El equilibrio dinámico en producción: Heijunka e IA
¿Qué es el Heijunka y por qué es tan importante en Lean Manufacturing?
El término "Heijunka" o "nivelación" es uno de los principios fundamentales del TPS (Toyota Production System). Pretende mantener la producción de un producto o sus variantes a unos niveles regulares, en lotes pequeños, tratando de distribuir la demanda a lo largo del tiempo.
Para más información ver el post: Heijunka: Qué es y cómo nivelar la producción en Lean
Las limitaciones del Heijunka tradicional en la industria
El concepto de Heijunka es básico para nivelar la producción pero tiene ciertas limitaciones que podemos encontrar en los entornos de producción modernos.
- Dificultades para manejar la alta variabilidad: por ejemplo en líneas multiproducto, si cambia el mix de producción mantener la secuencia nivelada es complicado.
- Reacción lenta ante incidencias: si ocurren incidencias (como falta de material, parada por avería, pedidos urgentes) el plan tradicional no se ajusta de forma automática y se generan desperdicios o mudas (ver Identificación de desperdicios: Las siete MUDAS).
- Integración limitada con los sistemas modernos: cuando surgió Heijunka no había ERPs, sistemas MES, sensores de Internet of Things o machine learning, por lo que tiene limitaciones para nivelar usando datos en tiempo real.
Cómo la Inteligencia Artificial transforma la nivelación de producción
El Heijunka tradicional funcionará correctamente si el mercado del producto a fabricar tiene un entorno y demanda estable, pero muchas de las realidades industriales actuales requieren de adaptabilidad y predicción, y es aquí donde la Inteligencia Artificial puede marcar la diferencia.
- Predicción de la demanda en tiempo real: Los algoritmos de IA permiten detectar si la demanda de un producto en concreto subirá o bajará de acuerdo a todo el histórico de datos que tiene y así proponer ajustes para la producción.
- Optimización de la secuencia de producción: La IA por ejemplo permite conseguir una mejor secuencia nivelada teniendo en cuenta más variables como restricciones de máquinas, cambios de útiles o disponibilidad de componentes.
- Validación con gemelo digital: antes de ejecutar cambios en la nivelación, a través de la inteligencia artificial, se pueden evaluar los escenarios posibles.
- Aprendizaje continuo y retroalimentación: Los diferentes resultados de producción (OEE, tiempos de ciclo, scrap, paradas) se van guardando y retroalimentan al sistema que va mejorando sus predicciones.
Ejemplo práctico: Planta de producción de juguetes
Vamos a continuar con el ejemplo de la planta de juguetes de la que se habló en el post Heijunka: Qué es y cómo nivelar la producción en Lean
Nuestra fábrica de juguetes tenía 4 modelos: A, B, C y D con la siguiente demanda mensual:
- Juguete A: 30
- Juguete B: 30
- Juguete C: 10
- Juguete D: 10
Las suposiciones eran las siguientes:
- La fábrica trabaja un turno al día de 8 horas y 20 días al mes
- El tiempo de cambio entre productos es de 0
- Cada unidad cuesta de producirse 2 horas.
Con esto se llegó a la siguiente serie básica nivelada: A-A-A-B-B-B-C-D.
Esto sería ideal siempre y cuando tengamos una demanda estable, sin embargo, si tuviéramos una demanda estacional o muy cambiante, fabricar estas series niveladas ocasionarían problemas de exceso de stock de algún modelo o falta de stock de algún otro modelo. Para solucionar esto se utilizaría la inteligencia artificial para dar lugar a un Heijunka dinámico. Vamos a suponer que la IA tiene los siguientes inputs:
- Datos de pedidos de Juguetes diarios: los obtendría a través del ERP o sistema para la gestión de pedidos.
| Semana | Juguete A | Juguete B | Juguete C | Juguete D |
|---|---|---|---|---|
| Semana 1 | 7 | 8 | 2 | 4 |
| Semana 2 | 8 | 8 | 1 | 3 |
| Semana 3 | 7 | 7 | 3 | 3 |
| Semana 4 | 7 | 7 | 4 | 3 |
| Semana 5 | 9 | 6 | 5 | 2 |
| Semana 6 | 9 | 6 | 5 | 2 |
| Semana 7 | 9 | 6 | 5 | 2 |
| Semana 8 | 10 | 6 | 6 | 2 |
| Semana 9 | 9 | 5 | 6 | 2 |
| Semana 10 | 11 | 7 | 5 | 2 |
| Semana 11 | 12 | 8 | 5 | 4 |
| Semana 12 | 14 | 8 | 2 | 4 |
- Tiempo de ciclo por unidad: obtenido a través del sistema MES o a través de cronometrajes, son 2 horas por unidad (el mismo para cada modelo).
- Horario de apertura de la línea: 1 turno, 5 días/semana.
El sistema sería capaz de hacer series básicas niveladas para cada semana basándose en la demanda de pedidos que sería:
- Semana 1: A-A-A-A-B-B-B-B-C-D-D
- Semana 2: A-A-A-A-B-B-B-B-C-D-D
- Semana 3: A-A-B-B-C-D
- Semana 4: A-A-B-B-C-D
- Semana 5: A-A-A-A-B-B-B-C-C-D
- Semana 6: A-A-A-A-B-B-B-C-C-D
- Semana 7: A-A-A-A-B-B-B-C-C-D
- Semana 8: A-A-A-A-A-B-B-B-C-C-C-D
- Semana 9: A-A-A-A-A-B-B-B-C-C-C-D
- Semana 10: A-A-A-A-A-B-B-B-C-C-C-D
- Semana 11: A-A-A-B-B-C-D
- Semana 12: A-A-A-A-A-A-A-B-B-B-B-C-D-D
Este ejemplo tan simple es solo para ilustrar, porque ha supuesto que no hay stock y que el tiempo de ciclo es el mismo para la producción de cada modelo.
En la práctica el modelo de inteligencia artificial tendrá los siguientes inputs:
- Tiempos de ciclo diferentes según modelos: estos tiempos de ciclo serán tomados a partir de datos reales de sensores de la línea.
- Nivel de stock de cada uno de los componentes, programando para asegurar que no hay sobrestock ni que se está por debajo del stock de seguridad.
- Tiempos de cambio entre modelos: tomados con sensores entre la última pieza fabricada del modelo previo y la primera pieza fabricada del modelo nuevo que se está fabricando.
- Lead time delivery de proveedores: tendrá en cuenta el tiempo de entrega de los proveedores de componentes desde que se hace el pedido hasta que llega a la planta.
Como comentado previamente los datos reales de producción, tiempos de cambio, leadtime delivery, se irían actualizando e irían retroalimentando el modelo para planificar de la forma más precisa posible.
Las tripas de la IA: cómo funciona por dentro
Imaginemos que aplicamos un modelo para realizar la planificación de forma automática de una empresa pequeña que recibe la información en formato Excel. El sistema funcionará de la siguiente forma:
- Excel de pedidos, aquí se caragarán al sistema los datos de productos, cantidades y fechas.
- Limpieza y validación de datos: el sistema corrige errores, formatea y realiza la preparación de los datos.
- Motor IA: es el núcleo del sistema que a través de algoritmos de refuerzo e IA adaptativa, calculará el Heijunka dinámico y simulará la capacidad para asegurar que el plan será factible
- Generación del plan de producción.
- Retroalimentación: se introducen los resultados reales de producción para retroalimentar el sistema.
- Aprendizaje automático: la IA ajusta sus parámetros para mejorar los planes futuros.
