A szimulációs modellek segítenek azonosítani a problémás keresztmetszeteket és így növelni a termelési teljesítményt. A szimuláció úgy szolgál információval, hogy nem szakítja meg a folyamatot. A kísérletezés sokkal gyorsabb és kevésbé veszélyes, költséges vele. A gépek működése sokkal kiszámíthatóbb az emberi munkánál, így könnyebben modellezhető, kisebb a variancia. Egy adott döntés, változtatása az összeszerelősornak is kipróbálható a szimulációkban és a legoptimálisabb kimenetellel járó változtatást kell csak implementálni. Így segíti nem csak a döntéshozatalt, hanem a végrehajtást is a modellezés, habár erre szakosodott szakember általában erre szakosodott cégeknél elérhető, tehát a folyamatot, az gyártósor-optimalizációt kiszervezik emiatt és egy másik ok miatt is. Az cég vagy szakember, aki sok ilyen procedúrát végigcsinált már, rutinból, ránézésből tud ítéletet mondani egy-egy gyártósor átalakításáról szóló döntésről. Persze minden helyzet egyedi, de hasonlóságok, sztenderdek, benchmarkok vannak minden iparágban.
Lean termelés
Például egy lean termelésre való átállás, ha sikeresnek bizonyul, az portfoliótól függetlenül általában lecsökkenti az üzemeltetési költségeket, csökkenti a szükséges alapterületet és a szállítási költségeket is. Hasonló célok és hasonló kimentelek, a módszertan az, ami eltérő lehet.
A gyártósorok kibalanszírozásánál fontos kérdés, hogy mennyire rugalmas az a sor; ez kvalitatív és kvantitatív eljárásokkal is kideríthető. Kvalitatív adatok a dolgozók interjúkkal begyűjtött tapasztalatai, anyagminőség, esetleg vevői tapasztalatok. Kvantitatív adatok a kapcsolódó költségek, fent felsorolt időtartamok, selejt-ráta, stb. Rengeteg modellező program áll rendelkezésre a telepítéssel és optimalizálással foglalkozó cégeknél, amik a betáplált adatok és megadott célérték (kívánt output) függvényében módosítják a változónak jelölt adatokat (inputok). Hogy mik a „változó” inputok már teljesen egyedi paraméterek cégenként: anyagmennyiség, rendelkezésre álló idő, ember, stb, illetve, hogy mik az adódó korlátok, például 8 órás termelés. Mint látszik, egy operátori szintű gyártósor optimalizálása is egy elég holisztikus látásmódot igényel, főleg, ha több gyártósort működtetnek egyszerre.
Jellemző problémája a menedzsmentnek, hogy hosszú a gyártósor ciklusideje. Ennek csökkentéséért azonosítani kell és kiiktatni a hozzáadott értékkel nem járó munkákat és minimalizálni a termelt hulladékot. 2014-ben, egy autóipari cégben elvégzett ilyen optimalizációs megbízásnál a megbízók rendelésre akartak termelni, tehát a rugalmasság növelése volt a fő szempont, ami egy egyértelmű versenyelőny egy ilyen dinamikus iparágban. Kulcskérdés volt, hogy a sor egyes munkaállomásai mennyi kapacitással rendelkeznek, illetve, hogy milyen varianciája van ezeknek. A legnagyobb problémának az mutatkozott, hogy amikor egy fel-le mozgó csúszdáról átkerül az alkatrész egy másik sorra, a landolás helye nagyon változó volt, gyakran nem esett kézre a következő dolgozónak, mert a csúszda mozgása függ attól, hogy mennyire van megrakva a megelőző sor. A megoldás az volt, hogy mozgó súlyokat raktak a csúszdára, amik ide-oda billegnek optimalizálva a csúszda mozgásának sebességét a megfelelő irányba és mértékben. Ennek vizualizálására Yamazumi diagramot használtak, amin hosszú és felesleges időt vett igénybe az alkatrész helyreigazítása a csúszás után.
Esettanulmányok
Egy esettanulmányban egy elektrotechnikai cég termelő gyártósorát akarták optimalizálni, első lépésként minden munkaállomás ciklusidejét, produktivitását és hatékonyságát is megmérték, elemezték és egy sztenderd került felállításra. A hatékonyság azt jelenti, hogy a sztenderdhez képest, a valóságban mennyi ideig tart elvégezni a munkát. Minél kisebb a kettő különbsége, annál nagyobb a hatékonyság (100% alatt); de egy nagyon profi operátornál akár 100% felett is lehet. A mérések szerint a gyártósor kibocsátása 600 termék/nap kellene legyen, de csak 500 a valós kibocsátása. Tehát a hatékonysága 500/600=83%-os. A feladatok vizsgálata során kiderült, hogy azok sorrendje sokkal variálhatóbb, mint elsőre tűnt, illetve, hogy némely munkás az évek során más feladatokat is elsajátított, így mások helyét is át tudta venni. A gyártósori gépek és munkaállomások átrendezése után a kibocsátás 671 egységre nőtt, amit ráadásul egy munkással kevesebbel érik már el.
A Genetikus Algoritmus módszerét használva is lehet gyártósort kiegyensúlyozni. Egy esettanulmányban két kulcsparaméter volt korlátként megfogalmazva: a magasan képzett munkatársak száma és a sor mellé telepített gépeké. Az elemzőpáros az eredmények kidolgozásához GenIAL-t használtak (Genetic Iteration for Assembly Lines) és kitalálták, hogy némely állomásokat, az anyaghasználatuk miatt érdemes összevonni, hiszen a képzett munkatársak el tudnak látni több feladatot is, és így az eszközigény is csökkent.
Egy másik elemzésben MATLAB-ot és POS (Particle of Swarn Optimization) algoritmust használtak, hogy csökkentsék a ciklusidőt és minimalizálják a termelésközi készletet. Az eredményeikből a következő tanulságokat vonták le. Az egyszer hibásnak minősített darabokat azonnal ki kell dobni, hiszen a javításuk, annak sikerességi esélyének függvényében, nem gazdaságos. A lehető legkevesebb operátorral kell dolgozni és az esetlegesen felhalmozódott munka megoldására „joker” (több munkahelyen bevethető) operátorokat kell készenlétben tartani. Ez kevesebb közepesen képzett állandó munkaerőt jelent, míg a magasan képzetteket nem kellett folyamatosan dolgoztatni. A kevesebb munkaállomás és operátor miatt a sor lerövidül, mint közelebb lehetett hozni egymáshoz, csökkentve így a szállítást és logisztikai költségeket is.