medio de 6.334 minutos, una sola Tochera con capacidad de uno, 62 Plataformas para rumas de 120 bandejas de electrodos y 4 Estaciones de Empaque. Los únicos factores que difieren de las condiciones usadas actualmente son el tiempo medio de cambio de utillajes que es de 12.668 minutos y la cantidad de plataformas que actualmente tienen para montar 100 rumas. Con estos resultados se puede decir que no es necesario realizar inversiones costosas en cuanto a incremento de maquinaria y personal. ? Dentro de las posibilidades de cambio de la fábrica, de realizar actualmente una inversión, de incrementar la capacidad de su maquinaria y personal, o de mejorar la organización de la planta; se puede concluir que no existe la posibilidad de incrementar la tasa de producción de cajas empacadas de electrodos por semana, como puede observarse en los resultados obtenidos entre la situación actual y la situación propuesta que se presenta en la Tabla 34; pero se encontraron otros beneficios igualmente

favorables para la empresa, como es la reducción del WIP o producto en proceso, ya que se obtiene una misma tasa de producción produciendo 100 rumas o tan sólo 62 rumas de electrodos. Esta reducción de WIP beneficia especialmente en el área de presecado, que es donde más se acumulan las rumas producidas; esto a su vez, beneficia a la fábrica en cuanto a reducción de costos de inventario y mantenimiento de las rumas producidas de más. El costo de cada ruma es de aproximadamente $1440, por lo que el costo de oportunidad de mantener un WIP de 100 rumas es de $11289.60, utilizando la tasa de interés pasiva efectiva para un plazo de un año igual a 7.84%, según el Banco Central del Ecuador. El costo de oportunidad de mantener un WIP de 62 rumas es de $6999.55, lo que implica un ahorro constante $4290.05. Además de esto, también mejora su organización permitiendo disponer de mayor espacio para un mejor flujo de material o para que este sea aprovechado para otras actividades. Así mismo, como no es necesario producir tanto, pueden reducirse las cargas horarias de los empleados y disminuir el trabajo en horas extras, lo cual afecta sólo a la empresa. Permitiendo así ahorrar para futuras inversiones y cambios más significativos para obtener mejoras más productivas. TABLA34 CUADROCOMPARATIVOENTRESITUACIÓNACTUALY PROPUESTA BENEFICIO

Ahorro de $54720, Costo de Oportunidad igual a $4290.05 SITUACIÓN ACTUAL 2 Máquinas Cortadoras 12.668 min. Cambio de Utillaje Tochera con capacidad de 1 100 Plataformas para Rumas 4 Estaciones de Empaque SITUACIÓN PROPUESTA 2 Máquinas Cortadoras 6.334 min. Cambio de Utillaje Tochera con capacidad de 1 62 Plataformas para Rumas 4 Estaciones de Empaque TH 1799.7 cajas/semana TH 1797.7 cajas/semana ? El factor más influyente, con gran ventaja con respecto a los demás factores, es el número de cortadoras, pero aún así es más eficiente utilizar dos cortadoras como se ha trabajado hasta el momento, que utilizar tres como se había pensado hacerlo y por lo que incluso se procedió a la compra de una tercera cortadora. Decisión que por no haber sido correctamente estudiada con anterioridad hará que la misma productividad de la fábrica sea ahora más costosa. Porque siendo el número de cortadoras un factor tan influyente, no necesariamente indica que al aumentar en uno la cantidad de máquinas se genere un gran impacto; es muy probable que el factor influya en niveles más distanciados. Para analizar esto último sería necesario un estudio costobeneficio, ya que significaría una inversión muy grande. ? De los resultados encontrados, para los próximos pasos de este estudio, se puede recomendar hacer un estudio de TPM centrado en la aplicación de SMED para las cortadoras, y poder disminuir así el tiempo de cambio de utillajes, ya que existen muchos problemas de organización y asignación de recursos necesarios para realizar los trabajos en las maquinarias. Así mismo, se puede realizar un estudio del WIP que mantiene la fábrica, ya que se pudo observar que no es necesario tener 100 rumas sino tan sólo 62 para maximizar la tasa de producción, lo que indica que existe una cantidad innecesaria de producto en proceso; inclusive podría encontrarse el nivel de WIP óptimo mediante un estudio CONWIP. ? A pesar que no sería aplicable a la realidad, ya que la fábrica no tiene posibilidad de realizar inversiones fuertes, es recomendable para futuras investigaciones probar niveles más altos para el factor “Número de Cortadoras”, y así comprobar si existe un impacto significativo en el uso de una mayor cantidad de estas maquinarias. ? Las decisiones para mejorar el desempeño de un sistema no es algo que debe ser tomado a la ligera, a pesar que las exigencias del mercado tan cambiante como el de la actualidad reclame una pronta solución a diferentes problemas que se presentan; si estos no son correctamente estudiados, la empresa es la única que resulta perjudicada. Es por esto que la aplicación de Diseño de Experimentos y Optimización en base a un modelo de Simulación frecuentemente actualizado y validado con respecto al sistema real, permite

estudiar diferentes posibilidades de cambios y mejoras, con datos certeros y en muy poco tiempo, con la capacidad de interpretar fácilmente los resultados obtenidos. Lo que permite que estas se conviertan en herramientas de diaria aplicación para fundamentar inclusive las decisiones correctivas que deben ser tomadas con gran prontitud. ? El principal problema del Diseño de Experimentos es la incapacidad de utilizar un diseño experimental completo y detallado debido a la dificultad de recopilar la información necesaria y de forma adecuada por la cantidad de experimentos que se deberían realizar; pero esto queda resuelto mediante la utilización de un modelo de simulación del sistema. Otro problema del Diseño de Experimentos es que para poder utilizar diseños experimentales fáciles de interpretar, es preferible estudiar la menor cantidad de niveles de un mismo factor, pero esto se soluciona mediante la aplicación del software de Optimización, que permite estudiar de forma más precisa una mayor cantidad de niveles de un mismo factor; el único problema de esta herramienta es que mientras mayor es la cantidad de factores y niveles, mayor es la cantidad de pruebas que se deben realizar y mayor el tiempo que emplea la computadora en llevar a cabo esas pruebas; pero, así mismo, este problema tiene solución en la aplicación del Diseño de Experimentos, ya que mediante esta herramienta es sencillo estudiar una gran cantidad de factores para encontrar aquellos que son más influyentes. Es por esto que se presenta como metodología para el uso de estas herramientas para la toma de decisiones, los siguientes pasos: 1. 1. 2. 2. Realizar y validar el modelo de simulación. Aplicar técnicas de Diseño de Experimentos (recomendablemente un diseño factorial de dos niveles) para probar todos los posibles factores que puedan influir a la variable respuesta. 3. 3. 4. 4. Identificar los factores más influyentes. Aplicar técnicas de Optimización para obtener niveles más certeros de los factores influyentes o algún otro factor de interés que sea necesario profundizar en su estudio y análisis a diferentes niveles. 5. 5. Presentar el escenario que mejora el desempeño de lo escogido como variable de respuesta. Cada uno de los factores con sus respectivos niveles.

? Para un mejor funcionamiento de esta herramienta de toma de decisiones, es preferible utilizar niveles más separados entre sí durante la aplicación del Diseño de Experimentos, ya que esto da una pauta del “sector” donde se encuentra ubicado el nivel que mejora el desempeño de la variable respuesta, el cual es encontrado con el software de Optimización, después de fijar un rango de valores cercanos al nivel que resultó favorecido en el Diseño de Experimentos. ? Es recomendable, inicialmente, identificar y comprobar una mayor cantidad de factores mediante el Diseño de Experimentos, para descartar todos los que no sean factores realmente influyentes y mantener los factores activos. De esta manera se puede asegurar que no existe algún factor que no ha sido considerado pero que influye en la variable de respuesta.

PLANOS

PLANO1 INSTALACIONESDELAFABRICACIÓNDEELECTRODOSPARA SOLDAR

APÉNDICES

APÉNDICEA DIAGRAMADEPROCESODEFABRICACIÓNDEELECTRODOS

APÉNDICEB CÓDIGOFUENTEDELMODELODESIMULACIÓNDELAFÁBRICADEELECTRODOS ******************************************************************************** ** * Formatted Listing of Model: * * C:Documents and SettingsEsteban EspinozaMy DocumentsESTEBANTESISModelo Final Planta de Electrodos. Fábrica de Electrodos Modelo

Validado.MOD * ** ********************************************************************************

Time Units: Minutes Distance Units: Feet ******************************************************************************** * Locations * ******************************************************************************** Name Cap Units Stats Rules Cost CABALLETE 1 1 AREA_TREFILACION 6 1 TREFILADORA 1 1 WIP_TREFILADORA INF 1 CORTADORA1 1 1 CORTADORA2 1 1 CRUPO_CAJAS1 2 1 GRUPO_CAJAS2 2 1 WIP_CORTE INF 1 EXTRUSORA 1 1 ARMADO_RUMAS 3 1 PRE_SECADO INF 1 HORNO 1 1 AREA_EMPAQUE 8 1 ESTACION4 1 1 ESTACION3 1 1 ESTACION2 1 1 ESTACION1 1 1 GRUPO_PRESECADO INF 1 GRUPO_PALLET1 100 1 GRUPO_PALLET2 100 1 GRUPO_PALLET3 100 1 GRUPO_PALLET4 100 1 ESPERA_TOCHOS 1 1 TOCHERA 1 1 MEZCLADORA 1 1 PESADORA_POLVOS 1 1 BODEGA_POLVOS INF 1 WIP_MEZCLA 1 1 GRUPO_TOCHOS 8 1 HILERAS90 INF 1 HILERAS120 INF 1 DESAGRUPAR INF 1

Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, ,

Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , AREA_ESPERA INF 1 HORNO_ESPERA 8 1 CARGA_TOCHOS 1 1 USO_TOCHOS 1 1 SALIDA_TOCHOS 1 1 PUERTA_HORNO 1 1 ESPERA_HILERA 1 1 EMPAQUE 1 1 SALIDA_HORNO 1 1 ACCESO_HORNO 1 1 Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , Time Series Oldest, , ******************************************************************************** * Clock downtimes for Locations * ******************************************************************************** Loc Frequency First Time Priority Scheduled Disable Logic TREFILADORA G(0.8912, 5059.4) 99 W(1.4771, 2953.8) (null) 99 W(1.3587, 12550) (null) 99 CORTADORA1 E(69842.1567) 99 W(1.1305, 7826.9) (null) 99 CORTADORA2 W(0.92082, 49404) 99 W(0.98981, 6618.2) (null) 99 EXTRUSORA W(1.3531, 4190.4) 99 MEZCLADORA W(1.1975, 24301) 99 B(0.34691, 0.96914, 1440, 61920) (null) VARIOS No No WAIT E(123)// TIEMPO DE FALLA Yes No WAIT G(3.6173, 15.162)// CAMBIO DE DADOS No No WAIT W(2.1883, 43.992)// FALLA DE EQUIPOS (MONTACARGAS Y SOLDADORA) No No WAIT L(6.0748, 0.5774)// TIEMPO DE FALLAS No No WAIT T(28.945, 45, 65.063)// CAMBIO DE UTILLAJE No No WAIT W(1.7424, 251.6)// TIEMPO DE FALLAS

No No WAIT G(3.9177, 12.668)// CAMBIO DE UTILLAJE No No WAIT E(228.833)// TIEMPO DE FALLAS No No WAIT W(0.88218, 427.59)// TIEMPO DE FALLAS 99 No No WAIT W(1.6052, 185.96)// TIEMPOS MUERTOS POR PROBLEMAS ******************************************************************************** * Entry downtimes for Locations * ******************************************************************************** Loc Frequency First Occurrence Logic TREFILADORA 1 WAIT W(2.259, 7.939) // TIEMPO DE SACADO DE LA MAQ (1) 6 WAIT B(0.46376, 0.86264, 9.24, 26.56)// TIEMPO EN SOLDAR ALAMBRONES CORTADORA1 1 WAIT W(2.189, 9.5002) // TIEMPO EN SOLDAR Y PREPARAR CORTADORA2 1 WAIT W(3.9828, 7.0787) // TIEMPO EN SOLDAR Y PREPARAR TOCHERA 21 WAIT L(0.2212, 0.2622) // LIMPIEZA ENTRE PARADAS DE MASA MEZCLADORA 1 WAIT G(3.2289, 0.9489)//CAE TODO EL POLVO DE LA OLLA ******************************************************************************** * Entities * ******************************************************************************** Name Speed (fpm) Stats Cost ALAMBRON 150 Time Series ROLLO_TREFILADO 150 Time Series CAJA 150 Time Series HILERA 150 Time Series RUMA 150 Time Series CAJA_EMPACADA 150 Time Series PALLET_FINAL 150 Time Series CONTAINER 150 Time Series

TOCHO 150 Time Series TOCHOS_7 150 Time Series GRUPO90 150 Time Series GRUPO120 150 Time Series RUMA8 150 Time Series ******************************************************************************** * Resources * ******************************************************************************** Res Ent Name Units Stats Search Search Path Motion Cost

PUENTE_GRUA 1 By Unit None Oldest Empty: 150 fpm Full: 150 fpm TECLE 1 By Unit None Oldest Empty: 150 fpm Full: 150 fpm

******************************************************************************** * Processing * ******************************************************************************** Process Routing Entity Location Operation Blk Output Destination Rule Move Logic ALAMBRON CABALLETE 1 ALAMBRON AREA_TREFILACION FIRST 1 ALAMBRON AREA_TREFILACION CREATE 6 AS ROLLO_TREFILADO 1 ALAMBRON EXIT FIRST 1 ROLLO_TREFILADO AREA_TREFILACION 1 ROLLO_TREFILADO TREFILADORA FIRST 1 ROLLO_TREFILADO TREFILADORA WAIT W(10.073, 17.806) // TIEMPO DE PROCESO 1 ROLLO_TREFILADO WIP_TREFILADORA FIRST 1 GET TECLE MOVE FOR W(1.5199, 2.5466)// TIEMPO EN MOVERO ROLLO BUFFER (2) FREE TECLE ROLLO_TREFILADO WIP_TREFILADORA 1 ROLLO_TREFILADO CORTADORA1 FIRST 1 GET TECLE MOVE FOR L(0.7866, 0.6264) // TIEMPO EN PONER ROLLO EN LA MAQ FREE TECLE ROLLO_TREFILADO CORTADORA2 FIRST GET TECLE MOVE FOR L(0.7866, 0.6264) // TIEMPO EN PONER ROLLO EN LA MAQ FREE TECLE ROLLO_TREFILADO CORTADORA1 WAIT W(14.196, 43.818) // TIEMPO DE PROCESO 1 ROLLO_TREF ILADO CRUPO_CAJA

ROLLO_TREFILADO CORTADORA2 WAIT W(1 1.1 93, 41.287) // TIEMPO DE PROCESO 1 ROLLO_T REFILADO GRUPO_CAJA ROLLO_TREFILADO ROLLO_TREFILADO CRUPO_CAJAS1 GRUPO_CAJAS2 GROUP GROUP 2 2 AS AS CAJA CAJA CAJA CRUPO_CAJAS1 1 CAJA WIP_CORTE CAJA MOVER HASTA BUFFER CAJA GRUPO_CAJAS2 1 CAJA WIP_CORTE FIRST 1 GET PUENTE_GRUA MOVE MOVER CAJA HASTA BUFFER FREE P CAJA WIP_CORTE TIPO_CAJA=NO_CAJA() IF TIPO_CAJA=90 THEN BEGIN CREATE 4 AS HILERA END IF TIPO_CAJA=120 THEN BEGIN CREATE 3 AS HILERA END WAIT 1 HR 1 CAJA EXIT FIRST 1 HILERA WIP_CORTE IF TIPO_CAJA=90 THEN ROUTE 1 ELSE ROUTE 2 1

2 HILERA

HILERA HILERAS90

HILERAS120 FIRST 1 FIRST 1 HILERA HILERAS90 12 AS GROUP GRUPO90 GRUPO90 HILERAS90 1 GRUPO90 DESAGRUPAR FIRST 1 GRUPO90 HILERA DESAGRUPAR HILERAS120 3 AS UNGROUP GROUP GRUPO120 GRUPO120 HILERAS120 1 GRUPO120 DESAGRUPAR FIRST 1 GRUPO120 DESAGRUPAR UNGROUP HILERA DESAGRUPAR 1 HILERA ESPERA_HILERA FIRST 1 HILERA ESPERA_HILERA WAIT UNTIL PUERTA_TIEMPO_RUMA=0 1 HILERA EXTRUSORA FIRST 1 HILERA EXTRUSORA WAIT UNTIL CONT_USO_TOCHOS = 1 HILERA (USO=1)" ////DISPLAY "ENTRA INC WIPEXT INC CH IF CH=1 THEN BEGIN IF TIPO_CAJA=90 THEN BEGIN

V90=CLOCK(MIN) //DISPLAY "V90: ", V90 END IF TIPO_CAJA=120 THEN BEGIN V120=CLOCK(MIN) //DISPLAY "V120: ", V120 END END IF CH=3 THEN BEGIN PUERTA_TIEMPO_RUMA=1 CH=0 END //DISPLAY "ATRIBUTO", TIPO_CAJA IF TIPO_CAJA=90 THEN BEGIN WAIT N(3.876, 0.33) INC CONTH90 ////DISPLAY "PROCESÓ EXTRUSORA HILERA 90 #",CONTH90 //TIEMPO DE PROCESO DE UNA HILERA 120 #",CONTH120 END ELSE BEGIN WAIT W(7.8021, 5.6206) INC CONTH120 ////DISPLAY "PROCESÓ EXTRUSORA //TIEMPO DE PROCESO DE END IF CONTH90=4 THEN BEGIN CONTH90=0 ////DISPLAY "RESTEO DE END IF CONTH120=3 THEN BEGIN CONTH120=0 ////DISPLAY "RESTEO DE END WAIT HILERA UNA HILERA

CONTH90"

CONTH120"

UNTIL PUERTA_ATRIBUTO_RUMA=0 1 HILERA ARMADO_RUMAS FIRST 1 DEC HILERA ARMADO_RUMAS INC CONTH //DISPLAY "#" $ CONTH $ " – ATRIBUTO: " $ TIPO_CAJA IF CONTH = 3 THEN BEGIN PUERTA_ATRIBUTO_RUMA=1 TIPO_CAJA=90 THEN IF BEGIN ", CLOCK() //DISPLAY "HORA 90: TIEMPO_RUMA90=CLOCK()V90 END TIPO_CAJA=120 THEN IF BEGIN //DISPLAY "HORA 120: ", CLOCK()

//DISPLAY "RUMA:

TIEMPO_RUMA120=CLOCK()V120 END PUERTA_TIEMPO_RUMA=0 " $ TIPO_CAJA $ " CONT= " $ CONTH RUMA ARMADO_RUMAS VAT=TIPO_CAJA CONTH=0 //GROUP 3 AS RUMA END GROUP 3 AS RUMA ATRUMA=VAT //DISPLAY VAT PUERTA_ATRIBUTO_RUMA=0 //DISPLAY ATRUMA IF CLOCK()>10080 THEN BEGIN IF IF ATRUMA=90 THEN INC ATRUMA=120 THEN INC CONT_RUMA90 CONT_RUMA120 END 1 RUMA PRE_SECADO FIRST 1 MOV FOR T(0.5 RUMA PRE_SECADO TEP=CLOCK(MIN) //DISPLAY ATRUMA //IF CLOCK()>10080 THEN INC CONTRUMA WAIT B(0.9945, 1.6689, 1590, 6798.6) 1 RUMA GRUPO_PRESECADO RUMA GRUPO_PRESECADO //DISPLAY "HAY ", CONTENTS(GRUPO_PRESECADO, RUMA) LOG "TIEMPO PRESECADO", TEP ESPERA GROUP 8 AS RUMA8 RUMA8 GRUPO_PRESECADO 1 RUMA8 ACCESO_HORNO RUMA8 ACCESO_HORNO //DISPLAY "1. VAR: "$VAR$" – EH: "$ENTRADA_HORNO$" AA: "$AA WAIT UNTIL 1 RUMA8 PUERTA_HORNO RUMA8 PUERTA_HORNO VAR=0 VAR=1 //DISPLAY "PUERTA CERRADA" 1 RUMA8 HORNO FI AL HORNO RUMA8 HORNO IF AA< >CALDAY() THEN ENTRADA_HORNO=0 INC ENTRADA_HORNO //DISPLAY "2. ENTRADA_HORNO: AA: "$A "$ENTRADA_HORNO$" WAIT B(1.4158, 1.7353, 132, 180) 1 RUMA8 SALIDA_HORNO RUMA8 SALIDA_HORNO AA=CALDAY() VAR=0 //DISPLAY "PUERTA ABIERTA" 1 RUMA8 HORNO_ESPERA RUMA8 HORNO_ESPERA UNGROUP //DISPLAY ATRUMA RUMA RUMA HORNO_ESPERA AREA_EMPAQUE 1 1 RUMA RUMA AREA_EMPAQUE ESTACION4 RUMA RUMA RUMA ESTACION3 ESTACION2 ESTACION1

RUMA ESTACION1

IF CALHOUR()< 12 THEN BEGIN IF ATRUMA=90 THEN BEGIN //DISPLAY "E1: 1 Emp Ruma 90 ",clock() WAIT G(31.208, 0.99741)// EMPACADOR RUMA90 UN CREATE 15 AS CAJA_EMPACADA END ELSE BEGIN //DISPLAY "E1: 1 Emp Ruma 120 ",clock() WAIT B(229.05, 158.73, 121.91, 157.48)// UN EMPACADOR RUMA120 CREATE 20 AS CAJA_EMPACADA END END ELSE BEGIN ATRUMA=90 THEN IF BEGIN //DISPLAY "E1: 2 Emp Ruma 90 ",clock() WAIT G(38.578, 0.66743)// EMPACADORES RUMA90 DOS CREATE 15 AS CAJA_EMPACADA END ELSE BEGIN //DISPLAY "E1: 2 Emp Ruma 120 ",clock() WAIT B(9.131, 529.57, 11.96, 1337.3)// DOS EMPACADO RUMA120 CREATE 20 AS CAJA_EMPACADA END END 1 RUMA EXIT FIR CAJA_EMPACADA ESTACION1 IF CLOCK()>10080 THEN INC CONT_CAJA1 IF CLOCK()>10080 THEN INC CONT_CAJA 1 CAJA_EMPACADA GRUPO_PALLET1 CAJA_EMPACA DA GRUPO_PALLE T1 GROUP 100 AS PALLET_FINAL PALLET_FINAL GRUPO_PALLE T1 1 PALLET_FINAL AREA_ESPERA FIRS T1 PALLET_FINAL AREA_ESPERA WAIT 2 HR IF CLOCK()>10080 THEN INC CONT_PALLET1 IF CLOCK()>10080 THEN INC CONT_PALLET 1 PALLET_FINAL EXIT FIRST 1 RUMA ESTACION2 IF CALHOUR()< 12 THEN BEGIN IF ATRUMA=90 THEN BEGIN

//DISPLA Y "E2: 1 Em p Ruma 90 ",clock() WAIT G(31.208, 0.99741)// UN EMPACADO R RUMA90 CREATE 15 AS CAJA_EMPACADA END ELSE BEGIN //DISPLA Y "E2: 1 Em p Ruma 120 ",clock() WAIT 158.73, 121.91, 157.48)// UN EMPACADOR RUMA120 B(229.05, CREATE 20 AS CAJA_EMPACADA END END ELSE BEGIN IF ATRUMA=90 THEN BEGIN //DISPLA Y "E2: 2 Em p Ruma 90 ",clock() WAIT G(38.578, 0.66743)// DOS EMPACADORES RUMA90 CREATE 15 AS CAJA_EMPACADA END ELSE BEGIN //DISPLA Y "E2: 2 Em p Ruma 120 ",clock() 1337.3)// DOS EMPACADORES RUMA120 WAIT B(9.131, 529.57, 11.96, CREATE 20 AS CAJA_EMPACADA END END 1 RUMA EXIT FIRST 1 CAJA_EMPACA DA ESTACION2 IF CLOCK()>10080 THEN INC CONT_CAJA2 IF CLOCK()>10080 THEN INC CONT_CAJA 1 CAJA_EMPACADA GRUPO_PALLET 2 FIRS T1 CAJA_EMPACA DA GRUPO_PALLE T2 GROUP 100 AS PALLET_FINAL PALLET_FINAL GRUPO_PALLE T2 1 PALLET_FINAL AREA_ESPERA FIRS T1 PALLET_FINAL AREA_ESPERA WAIT 2 HR IF CLOCK()>10080 THEN INC CONT_PALLET2 IF CLOCK()>10080 THEN INC CONT_PALLET PALLET_FINAL EXIT FIRST 1 RUMA ESTACION3 1 IF CALHOUR()< 12 THEN BEGIN IF ATRUMA=90 THEN

BEGIN //DISPLA Y "E3: 1 Em p Ruma 90 ",clock() WAIT G(31.208, 0.99741)// UN EMPACADO R RUMA90 CREATE 15 AS CAJA_EMPACADA END ELSE BEGIN //DISPLA Y "E3: 1 Em p Ruma 120 ",clock() WAIT 158.73, 121.91, 157.48)// UN EMPACADOR RUMA120 END ELSE BEGIN IF BEGIN //DISPLAY "E3: B(229.05, CREATE 20 AS CAJA_EMPACADA END

ATRUMA=90 THEN

2 Em p Ruma 90 ",clock() EMPACADORES RUMA90 WAIT G(38.578, CREATE 15 AS CAJA_EMPACADA END ELSE BEGIN //DISPLAY "E3: 0.66743)// DOS

2 Em p Ruma 120 ",clock() WAIT B(9.131, 529.57, 11.96,

CREATE 20 AS CAJA_EMPACADA END END 1 RUMA 1337.3)// DOS

EXIT EMPACADORES RUMA120

FIRST 1 CAJA_EMPAC ADA ESTACION3 IF CLOCK()>10080 THEN INC CONT_CAJA3 IF CLOCK()>10080 THEN INC CONT_CAJA 1 CAJA_EMPACADA GRUPO_PALLET 3 FIRST 1 CAJA_EMPAC ADA GRUPO_PALL ET3 GROUP 100 AS PALLET_FINAL PALLET_FINA L GRUPO_PALL ET3 1 PALLET_FINAL AREA_ESPERA FIRST 1 PALLET_FINA L AREA_ESPER A WAIT 2 HR IF CLOCK()>10080 THEN INC CONT_PALLET3 IF CLOCK()>10080 THEN INC CONT_PALLET PALLET_FINAL EXIT FIRST 1 RUMA ESTACION4 1 IF CALHOUR()< 12 THEN BEGIN IF ATRUMA=90 THEN

BEGIN //DISPLA Y "E4: 1 Em p Ruma 90 ",clock() WAIT G(31.208, 0.99741)// UN EMPACADO R RUMA90 CREATE 15 AS CAJA_EMPACADA END ELSE BEGIN //DISPLA Y "E4: 1 Em p Ruma 120 ",clock() WAIT 158.73, 121.91, 157.48)// UN EMPACADOR RUMA120 B(229.05, CREATE 20 AS CAJA_EMPACADA END END ELSE BEGIN IF ATRUMA=90 THEN BEGIN //DISPLA Y "E4: 2 Em p Ruma 90 ",clock() WAIT 0.66743)// DOS EMPACADORES RUMA90 G(38.578, CREATE 15 AS CAJA_EMPACADA END ELSE BEGIN //DISPLA Y "E4: 2 Em p Ruma 120 ",clock() WAIT B(9.131, 529.57, 11.96, 1337.3)// DOS EMPACADORES RUMA120 CREATE 20 AS CAJA_EMPACADA END END 1 RUMA EXIT FIRST 1 CAJA_EMPAC ADA ESTACION4 IF CLOCK()>10080 THEN INC CONT_CAJA4 IF CLOCK()>10080 THEN INC CONT_CAJA 1 CAJA_EMPACADA GRUPO_PALLET 4 FIRST 1 CAJA_EMPAC ADA GRUPO_PALL ET4 GROUP 100 AS PALLET_FINAL PALLET_FINAL GRUPO_PALLET4 1 PALLET_FINAL AREA_ESPERA FIRST 1 PALLET_FINAL AREA_ESPERA WAIT 2 HR// EN HACER PRUEBAS DE SOLDADURA TIEMPO IF CLOCK()>10080 THEN INC CONT_PALLET4 IF CLOCK()>10080 THEN INC CONT_PALLET 1 PALLET_FINAL EXIT FIRS CONTAINER BODEGA_POLVOS 1 CONTAINER PESADORA_POLVOS FIRST 1 CONTAINER PESADORA_POLVOS WAIT G(2.0489, 0.2945)// PREPARACION ANTES DE PESAR WAIT G(22.401, SELECCION DE PESAJE

0.3115)// 1 POLVOS Y CONTAINER WIP_MEZCLA FIRST MOVER CONTENEDOR CONTAINER WIP_MEZCLA 1 CONTAINER MEZCLADORA FIRST 1 CONTAINER MEZCLADORA WAIT W(4.7109, COGER Y LLENARLO WAIT 0.7496)// W(10.673, 13.272)// CONTENEDOR MEZCLA 1 WAIT B(0.4045, 0.9545, 1.57, 5.15)// LIMPIEZA W(4.0466, 11.198)// 1 MEZCLA 2

CONTAINER TOCHERA FIRST EL POLVO DE WAIT

OLLA Y SE HACE UN TOCHO LA CONTAINER TOCHERA CREATE 21 AS TOCHO 1 CONTAINER EXIT FIRST 1 TOCHO TOCHERA WAIT W(3.1562, 0.5942) // TIEMPO EN HACER UN TOCHO 1 TOCHO GRUPO_TOCHOS FIRST 1 TOCHO TOCHOS_7 GRUPO_TOCHOS GRUPO_TOCHOS GROUP 7 AS TOCHOS_7 IF CLOCK()>10080 THEN BEGIN

INC CONT_7TOCHOS //DISPLAY CONT_7TOCHOS END 1 TOCHOS_7 ESPERA_TOCHOS FIRST 1 TOCHOS_7 ESPERA_TOCHOS WAIT UNTIL CONT_CARGA_TOCHOS = 0 ////DISPLAY "ENTRA TOCHO A CARGAR (CARGA=0)" 1 TOCHOS_7 CARGA_TOCHOS FIRST 1 TOCHOS_7 CARGA_TOCHOS CONT_CARGA_TOCHOS = 1 ////DISPLAY "se CIERRA entrada de TOCHO (CARGA=1)" //WAIT G(1.9042, 1.6495)// TIEMPO DE CARGA DE TOCHOS "NO ES" WAIT B(0.34824, 0.59905, 1.92, 6.92)// TIEMPO DE CARGA DE TOCHOS 1 TOCHOS_7 USO_TOCHOS FIRST 1 TOCHOS_7 USO_TOCHOS CONT_USO_TOCHOS = 1 ////DISPLAY "se ABRE entrada de HILERA (USO=1)" WAIT UNTIL WIPEXT=1 WAIT B(0.9423, 0.40539, 1.4, 5.57)//TIEMPO QUE TRABAJA EXTRUSORA ////DISPLAY "CAMBIO DE TOCHO" 1 TOCHOS_7 SALIDA_TOCHOS FIRST 1 TOCHOS_7 SALIDA_TOCHOS CONT_CARGA_TOCHOS = 0 ////DISPLAY "se CIERRA entrada de HILERA (USO=0)" CONT_USO_TOCHOS = 0 ////DISPLAY "se ABRE entrada de TOCHO (CARGA=0)" IF CLOCK()>10080 THEN INC CONT_7TOCHOS_USADOS

1 TOCHOS_7 EXIT FIRST 1 ******************************************************************************** * Arrivals *