Ligne d’assemblage automobile Modèle en direct

Vous conduisez un poste de travail sur un tronçon de ligne d’assemblage final de véhicules : cinq postes en série avec de petits couloirs tampons entre eux. Chaque arrêt se répercute en amont et en aval, chaque défaut est soit corrigé au poste, soit transmis, et l’équipe a un plan de production à tenir.

Ce que vous allez apprendre

Simulateur

Temps 0 min
TRS (OEE) 0,0% · Production vs plan 100,0% · En-cours 13 · Défauts échappés 0 · S1 En fonctionnement, S2 En fonctionnement, S3 En fonctionnement, S4 En fonctionnement, S5 En fonctionnementS1▶S2▶S3 ★▶S4▶S5▶3/33/31/31/3⚙ Débit 50,0 · Rythme vs takt 100% · Délai de traversée de la ligne 16 minTRS 0,0 % = disponibilité 100,0 × performance 0,0 × qualité 100,0📋 0 / 0 (100,0%) · ⚑ 0🔧 Unités en attente à l’atelier de réparation 0 · ⚠ Défauts échappés 0
  • En fonctionnement
  • Affamé (pas d’unité)
  • Bloqué (pas de place en aval)
  • En panne
  • Arrêt andon
  • Unité dans un couloir tampon

Commandes

Pourcentage de la vitesse nominale. Des cycles plus rapides augmentent la production — ainsi que les taux de pannes et de défauts.

Nombre d’unités que chaque couloir entre postes peut contenir. Plus grand, il découple les arrêts, mais augmente les en-cours.

Chaque technicien répare un poste ; le goulot d’étranglement est servi en premier, un second technicien accélère une réparation.

Les opérateurs arrêtent leur poste pour corriger un défaut sur place. Cela coûte du temps de marche — y compris des arrêts pour des anomalies qui se révèlent n’être rien — mais évite que les défauts ne se propagent.

Une équipe de trois personnes répare pendant une heure les unités repérées au test de fin de ligne, afin qu’elles puissent être expédiées.

Indicateurs

TRS (OEE)
0,0%
critique
Production vs plan
100,0%
normal
Défauts échappés
0
normal
En-cours
13
normal
Disponibilité100,0 %
Performance0,0 %
Taux de qualité100,0 %
Rythme vs takt100 %
Débit50,0 JPH
Unités d’avance (+) / de retard (−) sur le plan0
Délai de traversée de la ligne16 min
Unités en attente à l’atelier de réparation0
Heures de main-d’œuvre par unité0,00 h
Postes en panne0
Goulot inactif (affamé ou bloqué)0,0 %

Tendance

TRS (OEE): — %100,00,0

Scénarios de crise

Niveau 1 · Protéger le goulot lors d’un arrêt en amont

Plan : 50 unités par heure pour un demi-poste de quatre heures. Le poste 3 est le goulot de la ligne et un seul technicien de maintenance est de service. La maintenance signale qu’une pièce usée du poste 2 — juste devant le goulot — doit être remplacée à la minute 35 : une intervention de 40 minutes pour un seul technicien.

  • Production ≥ 101 % du plan à la fin du demi-poste
  • Goulot à l’arrêt ≤ 7 % du temps
  • En-cours moyen ≤ 18 unités

Niveau 2 · Écart de qualité au poste de garnissage

Plan : 52 unités par heure pour un demi-poste de quatre heures, et dix unités du poste précédent attendent encore dans la zone de réparation. Vingt minutes plus tard, un problème de fixation apparaît au poste 4 : environ une unité sur huit en sort avec un défaut. Le test de fin de ligne en détecte la plupart — pas toutes.

  • Au plus 1 défaut s’échappe vers le client
  • Production ≥ 104 % du plan à la fin (les unités réparées du retard comptent)
  • Au plus 3 unités restent à l’atelier de réparation
  • En-cours moyen ≤ 16 unités

Niveau 3 · Pic de demande

La ligne tourne à 80 % de sa vitesse pour un plan de 47 unités par heure. Vingt minutes après le début du demi-poste, les ventes relèvent le plan à 56 unités par heure — le temps de takt passe d’environ 1,28 à 1,07 minute, et le goulot ne peut pas suivre à 80 %. Aucune heure supplémentaire n’est autorisée.

  • Production ≥ 102 % du plan après deux heures
  • Production ≥ 103 % du plan à la fin du demi-poste
  • Au plus 1 défaut échappe jusqu’au client
  • En-cours moyens ≤ 20 unités

Base — le modèle derrière les chiffres

Chaque relation utilisée par le simulateur, avec sa source. Les constantes marquées comme hypothèses sont des calibrations illustratives.

Le TRS (OEE) multiplie disponibilité, performance et qualité, mesurés au goulot ; il est égal au temps de cycle idéal × unités bonnes ÷ temps planifié.
OEE = A × P × Q; A = (T_plan − T_stop)/T_plan, P = CT_ideal · N_bn / (T_plan − T_stop), Q = N_first-pass / N_out; OEE = CT_ideal · N_good / T_plan when N_bn = N_out[1][2]Le produit est égal au temps de cycle idéal × unités bonnes ÷ temps planifié seulement tant que la production du goulot est égale à celle de la ligne ; les unités encore situées entre le poste 3 et la fin de la ligne font une petite différence.
Un poste ne transmet son unité que si le tampon suivant a de la place (sinon il est bloqué) et ne démarre que si le tampon précédent contient une unité (sinon il est affamé).
station i: cycle = c_i / v; moves on iff buffer_i < K (else blocked); starts iff buffer_{i−1} > 0 (else starved)[3][4]
La ligne ne peut jamais aller plus vite que son poste le plus lent ; le temps de takt est le temps disponible divisé par la demande.
r_line ≤ r_b = v / max_i c_i; takt = available time / demand = 60 / plan [min/unit][5][7]
Contrainte de vitesse : les pertes liées à la vitesse croissent sans limite à mesure que la ligne approche de la limite de ses équipements et de ses opérateurs (105 % de la vitesse nominale).
σ_n(v) = ((1.05 − 0.85) / (1.05 − v))^n (σ = 1 at 85 %; σ_1: 2× at 95 %, 4× at 100 %; σ_2: 4× at 95 %, 16× at 100 %)Hypothèse : les temps de cycle, les temps de panne et de réparation, les taux de défauts et de faux arrêts, la loi de contrainte de vitesse et la taille des équipes sont des valeurs illustratives, pas des données d’une usine réelle.
Les postes ne tombent en panne que lorsqu’ils travaillent, d’autant plus souvent que la ligne tourne près de sa limite ; le temps de réparation diminue quand un second technicien se joint à l’intervention.
P(fail in Δt) = 1 − exp(−λ_i · t_work), λ_i = σ_1(v) / MTBF_i; repair work ~ Erlang-3(mean MTTR_i), done at rate 1 + 0.6·(n−1), n ≤ 2[4][1]Hypothèse : les temps de cycle, les temps de panne et de réparation, les taux de défauts et de faux arrêts, la loi de contrainte de vitesse et la taille des équipes sont des valeurs illustratives, pas des données d’une usine réelle.
Les défauts augmentent avec la vitesse encore plus fortement que les pannes. Avec l’andon, la plupart des défauts sont détectés et corrigés au poste, au prix de courts arrêts (dont certains sont de fausses alertes) ; sinon le test de fin de ligne en attrape une partie et le reste s’échappe.
p_i = p0_i · σ_2(v) (+0.12 excursion at S4); andon: detect 90 %, stop 1.5 min, fix; false stops 0.3 % · σ_2(v) per unit and station; end-of-line test catches 70 %[7][1]Hypothèse : les temps de cycle, les temps de panne et de réparation, les taux de défauts et de faux arrêts, la loi de contrainte de vitesse et la taille des équipes sont des valeurs illustratives, pas des données d’une usine réelle.
Loi de Little : le temps moyen de traversée de la ligne est égal aux en-cours divisés par le débit.
lead time W = WIP / throughput (L = λW)[6][5]
Autres constantes d’exploitation utilisées par le modèle.
cycle c = 0.62/0.64/0.90/0.75/0.72 min at rated speed (S3 = bottleneck) · MTBF 120/100/200/110/150 min of work, MTTR 4/4/3/4/3 min at 85 % speed · S2 part replacement 40 technician-min · p0 = 0.15/0.15/0.2/0.2/0.05 % per unit · excursion contained after 3 andon pulls or 15 units caught at test · rework 4 min/unit, team of 3 for 1 h per call · 40 line operators · moving averages over 30 minHypothèse : les temps de cycle, les temps de panne et de réparation, les taux de défauts et de faux arrêts, la loi de contrainte de vitesse et la taille des équipes sont des valeurs illustratives, pas des données d’une usine réelle.

Aléa : un générateur mulberry32 à graine ; lois utilisées — uniforme, exponentielle (fonction de répartition inverse), normale (Box–Muller), Poisson (Knuth). La graine est affichée et partageable.

Sources

  1. S. Nakajima — Introduction to TPM: Total Productive Maintenance (OEE = availability × performance × quality; six big losses) — Productivity Press, 1988
  2. ISO 22400-2:2014 — Automation systems and integration — KPIs for manufacturing operations management — Part 2: Definitions and descriptions (availability, effectiveness, quality ratio, OEE index) — ISO, 2014
  3. J. A. Buzacott, J. G. Shanthikumar — Stochastic Models of Manufacturing Systems (flow lines with finite buffers, blocking, starvation) — Prentice Hall, 1993
  4. Y. Dallery, S. B. Gershwin — Manufacturing flow line systems: a review of models and analytical results (operation-dependent failures, blocking after service) — Queueing Systems 12, 1992
  5. W. J. Hopp, M. L. Spearman — Factory Physics, 3rd ed. (bottleneck rate, variability buffering, Little’s law) — Waveland Press, 2011
  6. J. D. C. Little — A Proof for the Queuing Formula L = λW — Operations Research 9(3), 1961
  7. T. Ohno — Toyota Production System: Beyond Large-Scale Production (jidoka, stopping the line on abnormalities, takt) — Productivity Press, 1988

Qui fait cela comme métier

Modèle pédagogique — pas pour des décisions opérationnelles. Les sites réels calibrent chaque constante sur leurs propres équipements et données.