Wyznaczenie wąskiego gardła w przedsiębiorstwie branży metalurgicznej z wykorzystaniem pakietu symulacyjnego programu ARENA

• Autorzy: Kamiński Piotr , Drobina Robert

Identyfikatory

DOI

10.21008/j.0239-9415.2021.084.06

Warianty tytułu

EN

Determining the bottleneck in a metallurgical company using the ARENA simulation package

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono metodykę badań przy wyznaczeniu wąskiego gardła w przedsiębiorstwie branży metalurgicznej. Na początku omówiono znaczenie metod symulacyjnych w inżynierii produkcji. Następnie scharakteryzowano proces produkcyjny wytwarzania prętów mosiężnych w wybranym przedsiębiorstwie branży metalurgicznej z uwzględnieniem specyfiki poszczególnych stanowisk roboczych w rzeczywistych warunkach produkcyjnych. Arbitralnie założono, że do opisu zachodzących zjawisk w analizowanym procesie produkcyjnym adekwatnym do rzeczywistych warunków eksploatacyjnych na poszczególnych stanowiskach produkcyjnych odpowiednie są modele statystyczne oparte na rozkładzie trójkątnym, normalnym oraz jednostajnym. Dalej podjęto próbę przedstawienia wzajemnych relacji pomiędzy istniejącymi stanowiskami produkcyjnymi oraz połączenia ich w jeden system produkcyjny. Dokonano tego, stosując pakiet symulacyjny programu ARENA. Dla tak zaproponowanego podejścia symulacja komputerowa pozwoliła na wyodrębnienie wąskiego gardła w prezentowanym procesie technologicznym wytwarzania prętów mosiężnych. Rozwiązanie teoretyczne weryfikowano metodami statystycznymi w warunkach przemysłowych, czego efektem jest propozycja sposobu zwiększenia wydajności produkcji. Przeprowadzony plan eksperymentu pozwolił na zidentyfikowanie czynności oraz oszacowanie ich wpływu na występowanie wąskiego gardła w procesie produkcyjnym.

EN

The aim of the article is to present the research methodology for determining the bottleneck in a metallurgical company. At the beginning, the importance of simulation methods in production engineering is discussed. Then, the production process of brass rods in a selected company in the metallurgical industry is characterized, taking into account the specificity of individual workstations in real production conditions. It was arbitrarily assumed that statistical models based on a triangular, normal and uniform distribution are used to describe the phenomena occurring in the analyzed production process, adequate to the actual operating conditions at individual production stations. Next, an attempt is made to present the mutual relations between the existing production stations and to combine them into one production system. This was done using the ARENA simulation model. In the proposed approach, the computer simulation allowed us to isolate the bottleneck in the presented technological process of producing brass bars. The theoretical solution was verified using statistical methods in industrial conditions, and the results show the possibility of increasing production efficiency. The conducted research identified the activities and estimated their impact on the occurrence of the bottleneck in the production process.

Słowa kluczowe

PL

symulacja komputerowa; proces produkcyjny; ARENA; wąskie gardło

EN

computer simulation; production process; ARENA; bottleneck

• Wydawca: Wydawnictwo Politechniki Poznańskiej
• Czasopismo: Zeszyty Naukowe Politechniki Poznańskiej. Organizacja i Zarządzanie
• Rocznik: 2021
• Tom: Nr 84
• Strony: 95--110
• Opis fizyczny: Bibliogr. 26 poz., rys., tab.

Twórcy

autor

Kamiński Piotr

• Akademia Techniczno-Humanistyczna w Bielsku-Białej, Wydział Budowy Maszyn i Informatyki, Katedra Inżynierii Produkcji

• https://orcid.org/0000-0003-4758-9679

autor

Drobina Robert

• Akademia Techniczno-Humanistyczna w Bielsku-Białej, Wydział Budowy Maszyn i Informatyki, Katedra Inżynierii Produkcji

• https://orcid.org/0000-0001-7346-6694

Bibliografia

• 1. Altiok, T., Melamed, B. (2010). Simulation Modeling and Analysis with Arena. Academic Press is an imprint of Elsevier. Rutgers University Piscataway, New Jersey.
• 2. Cao, Z., Deng, J., Liu, M., Wang, Y. (2012). Bottleneck prediction method based on improved adaptive network-based fuzzy inference system (ANFIS) in semiconductor manufacturing system. Chinese Journal of Chemical Engineering, 20(6), 1081-1088.
• 3. Holweg, M., Bicheno, J. (2009). The Lean Toolbox, The essential guide to Lean transformation. Buckingham: Buckingham Production and Inventory Control Systems and Industrial Engineering Books.
• 4. Jasiński, W. (2014). Techniczne zabezpieczenie ciągłości procesu produkcyjnego w przykładowym przedsiębiorstwie przemysłu lekkiego. Zeszyty Naukowe Politechniki Poznańskiej. Organizacja i Zarządzanie, 62, 31-46.
• 5. Kamiński, P. (2021). Identyfikacja technologiczna wytwarzania prętów mosiężnych przy wykorzystaniu modeli symulacyjnych i probabilistycznych. Praca doktorska, Akademia Techniczno-Humanistyczna w Bielsku-Białej.
• 6. Knosala, R. (2017). Inżynieria produkcji – kompendium wiedzy. Warszawa: Polskie Wydawnictwo Ekonomiczne.
• 7. Kramarz, W. (2012). Model sterowana przepływami materiałowymi w sieci produkcyjnej. Zeszyty Naukowe Politechniki Śląskiej. Organizacja i Zarządzanie, 60, 153-163.
• 8. Krwawicz, M. (2018). Podstawy organizacji i zarządzania. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej.
• 9. Law, A., Kelton, D. (2000). Simulation modeling and analysis. New York: McGraw-Hill.
• 10. Li, L., Chang, Q., Ni, J. (2009). Data driven bottleneck detection of manufacturing systems. International Journal of Production Research, 47(18), 5019-5036.
• 11. Maciąg, A., Pietroń, R., Kukla, S. (2013). Prognozowanie i symulacja w przedsiębiorstwie. Warszawa: Polskie Wydawnictwo Ekonomiczne.
• 12. Martinkovic, K. (2018). Computer simulation in the assessment of new production variants. Diploma thesis, University of Žilina.
• 13. Michalski, E. (2013). Zarządzanie przedsiębiorstwem: podręcznik akademicki. Warszawa: PWN.
• 14. Nieporowski, P. (2015). Etyka niejawnej obserwacji uczestniczącej jako metody badawczej stosowanej w naukach społecznych. Rocznik Lubuski, 41, 1, 67-76.
• 15. Nowak, R. (2002). Statystyka dla fizyków. Warszawa: PWN.
• 16. Orłowski, C., Lipski, J., Loska, A. (2012). Informatyka i komputerowe wspomaganie prac inżynierskich. Warszawa: Polskie Wydawnictwo Ekonomiczne.
• 17. Plinta, D. (2015). Modelowanie i symulacja procesów produkcyjnych. Bielsko-Biała: Wydawnictwo Naukowe Akademii Techniczno-Humanistycznej.
• 18. Plinta, D., Więcek, D. (2012). Production system design. Bielsko-Biała: Wydawnictwo Naukowe Akademii Techniczno-Humanistycznej.
• 19. Plucińska, A., Pluciński, E. (2000). Probabilistyka. Warszawa: Wydawnictwa Naukowo-Techniczne.
• 20. Salwin, M., Krystosiak, K. (2018). Zastosowanie narzędzi inżynierii jakości w procesie wytwarzania tworzyw sztucznych. Przedsiębiorczość i Zarządzanie, 19, 213-228.
• 21. Spring, M., Dalrymple, J.F. (2000). Product customisation and manufacturing strategy. International Journal of Operations and Production Management, 441-467.
• 22. Subramaniyan, M., Skoogh, A., Salomonsson, H., Bangalore, P., Bokrantz, J. (2018). A data driven algorithm to predict throughput bottlenecks in a production system based on active periods of the machines. Computers & Industrial Engineering.
• 23. Thürer, M., Stevenson, M. (2018). Bottleneck-oriented order release with shifting bottlenecks: An assessment by simulation. International Journal of Production Economics, 197, 275-282.
• 24. Woeppel, M. (2009). Jak wdrożyć teorię ograniczeń w firmie produkcyjnej. Warszawa: Wydawnictwo MiNT Book.
• 25. Wolniak, R. (2015). Zarządzanie współczesną organizacją. Gliwice: Wydawnictwo Politechniki Śląskiej.
• 26. Wójcik, P. (2013). Znaczenie studium przypadku jako metody badawczej w naukach o zarządzaniu. Warszawa: Oficyna Wydawnicza SGH, Fundacja Promocji i Akredytacji Kierunków Ekonomicznych.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).