Nissan Motor Manufacturing UK ha estado desarrollando gemelos digitales predictivos para aumentar la eficiencia de la planta y optimizar su toma de decisiones comerciales durante varios años. Este artículo muestra 5 ejemplos de cómo, utilizando el software de simulación predictiva de Lanner, WITNESS Horizon, los ingenieros industriales han creado modelos para responder a preguntas operativas y estratégicas clave, y para ayudar a facilitar el viaje de Nissan a la Industria 4.0.

1. Cumplimiento de nuevos objetivos de producción del tren motriz

El desafío: identificar las mejoras de proceso requeridas que pueden duplicar las tasas de producción

Nissan se estaba preparando para lanzar un modelo actualizado de su automóvil eléctrico Leaf, con un motor nuevo y más avanzado. Para satisfacer la demanda proyectada del consumidor, la fábrica necesitaba duplicar su rendimiento del tren motriz, de 5 trabajos por hora a 10. El equipo de ingeniería industrial quería identificar posibles cuellos de botella con un diseño de producción actualizado, enfocando en las mejoras del proceso que serían necesarias para facilitar El aumento de la producción.

El resultado: la toma de decisiones basada en evidencia ayuda a alcanzar objetivos

Mediante la simulación predictiva, el equipo identificó un cuello de botella crucial en el proceso de sellado. Una vez que el sello se coloca en la unidad del motor, tiene que curarse durante 15 minutos antes de que pueda analizarse en busca de fugas. Incluso después de modelar varios escenarios de cambio, este bloqueo aún no se pudo eliminar.

Para superar el problema, los ingenieros utilizaron el modelo para experimentar con varias contramedidas. La solución fue implementar otro bucle que proporcione capacidad de almacenamiento adicional de la unidad de tren motriz. Esto aumentó el rendimiento al tiempo que proporcionó el tiempo de curado requerido antes de la prueba del sello.

Nissan ahora está utilizando este modelo para planificación adicional, ejecutando escenarios que facilitan 15 trabajos por hora para estar listos para una futura aceleración de la producción.

2. Comprender las tasas de fallo de la prueba de fugas

El desafío: eliminar el riesgo de producción durante la etapa de prueba de fugas del árbol de baterías

Otro elemento de planificación para el nuevo Leaf implicaba analizar el proceso de prueba de fugas para el árbol de baterías. El equipo quería saber la tasa de fallos de la prueba de fugas máxima permitida que aún permitiría alcanzar los objetivos de rendimiento.

El resultado: el conocimiento preciso ayudó a satisfacer la demanda y cumplir con los KPI

El gemelo digital predictivo se utilizó para modelar escenarios de producción con tasas de falla de prueba de fugas variables. Concluyó que la tasa de falla no podía exceder el 5.2% sin afectar el rendimiento. Esto ha permitido que los equipos de ingeniería planifiquen efectivamente para satisfacer la demanda.

3. Lograr un proceso de mecanizado de culatas más rentable

El desafío: minimizar los requisitos de paletas sin afectar el rendimiento

Como parte de la fabricación de vehículos, las culatas se someten a un proceso de mecanizado, limpieza y luego segunda etapa de mecanizado. Durante parte de este tiempo, la cabeza está unida a una paleta. Los ingenieros de Nissan estaban planeando ordenar paletas nuevas, pero con un coste significativo para cada una, se preguntaron si la instalación podría operar con un número reducido sin afectar negativamente las tasas de rendimiento actuales.

La solución: ahorro de 25.000€ en la adquisición de palets

El gemelo digital de la línea de mecanizado de culatas se utilizó para ejecutar diversos escenarios para diferentes volúmenes de paletas, analizando factores como entradas, cadencia (takt time) y volúmenes. El modelo mostró que se requeriría un stock mínimo viable de 70 palets para operar a plena capacidad y con poco riesgo de cuellos de botella, significativamente menos que los 100 anticipados. Los beneficios equivalen a un ahorro general de aproximadamente unos 25.000€.

4. Reducción de cuellos de botella en la instalación de pintura de parachoques

El desafío: determinar el escenario de almacenamiento óptimo

La instalación de pintura de parachoques de la planta de Sunderland recibe componentes de 2 líneas de producción, logrando procesar piezas para múltiples modelos de automóviles y la amplia gama de colores de pintura. Los cuellos de botella comenzaban a ocurrir porque la instalación se estaba quedando sin espacio en el estante de almacenamiento. Ingeniería quería saber cuántos bastidores se requerían para evitar tener que detener la línea de pintura.

El resultado: una planificación efectiva a largo plazo que mantenga el rendimiento

Utilizando un gemelo digital de la línea de pintura de parachoques, desarrollado con el software WITNESS Horizon, Nissan creó un modelo visual conectado a datos de producción de hojas de cálculo. El gemelo digital predictivo ejecutó varios escenarios basados en los diferentes modelos de automóviles que llegaron al taller de pintura y determinó el número óptimo de bastidores de almacenamiento para garantizar que ninguna de las líneas de producción corriera el riesgo de detenerse. El departamento de planificación ahora ha desarrollado el gemelo digital para dar cuenta de los nuevos planes de lanzamiento de vehículos para que los requisitos puedan optimizarse de manera continua.

5. Análisis del caso de inversión para la expansión

El desafío: determinar si la instalación necesitaba invertir en una nueva estación de película de protección de pintura

La película protectora de pintura se aplica a ciertos paneles de automóviles según el destino y la aplicación, para proteger el acabado y aumentar la durabilidad. En preparación para el lanzamiento del nuevo modelo Infiniti, el equipo de ingeniería de chasis y acabado estaba preocupado de que pudiera requerirse una nueva estación de película de protección de pintura para satisfacer la demanda planificada.

El resultado: ahorros de 28.000 € en gastos de capital

Se usó un gemelo digital predictivo para simular el cronograma de control de producción. El equipo realizó escenarios para los requisitos de la película de protección de pintura y determinó que las instalaciones existentes tenían la capacidad suficiente para hacer frente al aumento proyectado de la demanda. Una solución para hacer frente al uso del equipo existente significaba que los gastos de capital en una nueva estación, que habrían requerido una inversión de 28.000 €, se evitaban con confianza.

“Somos un departamento bastante ajustado y trabajar con Lanner y WITNESS nos ha ayudado a desarrollar modelos que ahora se usan regularmente para tomar decisiones comerciales en Nissan en el Reino Unido. Gracias al modelado, hemos podido implementar mejoras constantes en nuestros procesos, y la simulación se ha convertido en una parte clave de la adopción por parte de Nissan de IoT industrial y tecnología inteligente. ”- Martin Perkins, ingeniero industrial, Nissan Motor Manufacturing UK