Estudio en un entorno de producción híbrida MTS/MTO mediante simulación

Equation Chapter 1 Section 1 Proyecto Fin de Master Organización Industrial y Gestión de Empresas “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” Autor: Sebastián Bravo Guzmán Tutor: Marcos Calle Suárez Dpto. de Organización Industrial y Gestión de Empresas I Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2020 iii Proyecto Fin de Master Organización Industrial y Gestión de Empresas “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” Autor: Sebastián Bravo Guzmán Tutor: Marco Calle Suárez Profesor titular Dpto. de Organización Industrial y Gestión de Empresas I Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2020 v Proyecto Fin de Master: “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” Autor: Sebastián Bravo Guzmán Tutor: Marco Calle Suárez El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2020 El Secretario del Tribunal vii A mis padres, a mi familia A mis profesores A mis compañeras de clase ix Agradecimientos Dos años después de finalizar mis estudios en Ingeniería Civil, ante las dificultades laborales en el sector, llegué a la conclusión que era el momento de cambiar de rumbo. En esta nueva búsqueda aparece la Universidad de Sevilla y el Máster en Organización Industrial y Gestión de Empresas, ofreciéndome un curso más que interesante que cumplía con todas las expectativas que estaba buscando. Al aplicar tuve la fortuna de conseguir una de las treinta ansiadas plazas, encontrando en Sevilla mi nuevo destino. Llegar a Sevilla no fue fácil, un cambio importante no solo de universidad, sino también de adaptación a la Ingeniería de Organización Industrial. Por ello, mis agradecimientos van dirigidos a aquellas personas que hicieron este periodo de transición más fácil, en especial mención a mis dos compañeras y amigas que me han acompañado a lo largo de este camino, María y Sara. Infinitas gracias a mis padres, que siempre me han apoyado en cada uno de los pasos que he ido dando en mi vida. Y por supuesto a Marcos, por transmitirme su conocimiento para llevar este trabajo a buen término, por su paciencia y esmero. Sebastián Bravo Guzmán Sevilla, 2020 ÍNDICE DE TABLAS Tabla 1. Principales características de las estrategias de cumplimiento de pedidos en función del producto, del proceso de fabricación y la logística. 7 Tabla 2. Ventajas y Efectos Negativos según en la dirección en la que se mueva el CODP [8]. 8 Tabla 3. Tabla comparativa de diferentes trabajos para definir la posición del CODP [8]. 9 Tabla 4. Softwares comerciales para la simulación de eventos discretos (DEV) [24] [25]. 12 Tabla 5. Softwares libres para la simulación de eventos discretos (DEV) [24] [25]. 13 Tabla 6. Sentencias del software de Gurobi para resolver un módelo. 15 Tabla 7. Gama de productos existentes en el problema planteado en función del entorno de producción. 17 Tabla 8. Parámetros de entrada de los pedidos al incorporarse al sistema. 18 Tabla 9. Parámetros para el cálculo de Early Release Date (ERD). 20 Tabla 10. Parámetros de decisión del modelo matemático: Determinación del Precio – Due Date óptimos. 21 Tabla 11. Variables de decisión del modelo matemático: Determinación del Precio – Due Date óptimos. 21 Tabla 12. Parámetros para el modelo de optimización del cáculo de la Fecha de entrega – Precio Mínimo. 25 Tabla 13. Tiempos de procesado para las estaciones y tipo de producto del modelo (Situación 1 y Situación 2). 26 Tabla 14. Total de situaciones diferentes de estudio del supuesto práctico. 26 Tabla 15: Escenario 1 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 1 pedidos al día. 28 Tabla 16. Escenario 1 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 1,5 pedidos al día. 28 Tabla 17. Escenario 1 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 2 pedidos al día. 29 Tabla 18. Escenario 1 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 2,5 pedidos al día. 29 Tabla 19. Escenario 1 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 1 pedidos al día. 30 Tabla 20. Escenario 1 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 1,5 pedidos al día. 30 Tabla 21. Escenario 1 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 2 pedidos al día. 31 Tabla 22. Escenario 1 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 2,5 pedidos al día. 31 Tabla 23. Escenario 2 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 1 pedidos al día. 32 Tabla 24. Escenario 2 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 1,5 pedidos al día. 32 Tabla 25. Escenario 2 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 1 pedidos al día. 33 Tabla 26. Escenario 2 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 1,5 pedidos al día. 33 Tabla 27. Comparativa del cumplimiento de pedidos en función del tiempo entre pedidos. 34 Tabla 28. Comparativa gráfica entre la entrada de pedidos (serie naranja) y la salida de pedidos (serie verde) en el tiempo en la Estación 1 y Estación 3 en función del tiempo de entrada de pedidos. 35 Tabla 29. Comparativa gráfica entre el número de pedidos en cola en el tiempo en la Estación 1 y Estación 3 en función del tiempo de entrada de pedidos. 36 Tabla 30. Compatativa del redimiento del sistema en función del tiempo entre pedidos. 37 xvii Tabla 31. Comparativa del cumplimiento de pedidos en función del tiempo de procesado en el CODP. 37 Tabla 32. Comparativa gráfica entre la entrada de pedidos (serie naranja) y la salida de pedidos (serie verde) en el tiempo en la Estación 3 con los tiempos de procesado de la Situación 1 y Situación 2 en función del tiempo de entrada de pedidos. 38 Tabla 33. Comparativa gráfica entre el número de pedidos en cola en el tiempo en la Estación 3 con los tiempos de procesado de la Situación 1 y Situación 2 en función del tiempo de entrada de pedidos. 39 Tabla 34. Compatativa del redimiento del sistema en función del tiempo de procesado en el CODP. 40 Tabla 35. Comparativa del cumplimiento de pedidos en función del nivel de Stock inicial del Almacén. 40 Tabla 36. Comparativa gráfica entre la entrada de pedidos (serie naranja) y la salida de pedidos (serie verde) en el tiempo en el CODP con un tiempo entre pedidos de 1 y 1,5 días. 41 Tabla 37. Comparativa gráfica entre el número de pedidos en cola en el tiempo en el CODP con un tiempo entre pedidos de 1 y 1,5 días. 42 Tabla 38. Comparativa gráfica del nivel de stock en el almacén para porductos MTS en el tiempo con un tiempo entre pedidos de 1 día. 43 Tabla 39. Comparativa gráfica del nivel de stock en el almacén en el tiempo para porductos MTS con un tiempo entre pedidos de 1,5 días. 44 Tabla 40. Compatativa del redimiento del sistema en función del nivel de Stock inicial del Almacén. 45 ÍNDICE DE FIGURAS Figura 1. Estrategias de cumplimiento de pedidos y posicionamiento del punto de desacople (adaptado [5]). 6 Figura 2. Típica cadena de procesado de alimentos. 16 Figura 3. Estructura de HPP desde el punto de vista del ciclo de la fecha de entrega propuesta por Ebadian M. et al. [23]. 18 Figura 4. Diagrama de flujo del modelo de simulación del problema planteado para el supuesto práctico. 23 xix Notación MTO MTS MTS/MTO i Make to Order Make to Stock Make to Stock/ Make to Oder - Híbrido Orden o pedido entrante en el taller s Estación del taller S Total de estaciones del taller t Instante de tiempo de simulación (días) T Tiempo de simulación (días) Os Total de ordenes o peticiones aceptadas entrantes al sistema OS(i) Pedidos u ordenes con fecha de entrega definida (No flexible) M Un número muy grande ERD Early Release Date DD Delay Date o Fecha de Entrega CODP Esc. 1 Esc. 2 Est. 1 Est. 2 Sit. 1 Sit. 2 OOP WIP Customer Order Decoupling Point Escenario 1 Escenario 2 Estación 1 Estación 2 Situación 1 Situación 2 Object Oriented Programming o Programación Orientada a Objetos Waiting Input Product o Cola de espera de entrada de productos. 1 INTRODUCCIÓN l presente documento titulado “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” es el trabajo presentado para superar la asignatura de Trabajo fin de Máster del Máster en Organización Industrial y Gestión de Empresas. Este trabajo pretende ahondar en el estudio de los nuevos sistemas de producción conocidos como híbridos, donde en los últimos años, académicos y profesionales han introducido este concepto con el fin de acabar con el uso estricto de los sistemas de producción tradicionales Make to Stock (MTS) y Make to Order (MTO) puros. Para tal fin, a lo largo de este trabajo se va a desarrollar una simulación de eventos discretos en un sistema de liberación continua para una planta de procesado alimenticia tradicional multietapa partiendo del trabajo realizado por HeliaYousefnehad et al 2019 [1], estudiando principalmente el flujo de las ordenes de producción y el cumplimiento con las fechas de entrega de las mismas. El trabajo se ha desarrollado mediante un modelado en lenguaje Python junto con la ayuda del módulo de SimPy, para realizar las tareas de simulación, y el módulo de Gurobi, para llevar a cabo la resolución del modelo matemático vinculado al proceso de simulación para optimizar la capacidad límite del sistema. El documento pretende de este modo enriquecer la información existente sobre simulación de eventos discretos en sistemas de fabricación híbridos, pero esta vez utilizando una herramienta que se encuentra en auge debido a las facilidades que brinda, mostrando su versatilidad y sencillez a la hora de diseñar comportamientos de eventos discretos. E 2 JUSTIFICACIÓN Y OBJETIVOS ctualmente, la globalización mundial y el veloz desarrollo de las tecnologías, entre otros factores, provocan en los mercados un aumento significativo de la competitividad , obligando a organizaciones y empresas replantearse su forma de producir, comercializar y distribuir sus productos bajo conceptos de flexibilidad, agilidad y adaptabilidad a nuevas necesidades en los hábitos de los consumidores, quienes demandan productos cada vez más personalizados. De esta idea nacen los sistemas de producción híbridos, buscando el término medio entre los sistemas de producción a demanda, conocidos como MTS, los cuales ofrecen acceso a productos de una forma más rápida, pero sin ninguna personalización del producto, y los sistemas de producción a petición del cliente, conocidos como MTO, con total personalización del producto, pero con un mayor plazo de entrega. La idea es estudiar hasta qué punto del proceso de fabricación del producto se puede fabricar mediante demanda para posteriormente personalizar el producto con los requisitos establecidos por el cliente. 2.1. Objetivo El documento tiene como objetivo presentar una nueva estructura para la aceptación / rechazo de pedidos y lograr una alta adherencia en la fecha de vencimiento en un contexto híbrido MTS / MTO con productos MTS, MTS / MTO y MTO puros a través del modelo de simulación planteado. 2.1.1. Objetivos Específicos • Realizar una revisión bibliográfica sobre los sistemas híbridos de producción y sobre las herramientas de simulación utilizadas para la simulación de eventos discretos, profundizando sobre los diferentes sistemas de producción existente, en que se rigen, y en qué casos usar uno u otros. • Poner en práctica los conocimientos adquiridos en el máster sobre simulación de eventos discretos y optimización a través de la elaboración de un modelo de simulación desarrollado mediante el lenguaje Python con el módulo SimPy y el paquete de optimización de Gurobi para la simulación de eventos discretos y la resolución del modelo de optimización respectivamente. • Estudiar el comportamiento del modelo de simulación propuesto de una línea de producción alimenticia de cuatro estaciones, respondiendo principalmente a la entrada, aceptación y retraso de los pedidos, así como el comportamiento de las colas en el modelo simulado, basados en las variaciones del tiempo de entrada de pedidos, los tiempos de procesado de los productos y el nivel de stock inicial del Almacén. A 3. INTRODUCCIÓN A LOS SISTEMAS DE PRODUCCIÓN a globalización y el dinamismo de los mercados obligan que las empresas tengan que definir estrategias de producción más eficientes para cada tipología de pedido capaces de dar una respuesta rápida al cliente. En la literatura tradicional sobre las estrategias de producción se ha trabajado en dos líneas bien diferenciadas: la fabricación para inventarios (make to stock – MTS) y la fabricación bajo pedido (make to order – MTO), con unas dinámicas de producción y gestión que pueden calificarse de antagónicas. MTS está basado en pronósticos de demanda y se utiliza generalmente para producir productos genéricos y de alta rotación y MTO responde exclusivamente a órdenes en firme y permite mayor flexibilidad de producto, aunque con un tiempo de respuesta mayor. A pesar de la clara diferenciación entre ambos, no siempre es posible evitar que aparezcan conjuntamente en los ambientes de producción reales, dando lugar al enfoque híbrido de MTS y MTO. El enfoque híbrido consiste en empezar produciendo modelos de productos generales según un pronóstico (MTS) para después modificar los productos parcialmente terminados según los pedidos que vayan llegando (MTO). Esta política es mencionada por algunos autores como ensamblar-bajo-pedido (assemble-to-order- ATO), terminar-bajo-pedido (finish-to-order FTO) [2] o producir-para-pronóstico (make-to-forecast-MTF) [3]. Sean cuales sean las estrategias de cumplimientos de pedidos que puedan adoptar las empresas, el denominador común que permite diferenciarlas es el posicionamiento del punto de desacople o punto de penetración de pedidos, en inglés conocido como Customer Order Decoupling Point (CODP) u Order Penetration Point (OPP). En esta revisión literaria se pasará a hacer una mayor descripción de los conceptos de CODP y de las principales estrategias de producción utilizadas en la industria. Además, dado el ambiente combinado MTS/MTO en el que se desarrolla este documento, se profundizará en aquellas cuestiones que necesitan ser analizadas en la producción en un ambiente híbrido tales la secuenciación de producción. 3.1. Punto de Desacoplamiento En las últimas dos décadas, desarrollar nuevas estrategias de producción tales como MTS/MTO manufacturing han atraído la atención de muchos investigadores de la comunidad científica debido a las diferencias entre la demanda real de mercado y las previsiones de demanda. El punto de diferenciación entre las estrategias MTS y MTO es conocido como Order Penetration Point (OPP) o punto de desacoplamiento, convirtiéndose en una importante estrategia de decisión en las cadenas de suministros y sistemas de producción gracias a sus capacidades para reducir los costes del manejo de inventario. L Durante el ciclo de vida del pedido, cada vez que se manipula el pedido, se manipula al cliente. Cada vez que el pedido es desatendido, el cliente se siente desatendido. Shapiro, Rangan y Sviokla ,1992 Generalidades de Python, SimPy y Gurobi 12 12 4. GENERALIDADES DE PYTHON, SIMPY Y GUROBI Medir el progreso de la programación por líneas de código es como medir el progreso en la construcción de aviones por el peso. Bill Gates l mundo real está lleno de sistemas, como aeropuertos o carreteras, que frecuentemente experimentan congestión y retrasos. Una mala asignación de los recursos puede provocar insatisfacción del cliente, retrasos críticos en el transporte o pérdidas económicas, por lo que es importante poder modelar y simular estos procesos de antemano. Esto proporciona una idea de dónde podría tener problemas el sistema y cómo se deben asignar los recursos con anticipación para resolver esos problemas de la manera más eficiente posible. Una simulación no es más que una representación de un sistema del mundo real. Se pueden usar modelos matemáticos o computacionales en el sistema para estudiar cómo funciona o qué sucede cuando se cambian partes de él. Comprender los procesos por los que pasan los agentes dentro de un sistema es un componente importante de la planificación logística, especialmente para las organizaciones a gran escala. El sistema estudiado en este documento se trata de una línea de producción alimenticia donde el nivel del inventario sufre variaciones contantes por las acciones de compra y venta de sus productos. Estas disminuciones y aumentos en el inventario son eventos discretos variables (DEV) dentro del flujo del sistema, no continuas, de ahí el apellido de eventos discretos para la simulación. Las Tablas 4 y 5 recogen algunos de los softwares existentes en el mercado para realizar simulación de eventos discretos, tanto comerciarles como libres, respectivamente. Software Editor Descripción AnyLogic La Compañía AnyLogic Una herramienta de modelado multimethod propósito general. Arena (software) Rockwell Automation Un programa de simulación de eventos discretos, que también permite el modelado de procesos continuos. Flexsim Flexsim Software Products, Inc. Un software de simulación de eventos discretos con una interfaz de arrastrar y soltar para las simulaciones de modelado en 3D. Plant Simulation Siemens PLM Software Un software que permite la simulación y optimización de sistemas de producción y procesos. ProModel ProModel, Inc. Una herramienta de simulación de eventos discretos que también permite el modelado de procesos continuos. SimEvents MathWorks Añade simulación de eventos discretos a la MATLAB / Simulink medio ambiente. TESTIGO Lanner Group Ltd. simulación de eventos discretos con VR disponible en el escritorio y la nube. Tabla 4. Softwares comerciales para la simulación de eventos discretos (DEV) [24] [25]. E 13 13 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” Nombre Idioma Descripción DESMO-J Java Un marco para la simulación de eventos discretos en Java, apoyando modelos de eventos / proceso híbrido y proporcionar la animación en 2D y 3D. JaamSim Java JaamSim es un software de código abierto que incluye una interfaz de arrastrar y soltar usuario, gráficos interactivos en 3D, procesamiento de entrada y salida, y las herramientas de desarrollo y editores modelo. PowerDEVS C ++ Una herramienta integrada para el modelado de sistemas híbridos y simulación basado en el formalismo DEVS. salabim Piython Salabim es un paquete de simulación de eventos discretos y animación en Python. SIM.JS JavaScript SIM.JS es una biblioteca de simulación de eventos discretos de propósito general escrito en JavaScript. Se ejecuta en el navegador y una herramienta de modelado basado en GUI es compatible. SimPy Python SimPy es un marco de simulación de eventos discretos basado en el proceso basado en la norma Python. SystemC C ++ Un conjunto de clases y macros que proporcionan un núcleo de simulación basada en eventos C ++. Tabla 5. Softwares libres para la simulación de eventos discretos (DEV) [24] [25]. Entre todos los posibles softwares a elegir, se ha escogido el marco SimPy de Python para crear simulaciones virtuales que lo ayudarán a resolver el problema planteado. En los siguientes apartados se hará un breve resumen sobre el lenguaje de programación de Python y la librería de SimPy, justificando su elección frente a las demás opciones. 4.1. Python Python es un lenguaje de programación cuya filosofía hace hincapié en la legibilidad de su código. Desde un punto de vista técnico, se puede definir como un lenguaje de programación interpretado, multiparadigma, de alto nivel con un tipado dinámico fuerte, dotado de una gestión automática de los recursos, de un alto grado de introspección y de un sistema de gestión de excepciones [26]. Son muchas las razones por las que se pueden justificar el uso de Python frente a otros lenguajes de programación, entre ellas se pueden destacar [26] [27]: • Simplificado y rápido: Ofrece un patrón para la programación simplificando mucho la programación, es un gran lenguaje para scripting. Además, por ser un lenguaje interpretado su ejecución se hace de manera rápida debido a que no necesita ser compilado. • Elegante y flexible: Aporta muchas herramientas para crear código de manera flexible, con una sintaxis comprensible y funciones que se asemejan a estructuras de otros lenguajes. • Programación sana y productiva: Es sencillo de aprender, con una curva de aprendizaje moderada. Es muy fácil comenzar a programar y fomenta la productividad. • Ordenado y limpio: Se trata de un lenguaje legible y entendible para cualquier programador que quiera trabajar sobre una estructura ya establecida gracias a la organización de sus módulos. • Multiplataforma: Este lenguaje lo puedes emplear en varios sistemas operativos como Linux, Windows o Mac OS. Por otra parte, incluye las librerías más populares dentro del intérprete sin necesidad de instalarlas como ocurre con otros lenguajes. • Comunidad: A diferencia de otros tipos de lenguajes menos populares, Python cuenta con una comunidad activa de usuarios comprometidos a ayudar en las actualizaciones. Espacios como GitHub, tiene un gran número de proyectos que ronda los 95000. • Open Source: este lenguaje de programación es de software libre, significa que puedes emplearlo en cualquier momento para tus proyectos, como base para crear extensiones o desarrollar módulos. No son todos ventajas en Python, la velocidad puede ser lenta debido a que es un lenguaje interpretado, problemas con hosting, lentitud al ejecutar múltiples hilos o el desarrollo web se complica por su complejidad. Sin embargo, la balanza claramente se inclina a su favor, sobre todo por las necesidades requeridas en este proyecto, convirtiéndose en la mejor opción. Generalidades de Python, SimPy y Gurobi 14 14 4.2. SimPy SimPy es un marco de simulación de eventos discretos basado en procesos desarrollados en Python estándar. Los procesos en SimPy son funciones simples del generador de Python y se utilizan para modelar componentes activos como clientes, vehículos o agentes. SimPy también proporciona varios tipos de recursos compartidos para modelar puntos de congestión de capacidad limitada (como servidores, contadores de pago y túneles). A partir de la versión 3.1, también proporcionará capacidades de supervisión para ayudar a recopilar estadísticas sobre recursos y procesos [28] . Las simulaciones se pueden realizar "lo más rápido posible", en tiempo real (tiempo de reloj de pared) o pasando manualmente por los eventos. Aunque teóricamente es posible hacer simulaciones continuas con SimPy, no tiene características para realizar eso. Sin embargo, SimPy es excesivo para las simulaciones con un tamaño de paso fijo en las que sus procesos no interactúan entre sí o con recursos compartidos (se ha de utilizar un ciclo while simple en este caso). SimPy se lanza como software de código abierto bajo la licencia MIT, lo que significa que permite reutilizar software dentro de software propio, a lo que, si le sumas las amplias funcionalidades de Python, hace de este combo el más interesante, ya no solo desde el punto de vista económico, sino de la amplia gama de posibilidades de crear y desarrollar funcionalidades especificas sin limitaciones. 4.2.1. Funcionamiento de un modelo definido con SimPy El desarrollo de una simulación usando SimPy se puede diferenciar en una serie de pasos, mediante la definición de un conjunto de elementos ayudado tanto de las sentencias propias de la librería de SimPy, como de las propias del lenguaje utilizado, en este caso Python. • Definición del medio o Enviroment.: La sentencia Enviroment de SimPy define, como su propio nombre indica, el medio o el marco de la simulación. Como si un objeto o clase propia de Python se tratase, todas las demás sentencias estarán lincadas a este medio o enviroment que hemos definido. Junto con esta definición, al final del código, se llamará a este objeto mediante la sentencia run para que comience la simulación y acabe según el tiempo definido en la misma. • Definición de recursos y componentes activos: Con recursos se hace referencia a los componentes activos que circulan en la simulación, como vehículos, clientes o mensajes. Con recursos se hace referencia a las máquinas o aquellos elementos por los que pasan mencionados componentes, como las máquinas en una fábrica. Tanto uno como otro, la mejor manera para definirlos es mediante la creación de un objeto basándonos en la OOP a través de una clase en Python. • Definición de los procesos o Process: El comportamiento de los componentes activos (como vehículos, clientes o mensajes) se modela con procesos. Todos los procesos viven en un entorno. Interactúan con el medio ambiente y entre ellos a través de eventos. Los procesos se describen mediante generadores Python simples. Puede llamarlos función de proceso o método de proceso, dependiendo de si es una función normal o método de una clase. • Definición de los eventos o Events: Un evento o evento se hace referencia a cualquier acción que interactúa o interviene dentro del proceso. Algunos autores consideran a los propios procesos como eventos, sin hacer distinción entre ambos. Dentro de los eventos, destacan las siguientes sentencias de SimPy: - Yield: Cuando un proceso produce un evento Yield, el proceso se suspende. SimPy reanuda el proceso cuando ocurre el evento (decimos que el evento se activa). Varios procesos pueden esperar el mismo evento. SimPy los reanuda en el mismo orden en que dieron ese evento. - TiemOut: Los eventos de este tipo se desencadenan después de que ha pasado una cierta cantidad de tiempo (simulado). Permiten que un proceso duerma (o mantenga su estado) durante un tiempo determinado. Se puede crear un tiempo de espera y todos los demás eventos llamando al método apropiado del entorno en el que vive el proceso (por ejemplo, Environment.timeout ()). 15 15 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” 4.3. Gurobi El Gurobi Optimizer es un software comercial para la optimización de problemas de programación lineal (LP), programación cuadrática (QP), programación cuadrática constreñido (QCP), programación lineal entera mixta (MILP), enteros mixtos de programación cuadrática (MIQP), y enteros mixtos cuadráticamente la programación restringida (MIQCP) [29]. Destaca frente a otros softwares de optimización por su despliegue flexible implementando un modelo donde y como quiera, un soporte receptivo teniendo acceso directo a expertos en optimización, además de licencias flexibles para estudiantes. La API Python de Gurobi incluye construcciones de modelado de alto nivel que facilitan la creación de modelos de optimización. Los usuarios de Python pueden optar por utilizar la distribución Anaconda Python con bibliotecas preconstruidas para respaldar el desarrollo de aplicaciones, Spyder para el desarrollo gráfico y Jupyter para el desarrollo de estilo portátil. Juntas, la API Python de Gurobi y las distribuciones, como Anaconda, le brindan la facilidad de un lenguaje de modelado con el poder de un lenguaje de programación. Además, proporcionamos una interfaz interactiva que utiliza Python para realizar pruebas rápidas. 4.3.2. Funcionalidades de un modelo definido con Gurobi La resolución del problema de optimización se realiza siguiendo las pautas recogidas en la Tabla 6, trabajando de manera explícita sobre un modelo. Para cualquier cuestión o duda, siempre se puede consultar la documentación y tutoriales recogidos en la interfaz de Gurobi en su página web oficial [29]. Sentencias de Gurobi Model ("Nombre del Modelo") Creación del modelo. addVar (lb=0.0, ub=GRB.INFINITY, obj=0.0, vtype=GRB.CONTINUOUS, name="", column=None) Definición de las variables del problema. Al crear las variables, se pueden definir los limites superiores (ub) e inferiores (lb) que puede tomar dichas variables, el tipo de variables (vtype), entre otros. setObjective (expr, sense=None) Definición de la función objetivo del modelo. addConstr (lhs, sense, rhs, name="") Definición de las restricciones del modelo. optimize () Sentencia que inicia la optimización del modelo acorde a lo definido. Tabla 6. Sentencias del software de Gurobi para resolver un modelo. Descripción del Problema 16 16 5. DESCRIPCIÓN DEL PROBLEMA n la línea de investigación sobre los sistemas de producción en un entorno híbrido, como ya se ha mencionado anteriormente, se va a desarrollar una simulación en Python basada en el modelo propuesto por Helia Yousefnejad, Masoud Rabbani y Neda Manavizadeh en su artículo denominado “A Simulation- Optimization Model for Capacity Coordination in Make to Stock/Make to Order Production Environments” [1]. En dicho artículo se simula una empresa de procesado de alimentos de múltiples etapas con un sistema de producción MTS/MTO híbrido. El proceso de producción propuesto tiene cuatro fases bien deferencias: procesado, granulación, empaquetado individual y empaque por cajas (Figura 2). Figura 5. Típica cadena de procesado de alimentos. Hay algunos estudios que muestran la compatibilidad de la industria alimentaria con los sistemas de producción MTS/MTO [30]. En la industria alimentaria, la etapa de envasado se considera como una tarea MTO porque en esta etapa los productos terminados se empaquetan según las especificaciones del cliente. Por ello, las fases de empaquetado y empaquetado por cajas, correspondientes a las Estaciones 3 y 4 respectivamente, están definidas como tareas MTO. Cada pedido MTO o MTS/MTO tiene una fecha de vencimiento predeterminada. Debido al riesgo de perder cuota de mercado, la fecha de entrega prevista es un parámetro de vital importancia para los minoristas del sector alimenticio, y por tanto, la empresa apunta a la entrega de pedidos a tiempo como su política principal. La optimización del tiempo es el camino que sigue la confección de este modelo, definiendo una secuenciación apropiada cuando el plan de producción se cambia de un tipo de artículo a otro. Dicho tiempo de cambio entre productos de la misma familia es menor y este es uno de los principales beneficios de formar familias de productos. Retomando el desarrollo del problema propuesto, en este apartado se van a describir en profundidad la gama de productos a tratar, las especificaciones iniciales de las que partirá la simulación además de una detallada descripción del funcionamiento del modelo de simulación del procesado de alimentos y el modelo de optimización incluido en este trabajo para la obtención de la fecha de entrega y precio óptimos. E 17 17 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” 5.1. Gama de Productos Al tratarse de un modelo para una línea de producción alimentaria, teniendo en cuenta que se van a tratar tres sistemas de producción diferentes, se van a tratar un total de 6 tipos de productos: Producto MTS1 MTS2 MTO1 MTO2 MTS/MTO1 MTS/MTO2 Entorno de Producción Puro MTS Puro MTS Puro MTO Puro MTO Híbrido MTS/MTO Híbrido MTS/MTO Tabla 7. Gama de productos existentes en el problema planteado en función del entorno de producción. Cabe mencionar que los productos híbridos derivan a partir de los productos MTS puros. De esta forma, los productos MTS/MTO1 se generan a partir de los productos MTS1 y los productos MTS/MTO2 de los productos MTS2 respectivamente alojados en la WIP o cola de la Estación 3 o Empaquetado. 5.2. Especificaciones Iniciales. En este supuesto práctico se va a estudiar concretamente el segundo nivel del HPP definido anteriormente en el apartado 3.1.1 Planificación de Producción Jerárquica de Hax and Meal correspondiente a las tareas de planificación táctica (a medio plazo). De este modo, las especificaciones iniciales son: • Las tareas de planificación estratégicas correspondientes al primer nivel del HPP son conocidas, como la formación de familias de productos, la localización del CODP y el método de producción para cada familia de productos. • Las órdenes MTO ingresan al grupo de trabajo con una distribución de Poisson, por lo que el tiempo entre las entradas sigue una distribución exponencial (Intervalos de tiempo de entrega de pedidos). • La distribución de las variables aleatorias del modelo se determina durante una recopilación de datos de seis meses y un análisis de la demanda de la empresa prevista y la información del proceso. • Un lote o batch de productos es considerado como la unidad que circula a través del taller o línea de producción, por lo tanto, el tamaño de los pedidos entrantes debe ser múltiplo entero del tamaño del lote. • El tiempo de procesado de cada entidad en cada estación comprende tanto en el procesado propio del lote como el setup time. Se entiende por setup time el tiempo necesario para el montaje de la estación cuando se cambia de un tipo de producto a otro. • El caso está basado de una planta de procesamiento de alimentos en Irán, pero debido a problemas de privacidad comercial, los autores no pudieron presentar su información real, por lo que el modelo se ejecuta utilizando datos aleatorios que se generarán en el software durante el proceso de simulación de acuerdo con distribuciones aleatorias definidas. • A pesar de los tiempos de procesamiento de los productos MTS, que son constantes y ya conocidos, los tiempos de procesamiento MTO y MTS / MTO (después de CODP) son variables aleatorias y siguen una distribución normal. 5.3. Modelo de Simulación El modelo de simulación para el supuesto práctico se basa en el mencionado modelo propuesto por Helia Yousefnejad et al.[1]. El sistema de producción se asume como un proceso de fabricación completo, luego cada orden de llegada tendrá su ruta de procesado que debe cumplirse por completo. Con el fin de facilitar la explicación del funcionamiento del modelo algo complejo, se va a realizar dicha explicación apoyándose en la estructura HPP propuesta por Ebadian et al. [23], donde la visión general de la estructura y las decisiones tomadas se pueden clasificar en los siguientes niveles recogidos en la Figura 3: Nivel de entrada de pedido, Nivel de liberación del pedido y Nivel de secuenciación de producción. [23]. Descripción del Problema 18 18 Figura 6. Estructura de HPP desde el punto de vista del ciclo de la fecha de entrega propuesta por Ebadian M. et al. [23]. 5.3.1. Nivel de entrada del pedido En este nivel concurren todas las etapas necesarias para aceptar o rechazar la entrada de un pedido al sistema, dependiendo principalmente del entorno de producción de la orden entrante. Los parámetros iniciales que se definen a entrar un pedido se recogen en la Tabla 8: Parámetros 𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑖 Tipo de producto al que corresponde el pedido i (5.1. Gama de productos) 𝑁𝑒𝑔𝑜𝑐𝑖𝑎𝑏𝑙𝑒𝑖 Parámetro booleano que indica si el cliente está dispuesto a negociar la fecha de entrega para el pedido i. No aplicable para productos con sistema de producción MTS. 𝑁_𝐿𝑜𝑡𝑒𝑠𝑖 Número de lotes o paquetes para una orden i. 𝑇_𝐸𝑛𝑡𝑟𝑎𝑑𝑎𝑖 Instante o Fecha de recepción del pedido i en el sistema. 𝑇_𝐸𝑛𝑡𝑟𝑒𝑔𝑎𝑖 Instante o Fecha de entrega del pedido i al cliente. Tabla 8. Parámetros de entrada de los pedidos al incorporarse al sistema. Los pedidos MTS, como su propio nombre indican, están sujetos a la demanda, por lo que entrarán en la lista de pedidos directamente con las especificaciones del pedido ya definidas. Por otro lado, los pedidos MTO y híbridos tendrán que definirse su fecha de entrega, precio mínimo, y demás parámetros siguiendo la siguiente secuenciación de tareas o etapas: 1. Proceso de negociación con los clientes: cuando un nuevo pedido es recibido se comprueba si el pedido entrante dispone de flexibilidad respecto al Plazo de Entrega ( 𝑁𝑒𝑔𝑜𝑐𝑖𝑎𝑏𝑙𝑒𝑖=𝑉𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜). Esto indica que el cliente está dispuesto a negociar sobre el cambio de la fecha de entrega. En caso de no ser Negociable la fecha por parte del cliente, el pedido pasará directamente a la lista de pedidos correspondiente, esperando a que el producto sea liberado en el sistema (apartado 5.3.2.). 2. Calcular el precio apropiado y la fecha de entrega de los pedidos negociables: si la fecha de entrega del nuevo pedido es negociable, se obtiene un nuevo precio que corresponderá al precio mínimo resultante de aplicar el modelo de optimización recogido en el apartado 5.4. El resultado de este modelo mostrará los cambios necesarios en las fechas de entrega del pedido entrante, siempre y cuando proceda su cambio, y si alguna de las fechas de los pedidos ya existentes 19 19 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” también se ve modificada. Finalmente queda en manos de los clientes la aceptación o rechazo de estos cambios en la fecha de entrega. Simular la respuesta del cliente al cambio de la fecha de entrega es complejo, pues son varios los factores por los que necesarios el cliente se podría guiar. Para simplificar está decisión, la política a emplear se basará únicamente desde el punto de vista económico, de tal forma que se elegirá la fecha de entrega que proporcione el precio mínimo de producción. 3. Aceptación o rechazo del pedido: Se verifica si la Fecha de Entrega propuesta es viable (TE ≤ TEC). 4. La formación del grupo de órdenes: Las ordenes que han sido aceptadas pero que aún no han sido todavía lanzadas al taller (shop floor) se recogen en un lugar llamado grupo de pedidos (order pool). 5.3.2. Nivel de liberación del pedido Este nivel intenta reducir el Tiempo de Producción en Planta (TPP) tanto como sea posible por ser la etapa que puede afectar más a la fecha de entrega o delay date. Las decisiones tomadas en este nivel incluyen "qué pedidos" y "cuándo" deben enviarse al taller. De este modo, se ha de dar prioridad a los pedidos existentes en el grupo de pedidos según sus fechas de entrega para reducir el tiempo de retraso en la lista de pedidos tanto como sea posible. Dependiendo del tipo de producto que se esté fabricando, la liberación del pedido se realizará en una u otra estación del modelo. Para los productos con un sistema de producción híbrido, la liberación se hará donde se ubique el CODP, mientras que, para los sistemas de producción puros, será desde el inicio de la pista de trabajo: • Pedidos MTO y tareas MTS se liberarán en la Estación 1: Procesado • Pedidos MTS/MTO se liberarán en la Estación 3: Empaquetado Simple. Esto es debido a que los productos híbridos están formados a partir de los productos MTS puros. De esta forma, MTS/MTO1 se genera a partir de MTS1 y MTS/MTO2 de MTS2. 5.3.3. Nivel de secuencia de producción El enfoque principal en este nivel es la reducción de los tiempos de espera en todas las estaciones de trabajo. La única decisión tomada a este nivel es la secuenciación de los pedidos en la cola de cada estación de trabajo para alcanzar las fechas de entrega prometidas. Para calcular la prioridad en la secuenciación de producción se aplica el radio critico (CR) usado por Soman et al. [31], donde el pedido entrante con el valor más pequeño tendrá que ser el próximo en entrar en la estación de trabajo correspondiente: 𝐶𝑅𝑜𝑟𝑑𝑒𝑟 𝑖 = 𝐷𝐷𝑜𝑟𝑑𝑒𝑟 𝑖 − 𝑡𝑛𝑜𝑤 𝑟𝑒𝑚𝑎𝑖𝑛𝑒𝑑 𝑤𝑜𝑟𝑘 𝑐𝑜𝑛𝑡𝑒𝑛𝑡 (0.1) Donde: - 𝐷𝐷𝑜𝑟𝑑𝑒𝑟 𝑖: Fecha de Entrega o Delay Date del pedido i. - 𝑡𝑛𝑜𝑤: Intante de tiempo actual en el que se está realizando el cálculo del CR. - 𝑟𝑒𝑚𝑎𝑖𝑛𝑒𝑑 𝑤𝑜𝑟𝑘 𝑐𝑜𝑛𝑡𝑒𝑛𝑡: Carga de trabajo restante. Dependiendo de cuantas estaciones del proceso productivo le queden al pedido, tomarán ese valor. De este modo, si el pedido acaba de entrar al sistema, el remained work contentet tomará el valor de 4 u.t. (unidades de tiempo), mientras que, si está en la última estación, será 1u.t. Descripción del Problema 20 20 5.4. Modelo de Optimización El artículo de Helia Yousefnejad et al.[1] en el que se basa el modelo a simular tiene como objetivo desarrollar una propuesta para gestionar y optimizar la capacidad dentro de los entornos híbridos. El modelo de optimización matemático propuesto sugiere un enfoque de determinación de la fecha de vencimiento - precio abriendo la posibilidad de negociar con los clientes en base a estas dos variables. Una de las políticas de la empresa es ofrecer fechas de vencimiento alternativas sujetas al precio mínimo de los costes de producción. Esta política no solo brinda al cliente más opciones, sino que proporciona a la empresa la posibilidad de aceptar más pedidos entrantes rechazados por superar la capacidad disponible del sistema. Antes de poder resolver el modelo matemático en necesario hacer unos cálculos iniciales, concretamente calcular las fechas de finalización del procesado del pedido en cada una de las estaciones (OCD) y también la fecha de lanzamiento más temprana (ERD). 5.2.4. Cálculos Inicales: Operation Completion Date (ODC) y Earliest Release Date (ERD) Las fechas de finalización del pedido (OCD) y la fecha de lanzamiento más temprana (ERD) se han calculado utilizando el método “hacia atrás” empleando por de Kingsman y Hendry en su artículo “The relative contributions of input and output controls on the performance of a workload control system in make-to-order companies” [32]. Parámetros 𝑛𝑖 Número de estaciones de trabajo que una orden i debe pasar 𝛽(𝑖,𝑠) sth estación de trabajo para una orden i 𝑑𝑖 Fecha de Entrega (Due Date) para una orden i 𝑂𝐶𝐷𝑖,𝛽(𝑖,𝑠) Fecha de Complementación de la Operación (Operation Completion Date) de una orden i en la estación s 𝐿𝑅𝐷𝑖 Última Fecha de Lanzamiento posible (Latest Release Date) para una orden i 𝐸𝑅𝐷𝑖 Primera Fecha de Lanzamiento posible (Earliest Release Date) para una orden i Queue Delay Tiempo requerido para las ordenes aceptadas esperando a ser lanzadas al taller 𝐴𝑊𝑝 Tiempo medio de espera (Averange Waiting Time) en cada estación para una orden P prioritaria 𝑇𝑖𝑠 Tiempo de procesado requerido para una orden i en la estación s Tabla 9. Parámetros para el cálculo de Early Release Date (ERD). El cálculo comienza desde la Fecha de entrega, pasando por el total de estaciones que tiene la planta de producción, hasta alcanzar la Fecha de lanzamiento más temprana, simulando el procesado de la pieza: 𝑂𝐶𝐷𝑖,𝛽(𝑖,𝑛𝑖)=𝑑𝑖 (1.1) 𝑂𝐶𝐷𝑖,𝛽(𝑖,𝑛𝑖−1) =𝑂𝐶𝐷𝑖,𝛽(𝑖,𝑛𝑖)−𝑇𝑖,𝛽(𝑖,𝑛𝑖)−𝐴𝑊𝑝 (1.2) ⋮ 𝐿𝑅𝐷𝑖= 𝑂𝐶𝐷𝑖,𝛽(𝑖,1)−𝑇𝑖,𝛽(𝑖,1)−𝐴𝑊𝑝 (1.3) 𝐸𝑅𝐷𝑖=𝐿𝑅𝐷𝑖− 𝑄𝑢𝑒𝑢𝑒 𝐷𝑒𝑙𝑎𝑦 (1.4) 21 21 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” 5.2.5. Modelo matemático: Determinación del Precio – Due Date óptimos El modelo propuesto considera las incertidumbres del mundo real relacionadas con las llegadas de pedidos, los tiempos de procesamiento, entre otros, tal como se puede observar en la Tabla 10. Parámetros 𝑐𝑟𝑖𝑠𝑡 Coste de producción para una orden i en la estación s en el instante t en capacidad regular (regular capacity) 𝑐𝑜𝑖𝑠𝑡 Coste de producción para una orden i en la estación s en el instante t en sobrecapacidad (overtime capacity) 𝑐𝑡𝑖 Coste por retraso para la orden i por unidad de tiempo 𝑝𝑖, Probabilidad de que una orden i sea aceptada 𝑖𝑤𝑝𝑠 Capacidad total requerida perteneciente de la planificación del periodo anterior 𝑖𝑤𝑖𝑠𝑡 Tiempo requerido del pedido i esperando en la estación s con ERD en el instante t (iw = Ti) 𝑜𝑤𝑖𝑠𝑡 Capacidad total requerida para el pedido i en la estación s con OCD en el instante t (ow = Ti) 𝐶𝑅𝑠𝑡 Capacidad regular de la estación s en el instante t 𝐶𝑂𝑠𝑡 Capacidad de horas extras de la estación s en el tiempo t 𝛼𝑠𝑡 Fracción de capacidad de la estación s en el periodo t localizado para futuros pedidos Tabla 10. Parámetros de decisión del modelo matemático: Determinación del Precio – Due Date óptimos. Las variables del modelo se recogen en la Tabla 11. El hecho de diferenciar entre dos capacidades viene dado por la posibilidad del modelo de tener sobreproducción. Traduciéndolo al mundo real, esta variable permite a la empresa utilizar subcontratación o tiempo excesivo de producción para cumplir con el pedido, siempre y cuando dicho pedido genere un beneficio considerable. Variables de decisión 𝑌𝑖𝑠𝑡 Capacidad dedicada en la estación s para el pedido i en el instante t 𝑂𝑖𝑠𝑡 Capacidad de sobreproducción en la estación s para el pedido i en el instante t 𝐿𝑇𝑖 Tiempo de retraso por el cambio de Fecha de entrega para una orden i 𝐹𝑇𝑖 Fecha de complementación del pedido i en la última estación 𝑋𝑖𝑡 {1 𝑆𝑖 𝑌𝑖𝑠𝑡 >0 0 𝑠𝑖 𝑛𝑜 Tabla 11. Variables de decisión del modelo matemático: Determinación del Precio – Due Date óptimos. El presente modelo tiene por objetivo minimizar la suma de los costes de producción, tanto si se fabrica en horario regular como en overtime, además de la penalización por cambiar la fecha de entrega del pedido. Con esta penalización se quiere hacer referencia al coste que tiene que enfrentar la empresa para que el cliente permita cambiar la fecha de finalización de su pedido. Finalmente se presentan las ecuaciones del modelo lineal, junto con su función objetivo y un total de doce restricciones: 𝑀𝑖𝑛 𝑧 = ∑ ∑∑[𝑐𝑟𝑖𝑠𝑡(𝑌𝑖𝑠𝑡 −𝑂𝑖𝑠𝑡)+𝑐𝑜𝑖𝑠𝑡𝑂𝑖𝑠𝑡] 𝑇 𝑡=1 + ∑ 𝑐𝑡𝑖𝐿𝑇𝑖 𝑖∉𝑂𝑆(𝑖) 𝑆 𝑠=1𝑖𝜖𝑂𝑠 (2.1) s.a. ∑(𝑌𝑖𝑠𝑡 −𝑂𝑖𝑠𝑡)≤𝐶𝑅𝑠𝑡(1−𝛼𝑠𝑡) ∀𝑠,𝑡 𝑖𝜖𝑂𝑠 (2.2) Supuesto Práctico sobre el Modelo 28 28 6.2.1. Escenario 1 – Situación 1: Tiempo de procesado mayor antes del CODP (Estación 1) Tiempo entre llegadas de pedidos: Exp. 1 pedidos al día: RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 31 0,35 0,13 0,03 0,32 0,16 0,65 0,47 0,53 0,00 4,55 0,85 0,15 0,00 0,00 0,00 9,35 6,70 135,21 0,00 0,17 0,12 2,38 0,00 2 29 0,14 0,10 0,14 0,24 0,38 0,86 0,53 0,47 0,65 0,00 0,88 0,12 0,32 0,28 3918,43 2,35 0,00 257,83 0,01 0,04 0,00 4,47 0,00 3 30 0,03 0,10 0,33 0,20 0,33 0,97 0,65 0,35 2,14 0,00 0,79 0,21 0,22 0,17 4531,02 1,72 0,18 207,24 1,87 0,03 0,00 3,63 0,03 4 35 0,06 0,14 0,34 0,23 0,23 0,94 0,47 0,53 0,29 0,63 1,00 0,00 0,00 0,00 0,00 4,58 0,00 17,58 1,17 0,08 0,00 0,31 0,02 5 35 0,09 0,14 0,34 0,20 0,23 0,91 0,47 0,53 0,00 1,30 0,97 0,03 0,06 0,06 1217,18 6,69 0,00 52,60 1,09 0,12 0,00 0,93 0,02 6 29 0,14 0,34 0,14 0,17 0,21 0,86 0,65 0,35 2,38 1,00 1,00 0,00 0,00 0,00 0,00 4,85 0,00 15,09 0,21 0,09 0,00 0,27 0,00 7 29 0,10 0,21 0,17 0,31 0,21 0,90 0,65 0,35 1,22 0,30 0,96 0,04 0,08 0,08 1334,39 4,58 0,00 34,87 0,00 0,08 0,00 0,62 0,00 8 29 0,21 0,31 0,10 0,21 0,17 0,79 0,59 0,41 0,52 0,60 0,96 0,04 0,14 0,13 1118,89 2,82 0,00 54,54 0,07 0,05 0,00 0,97 0,00 9 30 0,10 0,13 0,20 0,20 0,37 0,90 0,35 0,65 0,00 0,00 0,96 0,04 0,46 0,44 1638,31 1,04 0,00 200,07 0,03 0,02 0,00 3,54 0,00 10 32 0,16 0,28 0,09 0,25 0,22 0,84 0,41 0,59 0,00 1,11 0,93 0,07 0,16 0,15 1383,25 2,89 0,00 84,89 0,31 0,05 0,00 1,50 0,01 11 40 0,10 0,23 0,20 0,30 0,18 0,90 0,71 0,29 0,09 0,00 0,94 0,06 0,18 0,17 1141,14 6,93 0,82 107,12 0,45 0,12 0,01 1,83 0,01 12 21 0,14 0,19 0,38 0,14 0,14 0,86 0,47 0,53 2,01 1,47 1,00 0,00 0,00 0,00 0,00 4,58 0,00 8,43 0,24 0,08 0,00 0,15 0,00 13 35 0,20 0,14 0,20 0,23 0,23 0,80 0,47 0,53 0,06 0,82 0,96 0,04 0,00 0,00 0,00 3,56 0,00 38,07 1,48 0,06 0,00 0,67 0,03 14 38 0,21 0,11 0,21 0,16 0,32 0,79 0,65 0,35 2,29 0,00 0,80 0,20 0,25 0,20 3416,88 1,83 0,00 257,04 0,10 0,03 0,00 4,34 0,00 15 25 0,12 0,16 0,32 0,20 0,20 0,88 0,35 0,65 0,17 2,93 1,00 0,00 0,14 0,14 1104,60 2,34 0,12 45,66 0,04 0,04 0,00 0,81 0,00 PROMEDIO 31,20 0,14 0,18 0,21 0,22 0,24 0,86 0,53 0,47 0,79 0,98 0,93 0,07 0,13 0,12 1386,94 4,01 0,52 101,08 0,47 0,07 0,01 1,76 0,01 DESV. EST. 4,87 0,08 0,08 0,11 0,05 0,08 0,08 0,11 0,11 0,95 1,27 0,07 0,07 0,14 0,13 1472,10 2,29 1,72 88,77 0,62 0,04 0,03 1,53 0,01 Tabla 15: Escenario 1 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 1 pedidos al día Tiempo entre llegada de pedidos: Exp. 1.5 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 23 0,04 0,13 0,30 0,30 0,22 0,96 0,47 0,53 1,06 0,78 0,95 0,05 0,00 0,00 0,00 0,70 0,26 5,98 0,14 0,01 0,00 0,11 0,00 2 23 0,13 0,35 0,17 0,17 0,17 0,87 0,53 0,47 1,64 2,84 0,95 0,05 0,00 0,00 0,00 4,03 0,10 1,64 0,14 0,07 0,00 0,03 0,00 3 15 0,33 0,13 0,13 0,13 0,27 0,67 0,53 0,47 3,11 1,31 1,00 0,00 0,00 0,00 0,00 0,49 0,00 0,00 0,00 0,01 0,00 0,00 0,00 4 19 0,11 0,32 0,11 0,11 0,37 0,89 0,53 0,47 3,84 0,48 1,00 0,00 0,00 0,00 0,00 1,07 0,00 14,32 0,00 0,02 0,00 0,25 0,00 5 25 0,08 0,36 0,16 0,28 0,12 0,92 0,65 0,35 0,51 1,37 1,00 0,00 0,00 0,00 0,00 5,63 0,39 10,57 0,37 0,10 0,01 0,19 0,01 6 10 0,20 0,30 0,10 0,20 0,20 0,80 0,41 0,59 2,40 3,91 1,00 0,00 0,00 0,00 0,00 0,00 0,00 0,22 0,00 0,00 0,00 0,00 0,00 7 12 0,17 0,08 0,17 0,25 0,33 0,83 0,29 0,71 2,13 2,91 0,90 0,10 0,11 0,10 589,78 1,49 0,00 17,31 0,40 0,03 0,00 0,31 0,01 8 24 0,00 0,33 0,08 0,42 0,17 1,00 0,18 0,82 0,00 2,93 0,71 0,29 0,18 0,13 2063,06 3,07 0,02 160,05 0,51 0,05 0,00 2,59 0,01 9 16 0,19 0,19 0,19 0,19 0,25 0,81 0,53 0,47 1,81 2,15 0,92 0,08 0,08 0,08 1390,27 1,53 0,00 16,52 0,00 0,03 0,00 0,29 0,00 10 18 0,00 0,17 0,28 0,44 0,11 1,00 0,59 0,41 1,40 2,72 1,00 0,00 0,00 0,00 0,00 1,33 0,00 4,52 0,00 0,02 0,00 0,08 0,00 11 37 0,03 0,27 0,32 0,22 0,16 0,97 0,53 0,47 0,08 1,73 0,92 0,08 0,06 0,06 1758,16 7,81 0,00 59,61 1,32 0,14 0,00 1,06 0,02 12 27 0,11 0,19 0,19 0,26 0,26 0,89 0,47 0,53 0,22 0,06 0,96 0,04 0,00 0,00 0,00 2,57 0,11 43,11 0,29 0,05 0,00 0,76 0,01 13 15 0,13 0,13 0,33 0,20 0,20 0,87 0,53 0,47 2,50 1,53 1,00 0,00 0,00 0,00 0,00 1,19 0,00 8,25 0,00 0,02 0,00 0,15 0,00 14 21 0,14 0,14 0,19 0,29 0,24 0,86 0,47 0,53 1,74 1,89 1,00 0,00 0,00 0,00 0,00 2,45 0,00 6,01 0,35 0,04 0,00 0,11 0,01 15 17 0,12 0,29 0,18 0,12 0,29 0,88 0,47 0,53 3,64 0,60 1,00 0,00 0,00 0,00 0,00 0,79 0,00 7,37 0,51 0,01 0,00 0,13 0,01 PROMEDIO 20,13 0,12 0,23 0,19 0,24 0,22 0,88 0,48 0,52 1,74 1,82 0,95 0,05 0,03 0,02 386,75 2,28 0,06 23,70 0,27 0,04 0,00 0,40 0,00 DESV. EST. 6,77 0,09 0,09 0,08 0,10 0,07 0,09 0,12 0,12 1,23 1,09 0,08 0,08 0,05 0,04 726,26 2,13 0,12 41,15 0,35 0,04 0,00 0,67 0,01 Tabla 16. Escenario 1 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 1,5 pedidos al día 29 29 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” Tiempo entre llegada de pedidos: Exp. 2 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 11 0,09 0,18 0,09 0,27 0,36 0,91 0,35 0,65 0,54 2,85 1,00 0,00 0,10 0,10 2047,82 0,44 0,00 19,80 0,00 0,01 0,00 0,35 0,00 2 10 0,20 0,40 0,10 0,10 0,20 0,80 0,47 0,53 2,72 3,19 1,00 0,00 0,00 0,00 0,00 0,45 0,00 0,06 0,16 0,01 0,00 0,00 0,00 3 23 0,09 0,22 0,13 0,35 0,22 0,91 0,41 0,59 0,00 2,64 0,95 0,05 0,25 0,24 3174,10 4,07 0,00 108,85 0,18 0,07 0,00 1,89 0,00 4 19 0,16 0,05 0,21 0,26 0,32 0,84 0,47 0,53 1,64 0,29 1,00 0,00 0,06 0,06 725,42 0,00 0,00 26,29 0,14 0,00 0,00 0,47 0,00 5 9 0,11 0,00 0,33 0,33 0,22 0,89 0,47 0,53 1,22 2,89 1,00 0,00 0,00 0,00 0,00 0,99 0,00 1,95 0,00 0,02 0,00 0,03 0,00 6 13 0,08 0,15 0,23 0,31 0,23 0,92 0,41 0,59 0,45 3,41 1,00 0,00 0,08 0,08 1586,14 0,30 0,00 20,97 0,00 0,01 0,00 0,37 0,00 7 7 0,00 0,29 0,43 0,00 0,29 1,00 0,53 0,47 4,99 1,52 1,00 0,00 0,00 0,00 0,00 0,87 0,07 0,00 0,00 0,02 0,00 0,00 0,00 8 12 0,08 0,25 0,08 0,33 0,25 0,92 0,41 0,59 1,30 2,83 1,00 0,00 0,00 0,00 0,00 2,15 0,00 4,37 0,00 0,04 0,00 0,08 0,00 9 16 0,13 0,13 0,19 0,31 0,25 0,88 0,41 0,59 0,75 1,42 1,00 0,00 0,00 0,00 0,00 0,57 0,00 21,31 0,00 0,01 0,00 0,38 0,00 10 14 0,14 0,21 0,29 0,14 0,21 0,86 0,41 0,59 1,93 2,58 1,00 0,00 0,00 0,00 0,00 1,21 0,00 5,41 0,00 0,02 0,00 0,10 0,00 11 21 0,05 0,14 0,14 0,43 0,24 0,95 0,59 0,41 0,00 2,84 1,00 0,00 0,25 0,25 874,32 0,38 0,00 94,38 0,00 0,01 0,00 1,67 0,00 12 13 0,23 0,15 0,08 0,31 0,23 0,77 0,41 0,59 1,54 2,88 1,00 0,00 0,10 0,10 213,68 1,10 0,00 6,90 0,08 0,02 0,00 0,12 0,00 13 15 0,13 0,33 0,33 0,20 0,00 0,87 0,59 0,41 3,09 2,66 1,00 0,00 0,00 0,00 0,00 2,64 0,05 1,51 0,00 0,05 0,00 0,03 0,00 14 11 0,27 0,09 0,27 0,27 0,09 0,73 0,41 0,59 2,28 2,33 1,00 0,00 0,00 0,00 0,00 1,79 0,00 4,00 0,00 0,03 0,00 0,07 0,00 15 16 0,13 0,31 0,38 0,06 0,13 0,88 0,53 0,47 3,44 2,81 0,93 0,07 0,00 0,00 0,00 2,71 0,00 0,00 0,00 0,05 0,00 0,00 0,00 PROMEDIO 14,00 0,13 0,19 0,22 0,25 0,22 0,87 0,46 0,54 1,73 2,48 0,99 0,01 0,06 0,06 574,76 1,31 0,01 21,05 0,04 0,02 0,00 0,37 0,00 DESV. EST. 4,46 0,07 0,11 0,12 0,12 0,09 0,07 0,07 0,07 1,39 0,81 0,02 0,02 0,09 0,09 969,73 1,14 0,02 34,02 0,07 0,02 0,00 0,60 0,00 Tabla 17. Escenario 1 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 2 pedidos al día Tiempo entre llegada de pedidos: Exp. 2.5 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 17 0,18 0,18 0,12 0,29 0,24 0,82 0,53 0,47 1,80 1,82 1,00 0,00 0,00 0,00 0,00 0,52 0,00 0,15 0,00 0,01 0,00 0,00 0,00 2 12 0,00 0,17 0,17 0,42 0,25 1,00 0,35 0,65 0,31 4,37 0,92 0,08 0,00 0,00 0,00 1,18 0,00 9,70 0,29 0,02 0,00 0,17 0,01 3 7 0,14 0,29 0,00 0,14 0,43 0,86 0,53 0,47 3,73 1,63 1,00 0,00 0,00 0,00 0,00 0,58 0,00 0,00 0,15 0,01 0,00 0,00 0,00 4 11 0,09 0,27 0,27 0,09 0,27 0,91 0,65 0,35 4,32 1,42 1,00 0,00 0,00 0,00 0,00 0,59 0,00 0,00 0,00 0,01 0,00 0,00 0,00 5 15 0,07 0,40 0,07 0,20 0,27 0,93 0,53 0,47 2,26 2,50 1,00 0,00 0,00 0,00 0,00 0,21 0,00 4,83 0,00 0,00 0,00 0,09 0,00 6 13 0,23 0,23 0,00 0,38 0,15 0,77 0,47 0,53 3,74 1,56 1,00 0,00 0,10 0,10 431,24 0,26 0,18 11,80 0,00 0,00 0,00 0,21 0,00 7 15 0,13 0,27 0,13 0,47 0,00 0,87 0,53 0,47 0,48 4,17 1,00 0,00 0,00 0,00 0,00 1,07 0,00 5,97 0,01 0,02 0,00 0,11 0,00 8 5 0,00 0,20 0,20 0,40 0,20 1,00 0,59 0,41 3,65 2,29 1,00 0,00 0,00 0,00 0,00 0,49 0,00 0,00 0,00 0,01 0,00 0,00 0,00 9 17 0,06 0,53 0,06 0,24 0,12 0,94 0,71 0,29 4,10 0,45 0,94 0,06 0,13 0,13 945,56 4,07 0,00 21,62 0,44 0,07 0,00 0,38 0,01 10 9 0,00 0,00 0,22 0,44 0,33 1,00 0,47 0,53 1,54 2,73 1,00 0,00 0,00 0,00 0,00 0,88 0,00 1,28 0,10 0,02 0,00 0,02 0,00 11 15 0,13 0,07 0,20 0,20 0,40 0,87 0,47 0,53 1,69 1,00 1,00 0,00 0,00 0,00 0,00 0,82 0,00 10,57 0,51 0,01 0,00 0,19 0,01 12 18 0,17 0,33 0,17 0,11 0,22 0,83 0,47 0,53 1,82 3,41 1,00 0,00 0,00 0,00 0,00 3,18 0,00 8,90 0,33 0,06 0,00 0,16 0,01 13 11 0,18 0,09 0,18 0,18 0,36 0,82 0,35 0,65 2,35 2,88 1,00 0,00 0,00 0,00 0,00 0,00 0,00 0,40 0,47 0,00 0,00 0,01 0,01 14 7 0,00 0,00 0,43 0,14 0,43 1,00 0,47 0,53 2,01 3,88 0,86 0,14 0,00 0,00 0,00 0,32 0,00 0,00 0,15 0,01 0,00 0,00 0,00 15 9 0,22 0,00 0,22 0,56 0,00 0,78 0,53 0,47 1,44 3,96 1,00 0,00 0,00 0,00 0,00 0,38 0,00 0,25 0,13 0,01 0,00 0,00 0,00 PROMEDIO 12,07 0,11 0,20 0,16 0,28 0,24 0,89 0,51 0,49 2,35 2,54 0,98 0,02 0,02 0,02 91,79 0,97 0,01 5,03 0,17 0,02 0,00 0,09 0,00 DESV. EST. 4,08 0,08 0,15 0,11 0,15 0,14 0,08 0,09 0,09 1,27 1,23 0,04 0,04 0,04 0,04 261,00 1,14 0,05 6,40 0,19 0,02 0,00 0,11 0,00 Tabla 18. Escenario 1 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 2,5 pedidos al día Supuesto Práctico sobre el Modelo 30 30 6.2.2. Escenario 1 – Situación 2: Tiempo de procesado mayor en el CODP (Estación 3) Tiempo entre llegada de pedidos: Exp. 1 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 28 0,11 0,18 0,25 0,14 0,32 0,89 0,53 0,47 1,90 0,00 0,92 0,08 0,26 0,24 2614,27 0,65 0,87 144,91 0,05 0,01 0,02 2,55 0,00 2 32 0,09 0,09 0,31 0,28 0,22 0,91 0,71 0,29 0,51 0,41 0,90 0,10 0,00 0,00 0,00 0,03 0,29 33,88 0,19 0,00 0,01 0,59 0,00 3 28 0,07 0,25 0,18 0,25 0,25 0,93 0,65 0,35 0,58 0,13 0,96 0,04 0,04 0,04 1111,07 1,60 0,46 55,46 0,00 0,03 0,01 0,94 0,00 4 21 0,05 0,24 0,19 0,14 0,38 0,95 0,59 0,41 1,88 1,89 0,90 0,10 0,00 0,00 0,00 1,32 1,00 15,11 0,09 0,02 0,02 0,26 0,00 5 28 0,00 0,29 0,18 0,43 0,11 1,00 0,29 0,71 0,00 5,01 0,71 0,29 0,05 0,04 723,30 1,36 1,12 127,74 0,08 0,02 0,02 2,06 0,00 6 23 0,04 0,22 0,17 0,26 0,30 0,96 0,59 0,41 1,93 1,30 1,00 0,00 0,00 0,00 0,00 1,11 0,55 6,50 0,04 0,02 0,01 0,12 0,00 7 33 0,15 0,15 0,21 0,27 0,21 0,85 0,35 0,65 0,00 0,80 0,89 0,11 0,12 0,11 1250,23 2,37 0,40 83,80 0,00 0,04 0,01 1,37 0,00 8 27 0,15 0,19 0,37 0,07 0,22 0,85 0,53 0,47 1,62 2,88 1,00 0,00 0,04 0,04 86,08 1,47 0,47 9,72 0,00 0,03 0,01 0,17 0,00 9 31 0,13 0,32 0,23 0,13 0,19 0,87 0,41 0,59 2,72 1,03 0,93 0,07 0,00 0,00 0,00 4,18 1,08 9,72 0,01 0,07 0,02 0,17 0,00 10 36 0,11 0,31 0,25 0,19 0,14 0,89 0,47 0,53 0,80 0,93 0,94 0,06 0,00 0,00 0,00 1,81 1,45 15,25 0,00 0,03 0,03 0,27 0,00 11 22 0,05 0,23 0,36 0,18 0,18 0,95 0,59 0,41 2,08 0,45 1,00 0,00 0,05 0,05 475,66 1,27 0,73 36,52 0,00 0,02 0,01 0,65 0,00 12 34 0,06 0,21 0,24 0,29 0,21 0,94 0,24 0,76 0,07 1,49 0,81 0,19 0,12 0,09 4067,42 1,29 0,80 237,80 0,09 0,02 0,01 3,99 0,00 13 26 0,23 0,08 0,27 0,23 0,19 0,77 0,53 0,47 0,60 1,35 1,00 0,00 0,00 0,00 0,00 1,61 0,47 8,10 0,00 0,03 0,01 0,14 0,00 14 23 0,09 0,35 0,13 0,26 0,17 0,91 0,41 0,59 0,78 1,99 1,00 0,00 0,00 0,00 0,00 0,36 0,83 8,82 0,00 0,01 0,01 0,16 0,00 15 30 0,13 0,13 0,27 0,13 0,33 0,87 0,41 0,59 1,61 0,06 1,00 0,00 0,15 0,15 1199,96 0,46 0,38 85,02 0,00 0,01 0,01 1,51 0,00 PROMEDIO 28,13 0,10 0,21 0,24 0,22 0,23 0,90 0,49 0,51 1,14 1,31 0,93 0,07 0,06 0,05 768,53 1,39 0,73 58,56 0,04 0,02 0,01 1,00 0,00 DESV. EST. 4,58 0,06 0,08 0,07 0,09 0,08 0,06 0,13 0,13 0,87 1,30 0,08 0,08 0,08 0,07 1180,59 0,98 0,33 67,12 0,05 0,02 0,01 1,13 0,00 Tabla 19. Escenario 1 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 1 pedidos al día Tiempo entre llegada de pedidos: Exp. 1.5 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 19 0,21 0,26 0,05 0,21 0,26 0,79 0,59 0,41 2,36 0,82 1,00 0,00 0,07 0,07 489,75 0,25 0,34 15,27 0,23 0,00 0,01 0,27 0,00 2 23 0,17 0,35 0,22 0,09 0,17 0,83 0,65 0,35 2,94 1,98 1,00 0,00 0,00 0,00 0,00 1,82 0,93 5,16 0,00 0,03 0,02 0,09 0,00 3 24 0,00 0,25 0,25 0,25 0,25 1,00 0,53 0,47 1,80 0,06 1,00 0,00 0,17 0,17 1435,80 0,00 0,01 82,56 0,00 0,00 0,00 1,46 0,00 4 17 0,06 0,35 0,00 0,53 0,06 0,94 0,53 0,47 0,00 4,21 1,00 0,00 0,13 0,13 148,63 0,26 0,00 67,79 0,00 0,00 0,00 1,20 0,00 5 21 0,29 0,19 0,14 0,29 0,10 0,71 0,65 0,35 2,27 3,07 0,93 0,07 0,00 0,00 0,00 1,01 0,37 0,15 0,00 0,02 0,01 0,00 0,00 6 20 0,20 0,05 0,15 0,30 0,30 0,80 0,29 0,71 0,57 1,94 0,94 0,06 0,13 0,13 413,69 0,34 0,03 64,52 0,00 0,01 0,00 1,10 0,00 7 12 0,25 0,33 0,00 0,33 0,08 0,75 0,59 0,41 3,05 2,26 0,89 0,11 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 8 22 0,18 0,32 0,18 0,14 0,18 0,82 0,47 0,53 1,40 2,55 0,94 0,06 0,00 0,00 0,00 1,45 1,15 0,63 0,14 0,03 0,02 0,01 0,00 9 15 0,07 0,13 0,27 0,13 0,40 0,93 0,47 0,53 3,42 0,17 1,00 0,00 0,36 0,36 1229,33 0,67 0,07 90,19 0,00 0,01 0,00 1,60 0,00 10 24 0,04 0,13 0,38 0,25 0,21 0,96 0,59 0,41 1,59 2,26 1,00 0,00 0,00 0,00 0,00 0,72 0,37 4,06 0,00 0,01 0,01 0,07 0,00 11 26 0,04 0,35 0,19 0,35 0,08 0,96 0,41 0,59 0,08 2,56 0,92 0,08 0,00 0,00 0,00 0,77 0,30 60,00 0,28 0,01 0,01 0,98 0,01 12 16 0,19 0,19 0,19 0,19 0,25 0,81 0,47 0,53 1,69 2,12 1,00 0,00 0,08 0,08 474,27 0,17 0,00 12,86 0,12 0,00 0,00 0,23 0,00 13 20 0,30 0,05 0,35 0,15 0,15 0,70 0,53 0,47 3,17 1,76 1,00 0,00 0,00 0,00 0,00 0,43 0,73 0,00 0,00 0,01 0,01 0,00 0,00 14 28 0,25 0,18 0,18 0,18 0,21 0,75 0,47 0,53 2,43 1,13 1,00 0,00 0,00 0,00 0,00 0,88 0,94 4,76 0,13 0,02 0,02 0,08 0,00 15 21 0,19 0,29 0,19 0,29 0,05 0,81 0,59 0,41 0,80 2,96 0,94 0,06 0,00 0,00 0,00 0,49 0,38 9,81 0,00 0,01 0,01 0,17 0,00 PROMEDIO 20,53 0,16 0,23 0,18 0,24 0,18 0,84 0,52 0,48 1,84 1,99 0,97 0,03 0,06 0,06 279,43 0,62 0,38 27,85 0,06 0,01 0,01 0,49 0,00 DESV. EST. 4,29 0,10 0,11 0,11 0,11 0,10 0,10 0,09 0,09 1,11 1,10 0,04 0,04 0,10 0,10 467,48 0,52 0,39 34,05 0,10 0,01 0,01 0,59 0,00 Tabla 20. Escenario 1 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 1,5 pedidos al día 31 31 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” Tiempo entre llegada de pedidos: Exp. 2 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 19 0,05 0,21 0,11 0,21 0,42 0,95 0,29 0,71 0,09 2,72 0,94 0,06 0,12 0,11 1184,80 0,00 0,00 46,54 0,00 0,00 0,00 0,82 0,00 2 18 0,28 0,11 0,17 0,28 0,17 0,72 0,47 0,53 0,94 2,00 1,00 0,00 0,00 0,00 0,00 0,71 0,43 14,28 0,00 0,01 0,01 0,25 0,00 3 13 0,31 0,08 0,15 0,38 0,08 0,69 0,41 0,59 1,09 4,24 1,00 0,00 0,00 0,00 0,00 0,40 0,35 8,95 0,00 0,01 0,01 0,16 0,00 4 12 0,00 0,33 0,25 0,08 0,33 1,00 0,47 0,53 2,44 1,57 1,00 0,00 0,00 0,00 0,00 0,00 0,00 17,50 0,00 0,00 0,00 0,31 0,00 5 20 0,20 0,15 0,15 0,40 0,10 0,80 0,53 0,47 0,18 2,62 1,00 0,00 0,06 0,06 385,77 0,78 0,30 22,65 0,00 0,01 0,01 0,40 0,00 6 17 0,24 0,18 0,12 0,24 0,24 0,76 0,47 0,53 1,04 2,25 1,00 0,00 0,00 0,00 0,00 0,57 0,30 12,34 0,15 0,01 0,01 0,22 0,00 7 20 0,15 0,20 0,10 0,25 0,30 0,85 0,47 0,53 1,32 0,51 1,00 0,00 0,12 0,12 809,40 0,65 0,60 39,35 0,00 0,01 0,01 0,70 0,00 8 10 0,00 0,00 0,10 0,30 0,60 1,00 0,41 0,59 2,45 0,59 1,00 0,00 0,00 0,00 0,00 0,00 0,00 37,06 0,00 0,00 0,00 0,66 0,00 9 17 0,29 0,12 0,24 0,18 0,18 0,71 0,53 0,47 2,23 1,84 1,00 0,00 0,00 0,00 0,00 0,22 0,24 6,06 0,18 0,00 0,00 0,11 0,00 10 10 0,10 0,20 0,20 0,30 0,20 0,90 0,41 0,59 1,97 3,12 1,00 0,00 0,00 0,00 0,00 0,21 0,06 0,52 0,00 0,00 0,00 0,01 0,00 11 22 0,09 0,36 0,09 0,18 0,27 0,91 0,41 0,59 0,98 0,95 0,95 0,05 0,00 0,00 0,00 0,64 0,00 17,20 0,02 0,01 0,00 0,30 0,00 12 9 0,11 0,22 0,22 0,44 0,00 0,89 0,71 0,29 2,85 3,29 1,00 0,00 0,00 0,00 0,00 0,00 0,16 0,00 0,05 0,00 0,00 0,00 0,00 13 15 0,13 0,13 0,13 0,20 0,40 0,87 0,53 0,47 2,76 0,91 1,00 0,00 0,00 0,00 0,00 0,00 0,00 6,78 0,15 0,00 0,00 0,12 0,00 14 11 0,18 0,18 0,27 0,09 0,27 0,82 0,59 0,41 3,58 2,31 1,00 0,00 0,00 0,00 0,00 0,27 0,26 7,38 0,00 0,00 0,00 0,13 0,00 15 14 0,14 0,29 0,07 0,14 0,36 0,86 0,29 0,71 2,69 1,50 1,00 0,00 0,25 0,25 422,72 0,54 0,54 32,38 0,00 0,01 0,01 0,57 0,00 PROMEDIO 15,13 0,15 0,18 0,16 0,25 0,26 0,85 0,47 0,53 1,77 2,03 0,99 0,01 0,04 0,04 186,85 0,33 0,22 17,93 0,04 0,01 0,00 0,32 0,00 DESV. EST. 4,21 0,10 0,10 0,06 0,11 0,15 0,10 0,11 0,11 1,05 1,07 0,02 0,02 0,07 0,07 364,76 0,29 0,21 14,64 0,06 0,01 0,00 0,26 0,00 Tabla 21. Escenario 1 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 2 pedidos al día Tiempo entre llegada de pedidos: Exp. 2.5 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 4 0,25 0,25 0,00 0,25 0,25 0,75 0,29 0,71 0,89 5,02 1,00 0,00 0,00 0,00 0,00 0,00 0,00 5,18 0,00 0,00 0,00 0,09 0,00 2 11 0,09 0,18 0,27 0,27 0,18 0,91 0,47 0,53 2,17 2,74 1,00 0,00 0,00 0,00 0,00 0,59 0,15 0,11 0,00 0,01 0,00 0,00 0,00 3 16 0,13 0,38 0,25 0,13 0,13 0,88 0,53 0,47 3,79 2,69 1,00 0,00 0,00 0,00 0,00 0,17 0,31 0,32 0,00 0,00 0,01 0,01 0,00 4 8 0,25 0,25 0,13 0,25 0,13 0,75 0,53 0,47 2,05 4,00 1,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 5 12 0,08 0,08 0,08 0,67 0,08 0,92 0,41 0,59 0,92 3,52 0,91 0,09 0,00 0,00 0,00 0,00 0,02 11,67 0,00 0,00 0,00 0,20 0,00 6 10 0,40 0,10 0,10 0,10 0,30 0,60 0,47 0,53 3,48 2,61 1,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 7 11 0,00 0,09 0,27 0,18 0,45 1,00 0,41 0,59 1,88 2,87 1,00 0,00 0,00 0,00 0,00 0,51 0,37 0,18 0,00 0,01 0,01 0,00 0,00 8 12 0,25 0,33 0,08 0,17 0,17 0,75 0,35 0,65 2,39 2,73 1,00 0,00 0,00 0,00 0,00 0,00 0,39 1,62 0,15 0,00 0,01 0,03 0,00 9 13 0,23 0,23 0,23 0,15 0,15 0,77 0,35 0,65 2,32 3,14 1,00 0,00 0,10 0,10 160,50 0,53 0,26 9,58 0,00 0,01 0,00 0,17 0,00 10 12 0,08 0,08 0,42 0,25 0,17 0,92 0,41 0,59 1,79 3,02 1,00 0,00 0,00 0,00 0,00 0,56 0,38 7,66 0,00 0,01 0,01 0,14 0,00 11 12 0,33 0,08 0,33 0,08 0,17 0,67 0,76 0,24 5,26 2,20 0,88 0,13 0,00 0,00 0,00 0,04 0,08 0,00 0,00 0,00 0,00 0,00 0,00 12 9 0,22 0,11 0,56 0,11 0,00 0,78 0,47 0,53 3,64 3,22 1,00 0,00 0,00 0,00 0,00 0,10 0,13 0,00 0,00 0,00 0,00 0,00 0,00 13 15 0,07 0,13 0,27 0,27 0,27 0,93 0,71 0,29 3,55 0,69 1,00 0,00 0,00 0,00 0,00 1,12 0,90 1,60 0,00 0,02 0,02 0,03 0,00 14 11 0,00 0,18 0,18 0,18 0,45 1,00 0,47 0,53 2,99 0,60 1,00 0,00 0,27 0,27 1111,36 0,32 0,18 66,14 0,00 0,01 0,00 1,17 0,00 15 7 0,00 0,29 0,29 0,29 0,14 1,00 0,35 0,65 1,08 4,88 1,00 0,00 0,00 0,00 0,00 0,26 0,16 0,00 0,00 0,00 0,00 0,00 0,00 PROMEDIO 10,87 0,16 0,18 0,23 0,22 0,20 0,84 0,47 0,53 2,55 2,93 0,99 0,01 0,02 0,02 84,79 0,28 0,22 6,94 0,01 0,00 0,00 0,12 0,00 DESV. EST. 3,02 0,13 0,10 0,14 0,14 0,13 0,13 0,13 0,13 1,23 1,23 0,04 0,04 0,07 0,07 286,98 0,33 0,23 16,84 0,04 0,01 0,00 0,30 0,00 Tabla 22. Escenario 1 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 2,5 pedidos al día Supuesto Práctico sobre el Modelo 32 32 6.2.3. Escenario 2 – Situación 1: Tiempo de procesado mayor antes del CODP (Estación 1) Tiempo entre llegada de pedidos: Exp. 1 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 24 0,04 0,13 0,38 0,29 0,17 0,96 0,71 0,29 2,87 2,93 1,00 0,00 0,00 0,00 0,00 3,93 0,00 3,27 0,63 0,07 0,00 0,06 0,01 2 33 0,12 0,21 0,21 0,24 0,21 0,88 0,65 0,35 1,96 0,41 1,00 0,00 0,03 0,03 722,10 4,11 0,01 15,86 1,37 0,07 0,00 0,28 0,02 3 32 0,06 0,06 0,19 0,34 0,34 0,94 0,53 0,47 1,57 0,75 0,97 0,03 0,03 0,03 319,93 0,59 0,01 45,17 0,92 0,01 0,00 0,77 0,02 4 38 0,13 0,16 0,18 0,24 0,29 0,87 0,35 0,65 0,43 0,66 0,97 0,03 0,13 0,12 5055,00 4,78 0,14 145,42 0,30 0,08 0,00 2,54 0,01 5 36 0,08 0,22 0,33 0,17 0,19 0,92 0,53 0,47 2,08 2,66 0,97 0,03 0,00 0,00 0,00 9,29 0,00 2,43 1,64 0,16 0,00 0,04 0,03 6 28 0,11 0,21 0,11 0,29 0,29 0,89 0,35 0,65 1,00 1,08 1,00 0,00 0,00 0,00 0,00 1,00 0,00 2,39 0,96 0,02 0,00 0,04 0,02 7 39 0,15 0,18 0,08 0,33 0,26 0,85 0,59 0,41 0,13 0,43 0,94 0,06 0,13 0,12 2398,67 2,64 0,00 107,02 1,02 0,05 0,00 1,86 0,02 8 30 0,23 0,27 0,17 0,13 0,20 0,77 0,65 0,35 5,34 2,07 0,96 0,04 0,00 0,00 0,00 2,71 0,00 0,00 0,02 0,05 0,00 0,00 0,00 9 29 0,07 0,24 0,34 0,21 0,14 0,93 0,53 0,47 3,03 3,50 0,96 0,04 0,00 0,00 0,00 3,05 0,00 0,81 0,26 0,05 0,00 0,01 0,00 10 25 0,04 0,20 0,16 0,28 0,32 0,96 0,24 0,76 0,80 2,34 0,96 0,04 0,04 0,04 72,82 2,43 0,00 22,20 0,01 0,04 0,00 0,36 0,00 11 32 0,09 0,13 0,31 0,13 0,34 0,91 0,35 0,65 1,47 4,78 0,97 0,03 0,00 0,00 0,00 2,46 0,01 9,52 0,23 0,04 0,00 0,17 0,00 12 27 0,15 0,22 0,33 0,15 0,15 0,85 0,41 0,59 3,63 3,63 1,00 0,00 0,00 0,00 0,00 5,81 0,00 0,50 0,31 0,10 0,00 0,01 0,01 13 29 0,14 0,24 0,17 0,24 0,21 0,86 0,47 0,53 1,65 4,35 1,00 0,00 0,00 0,00 0,00 3,30 0,00 0,66 1,05 0,06 0,00 0,01 0,02 14 28 0,07 0,25 0,25 0,25 0,18 0,93 0,53 0,47 1,35 4,17 0,96 0,04 0,00 0,00 0,00 1,69 0,00 1,15 1,07 0,03 0,00 0,02 0,02 15 24 0,21 0,04 0,13 0,33 0,29 0,79 0,59 0,41 2,26 1,26 1,00 0,00 0,00 0,00 0,00 2,39 0,04 0,43 1,04 0,04 0,00 0,01 0,02 PROMEDIO 30,27 0,11 0,18 0,22 0,24 0,24 0,89 0,50 0,50 1,97 2,33 0,98 0,02 0,02 0,02 571,24 3,35 0,01 23,79 0,72 0,06 0,00 0,41 0,01 DESV. EST. 4,73 0,06 0,07 0,10 0,07 0,07 0,06 0,13 0,13 1,34 1,52 0,02 0,02 0,04 0,04 1389,79 2,13 0,04 43,93 0,51 0,04 0,00 0,76 0,01 Tabla 23. Escenario 2 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 1 pedidos al día Tiempo entre llegada de pedidos: Exp. 1.5 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 20 0,00 0,35 0,05 0,35 0,25 1,00 0,53 0,47 1,86 2,97 1,00 0,00 0,00 0,00 0,00 2,31 0,00 1,32 1,42 0,04 0,00 0,02 0,03 2 15 0,27 0,13 0,20 0,27 0,13 0,73 0,41 0,59 1,90 6,38 1,00 0,00 0,00 0,00 0,00 0,71 0,00 0,00 0,00 0,01 0,00 0,00 0,00 3 17 0,18 0,18 0,47 0,00 0,18 0,82 0,41 0,59 4,14 6,23 1,00 0,00 0,00 0,00 0,00 1,39 0,00 0,31 0,05 0,02 0,00 0,01 0,00 4 11 0,18 0,27 0,18 0,27 0,09 0,82 0,59 0,41 6,15 3,34 1,00 0,00 0,00 0,00 0,00 0,29 0,04 0,49 0,03 0,01 0,00 0,01 0,00 5 20 0,10 0,25 0,35 0,15 0,15 0,90 0,29 0,71 1,63 6,78 1,00 0,00 0,00 0,00 0,00 3,74 0,28 0,22 0,00 0,07 0,00 0,00 0,00 6 23 0,09 0,22 0,22 0,35 0,13 0,91 0,47 0,53 1,13 3,56 0,90 0,10 0,00 0,00 0,00 1,66 0,00 1,46 0,01 0,03 0,00 0,03 0,00 7 16 0,06 0,13 0,19 0,38 0,25 0,94 0,76 0,24 4,00 1,83 1,00 0,00 0,00 0,00 0,00 1,98 0,00 0,15 0,07 0,04 0,00 0,00 0,00 8 18 0,00 0,28 0,17 0,33 0,22 1,00 0,47 0,53 3,14 2,16 1,00 0,00 0,00 0,00 0,00 3,66 0,00 0,80 0,29 0,06 0,00 0,01 0,01 9 29 0,00 0,31 0,14 0,31 0,24 1,00 0,41 0,59 2,70 2,20 1,00 0,00 0,00 0,00 0,00 3,02 0,05 4,86 1,48 0,05 0,00 0,09 0,03 10 23 0,22 0,17 0,13 0,22 0,26 0,78 0,65 0,35 3,55 1,41 1,00 0,00 0,00 0,00 0,00 0,39 0,00 0,78 0,28 0,01 0,00 0,01 0,00 11 24 0,04 0,13 0,38 0,25 0,21 0,96 0,35 0,65 2,09 4,09 1,00 0,00 0,00 0,00 0,00 4,47 0,00 1,27 0,48 0,08 0,00 0,02 0,01 12 19 0,00 0,21 0,37 0,37 0,05 1,00 0,41 0,59 1,29 5,82 1,00 0,00 0,05 0,05 537,79 0,87 0,00 12,78 0,04 0,02 0,00 0,23 0,00 13 20 0,20 0,00 0,20 0,20 0,40 0,80 0,35 0,65 1,24 3,66 0,88 0,13 0,00 0,00 0,00 0,58 0,00 4,74 0,64 0,01 0,00 0,08 0,01 14 19 0,05 0,26 0,11 0,32 0,26 0,95 0,47 0,53 3,52 3,28 0,94 0,06 0,00 0,00 0,00 2,35 0,00 1,02 0,00 0,04 0,00 0,02 0,00 15 12 0,17 0,25 0,00 0,33 0,25 0,83 0,47 0,53 3,79 4,70 1,00 0,00 0,00 0,00 0,00 0,96 0,03 0,52 0,13 0,02 0,00 0,01 0,00 PROMEDIO 19,07 0,10 0,21 0,21 0,27 0,21 0,90 0,47 0,53 2,81 3,89 0,98 0,02 0,00 0,00 35,85 1,89 0,03 2,05 0,33 0,03 0,00 0,04 0,01 DESV. EST. 4,65 0,09 0,09 0,13 0,10 0,09 0,09 0,12 0,12 1,41 1,74 0,04 0,04 0,01 0,01 138,86 1,34 0,07 3,33 0,49 0,02 0,00 0,06 0,01 Tabla 24. Escenario 2 - Situación 1 - Tiempo entre llegadas de pedidos: Exp. 1,5 pedidos al día 33 33 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” 6.2.4. Escenario 2 – Situación 2: Tiempo de procesado mayor en el CODP (Estación 3) Tiempo entre llegada de pedidos: Exp. 1 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 34 0,15 0,24 0,15 0,24 0,24 0,85 0,59 0,41 2,82 0,81 0,97 0,03 0,00 0,00 0,00 0,64 1,07 4,34 0,24 0,01 0,02 0,08 0,00 2 35 0,14 0,29 0,11 0,20 0,26 0,86 0,47 0,53 1,01 0,85 1,00 0,00 0,03 0,03 64,88 1,36 0,31 15,45 1,12 0,02 0,01 0,27 0,02 3 45 0,11 0,16 0,16 0,29 0,29 0,89 0,47 0,53 1,46 0,34 0,88 0,13 0,03 0,03 19,10 1,41 1,51 83,41 0,06 0,02 0,03 1,39 0,00 4 33 0,06 0,21 0,21 0,27 0,24 0,94 0,41 0,59 0,56 2,41 1,00 0,00 0,00 0,00 0,00 1,55 1,00 10,63 0,52 0,03 0,02 0,19 0,01 5 29 0,14 0,28 0,10 0,21 0,28 0,86 0,65 0,35 3,49 0,03 1,00 0,00 0,08 0,08 560,34 1,36 0,68 62,99 0,68 0,02 0,01 1,12 0,01 6 36 0,28 0,31 0,11 0,17 0,14 0,72 0,65 0,35 4,75 0,53 0,96 0,04 0,08 0,08 1310,70 2,39 0,94 30,12 0,03 0,04 0,02 0,53 0,00 7 27 0,07 0,11 0,33 0,26 0,22 0,93 0,65 0,35 2,41 3,29 1,00 0,00 0,00 0,00 0,00 0,82 0,19 1,34 0,60 0,01 0,00 0,02 0,01 8 23 0,17 0,30 0,13 0,17 0,22 0,83 0,29 0,71 2,25 4,52 0,95 0,05 0,00 0,00 0,00 0,72 0,07 1,90 0,03 0,01 0,00 0,03 0,00 9 31 0,13 0,10 0,39 0,26 0,13 0,87 0,47 0,53 2,04 3,01 0,96 0,04 0,00 0,00 0,00 1,58 0,59 4,15 0,00 0,03 0,01 0,07 0,00 10 37 0,14 0,19 0,22 0,19 0,27 0,86 0,47 0,53 1,66 0,14 1,00 0,00 0,00 0,00 0,00 1,46 1,48 63,93 1,06 0,03 0,03 1,13 0,02 11 23 0,09 0,17 0,35 0,26 0,13 0,91 0,53 0,47 2,66 3,66 1,00 0,00 0,00 0,00 0,00 1,13 1,26 1,59 0,00 0,02 0,02 0,03 0,00 12 20 0,10 0,25 0,20 0,20 0,25 0,90 0,65 0,35 3,95 2,54 0,94 0,06 0,00 0,00 0,00 0,71 0,00 1,16 0,00 0,01 0,00 0,02 0,00 13 34 0,12 0,15 0,18 0,18 0,38 0,88 0,35 0,65 1,58 1,12 0,97 0,03 0,00 0,00 0,00 0,08 0,29 21,63 0,01 0,00 0,01 0,38 0,00 14 26 0,15 0,15 0,15 0,27 0,27 0,85 0,53 0,47 1,21 1,63 1,00 0,00 0,00 0,00 0,00 0,00 0,00 3,67 0,00 0,00 0,00 0,06 0,00 15 22 0,09 0,09 0,23 0,45 0,14 0,91 0,76 0,24 2,75 2,33 1,00 0,00 0,00 0,00 0,00 0,74 0,32 3,14 0,00 0,01 0,01 0,06 0,00 PROMEDIO 30,33 0,13 0,20 0,20 0,24 0,23 0,87 0,53 0,47 2,31 1,81 0,97 0,03 0,01 0,01 130,33 1,06 0,65 20,63 0,29 0,02 0,01 0,36 0,01 DESV. EST. 6,88 0,05 0,07 0,09 0,07 0,07 0,05 0,13 0,13 1,14 1,41 0,04 0,04 0,03 0,03 356,74 0,62 0,53 27,29 0,40 0,01 0,01 0,47 0,01 Tabla 25. Escenario 2 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 1 pedidos al día Tiempo entre llegada de pedidos: Exp. 1.5 pedidos al día RÉPLICA Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos aceptados Porcentaje de tipo de MTS en almacén Número medio MTS en el almacén Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptados Tiempo medio de pedidos aceptados retrasados (min) Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTO1 MTO2 MTS/MTO1 MTS/MTO2 TOTAL MTS1 MTS2 MTS1 MTS2 En cola Retrasados Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 1 23 0,17 0,17 0,00 0,30 0,35 0,83 0,59 0,41 2,74 1,37 1,00 0,00 0,00 0,00 0,00 0,00 0,17 4,03 0,00 0,00 0,00 0,07 0,00 2 18 0,06 0,11 0,28 0,44 0,11 0,94 0,65 0,35 2,14 3,24 1,00 0,00 0,00 0,00 0,00 0,23 0,01 0,14 0,00 0,00 0,00 0,00 0,00 3 12 0,08 0,42 0,25 0,00 0,25 0,92 0,29 0,71 4,55 5,22 1,00 0,00 0,00 0,00 0,00 0,00 0,02 1,19 0,00 0,00 0,00 0,02 0,00 4 17 0,00 0,24 0,35 0,18 0,24 1,00 0,47 0,53 6,15 1,76 1,00 0,00 0,00 0,00 0,00 0,47 0,11 1,14 0,00 0,01 0,00 0,02 0,00 5 22 0,14 0,09 0,27 0,32 0,18 0,86 0,53 0,47 2,85 3,36 1,00 0,00 0,00 0,00 0,00 1,16 1,30 3,76 0,35 0,02 0,02 0,07 0,01 6 14 0,14 0,29 0,21 0,21 0,14 0,86 0,59 0,41 4,07 4,52 1,00 0,00 0,00 0,00 0,00 0,45 0,28 0,00 0,00 0,01 0,00 0,00 0,00 7 17 0,12 0,35 0,06 0,35 0,12 0,88 0,59 0,41 5,22 4,74 0,87 0,13 0,00 0,00 0,00 0,44 0,44 0,55 0,05 0,01 0,01 0,01 0,00 8 9 0,22 0,33 0,11 0,11 0,22 0,78 0,59 0,41 6,11 3,34 1,00 0,00 0,00 0,00 0,00 0,00 0,25 1,21 0,00 0,00 0,00 0,02 0,00 9 16 0,06 0,19 0,25 0,06 0,44 0,94 0,41 0,59 4,53 2,39 1,00 0,00 0,00 0,00 0,00 1,47 0,93 0,05 0,00 0,03 0,02 0,00 0,00 10 27 0,22 0,19 0,26 0,19 0,15 0,78 0,59 0,41 3,46 2,69 1,00 0,00 0,00 0,00 0,00 1,70 0,18 0,64 0,00 0,03 0,00 0,01 0,00 11 30 0,13 0,10 0,27 0,20 0,30 0,87 0,59 0,41 4,36 0,88 1,00 0,00 0,04 0,04 441,50 0,77 0,32 18,89 0,00 0,01 0,01 0,33 0,00 12 29 0,07 0,28 0,14 0,21 0,31 0,93 0,35 0,65 1,08 1,57 1,00 0,00 0,00 0,00 0,00 1,31 0,40 3,21 0,03 0,02 0,01 0,06 0,00 13 11 0,00 0,18 0,18 0,36 0,27 1,00 0,59 0,41 4,51 4,45 1,00 0,00 0,00 0,00 0,00 0,27 0,04 0,72 0,00 0,00 0,00 0,01 0,00 14 24 0,08 0,13 0,13 0,25 0,42 0,92 0,35 0,65 0,57 1,95 1,00 0,00 0,05 0,05 436,32 0,52 0,34 15,92 0,46 0,01 0,01 0,28 0,01 15 18 0,17 0,39 0,22 0,06 0,17 0,83 0,53 0,47 5,88 4,49 1,00 0,00 0,00 0,00 0,00 3,51 1,49 0,74 0,00 0,06 0,03 0,01 0,00 PROMEDIO 19,13 0,11 0,23 0,20 0,22 0,24 0,89 0,51 0,49 3,88 3,06 0,99 0,01 0,01 0,01 58,52 0,82 0,42 3,48 0,06 0,01 0,01 0,06 0,00 DESV. EST. 6,50 0,07 0,11 0,09 0,13 0,10 0,07 0,11 0,11 1,73 1,39 0,03 0,03 0,01 0,01 154,44 0,92 0,46 5,83 0,14 0,02 0,01 0,10 0,00 Tabla 26. Escenario 2 - Situación 2 - Tiempo entre llegadas de pedidos: Exp. 1,5 pedidos al día 7. INTERPRETACIÓN DE LOS RESULTADOS n este documento la premisa principal es el estudio de la aceptación y rechazos de pedidos en base a su fecha de entrega. En concreto, tal como se vio en el apartado anterior, vamos a tener tres variables principales de estudio: Tiempo de entrada de pedidos, Tiempo de procesado en cada planta y el Nivel de stock inicial del Almacén. Antes de comenzar con el estudio de cada una de estas variables es interesante hacer un pequeño análisis sobre los resultados obtenidos en las réplicas una vez corrido el modelo. La desviación típica en las réplicas muestra que las diferencias entre las réplicas son destacables, sobre todo cuando se está hablando del tiempo medio de retrasos, donde se puede observar que una sola réplica puede provocar que el valor de la media se eleve demasiado. Teniendo esta premisa en cuenta, comienza el análisis de los resultados. 7.1. Estudio en función del tiempo entre pedidos En este apartado se va a estudiar como el sistema se comporta en función del tiempo entre pedidos, concretamente conforme se aumenta el intervalo de tiempo entre pedidos. Para ello nos apoyaremos en las Tablas 27, 28, 29 y 30, correspondientes al Escenario de experimentación 1 (sin stock inicial en el Almacén) y la Situación 1 (tiempo de procesado mayor antes del CODP), para las Estaciones 1 y 3, por ser los puntos de entrada de pedidos. Intervalo de tiempo de pedidos al día Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptado Tiempo medio de pedidos aceptados retrasados (min) En cola Retrasados Esc. 1 Sit. 1 1,00 31,20 0,14 0,93 0,07 0,13 0,12 1386,94 1,50 20,13 0,12 0,95 0,05 0,03 0,02 386,75 2,00 14,00 0,13 0,99 0,01 0,06 0,06 574,76 2,50 12,07 0,11 0,98 0,02 0,02 0,02 91,79 Tabla 27. Comparativa del cumplimiento de pedidos en función del tiempo entre pedidos. En la Tabla 27 se puede observar cómo ese cumplimiento de pedidos aumenta ligeramente, hasta prácticamente alcanzar el 100%, y el radio de retrasos, ya sea con respecto a los pedidos aceptados como finalizados, disminuye. En la Tabla 28 se representa la cantidad de pedidos que han llegado al sistema (serie de color naranja) y la cantidad de pedidos que salen del sistema (serie de color verde) en función del tiempo con respecto a los pedidos aceptados entrantes tanto en la Estación 1 como en la Estación 3. Dicho de otro modo, en el eje E 35 35 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” vertical se representas las cantidades de pedidos entrantes y salientes, y en el eje horizontal el instante de tiempo correspondiente. De este modo, la diferencia en el eje horizontal para cada nivel de pedidos corresponde con el tiempo que tarda en completarse dicho pedido. Cabe mencionar que los pedidos MTO entran en la Estación 1, junto con los 17 MTS y los pedidos MTS/MTO entran en la Estación 3 (CODP). Escenario 1 – Situación 1 - Estación 1 Escenario 1 – Situación 1 - Estación 3 Tiempo entre pedidos: 1 día Tiempo entre pedidos: 1,5 días Tiempo entre pedidos: 2 días Tiempo entre pedidos: 2,5 días Tabla 28. Comparativa gráfica entre la entrada de pedidos (serie naranja) y la salida de pedidos (serie verde) en el tiempo en la Estación 1 y Estación 3 en función del tiempo de entrada de pedidos. Se puede observar como el sistema se va descongestionando y las líneas se van acercando cada vez más conforme aumenta el intervalo de tiempo de entrada de pedidos. Otro modo de ver esta saturación del sistema es a través del número de pedidos en cola a lo largo del tiempo, tal como muestra la Tabla 29. Interpretación de los resultados 36 36 Escenario 1 – Situación 1 - Estación 1 Escenario 1 – Situación 1 - Estación 3 Tiempo entre pedidos: 1 día Tiempo entre pedidos: 1,5 días Tiempo entre pedidos: 2 días Tiempo entre pedidos: 2,5 días Tabla 29. Comparativa gráfica entre el número de pedidos en cola en el tiempo en la Estación 1 y Estación 3 en función del tiempo de entrada de pedidos. Como se puede observar, el número de pedidos en cola disminuye en ambos casos, aunque hay que destacar que el caso de la Estación 3 presenta unos números más elevados, llegando a picos importantes de tareas en cola de 7 pedidos, mientras que la Estación 1 no presenta prácticamente más de un pedido en cola. Para reafirmar esta idea se utilizan los datos de la Tabla 30, con el promedio de pedidos en cola en todas las estaciones e incluso más importante, el tiempo. Efectivamente, la Estación 1 no presenta ningún pedido en cola y la Estación 3 un máximo de 1,76 pedidos en cola, que disminuye considerablemente con el aumento del tiempo entre pedidos. 37 37 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” Intervalo de tiempo de pedidos al día Número medio MTS en el Almacén Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTS1 MTS2 Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 Esc. 1 Sit. 1 1,00 0,79 0,98 4,01 0,52 101,08 0,47 0,07 0,01 1,76 0,01 1,50 1,74 1,82 2,28 0,06 23,70 0,27 0,04 0,00 0,40 0,00 2,00 1,73 2,48 1,31 0,01 21,05 0,04 0,02 0,00 0,37 0,00 2,50 2,35 2,54 0,97 0,01 5,03 0,17 0,02 0,00 0,09 0,00 Tabla 30. Comparativa del rendimiento del sistema en función del tiempo entre pedidos. Recapitulando toda la información obtenida en este estudio con respecto al tiempo de entrada de pedidos, se obtienen tres ideas principales: • Efectivamente conforme se aumente el tiempo entre pedidos, el sistema mejora hasta estabilizarse y cumplir con las necedades de cumplimiento de pedido de la empresa. • La Estación 1 no presenta congestión en ningún momento, a pesar de ser la Situación 1, donde se está simulando con un tiempo de procesado mayor que en el CODP (180 – 170 min), luego se puede afirmar que la Estación 1 no es un punto problemático o de saturación del sistema. • La Estación 3, donde se ubica el CODP, se convierte en el cuello de botella cuando el tiempo entre llegadas de pedidos es inferior a 2 días en la Situación 1. Además, este cuello de botella ocurre en la primera mitad de la simulación (Tabla 29). 7.2. Estudio en función del tiempo de producción En este apartado se va a estudiar como el sistema se comporta en función del tiempo de procesado en el CODP o Estación 3, estudiando dos posibles situaciones con diferentes tiempos de procesado: Situación 1, con un tiempo de procesado mayor antes del CODP, y Situación 2, con un tiempo de procesado mayor en el CODP (Tabla 13). Para ello nos apoyaremos en las Tablas 31, 32, 33 y 34, correspondientes al Escenario de experimentación 1 (sin stock inicial en el Almacén). Intervalo de tiempo de pedidos al día Número de pedidos entrantes Porcentaje de pedidos rechazados Porcentaje de pedidos finalizados Porcentaje de pedidos de vuelta Radio de retrasos con respecto a los pedidos aceptado Tiempo medio de pedidos aceptados retrasados (min) En cola Retrasados Esc. 1 Sit. 1 1,00 31,20 0,14 0,93 0,07 0,13 0,12 1386,94 1,50 20,13 0,12 0,95 0,05 0,03 0,02 386,75 2,00 14,00 0,13 0,99 0,01 0,06 0,06 574,76 2,50 12,07 0,11 0,98 0,02 0,02 0,02 91,79 Esc. 1 Sit. 2 1,00 28,13 0,10 0,93 0,07 0,06 0,05 768,53 1,50 20,53 0,16 0,97 0,03 0,06 0,06 279,43 2,00 15,13 0,15 0,99 0,01 0,04 0,04 186,85 2,50 10,87 0,16 0,99 0,01 0,02 0,02 84,79 Tabla 31. Comparativa del cumplimiento de pedidos en función del tiempo de procesado en el CODP. En la Tabla 32 se representa la cantidad de pedidos que han llegado al sistema (serie de color naranja) y la cantidad de pedidos que salen del sistema (serie de color verde) en función del tiempo con respecto a los pedidos aceptados entrantes con los tiempos de procesado de la Situación 1 y Situación 2. Interpretación de los resultados 44 44 Número de productos MTS1 Número de productos MTS2 Situación 1 – Escenario 1 Situación 1 – Escenario 2 Situación 2 – Escenario 1 Situación 2 – Escenario 2 Tabla 39. Comparativa gráfica del nivel de stock en el almacén en el tiempo para productos MTS con un tiempo entre pedidos de 1,5 días. Independientemente de tiempo de procesado utilizados, ya sean los de la Situación 1 o la Situación 2, se puede observar como cuando se trata de casos del primer escenario de experimentación, donde no hay productos en el Almacén al inicio de la simulación, como el sistema no tiene productos en el Almacén a lo largo del tiempo. Sin embargo, en el Escenario 2 se puede observar como en la mayor parte del tiempo siempre hay una reserva para que la Estación 3 o el CODP deje de ser el cuello de botella. 45 45 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” Otra idea interesante es como se puede ver, independientemente de Escenario y de la Situación de tiempo de procesado elegida, como el número de productos MTS en el sistema tienen una tendencia creciente al final de la simulación, hasta llegar a número importante como 8 productos MTS2. En términos numéricos, se presenta la Tabla 40, donde se puede observar que, con esta inyección de productos al inicio de la simulación, el número medio de pedidos en cola pasa de 1,76 a 0,40 en la peor situación estudiada en el sistema (Esc.1-Sit.1). Intervalo de tiempo de pedidos al día Número medio MTS en el Almacén Tiempo medio de espera para cada entrada (min) Número medio de pedidos en cola MTS1 MTS2 Est. 1 Est. 2 Est. 3 Est. 4 Est. 1 Est. 2 Est. 3 Est. 4 Esc. 1 Sit. 1 1,00 0,79 0,98 4,01 0,52 101,08 0,47 0,07 0,01 1,76 0,01 1,50 1,74 1,82 2,28 0,06 23,70 0,27 0,04 0,00 0,40 0,00 Esc. 2 Sit. 1 2,00 1,97 2,33 3,35 0,01 23,79 0,72 0,06 0,00 0,41 0,01 2,50 3,31 3,53 1,56 1,42 2,56 0,17 0,03 0,03 0,05 0,00 Esc. 1 Sit. 2 1,00 1,14 1,31 1,39 0,73 58,56 0,04 0,02 0,01 1,00 0,00 1,50 1,84 1,99 0,62 0,38 27,85 0,06 0,01 0,01 0,49 0,00 Esc. 2 Sit. 2 2,00 2,31 1,81 1,06 0,65 20,63 0,29 0,02 0,01 0,36 0,01 2,50 3,88 3,06 0,82 0,42 3,48 0,06 0,01 0,01 0,06 0,00 Tabla 40. Comparativa del rendimiento del sistema en función del nivel de Stock inicial del Almacén. Recapitulando toda la información obtenida en este estudio con respecto al nivel de stock en el almacén, se obtienen dos ideas principales: • El segundo escenario de experimentación presenta una proporción de retrasos y un número de pedidos en cola menor que los resultantes del primer escenario de experimentación, provocando la desaparición del cuello de botella existente en la Estación 3 o CODP para tiempos de entrada de pedidos menores a 2 días. • En la primera mitad de la simulación, al no tener aun suficientes productos MTS para poder realizar el ensamblaje en el CODP, existe un menor número de pedidos en cola. Por otro lado, en la segunda mitad, existe una tendencia creciente de estos productos en el Almacén, pudiendo llegar a ser un problema de almacenamiento. Esta idea está relacionada con llegar al equilibrio entre los productos MTS que fabricar durante el proceso de fabricación y el nivel de productos inicial con el que se parte. 8. CONCLUSIÓN Saltar rápidamente a conclusiones rara vez conduce a felices aterrizajes. S. Siporin n este documento se pretende investigar cuestiones del proceso de planificación de producción jerárquica en un sistema de producción híbrido MTS / MTO con el fin de encontrar la mejor política de aceptación o rechazo de pedidos entrantes de MTO o MTS / MTO a través del modelo de simulación propuesto por Helia Yousefnejad et al.[1] para la planta de procesado de alimentos. El nivel de stock del Almacén se convierte en la variable principal a estudiar, sumándose a las variables planteadas por Helia correspondientes al Tiempo de procesado en cada estación y el Intervalo de tiempo entre pedidos. Las ideas principales obtenidas una vez concluida la simulación son: • Al aumentar el tiempo entre pedidos el sistema mejora hasta estabilizarse y cumplir con las necesidades de cumplimiento de pedido de la empresa, sin importar los tiempos de procesado propuestos. • El punto CODP, ubicado en la Estación 3, se convierte en el punto más crítico del sistema, pudiendo generarse cuello de botella cuando el tiempo entre llegadas de pedidos es inferior a 2 días sin nivel de stock inicial en el Almacén. • Es necesario un nivel de stock inicial en el Almacén para poder cumplir con las fechas de entrega a tiempo, ya que los pedidos híbridos entran por el Estación 3 y dependen de los productos MTS que tienen que ser elaborados desde el inicio de la cadena de fabricación. Otro de los objetivos principales de este estudio es poner de manifiesto el empleo de un modelo desarrollado en Python junto con SimPy para realizar una simulación de eventos discretos. Gracias a esta versatilidad, no solo se ha podido diseñar un modelo con todas las características deseadas, sino también se ha podido incluir el modelo de optimización mixto propuesto, resuelto con Gurobi, algo que, en otros softwares, ya sean libres o comerciales, no sería tan sencillo de llevar a cabo o con el mismo nivel de personalización. Como sugerencias para futuras investigaciones, existen una amplia gama de combinaciones gracias a la cantidad de variables recogidas tanto en el modelo de simulación como el modelo matemático. Entre estas, sería de gran interés tener en cuenta la vida útil del producto limitada por la materia prima o los productos terminados dentro del inventario; cuestiones de proveedores como comparar la calidad, capacidad, flexibilidad y precio de cada proveedor; o incluso incluir la posibilidad de subcontratar los pedidos entrantes se puede considerar como una forma de aceptar más pedidos y responder a ellos de la mejor manera. E REFERENCIAS [1] Yousefnejad H., Rabbani M., & Manavizadeh N., «A Simulation-Optimization Model for Capacity Coordination in Make to Stock/Make to Order Production Environments,» Iranian Journal of Management Studies, vol. 12, nº 2, pp. 235-253, 2019. [2] J. Olhager, «Long-term capacity management: Linking the perspectives from manufacturing strategy and sales and operations planning,» International Journal of Production Economics, vol. 69, nº 2, pp. 215- 225, 2001. [3] Meredith, J., y Akinc, U., «Characterizing and structuring a new make-to-forecast production strategy,» Journal of Operations Management, vol. 25, nº 3, pp. 623-642, 2007. [4] G. Sharman, «The rediscovery of logistics,» Harvard Business Review, vol. 62, nº 5, p. 71‐9, 1984. [5] J. Olhager, «Strategic positioning of the order penetration point,» International Journal of Production Economics, vol. 85, nº 3, pp. 319-329, 2003. [6] Sanchis, R. & Poler, R., «Punto de Desacople y Estrategias de Cumplimiento de Pedidos,» Universitat Politècnica de València, Escuela Politécnica Superior de Alcoy, 2014. [7] Sachis, R. & Poler, R., «Estrategias de Gestión de los Procesos y Operaciones en Escenarios de Personalización en Masa,» de 4th International Conference on Industrial Engineering and Industrial Management, Donostia- San Sebastián, 2010. [8] Ghalehkhondabi, I., & Suer, G., «Production line performance analysis within a MTS/MTO manufacturing framework: a queuing theory approach,» Production, vol. 0, nº 28, 2018. [9] Sun, X. Y., Ji, P., Sun, L. Y., & Wang, Y. L., «Positioning multiple decoupling points in a supply network,» International Journal of Production Economics, vol. 113, nº 2, pp. 943-956, 2008. [10] Rafiei, H., & Rabbani, M., «Order partitioning and order penetration point location in hybrid make-to- stock/make-to-order production contexts,» Computers & Industrial Engineering, vol. 61, nº 3, pp. 550- 560, 2011. [11] Kalantari, M., Rabbani, M., & Ebadian, M., «A decision support system for order acceptance/rejection in hybrid MTS/MTO production systems,» Applied Mathematical Modelling, vol. 35, nº 3, pp. 1363-1377, 2011. [12] Sharda, B., & Akiya, N., «Selecting make-to-stock and postponement policies for different products in a chemical plant: A case study using discrete event simulation,» International Journal of Production Economics, vol. 136, nº 1, pp. 161-171, 2012. [13] Zhang, Z. G., Kim, I., Springer, M., Cai, G., & Yu, Y., «Dynamic pooling of make-to-stock and make-to- order operations,» International Journal of Production Economics, vol. 144, nº 1, pp. 44-56, 2013. Referencias 48 48 [14] Almehdawe, E., & Jewkes, E., «Performance analysis and optimization of hybrid manufacturing systems under a batch ordering policy,» International Journal of Production Economics, vol. 1, nº 144, pp. 200- 208, 2013. [15] Shidpour, H., Da Cunha, C., & Bernard, A., «Analyzing single and multiple customer order decoupling point positioning based on customer value: a multi-objective approach,» Procedia CIRP, nº 17, pp. 669- 674, 2014. [16] Liu, W., Yang, Y., Xu, H., Liu, X., Wang, Y., & Liang, Z., «A time scheduling model of logistics service supply chain based on the customer order decoupling point: a perspective from the constant service operation time,» The Scientific World Journal, pp. 1-22, 2014. [17] Ghalehkhondabi, I., Sormaz, D., & Weckman, G., «Multiple customer order decoupling points within a hybrid MTS/MTO manufacturing supply chain with uncertain demands in two consecutive echelons,» OPSEARCH , vol. 4, nº 53, p. 976–997, 2016. [18] Bortolinia M., Facciob M., Gamberia M., & Pilatia F., «MTO/MTS policy optimization for sheet metal plate parts,» ScienceDirect, vol. 81, pp. 1046-1051, 2019. [19] Xiong S. , Feng Y., & Huang K., «Optimal MTS and MTO Hybrid Production System for a Single Product Under the Cap-And-Trade Environment,» Sustainability, vol. 6, nº 12, 2020. [20] Mula J., Poler R., & García J.P., «Evaluación de Sistemas para la Planificación y Control de la Producción,» Información tecológica, vol. 17, nº 1, pp. 19-34, 2005. [21] Tamayo A., & Urquiola I., «Concepción de un procedimiento para la planificación y control de la producción haciendo uso de herramientas matemáticas,» Revista de métodos cuantitativos para la economía y la empresa, nº 18, pp. 130-145, 2014. [22] Hax A.C., & H.C. Meal, «Hierarchical integration of production planning and scheduling,» Studies in Management Sciences, vol. 1, 1975. [23] Ebadian M. , Rabbani M. , Torabi S.A., & Jolai F., «Hierarchical production planning and scheduling in make-to-order environments: reaching short and reliable delivery dates,» International Journal of Production Research, vol. 47, nº 20, p. 5761–5789, 2009. [24] Byrne J., Heavey C., & Byrne PJ., «A review of Web-based simulation and supporting tools,» Elsevier, vol. 3, nº 18, pp. 253-276, 2010. [25] Dagkakis G. & Heavey C., «A review of open source discrete event simulation software for operations research,» Journal of simulation, vol. 10, pp. 193-206, 2016. [26] Chazallet S., Python 3. Los fundamentos del lenguaje, Cornellà de Llobregat - Barcelona: Editions ENI, 2016. [27] García Monsálvez J. C., «Python como primer lenguaje de programación textual en la Enseñanza Secundaria,» Education in the Knowledge Society, vol. 18, nº 2, pp. 147-162, 2017. [28] T. S. Revision, «Simpy,» 2002-2020. [En línea]. Available: https://simpy.readthedocs.io/ en/latest/contents.html. 49 49 “Estudio en un entorno de producción híbrida MTS/MTO mediante simulación” [29] «Gurobi Optimization, LLC.,» 2020. [En línea]. Available: https://www.gurobi.com/. [Último acceso: 15 06 2020]. [30] Owusu-Mensah D., Naifei R., Brako .L, Boateng .L, & Kweku W., «Analysis of Production System Management of Ghana’s Food and Beverage Industry: Empirical evidence from Spare Parts Inventory Control, Production Quality and Maintenance Modeling,» Journal of Food Industry, vol. 4, nº 1, 2020. [31] Soman, C. A., van Donk, D. P., & Gaalman, G., «Comparison of dynamic scheduling policies for hybrid make-to-order and make-to-stock production systems with stochastic demand,» International Journal of Production Economics, vol. 104, nº 2, pp. 441-453, 2006. [32] Kingsman, B., & Hendry, L., «The relative contributions of input and output controls on the performance of a workload control system in make-to-order companies,» Production Planning & Control, vol. 13, nº 7, pp. 579-590, 2002.