סימולציית ייצור להפרעות ושינויים בתמהיל המוצרים

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

By Mirko Peters · 2026-11-12

סימולציית ייצור להפרעות: בדקו תקלות במכונות, היעדרויות, חומרים שמגיעים באיחור ושינויים בתמהיל המוצרים במודל, לפני שהם פוגעים בקו. מדריך מעשי.

Automatically translated with AI from the original post. Read the English original

סימולציית ייצור מאפשרת להריץ מחדש הפרעה במודל: תקלה בצוואר הבקבוק, העדרות של מפעיל, משלוח מאוחר או שינוי בתמהיל המוצרים. לאחר מכן רואים מה קורה לתפוקה ולזמן האספקה, בלי לגעת בקו האמיתי. המאמר מיועד למתכנני ייצור שרוצים לדעת אילו הפרעות כדאי לדמות, אילו נתונים הם צריכים וכיצד לקרוא את התוצאות.

עיקרי הדברים

• סימולציית ייצור מאפשרת להריץ מחדש הפרעה, כמו תקלה או שינוי בתמהיל המוצרים, במודל ולראות את ההשפעה על התפוקה ועל זמן האספקה לפני שהיא קורית.
• בחרו הפרעות לפי הסבירות וההשפעה, על בסיס הרישומים שלכם. מידול של כל אירוע אפשרי רק יאט את המודל ויקשה לסמוך עליו.
• שינוי בתמהיל המוצרים יכול להזיז את צוואר הבקבוק גם כששווה הנפח הכולל נשאר זהה, מפני שוריאנטים שונים משתמשים במכונות משותפות לפרקי זמן שונים.
• מכיוון שתקלות הן אקראיות, הריצו כל תרחיש מספר פעמים והשוו טווחים, לא תוצאה בודדת.
• קודם בדקו את המודל מול תקופה שחלפה, ושמרו רשימה קצרה של תרחישי הפרעה שאתם מריצים מחדש בכל פעם שהתהליך משתנה.

מה סימולציה יכולה להראות לכם על הפרעה?

הפרעה היא כל דבר שהופך את התוכנית לשגויה: קיבולת נמוכה מהמתוכנן, חומר שאינו קיים, או ביקוש שנראה אחרת מהתחזית. תוכנית עונה על השאלה "מה אמור לקרות". סימולציית מפעל עונה על השאלה "מה קורה אם זה משתבש".

NIST מתארת סימולציית אירועים דיסקרטיים ככלי לניתוח מערכת ייצור תחת תרחישים ותנאים שונים, ולמדידת תפוקה, קיבולת וצווארי בקבוק. באותו עמוד של NIST מצוין גם המכשול המרכזי: קשה להשיג נתונים עדכניים ומדויקים על ציוד ותהליכים. יש לזכור זאת, כי זה קובע עד כמה אפשר לסמוך על כל תוצאה.

הדבר השימושי ביותר שסימולציה מראה הוא היכן הכאב נוחת. עצירה במכונה אחת נדיר שפוגעת רק בה. העבודה מצטברת לפניה, מרעיבה את התחנות שאחריה ומעכבת הזמנות שלא נגעו בה כלל. מודל מציג את השרשרת הזו בתוך דקות, במקום שבועות של כיבוי שריפות.

זה גם עוזר לראות שצוואר הבקבוק יכול לזוז. המבוא של מכון Lean Enterprise לתיאוריית האילוצים (theory of constraints) קובע שאחרי שפועלים על האילוץ, יש לבחון מחדש אם הוא עבר לחלק אחר של המערכת. הפרעה עושה את אותו הדבר בלי לשאול אתכם. הריצו אותה במודל קודם. ה-bottleneck

אילו הפרעות שווה לדמות?

לא כולן. התחילו מרשימה קצרה, ובחרו לפי שתי שאלות: באיזו תדירות זה קורה, וכמה זה עולה כשזה קורה?

מועמדים טיפוסיים:

• עצירות מכונה. דמו כמה לעתים קרובות המכונה נעצרת וכמה זמן נמשכים התיקונים. ממוצעים מסתירים תיקונים ארוכים, ואלה בדיוק מה שפוגע. אם יומן התחזוקה שלכם כולל משכי עצירה אמיתיים, השתמשו בפיזור שלהם ולא רק בממוצע.
• אנשים. היעדרויות, מיומנות חסרה במשמרת אחת, מגבלות שעות נוספות.
• חומרים. אספקה מאוחרת, אספקה חסרה, או השהיית איכות על אצווה נכנסת.
• הפסד איכות. גרוטאות או עבודה חוזרת שמחזירה חלקים דרך תחנה.
• הזמנות דחופות. הזמנה דחופה שמקפצת את התור ומחייבת הכנות נוספות.
• שינויים בביקוש. חלק שונה של וריאנטים, או קפיצה בנפח.

השתמשו ברשומות שלכם כדי לדרג אותן. בדקו את יומן ההשבתות של השנה שעברה, דוחות המשמרות ורשימת ההזמנות המאוחרות. אם הפרעה מופיעה שם מדי חודש, סמלו אותה. אם קרתה פעם אחת בחמש שנים, רשמו אותה והשאירו אותה בחוץ לעת עתה.

איך מדמים שינוי במיקס המוצרים?

מיקס המוצרים הוא החלק של כל וריאנט בזרם ההזמנות שלכם. זה חשוב, כי וריאנטים כמעט אף פעם לא משתמשים במכונות משותפות לאותו זמן. כשהמיקס משתנה, העומס על כל משאב משתנה, גם אם המספר הכולל של היחידות נשאר זהה.

מאמר מ-Winter Simulation Conference על סימולציה אינטראקטיבית של ייצור מדגים את האפקט באזור של תנור אצווה. מוצרים יכולים לחלוק אצווה רק תחת כללי שילוב מסוימים, כך שסדר המוצרים משפיע על השימוש בתנור, וצוואר הבקבוק זז ככל שהמיקס משתנה. זה מאמר ישן ומקרה מיוחד, אבל הלקח תקף לרוב המשאבים המשותפים.

הנה דרך לעבור על זה:

1. קבעו קו בסיס. השתמשו במיקס של היום וודאו שהמודל משחזר את הפלט וזמני האספקה האחרונים.
2. הגדירו את המיקס החדש. כתבו אותו כחלקים מהנפח, לדוגמה "וריאנט B גדל ממיעוט למחצית מההזמנות". החליטו אם הנפח הכולל נשאר שטוח או גדל.
3. בדקו את הנתונים לכל וריאנט. לכל וריאנט צריך להיות נתיב עיבוד, זמני תהליך וזמני הכנה משלו. מעברים בין וריאנטים לעיתים קרובות חשובים יותר מזמני הריצה.
4. הריצו את המיקס החדש. השוו ניצול לפי משאב, אורכי תורים וזמן אספקה לפי וריאנט.
5. הזיזו את המיקס בשלבים. אל תבדקו רק את המצב הסופי. שנו אותו במספר שלבים כדי לאתר את הנקודה שבה צוואר הבקבוק עובר למשאב אחר, או את הנקודה שבה זמן האספקה מתחיל לטפס במהירות.
6. רשמו מה הייתם משנים. משמרת שנייה, מאגר ביניים, כלל רצף אחר, כלי נוסף במכונה שנייה. אחר כך בדקו את השינויים האלה באותו מודל.

דוגמה: בדיקה מהירה על גב מעטפה (מספרים היפותטיים)

הדוגמה הזו מומצאת כדי להמחיש את ההיגיון. זו אינה תוצאה שנמדדה.

בתא אחד יש מכונת פרוזה אחת. וריאנט A לוקח שם 6 דקות, וריאנט B לוקח 10 דקות. היום 70% מההזמנות הן A ו-30% הן B. זמן ממוצע ליחידה הוא 0.7 × 6 + 0.3 × 10 = 7.2 דקות. במשמרת של 450 דקות, הפרוזה יכולה לייצר כ-62 יחידות.

עכשיו המיקס עובר ל-50% A ו-50% B. הממוצע הופך ל-8 דקות, ואותה משמרת נותנת כ-56 יחידות. זו ירידה של כ-10% בפלט רק מהמיקס, בלי תקלה בכלל.

מוסיפים עצירה של 45 דקות. לפרוזה נשארות עכשיו 405 דקות, והמשמרת נותנת כ-50 יחידות. שני שינויים שנראים תמימים הורידו בערך חמישית מהפלט.

החישוב הזה הוא בדיקה ראשונית טובה, ומומלץ לעשות אותו לפני שבונים כל מודל. מה שהוא לא יכול להראות הם תורים, הכנות, כללי אצוות, עצירות אקראיות וההשפעה המצטברת על התחנה הבאה. את זה מוסיפה הסימולציה.

אילו נתונים נדרשים לתרחישים?

תרחישי הפרעה דורשים כמה דברים שהמודל הרגיל אולי לא כולל. עברו על הרשימה הזו לפני שאתם מבטיחים תוצאות.

• היסטוריית עצירות לכל מכונה: כמה פעמים היא נעצרת וכמה זמן נמשכת כל עצירה, מתוך יומן התחזוקה או ההשבתות.
• לוחות עבודה ומיומנויות: מי יכול להפעיל איזו תחנה, ומה קורה במשמרת קצרה.
• זמני הכנה ומעבר בין וריאנטים, לא רק זמני ריצה.
• נתוני הזמנות ותאריכי יעד, כדי שתוכלו לראות אילו הזמנות מתעכבות ולא רק שמשהו התעכב.
• הכללים שהקו באמת פועל לפיהם היום: כללי רצף, מגבלות שעות נוספות, ומתי עבודה עוברת למכונה אחרת.

אם שורה חסרה, ציינו זאת בתיאור התרחיש. תוצאה שנבנתה על משך עצירה שנוחש היא ניחוש עם גרף יפה סביבו. בקשו מצוות הקו לבדוק את המספרים. לעיתים קרובות הם יגידו לכם תוך שתי דקות איזה מהם שגוי.

איך מריצים מחקר הפרעות?

השלבים זהים לכל פרויקט סימולציה, עם כמה נקודות שחשובות יותר בהפרעות.

1. כתבו את השאלה. למשל: "אם המכונה בטחנה תהיה מושבתת במשמרת שלמה, אילו הזמנות יחרגו מהמועד שלהן, ומה התגובה הזולה ביותר?"
2. אמתו את נקודת הבסיס. השוו את פלט המודל לתקופה קודמת. אם הפער גדול, תקנו את הנתונים לפני שתוסיפו אפילו תקלה אחת.
3. הגדירו קבוצה קטנה של תרחישים. שלושה עד חמישה מספיקים. תנו שם לכל תרחיש, ורשמו מה משתנה ולכמה זמן.
4. הריצו כל תרחיש מספר פעמים. תקלות מתרחשות באופן אקראי, ולכן ריצה אחת עשויה להיראות טובה או גרועה יותר מהרגיל. השוו את טווח התוצאות, ולא מספר בודד.
5. בדקו תגובות. שעות נוספות, העברת עבודה למכונה אחרת, שינוי הסדר, שימוש במלאי. מחקר תקלות ללא אפשרויות תגובה אומר רק שדברים משתבשים.
6. סכמו על כלל ההחלטה. לפני ההרצה, החליטו איזו תוצאה תחייב אתכם לפעול. אחרת המספרים רק ייכנסו לוויכוח.

שמרו את התרחישים ברשימה קצרה שאפשר להריץ מחדש כששיטת העבודה משתנה. ספריית תרחישים שווה יותר מכל מחקר בודד.

היכן כלי Microsoft נכנסים?

מערכת ה-ERP שלכם היא בדרך כלל המקום שבו נמצאים נתיבי הייצור, עצי המוצר ולוחות הזמנים של מרכזי העבודה. לכן היא המקור הטבעי לנתוני הבסיס של המודל. המודל עצמו הוא בדרך כלל תוכנה נפרדת.

להצגת תוצאות, Power BI מתאים להשוואת תרחישים זה לצד זה. Microsoft Learn מתעד גם פרמטרי what-if: משתנה מתכוונן שצופי הדוח משנים בעזרת מסנן חתך, כך שהדוח מחושב מחדש. זה שימושי לחשבון פשוט כמו הדוגמה לעיל, למשל שינוי נתח התמהיל וצפייה בשינוי נתון הקיבולת. Microsoft מציינת שפרמטרים אלה מיועדים למדדים בתרשימים. הם אינם מדמים תורים, ולכן אל תתבלבלו ותחשבו שמחוון what-if הוא סימולציה.

טעויות נפוצות

• סימולציה של הכול. תרחישים רבים מדי הופכים את המודל לאיטי ואת התוצאות לקשות להסבר.
• שימוש בזמני תיקון ממוצעים בלבד. העצירות הארוכות הן שגורמות לרוב הנזק.
• בדיקה רק של המצב הסופי של שינוי בתמהיל. צוואר הבקבוק לעיתים זז בדרך.
• דילוג על בדיקת נקודת הבסיס. אם המודל אינו מסוגל לשחזר את החודש שעבר, תוצאות התקלות שלו הן ניחושים.
• סמיכה על ריצה אחת. כשיש אירועים אקראיים, ריצה בודדת עלולה להטעות.
• שכחה של האנשים. היעדרויות, כישורים ומגבלות שעות נוספות צריכים להיכלל במודל כשהתקלה קשורה לאיוש.
• בניית מודל חד-פעמי. מודל שאיש אינו מעדכן אחרי שינוי התהליך הבא יתיישן תוך חודשים ספורים.

היכן Polaris מתאים?

אם השאלות שלכם עוסקות בקיבולת, באיוש, במאגרים או בתמהיל מוצרים, iFAKT Polaris היא אפשרות אחת לבחון. iFAKT מתארת את Polaris כ-AI ותאום דיגיטלי לייצור, המשלב נתוני ERP עם תאום דיגיטלי של הייצור. המודול Polaris Simulator בודק את מערכת הייצור באופן וירטואלי, כולל תרחישי קיבולת, איוש ומאגרים, ותמהילי מוצרים דינמיים על משאבים משותפים. המודול Polaris Optimizer מזהה צווארי בקבוק and, כשמתרחשות תקלות, מנתח את השפעתן ומבצע אופטימיזציה מחדש של התוכנית. אם זה מתאים תלוי בנתונים שלכם ובשאלה שלכם, לכן כדאי לנסות זאת קודם על מקרה צר אחד.

נושאים קשורים לחקירה

• הזנת המודל בנתונים חיים. תאום דיגיטלי שומר על חיבור המודל למפעל. החליטו תחילה אם ההחלטה שלכם דורשת זרם נתונים חי, או רק מודל טוב.
• מידול התגובה האנושית. תגובות מאוחרות ושינויי משמרות משנים את משך התקלה, ולכן הוסיפו אותם כשהאיוש הוא חלק מהשאלה.
• התאוששות והפעלה מחדש. לאחר שהתקלה מסתיימת, צבר העבודה מציף את הקו. בצעו סימולציה של ההפעלה מחדש, כולל מגבלות שעות נוספות.
• סגירת המעגל עם התכנון. כשתקלה מתממשת, לוח הזמנים חייב להשתנות. חשבו איך תוצאת הסימולציה מזינה את התכנון מחדש.

הצעד הבא

הדרך הקלה ביותר להתמודד עם שיבושים בסימולציית ייצור היא להתחיל מיומן ההשבתות שלכם. בחרו את השיבוש שעלה לכם הכי ביוקר בשנה שעברה, נסחו אותו כתרחיש של משפט אחד הכולל משך זמן ומשאב מושפע, ובדקו אותו במודל, גם אם הוא גס, לפני פגישת התכנון הבאה.