Ontwerp van een Supply Chain Simulator op basis van Value Stream Mapping

Universiteit Gent Faculteit Toegepaste Wetenschappen

Vakgroep Technische Bedrijfsvoering Voorzitter: Prof. Dr. Ir. R. Van Landeghem

Ontwerp van een Supply Chain Simulator op basis van Value Stream Mapping door Nick BRAECKMAN

Promotor: Prof. Dr. Ir. R. Van Landeghem Scriptiebegeleider: Ir. P. Willen

Scriptie ingediend tot het behalen van de academische graad van burgerlijk electrotechnisch-werktuigkundig ingenieur

Academiejaar 2003-2004

Universiteit Gent Faculteit Toegepaste Wetenschappen Vakgroep Technische Bedrijfsvoering Voorzitter: Prof. Dr. Ir. R. Van Landeghem

Ontwerp van een Supply Chain Simulator op basis van Value Stream Mapping door Nick BRAECKMAN

Promotor: Prof. Dr. Ir. R. Van Landeghem Scriptiebegeleider: Ir. P. Willen

Scriptie ingediend tot het behalen van de academische graad van burgerlijk electrotechnisch-werktuigkundig ingenieur

Academiejaar 2003-2004

Voorwoord Niettegenstaande een scriptie een persoonlijke synthese is van een bestudeerd onderwerp, is deze zware taak onmogelijk zonder de gewaardeerde hulp van een aantal mensen. In eerste plaats wil ik mijn dank uitspreken voor mijn promotor Prof. Van Landeghem omdat hij me de kans gaf om een erg interessant onderwerp in detail te bestuderen. Hij heeft me ook erg geholpen door een aantal van zijn publicaties ter beschikking te stellen voor deze scriptie. Omdat het onderwerp erg complex is en gefundeerd op verschillende deelgebieden van de logistieke studie, was ik ook erg blij met de hulp die ik kreeg van mijn scriptiebegeleider Ir. Peter Willen. Op momenten dat ik meer bos dan bomen zag, gaf hij me een heldere kijk op het onderwerp. Daarnaast gaf hij me bij momenten een genuanceerde kijk op de resultaten die ik verkreeg in bepaalde fases van mijn ontwerp, en dit heeft deze scriptie zonder twijfel gebracht tot wat hij nu is. Als laatste persoon die me op inhoudelijk gebied heeft ondersteund, moet ik de heer Roel De Haes van het consultingbureau Möbius bedanken voor de technische ondersteuning. Hoewel ik erg veel problemen heb ondervonden (en ook opgelost) tijdens het ontwerp van de simulator in Enterprise Dynamics versie 6, heeft hij me steeds zo goed als mogelijk proberen helpen, niettegenstaande een aantal bugs in de software onoplosbaar waren. In tweede instantie wil ik alle mensen bedanken die me tijdens het zware werk – die het volbrengen van deze scriptie zonder twijfel was – sociaal hebben ondersteund. Bijzondere dank gaat uit naar de familie Vercruysse die me gedurende dit hele laatste jaar hebben opgevangen met de beste zorgen. Hierbij reken ik zonder twijfel ook mijn ‘zoetje’. Ze heeft het aangekund om me te blijven steunen, niettegenstaande het op vele momenten one-way traffic was, en dat ik soms niet te genieten was. Tot slot wil ik mijn familie bedanken voor de steun die ik kreeg gedurende mijn hele opleiding: Mijn zusje die zich over mij ontfermde in de jaren dat we samen op kot zaten, en natuurlijk ook daarna;

Mijn beste vrienden Christoph & Kristoff die als broers voor me zijn, en waarmee ik tijdens mijn hele studietijd de zwaarste, mooiste, moeilijkste en plezantste momenten heb beleefd; Mijn mama die steeds in stond voor de mama-taken; Mijn vader die vanuit Spanje zijn papa-taken probeerde te vervullen; Mijn nichtje voor de zotte kuren, en de soms vreselijke escapades; Mijn tante en mijn oom die me in al die jaren de familiale steun hebben gegeven die ik nodig had. Ook voor de mogelijkheid die ze me hebben gegeven om een pak ervaringen op te doen in ‘de Safti’.

Bedankt!

Toelating tot bruikleen De auteur geeft de toelating deze scriptie voor consultatie beschikbaar te stellen en delen van de scriptie te kopiëren voor persoonlijk gebruik. Elk ander gebruik valt onder de beperkingen van het auteursrecht, in het bijzonder met betrekking tot de verplichting de bron uitdrukkelijk te vermelden bij het aanhalen van resultaten uit deze scriptie.

zaterdag 22 mei 2004, Nick Braeckman

Ontwerp van een Supply Chain Simulator op basis van Value Stream Mapping door Nick BRAECKMAN

Scriptie ingediend tot het behalen van de burgerlijk electrotechnisch-werktuigkundig ingenieur

academische

graad

van

Academiejaar 2003 – 2004

Promotor: Prof. Dr. Ir. R. Van Landeghem Scriptiebegeleider: Ir. P. Willen Faculteit Toegepaste Wetenschappen Universiteit Gent

Vakgroep Technische Bedrijfsvoering Voorzitter: Prof. Dr. Ir. R. Van Landeghem

Samenvatting De ontwikkeling van simulatoren voor Supply Chains, wordt gestuurd door twee belangrijke evoluties in de bedrijfsvoering. Enerzijds zorgt de meer dan exponentiële groei van rekencapaciteit van computersystemen voor grotere mogelijkheden op het gebied van data-analyse. Anderzijds krijgen bedrijven steeds meer te maken met strengere kwaliteits- en klanteneisen. Bedrijven worden daarom verplicht om, naast het optimaliseren van hun interne performance, ook een grote optimalisatie door te voeren van de logistieke keten waartoe het behoort. Deze twee evoluties samen zorgen ervoor dat men krachtigere methoden ontwikkelt om betrouwbare voorspellingen te doen over de impact van logistieke wijzigingen. Omdat spreadsheetprogramma’s te eng worden voor deze methoden, ontwikkelt men simulatiepakketten die al dan niet specifiek zijn. Binnen deze scriptie richten we ons voornamelijk op het optimaliseren van de order doorlooptijd als performance measure. In een eerste deel zal op basis van een literatuurstudie een kader worden gecreëerd waarbinnen we zullen werken bij het

ontwerp van de simulator. In het tweede deel komt dan de eigenlijke ontwikkeling van een supply chain simulator aan bod. Met deze scriptie worden enerzijds een aantal technieken naar voren gebracht die van belang zijn bij het ontwerpen van een supply chain simulator. Anderzijds wordt duidelijk aangetoond dat het bouwen van een algemene supply chain simulator met elementen gemodelleerd als black-boxes een te beperkte scope is voor het verkrijgen van betrouwbare en relevante resultaten. Doorheen de scriptie worden dan ook hints gegeven om het algemene kader van de supply chain simulator te verbreden en te verdiepen.

Trefwoorden: supply chain, logistieke ketens, Value Stream Mapping, simulator, Enterprise Dynamics

Inhoudstafel

I.

INLEIDING ......................................................................................................................................... 1

II.

SUPPLY CHAIN MANAGEMENT.................................................................................................. 3 A. B. 1. 2. C. 1. 2. 3. D. 1. 2.

III.

DEFINITIE .......................................................................................................................................... 3 OPBOUW VAN DE SUPPLY CHAIN ...................................................................................................... 5 Information flow .......................................................................................................................... 5 Material flow ............................................................................................................................... 6 WERKING VAN DE SUPPLY CHAIN ..................................................................................................... 6 Ontkoppelpunt ............................................................................................................................. 6 Voorraadbeheer........................................................................................................................... 9 Push versus Pull .......................................................................................................................... 9 MEETINSTRUMENTEN ...................................................................................................................... 10 Metrieken voor orderafhandeling.............................................................................................. 11 Overige metrieken...................................................................................................................... 14 THE VALUE STREAM............................................................................................................... 17

A. B. C. D. 1. 2. 3. 4. 5. 6. IV.

INLEIDING: THE TOYOTA PRODUCTION SYSTEM ............................................................................. 17 WASTE ............................................................................................................................................ 18 DEFINITIE ........................................................................................................................................ 20 ANALYSETECHNIEKEN .................................................................................................................... 21 Process Activity Mapping .......................................................................................................... 21 Supply Chain Response Matrix.................................................................................................. 22 Production Variety Funnel ........................................................................................................ 23 Quality Filter Mapping.............................................................................................................. 24 Demand Amplification Mapping................................................................................................ 25 Decision Point analysis ............................................................................................................. 26 VALUE STREAM MAPPING IN EEN SUPPLY CHAIN-OMGEVING............................... 29

A. B. C.

INLEIDING ....................................................................................................................................... 29 HET BELANG VAN VALUE STREAM MAPPING .................................................................................. 30 HET GEBRUIK VAN VALUE STREAM MAPPING ................................................................................ 31 1. Value Stream Mapping op procesniveau ................................................................................... 32 2. Opbouw van een Extended Value Stream Map.......................................................................... 35 D. ALGEMENE CONCLUSIE MBT. DE LITERATUURSTUDIE ..................................................................... 41 V.

SUPPLY CHAIN SIMULATOR ..................................................................................................... 43 A. B. 1. 2. C. D. E. 1. 2. 3. 4. 5. 6. 7. 8. 9. F.

DECISION SUPPORT SYSTEMS .......................................................................................................... 43 SIMULATION TOOL: ENTERPRISE DYNAMICS .................................................................................. 45 Concept...................................................................................................................................... 46 Voor- en nadelen ....................................................................................................................... 47 DE IDEALE SUPPLY CHAIN SIMULATOR ............................................................................................ 48 OPBOUW VAN DE ONTWIKKELDE SUPPLY CHAIN SIMULATOR......................................................... 50 BOUWSTENEN ................................................................................................................................. 51 Bill-of-Material.......................................................................................................................... 52 Sales Department....................................................................................................................... 57 Production Control.................................................................................................................... 62 Factory ...................................................................................................................................... 66 Warehouse ................................................................................................................................. 73 Raw Material Supplier............................................................................................................... 78 Distribution Centre.................................................................................................................... 83 LT Graph ................................................................................................................................... 85 Excel Link .................................................................................................................................. 89 EINDBESCHOUWING VAN DE BOUWSTENEN ..................................................................................... 94

VI.

CASE ‘BELGIAN METAL FACTORY – ELECTRO BELGIUM’........................................ 95

A.

BELGIAN METAL FACTORY ............................................................................................................. 95 Inleiding..................................................................................................................................... 95 Modellering ............................................................................................................................... 95 B. ELECTRO BELGIUM ....................................................................................................................... 103 1. Inleiding................................................................................................................................... 103 2. Modellering ............................................................................................................................. 103 C. SAMENVOEGING ............................................................................................................................ 107 1. 2.

VII.

CONCLUSIE .............................................................................................................................. 110

APPENDIX A: GEBRUIKTE VSM-SYMBOLEN APPENDIX B: SUPPLY CHAIN MODEL BMF – EB IN ENTERPRISE DYNAMICS APPENDIX C: SIMULATIE WERKING SUPPLY CHAIN MODEL BMF APPENDIX D: SIMULATIERESULTATEN INITIËLE SUPPLY CHAIN (BMF – EB) APPENDIX E: SIMULATIERESULTATEN 1E OPTIMALISATIE SUPPLY CHAIN (BMF – EB) APPENDIX F: SIMULATIERESULTATEN 2E OPTIMALISATIE SUPPLY CHAIN (BMF – EB) APPENDIX G: PROGRAMMACODE SUPPLY CHAIN SIMULATOR (4D-SCRIPT) APPENDIX H: MACROCODE VAN DE ANALYSE IN MICROSOFT EXCEL BIBLIOGRAFISCHE REFERENTIES

Index Figuren

FIGUUR 1 – SCHEMA ORDERVERWERKING (BRON [2])................................................................................... 12 FIGUUR 2 – VOORBEELD SUPPLY CHAIN RESPONSE MATRIX (BRON [4])...................................................... 22 FIGUUR 3 – VOORBEELD PRODUCTION VARIETY FUNNEL (BRON [4])........................................................... 23 FIGUUR 4 – VOORBEELD QUALITY FILTER MAPPING (BRON [4]) .................................................................. 24 FIGUUR 5 – DEMAND AMPLIFICATION BIJ FAST MOVING CONSUMER GOODS (BRON [4])............................. 26 FIGUUR 6 – VOORBEELD CURRENT STATE MAP ALPHA MOTORS ASSEMBLY PLANT (BRON [5]) ................. 34 FIGUUR 7 - VOORBEELD EVOLUTIE DEFECTEN DOORHEEN DE SUPPLY CHAIN (BRON [5]).............................. 37 FIGUUR 8 – VOORBEELD CURRENT STATE WIPER VALUE STREAM (BRON [5])............................................. 40 FIGUUR 9 – EENVOUDIG MODEL IN ENTERPRISE DYNAMICS .......................................................................... 46 FIGUUR 10 – VOORBEELD ‘MASTER BILL-OF-MATERIAL’............................................................................. 52 FIGUUR 11 – GENERIEKE ORDERSEQUENTIE OP BASIS VAN FIGUUR 10 .......................................................... 53 FIGUUR 12 – VOORBEELD ‘BILL-OF-MATERIAL’........................................................................................... 54 FIGUUR 13 – PARAMETERVENSTER ‘BILL-OF-MATERIAL’............................................................................. 55 FIGUUR 14 – SELECTIEVENSTER ‘BILL-OF-MATERIAL’ ................................................................................. 56 FIGUUR 15 – WERKINGSSCHEMA ‘SALES DEPARTMENT’ .............................................................................. 58 FIGUUR 16 – PARAMETERVENSTER ‘SALES DEPARTMENT’ ........................................................................... 59 FIGUUR 17 - VOORBEELD GRAFIEK VRAAGVERDELING.................................................................................. 60 FIGUUR 18 – WERKINGSSHEMA PRODUCTION CONTROL ............................................................................... 63 FIGUUR 19 – PARAMETERVENSTER PRODUCTION CONTROL.......................................................................... 64 FIGUUR 20 – WERKINGSSCHEMA ‘FACTORY’ ................................................................................................ 67 FIGUUR 21 – PARAMETERVENSTER ‘FACTORY’............................................................................................. 68 FIGUUR 22 – VOORBEELD TABEL ‘FACTORY PARAMETERS’.......................................................................... 70 FIGUUR 23 – VOORBEELD SAMENSTELLING TOTALE ORDER LEAD TIME DOORHEEN FABRIEK ....................... 71 FIGUUR 24 – WERKINGSSCHEMA WAREHOUSE ............................................................................................. 75 FIGUUR 25 – PARAMETERVENSTER ‘WAREHOUSE’ ....................................................................................... 76 FIGUUR 26 – WERKINGSSCHEMA RAW MATERIAL SUPPLIER ........................................................................ 80 FIGUUR 27 – PARAMETERVENSTER ‘RAW MATERIAL SUPPLIER’ .................................................................. 81 FIGUUR 28 - PARAMETERVENSTER 'DISTRIBUTION CENTRE'.......................................................................... 84 FIGUUR 29 - VOORBEELD 'LT GRAPH' ........................................................................................................... 86 FIGUUR 30 - PARAMETERVENSTER 'LT GRAPH' ............................................................................................. 87 FIGUUR 31 - VOORBEELD HISTOGRAM .......................................................................................................... 90 FIGUUR 32 - VOORBEELD NORMALITEITSTESTEN D'AGOSTINO ..................................................................... 91 FIGUUR 33 - VOORBEELD ANOVA.................................................................................................................. 92 FIGUUR 34 - PARAMETERVENSTER 'EXCEL LINK' .......................................................................................... 93 FIGUUR 35 – CURRENT STATE VALUE STREAM MAP BMF (BRON: R. VAN LANDEGHEM, 2003, [10]) ......... 96 FIGUUR 36 – SUPPLY CHAIN SIMULATOR – EERSTE CONFIGURATIE BMF ...................................................... 97 FIGUUR 37 – BILL-OF-MATERIAL BMF ......................................................................................................... 98 FIGUUR 38 – BILLS-OF-MATERIAL BMF FASE 1 EN 2 .................................................................................... 99 FIGUUR 39 – SUPPLY CHAIN SIMULATOR – UITEINDELIJK MODEL BMF ....................................................... 99 FIGUUR 40 – HISTOGRAM BMF RUN 1 ........................................................................................................ 101 FIGUUR 41 – HISTOGRAM BMF RUN 2 ........................................................................................................ 101 FIGUUR 42 – CURRENT STATE VALUE STREAM MAP BMF (BRON: R. VAN LANDEGHEM, 2000, [11]) ....... 104 FIGUUR 43 – BILL-OF-MATERIAL ELECTRO BELGIUM ................................................................................. 105 FIGUUR 44 - BILL-OF-MATERIAL BELGIAN METAL FACTORY ..................................................................... 105 FIGUUR 45 - SUPPLY CHAIN SIMULATOR - FACTORY PARAMETERS (DRIEHOEKSDISTRIBUTIE) ................... 105 FIGUUR 46 - SUPPLY CHAIN SIMULATOR - MODEL ELECTRO BELGIUM....................................................... 106 FIGUUR 47 - SUPPLY SIMULATOR - GRAFIEKEN INITIËLE PARAMETERS ....................................................... 107

“Measure what is measurable, and make measurable what is not so” –

Galilei, Galileo (1564 – 1642)

I. Inleiding

Het management van een supply chain is erg verschillend van het interne management binnen een bedrijf. De activiteiten van de verschillende bedrijven die een supply chain vormen hebben erg complexe correlatievormen. Een groot aantal literaire werken over Supply Chain Management plaatst een grote nadruk op de integratie van de verschillende schakels binnen deze keten. De juiste strategie vinden die optimaal is over de hele logistieke keten, is een enorme uitdaging die niet zo eenvoudig is om op een trefzekere manier te voltooien. Het managen van een supply chain als een eenheid is een ingewikkelde taak omwille van twee redenen. Enerzijds hebben de verschillende schakels andere objectieven. Financieel laat zich dit ongetwijfeld het beste opmerken. Bedrijven willen maar zoveel grondstoffen kopen als ze nodig hebben om de productie te verzekeren, maar anderzijds willen ze zoveel mogelijk afzetten op hun klanten, zonder rekening te houden met de noden van deze laatste. De andere reden waarom supply chain management erg moeilijk is, kan men vinden in het dynamische karakter van de keten. Niet alleen wijzigt de vraag van de klant, en de capaciteit van de supplier in de tijd, ook de relaties tussen de schakels kunnen variëren in het tijdsdomein. Het ontwerp en de optimalisatie van een supply chain configuratie is een high-level probleem, een strategisch probleem. Dit vraagstuk kan worden opgedeeld in verschillende onderdelen: lokalisatie van fabrieken en voorraadplaatsen, productiebeleid (make-to-stock, make-to-order, …), productiecapaciteit (flexibiliteit en kwantiteit), resourcemanagement en ook transportmanagement. Bij het oplossen van deze deelvragen moet men er evenwel steeds over waken dat de performantie van de schakels niet mag worden aangetast. Spijtig genoeg bestaat er tot op heden geen enkel wiskundig model dat alle bovenstaande supply chain aspecten samen beschrijft, het is zelf niet mogelijk om slechts één van de onderdelen tot in detail te modelleren. Om toch goede beslissingen te kunnen nemen, en daarvoor zijn dus betrouwbare voorspellingen nodig, is het nodig om methoden te

1

ontwikkelen die in staat zijn deze problemen te benaderen. Omdat analyse van werkingsgegevens van een supply chain zodanig ingewikkeld worden, en zodanig irrelevant vanwege de dynamiek van de logistieke keten, probeert men vandaag de toevlucht te zoeken tot het simuleren van de supply chain. Geheel in overeenstemming met het inleidende citaat probeert men nu software te onwikkelen die toelaat om evaluaties te maken van de impact die bepaalde configuratiewijzigingen hebben op de supply chain. Het grote voordeel van het simuleren is natuurlijk dat men kan afstappen van trial-and-error in real-life, zodat men veel minder risico loopt bij het veranderen van de supply chain. Het doel van deze thesis bestaat erin om een theoretisch en praktisch kader op te bouwen waarbinnen men supply chain simulaties kan opzetten. We proberen hierbij een zekere consistentie op te bouwen met het Extended Value Stream Mapping. Deze nieuwe beschrijvende techniek binnen het vakgebied van de technische bedrijfsvoering laat toe om op universele wijze een supply chain te visualiseren en analyseren. In een eerste deel wordt een literatuurstudie gemaakt die als voornaamste doel heeft een aantal mogelijke variabelen en performance measures voorop te stellen die men kan gebruiken bij het bouwen van een supply chain simulator. In het tweede deel van deze scriptie wordt een supply chain simulator ontwikkelt die als doel heeft om een van de in de literatuurstudie aangegeven performance measures, de order doorlooptijd, te simuleren. Er is niet tot doel gesteld om alle in de literatuurstudie voorgestelde analysemethoden op te nemen in de simulator, daarvoor is het tijdskader van een scriptie te beperkt. Men kan dus de ontwikkeling van de supply chain simulator zien als een toepassing van de theoretische studie. Als laatste onderdeel van deze thesis wordt een case besproken die opgesteld is door Prof. Dr. Ir. R. Van Landeghem [7] in het kader van een andere supply chain simulator.

2

II. Supply Chain Management

In een race die niet meer te stoppen is, proberen vandaag bedrijven elkaar te concurreren met bottom-line prijzen en nooit geziene kwaliteitsgaranties. Elke onderneming gaat intensief opzoek naar mogelijkheden om hun business te stroomlijnen. Toch hebben ze intern niet alles in handen. Moderne producten krijgen een levenscyclus die alsmaar korter wordt, klanteneisen gebonden aan die producten komen steeds hoger te liggen. Daardoor zien bedrijven zich verplicht om de stappen tussen grondstof en eindproduct te onderzoeken en te optimaliseren. Ze worden daarbij geholpen door computertechnologie die steeds geavanceerder wordt. Op logistiek niveau worden bedrijven geïnspireerd door evoluerende communicatietechnieken (bijvoorbeeld GSM, SMS, GPS) en nieuwe logistieke methoden (bijvoorbeeld nachtbelevering, JIT-levering). Het kan dan ook niet anders dat de supply chain en de methoden om hem te beheren, steeds evolueren.

A. Definitie Een supply chain is een erg complex geheel dat start bij het aanmaken of aankopen van grondstoffen. Vervolgens worden deze grondstoffen in één of meer productiecentra omgevormd tot intermediaire eenheden en in laatste instantie tot afgewerkte producten. Nadien zullen deze in vele gevallen verstuurd worden naar groothandels, ook warehouses genoemd, en pas dan bij de retailers terechtkomen. Op het moment dat de klant het product koopt, op voorwaarde dat hij het product aanvaardt natuurlijk, daar eindigt de supply chain. De supply chain bestaat dus uit een groot aantal grondstofleveranciers, productiecentra, groothandels, distributiecentra en retailbedrijven. Om voordeel te halen uit de supply chain zal men een doorgedreven en effectieve managementtechniek moeten toepassen die inspeelt op de interacties tussen al deze ondernemingen op verscheidene niveaus.

3

Simchi-Levi [1] definieert de supply chain management als volgt:

Supply chain management is a set of approaches utilized to efficiently integrate suppliers, manufacturers, warehouses and stores, so that merchandise is produced and distributed at the right quantities, to the right locations, and at the right time, in order to minimize system wide costs while satisfying service level requirements.

Deze definitie stelt duidelijk wat typerend is aan een effectief supply chain management. Er zal een minimum aan voorraad zijn doorheen de hele supply chain. De voorraad die er dan nog is, dient enkel om variantie van de vraag op te vangen, en dus impliciet ook om de service level wat betreft de levertermijn te behouden. De definitie stelt dat we binnen de supply chain de bedrijven zo veel als mogelijk moeten integreren. Daarmee wordt geen aanzet gegeven tot een verticale overnamepolitiek, maar eerder tot het formuleren van een verticale doelstelling. Elke schakel in de keten moet er dus voor ijveren om producten te maken volgens uniforme kwaliteitseisen die voldoen aan de noden van de consument, en deze moet dit doen op een zo economisch mogelijke manier voor de volledige supply chain. Door integratie probeert men de bedrijfsgrenzen weg te werken tussen leverancier en klant of beter, de grenzen uniform maken met de interne grenzen van afdelingen. Enerzijds impliceert dit een sterkere relatie tussen de verzendingsafdeling en ontvangstafdeling van de twee opeenvolgende bedrijven. Anderzijds creëert dit nieuwe grenzen binnen een onderneming. Elke twee opeenvolgende afdelingen binnen een bedrijf, worden nu gestimuleerd om te werken volgens een klant/leveranciersrelatie. Op dit moment ziet men dat de schakels gevormd door bedrijven eigenlijk vervagen, en dat nieuwe schakels aan het licht komen. Elke schakel staat nu voor een afdeling binnen de supply chain. Wanneer we de definitie nu wijzigen door ze toe te passen op twee opeenvolgende schakels, dus ook op interne schakels, dan werpt dit meteen een ander zicht op supply chain management. Het is duidelijk dat deze situatie, voorraden zijn tot een absoluut minimum herleid, een ideaalbeeld vormt. Misschien is dit zelf nog geen ideaalbeeld maar een droombeeld, want aan deze integratie zijn een aantal moeilijkheden verbonden. Immers, we moeten er ons bewust van zijn dat verschillende ondernemingen, vele, en meestal conflicterende doelstellingen hebben. Anderzijds is het ook moeilijk om dezelfde relaties tussen

4

bedrijven te behouden omdat de supply chain nu eenmaal een dynamisch netwerk is, vooral gestuurd door veranderende vraag, en veranderende klanteneisen. Het doel van Supply Chain Management is te komen tot een volledige en voortdurende optimalisatie van de integrale logistieke keten. Deze optimalisatie moet de efficiëntie verhogen van de productie op vlak van bewegingen en op vlak van kosten. Dit houdt in dat men totale kosten over de hele keten probeert te drukken door minimalisatie van transport- en distributiekosten, maar ook door het verminderen van voorraden van grondstoffen, work-in-process en afgewerkte producten doorheen de volledige supply chain.

B. Opbouw van de Supply Chain Belangrijk binnen Supply Chain Management is dat men, uitgaande van een globale visie, een goed beeld kan vormen over de werking ervan. Enkel op deze manier is het mogelijk om tot een synthese te komen van de eventuele grensoverschrijdende verbeteringen binnen de logistieke keten. Het globale beeld waarvan sprake, kan men vormen door analyse van de twee belangrijkste stromen die de drijfveren vormen binnen de logistieke keten.

1. Information flow De eerste stroom omvat alle verkeer van orders, triggers, voorspellingen en dergelijke, nodig om elk voorraadpunt, en elke bewerkingsstap te laten functioneren. Zo zal een voorraadpunt veelal nood hebben aan de lead time van leveringen, voorspellingen van de vraag en de variabiliteit ervan om uit te maken hoeveel voorraad dit punt opneemt, wanneer herbevoorrading wordt getriggerd, en wat de veiligheidsmarge op de voorraad moet zijn. Elke bewerkingsstap moet gestuurd worden aan de hand van deze information flow, opdat het zou weten wat het moet maken, hoe het dit moet maken en wanneer. Oorsprong van deze stroom is de klant. Het plaatsen van orders brengt een ware kettingreactie op gang, die zich voortplant tot het begin van de keten. In het beste geval kan men deze kettingreactie onder controle houden, hoewel dit in praktijk erg moeilijk is. Het bekende Bullwhip-effect is hier het beste bewijs van. Dit effect komt op een overduidelijke wijze aan het licht bij het bekijken van de variantie op de vraag doorheen

5

de logistieke keten. Het zal later ook duidelijk worden dat deze informatiestroom een erg bepalende factor zal zijn voor de lead time.

2. Material flow De materiaalstroom loopt in een zin tegengesteld aan de informatiestroom. Deze stroom omvat elke actie waarbij goederen zijn betrokken. Goederen worden binnen een supply chain bewerkt in verschillende productie-eenheden, ze worden getransporteerd naar volgende processtappen, en ze worden tussentijds opgeslagen. Het is duidelijk dat productie de basis is van elke keten, het creëert toegevoegde waarde. Hoewel transport en opslag absoluut geen toegevoegde waarde bieden, toch zijn ze noodzakelijk om een product tot bij de klant te brengen. We moeten deze twee acties dus zeker in rekening brengen indien we een globaal beeld van de supply chain willen krijgen.

C. Werking van de Supply Chain Het in kaart brengen van materiaalstromen is vrij eenvoudig. De informatiestroom is ontegensprekelijk de moeilijkste om te schetsen. Het is belangrijk te weten dat er binnen de informatiestroom twee categorieën zijn. Een eerste categorie, is de informatie stroom die het gevolg is van de actuele vraag, of de ontvangen orders. Wanneer klanten orders plaatsen, dan worden deze verzameld, zonder dat de inhoud van de opdracht daardoor wijzigt. Deze orders worden dan stroomopwaarts in de supply chain gestuurd. De tweede categorie binnen de informatiestromen zijn de voorspellingsgegevens. In een bepaald punt in de supply chain worden de verzamelde gegevens van alle orders statistisch geanalyseerd. Daaruit worden dan voorspellingen gesynthetiseerd die dan dienen om de processen die zich stroomopwaarts van dit punt bevinden, te sturen op basis van een push-structuur.

1. Ontkoppelpunt Het punt dat de scheiding vormt tussen de twee categorieën die hier ter sprake zijn, noemt men het klantenorder ontkoppelpunt (KOOP). Dit belangrijke punt staat ook centraal tussen de twee delen waaruit de materiaalstroom binnen een supply chain is opgebouwd. Stroomopwaarts werken de productie-eenheden op basis van voorspellingen, het is een zogenaamde push-sequentie, zodat het KOOP de nodige toevoer van intermediaire 6

goederen krijgt om te voldoen aan een stabiele vraag. Om te kunnen inspelen op de variantie op die vraag, zal het toch nodig zijn in dit punt een veiligheidsvoorraad te voorzien. Stroomafwaarts van dit punt wordt enkel geproduceerd op basis van ontvangen klantenorders. Afhankelijk van de positie van dit ontkoppelingspunt kan men een aantal typische structuren van de materiaalstroom onderscheiden: •

Make-to-Stock

•

Assemble-to-Order

•

Make-to-Order

•

Engineer-to-Order

In de eerste structuur ligt het ontkoppelpunt volledig rechts binnen de supply chain. Op basis van de voorspelde vraag, wordt een voorraad aangelegd die erg dicht bij de consument ligt. De hoogte van de voorraad wordt bepaald door de beleveringscyclus van dit punt en van de variantie op de vraag. Voor de klant levert de Make-to-Stock politiek natuurlijk een enorm voordeel op, want er is een erg kleine order lead time. In vele sectoren zoals deze van elektrische apparatuur, worden de producten verkocht in een uitgebreid dealernetwerk. Alle dealers worden dan bevoorraad volgens een voorspelde vraag. Bij deze variant spreken we dan van Make & Distribute to Stock. Hierbij is het voordeel voor de klant nog extremer geworden. De lead time is nu nul geworden: consumenten kunnen meteen hun gewenste producten mee naar huis nemen. Echter, voor de producent is deze situatie verre van optimaal. Er is immers een erg groot risico op onverkoopbare voorraden. Een ander belangrijk nadeel is dat men nu niet meer kan profiteren van risk pooling. Bij een Make-to-Stock strategie, waar voorraad centraal wordt opgeslagen, word een kleinere vraag van een dealer of regio, meestal gecompenseerd door een grotere vraag vanuit een ander kanaal, zodat op hoger niveau de variantie kleiner is dan op lagere verdeelpunten.

7

Wanneer we nu het ontkoppelpunt stroomopwaarts verplaatsen, en we leggen een voorraad halffabricaten aan, dan hebben we te maken met Assemble-to-Order. Hierbij kan men met een beperkte lead time toch een enorme diversiteit aan afgewerkte producten maken, afgesteld op de eisen van de klant. Het beste voorbeeld van zulke topologie is zonder twijfel de automotive industrie. Deze sector is momenteel volop bezig met een horizontale samensmelting zodat dit nog duidelijker wordt. Producenten zoals Ford kunnen zo bijvoorbeeld een groot aantal identieke auto-onderstellen produceren. In extremis kan men na productie van deze onderstellen, de producten nog overbrengen van de Ford-assemblagelijn naar de Volvo-assemblagelijn en vice versa. Op deze manier kan men een nog groter voordeel halen uit enerzijds risk pooling, en anderzijds behoudt men een productietijd die erg beperkt blijft in vergelijking met de verregaande customization van het eindproduct. De derde topologie legt het KOOP nog verder stroomopwaarts. Bij Make-to-Order start men pas na ontvangst van het klantenorder met de productie. Dit zal, afhankelijk van de complexiteit van het eindproduct, een grote impact hebben op de levertermijn van het product. Veelal zal de consument in dit geval meer belang hechten aan de voorspelbaarheid van de levertermijn eerder dan aan de lengte ervan. Hoewel men in deze structuur niet echt winst kan halen uit schaalvoordelen door productie van lange reeksen, toch heeft de producent een groot ondernemersrisico kunnen terugdringen. Bij bepaalde kapitaalintensieve supply chains, is men verplicht deze structuur te hanteren, denken we daarbij bijvoorbeeld aan de luchtvaartindustrie. Een laatste vorm die we even aanhalen is Engineer-to-Order. In dit geval ligt het KOOP in principe in de designfase van het product. Men kan dus niet echt meer spreken over een ontkoppelingspunt. Producten worden gemaakt en ontworpen volgens de eisen van de klant. Op deze manier wordt elk afgewerkt product in zekere zin maatwerk. De meeste huizen die vandaag worden gezet zijn nog volgens dit principe gerealiseerd. Het grote nadeel hieraan is zonder twijfel de erg lange lead time. Daartegenover staat natuurlijk een product dat volledig volgens de eisen is van de klant, en dit zonder compromissen. De enige constraint hier is het budget van de klant.

8

2. Voorraadbeheer In het klantenorder ontkoppelpunt is de belangrijkste voorraad van de gehele logistieke keten opgeslagen, het bepaalt dus de karakteristieke levertermijn van de bestelde producten. Toch mogen we niet uit het oog verliezen dat er tussen de verschillende ondernemingen die de supply chain vormen toch nog onmisbare voorraden zitten. Zelf tussen de verschillende processen op bedrijfsniveau vinden we noodzakelijke voorraden. Deze voorraden verzekeren de continuïteit van de verschillende processen binnen de supply chain. Wanneer daarenboven deze processen op het kritische pad liggen, dan zal het tekort aan grondstoffen een significante invloed hebben op de doorlooptijd, zonder nog maar te spreken over de gederfde inkomsten. Een goed voorraadbeheer zorgt er nu voor dat men binnen elke onderneming voldoende grondstoffen, work-in-proces en eindproducten in voorraad heeft, zodat continuïteit gegarandeerd is. Een tweede eigenschap van goed voorraadbeheer is zonder twijfel de minimale kosten die eraan zijn verbonden. Toch moet men er zich bewust van zijn dat men binnen supply chain management een integrale kijk heeft. Een optimum voor de supply chain is niet zomaar gelijk te stellen aan het optimum voor elke onderneming binnen de supply chain. Zoals we eerder vermelden: dit kan leiden tot tegenstrijdigheden tussen verschillende ondernemingen.

3. Push versus Pull Een goed voorraadbeheer kan voor lage voorraden zorgen, zonder dat de service level sterk daalt. Toch zal dit voorraadbeheer de variantie op de vraag als parameter nemen. Het gevolg hiervan is dat stroomopwaarts in de supply chain de veiligheidsvoorraden steeds hoger worden als gevolg van het bullwhip-effect. Er moet dus een manier worden gevonden om die variantie te kunnen beïnvloeden. De klassieke vorm van goederenstroom binnen een supply chain is eenvoudig. Binnen dit systeem bewerkt elk proces de producten welke door het voorgaande proces werden geleverd. Wanneer nu elk proces exact even snel werkt, er is een continue stroom van producten en de klant neemt alles af wat wordt geleverd, dan passen we het beste doorvoersysteem toe. Echter, deze drie voorwaarden zijn nooit voldaan in praktijk.

9

Vooreerst zijn procestijden steeds eigen aan een bewerking, en daarbovenop zijn deze tijden absoluut niet deterministisch. Een continue stroom vindt men enkel terug in fysiek aaneengeschakelde processen. Tussen bedrijven is deze koppeling meestal onhaalbaar, zodat producten gebundeld worden tot een ‘batch’ om het transport efficiënt te laten gebeuren. De derde voorwaarde hoeft geen betoog, de afzet van producten is steeds onderworpen aan de wetten van vraag en aanbod, wat maakt dat deze twee op een dynamische manier naar elkaar toegroeien op een erg grillige manier. Omdat men toch ‘ongeveer’ wil voldoen aan de vraag van het volgende proces, werkt het voorgaande proces toch op basis van een voorspelling van de vraag. Spijtig genoeg is het onmogelijk om dit op een consistente manier te doen omdat de vraag van de volgende processen constant worden bijgewerkt als gevolg van de wijzigende vraag van de eindklant. Op deze manier zal een proces een hoeveelheid producten maken die het volgende proces niet nodig heeft zodat deze in een voorraad geduwd worden. Op andere momenten zal het proces te weinig producten maken, zodat het volgende proces moet stoppen door gebrek aan grondstoffen. In dit systeem is het dus bijna onmogelijk om een gelijkmatige stroom te krijgen. Het antwoord op deze problematiek is gegeven door het Toyota Production System dat we in een volgende hoofdstuk kort zullen bespreken. In een pull-structuur zorgt men ervoor dat elk proces de goederen produceert die een volgende proces nodig heeft in de juiste hoeveelheid en op het juiste tijdstip. Een methode die voorgesteld wordt binnen het Toyota Production System is de het kanban-systeem. Een kanban is een kaart die permissie geeft tot productie van een bepaalde soort en in een bepaalde hoeveelheid. De werking ervan is fundamenteel als volgt: wanneer een proces een nieuwe lading grondstoffen opneemt, dan wordt een kanban vrijgegeven, en kan het vorige proces de productie starten.

D. Meetinstrumenten Bedrijven zijn sinds vorige decennium intensief bezig met het optimaliseren van hun supply chain, toch zijn er weinige die efficiënte meetinstrumenten gebruiken om te verzekeren dat men evolueert naar een volledig geïntegreerde supply chain, een ideale supply chain. Toch is het belang van deze metrieken niet te onderschatten. Deze zijn vooral nodig om de effectiviteit en uitvoerbaarheid van strategieën te testen. Als men een

10

systeem van continue verbetering invoert om een supply chain te optimaliseren, dan kan dit niet zonder gepaste, directe meetinstrumenten. Men zou immers geen concrete en haalbare doelen kunnen vooropstellen. Gunasekaran bestudeert in zijn werk [2] deze instrumenten. In wat volgt bespreken we de relevante instrumenten voor deze scriptie in meer detail. Gunasekaran geeft twee redenen die een studie van performance measures noodzakelijk achten. Enerzijds is er een tekort aan een gebalanceerde aanpak. Vele bedrijven zien reeds het belang in van financiële en niet-financiële meetinstrumenten. Toch slagen ze er niet echt in om financiele en nietfinanciele meetinstrumenten op een evenwaardige manier te gebruiken, niettegenstaande beide even belangrijk zijn. Financiële maatstaven zijn nodig voor strategische beslissingen en rapportering, niet-financiële maatstaven bemeten de dagelijkse leiding van de productie en distributie. Anderzijds is een studie van performance measures noodzakelijk wegens een gebrek aan een zuivere grens tussen maatstaven voor strategische, tactische en operationele werking. Vele ingevoerde metrieken zijn niet echt makkelijk te plaatsen binnen een van deze drie categorieën. Door technieken te ontwerpen die toepasselijk zijn op slechts een van deze categorieën, kan men een helder beeld krijgen van de supply chain.

1. Metrieken voor orderafhandeling Het belangrijkste doelstelling van een bedrijf is klanten aantrekken en tevreden stellen. Het afhandelen van orders is dan ook een activiteit dat de grootste aandacht moet krijgen. Op onderstaande figuur kan men de verschillende processen bekijken die nodig zijn om een klantenorder af te werken.

11

Figuur 1 – Schema orderverwerking (Bron [2])

Wanneer een order in de supply chain terecht komt, start een erg complex systeem. Voor elke supply chain is dit verschillend, toch kan men hier een algemene werkwijze uit destilleren. Centraal in dit schema staat het voorraadbeheer. Inderdaad, wanneer de bestelde goederen in stock liggen, dan kan men meteen overgaan tot het klaarmaken van het order. In het andere geval moet men natuurlijk nog wachten tot het moment dat de bestelde producten zijn geproduceerd, of tot het moment dat ze door een leverancier worden geleverd. Binnen deze scriptie zullen we vooral deze cyclus bestuderen. Toch moeten we er ons bewust van zijn dat er naast deze operationele activiteiten, ook een heel systeem van backoffice aanwezig is om een order correct af te handelen. De operationele activiteiten van de keten zullen natuurlijk de grootste impact hebben op de supply chain, en in het bijzonder op de elementen stroomafwaarts in de supply chain. Het is dus van groot belang om deze activiteiten te analyseren. Om deze analyse te kunnen uitvoeren, kan men gebruik maken van een aantal technieken. Een eerste techniek, order entry method, bestudeert die manier waarop een binnenkomend order wordt vertaald naar nuttige informatie, en hoe die stroomafwaarts wordt doorgegeven. Deze methode kan performance measures leveren als men kan beschikken over accurate en bruikbare tijdsinformatie van de relevante processen.

12

De tweede, en tevens meest toegepaste performance measure, is de order lead time, ook wel de order cycle time. Het is de tijd die verloopt tussen het ontvangen van een klantenorder, en het leveren van het order aan de klant. Op bedrijfsniveau kan men dit definiëren als Oder cycle time =

Order Entry Time + Order Planning Time + Order assembly and follow-up + Finished goods delivery time

Indien nu elk bedrijf binnen de supply chain ervoor zorgt dat de orders sneller afgehandeld worden, dus wanneer ze een kleinere order lead time hebben, hoe sneller de supply chain kan reageren op veranderingen van de vraag. De supply chain reaction time of total order lead time kan men dus zonder twijfel hanteren als afgeleide performance measure van deze order cycle time. Om de concurrentiepositie niet in het gedrang te brengen zijn bedrijven verplicht hun order lead time steeds te verlagen. Dit zal geapprecieerd worden door de klant. Minstens even belangrijk is de betrouwbaarheid van de lead time. Consumenten hechten erg veel belang aan beloften. Een hoge variantie van de lead time zal extern afgestraft worden doordat klanten afhaken, maar we mogen ook niet vergeten dat dit intern ook zware implicaties zal hebben op de voorraden, dit wordt later besproken. De oorzaak van variatie is enerzijds door het statistische karakter van processen die ingebouwd zitten in natuurwetten, anderzijds kan men een hele resem oorzaken vinden die te wijten zijn aan tekortkomingen in het proces. We kunnen dus stellen dat we total cycle time kunnen hanteren als een directe en effectieve performance measure voor enerzijds de service level naar klanten toe, maar anderzijds ook als feedback voor het operationeel beheer van de supply chain. Een laatste mogelijkheid om de orderafhandeling binnen een supply chain te kunnen kwantificeren is te vinden in het customer order path. Door de weg te bestuderen dat een order aflegt doorheen de supply chain, kunnen we de transporttijden en de doorlooptijden

13

bij non-value adding activiteiten1 opmeten. Door de studie van het customer order path kunnen we bijvoorbeeld een idee krijgen van vertragingen in paperwork, vertragingen door opslag in magazijnen, tijd nodig voor externe kwaliteitscontrole, etc. Hieruit kunnen we besluiten vormen omtrent verbeteringen van de supply chain (bijvoorbeeld JIT, reengineering, EDI, e-commerce,…)

2. Overige metrieken Binnen deze scriptie zullen we ons voornamelijk toespitsen op de order lead time. Toch willen we erop wijzen dat de supply chain naast deze, nog wordt gekarakteriseerd door tal van andere performance measures. Om een richting te geven voor verdere ontwikkelingen van de supply chain simulator, geven we kort een aantal andere belangrijke performance measures. •

Delivery-to-request date Wanneer orders worden geleverd bij de klant, dan kan het voorkomen dat orders later toekomen dan een datum die door de klant werd gevraagd. Het is duidelijk dat dit twee redenen kan hebben: of de klant heeft onhaalbare termijnen verlangd, of de termijn was haalbaar, maar een te grote variantie op de levertermijn zorgde voor een late levering. Beide gevallen zijn duidelijk een tekortkoming binnen de supply chain. Voor het tweede geval is dit duidelijk, voor het eerste geval zit de tekortkoming bij de verkoopsafdeling die niet de onhaalbare termijn hebben aanvaard. Een variant op deze measure of performance is gelijkaardig aan de vorige, alleen is de levertermijn uitgesproken door de leverancier. Wanneer men niet in staat is delivery-to-commit date te respecteren, dan is het basisprincipe van kwaliteit ernstig geschonden is, immers de definitie van kwaliteit is duidelijk: afspraken maken en ze ook nakomen.

1

Zie Hoofdstuk Value Stream Mapping in een supply chain omgeving

14

•

Flexibiliteit De flexibiliteit van de supply chain is moeilijker te becijferen dan de vorige eigenschap. Toch kunnen we hier aangeven dat er een sterk verband bestaat met de supply chain response time. Een flexibele supply chain is erop afgesteld om zoveel als mogelijk te voldoen aan de individuele eisen van de klant. Door recente ontwikkelingen op het gebied van computer integrated manufacturing, informatietechnologie en communicatie, is het voor bedrijven mogelijk om een erg hoge graad van flexibiliteit te verkrijgen. Dit kan zorgen voor een sterke differentiëring ten opzichte van concurrenten, zodat men flexibiliteit zeker kan aanvaarden als instrument om de supply chain te beoordelen.

•

Financiële karakteristieken van de supply chain Een niet te vergeten facet van de supply chain is zonder twijfel de economische performance van de supply chain. Binnen supply chain management moet men steeds een correct evenwicht vinden tussen de operationele activiteiten, en de economische implicaties die ermee gepaard gaan. Hiertoe kan men bijvoorbeeld investeringen in de supply chain vergelijken met het effect ervan op de prestatie. Return-oninvestment berekeningen worden hiertoe veel gebruikt. Een measure of performance die men veelal niet meteen ziet, zijn de kosten van voorraad. Toch is het belang ervan erg groot, immers in vele productiebedrijven zit de grootste kost verborgen in de voorraden.

Vele van deze supply chain karakteristieken zijn erg belangrijk, toch is de bruikbaarheid van deze karakteristieken binnen de supply chain simulator in vele gevallen beperkt. Enerzijds is dit te wijten aan het feit dat er een erg grote correlatie kan bestaan tussen op het eerste zicht verschillende karakteristieken. Anderzijds kan men ook inzien dat de complexiteit en informatienood van sommige metrieken groot is, zodat de men met de simulator een foto van de realiteit zou moeten maken, eerder dan een model van de realiteit.

15

Tenslotte willen we erop wijzen dat een simulator als decision support system1 vooral een instrument is om op strategisch niveau beslissingen te nemen. De keuze die we maken om vooral de order lead time te gebruiken, is in de context van de besproken performance measures dan ook volledig gegrond.

1

Zie Hoofdstuk V. Supply Chain Simulator pg. 43

16

III.The Value Stream

A. Inleiding: The Toyota Production System Midden de jaren tachtig was Supply Chain Management een vrij nieuw vakgebied. Toch waren vele toonaangevende bedrijven zich bewust van het belang van een integrale kijk op de weg die grondstoffen aflegden om tot bij de klant te komen in de vorm van een afgewerkt product. Iedereen ging naarstig op zoek naar methodes om productietijden terug te dringen en kosten naar omlaag te brengen, de ene met al wat meer succes dan de andere. Binnen de autosector stelde zich een erg opvallend fenomeen. De Japanse constructeurs, die vroeger absoluut niet konden concurreren met hun Europese collega’s, doken nu massaal onder de prijs, en sterker nog, de kwaliteit van hun auto’s verbeterde. Door de handelsembargo’s die Japan werden opgelegd naar aanleiding van hun rol in de Tweede Wereldoorlog, hadden ze te kampen met zware beperkingen op vlak van energie en goederen. Taiichi Ohno, werknemer bij Toyota, ontwikkelde een nieuwe methode, het Toyota Production System, die hiermee rekening hield, maar op zodanige manier dat de impact van deze embargo’s minimaal was. De sleutel tot het succes was zonder twijfel de focus op productiviteit, eerder dan op kwaliteit. Intuïtief kan men deze overstap reeds aanvoelen als men bekijkt welke invloed slechte producten hebben op gederfde inkomsten, en op extra uitgaven. Bij een hogere productiviteit streeft men onder andere naar een kleiner aantal defecten, en op deze manier is kwaliteit eigenlijk een gevolg van productiviteit. Om een stijgende productiviteit te bewerkstelligen, gaf Taiichi Ohno erg veel aandacht aan drie doelstellingen. De eerste doelstelling van Ohno was het streven naar een continue goederenstroom, doorheen een ganse productie-eenheid. De implicatie hiervan is dat men voorraden beter onder controle kan houden, en dat totale productietijden beter te voorspellen zijn. Later zijn hier praktische methodes uit voortgevloeid zoals het kanbansysteem, of het principe van de scoutsbrigade van Eliah Goldratt.

17

Het tweede doel was het vergroten van waardetoevoeging. De supply chain werd nu radicaal opgedeeld. Men stelde zich meer in de plaats van de consument, en ging na waar de klant belang aan hechte, dus waar hij geld voor gaf. Op die manier definieerde men twee categorieën: Value-Adding en Non-Value-Adding processen. Deze opdeling zal dan ook de basis zijn voor de analyse van de supply chain volgens het Lean Production System: Value Stream Mapping. Een laatste doel, een vervolg op het vorige doel, is het wegwerken van waste of muda. De chief engineer van Toyota stelde in het TPS een zevental types van werkingsverliezen voorop. Deze types worden hierna verder besproken in een apart deel gezien het grote belang ervan binnen de techniek van Value Stream Mapping.

B. Waste Het Toyota Production System specificeert een zevental kritieke punten die zorgen voor een nadelige invloed op de Value Stream: •

Overproductie

•

Wachttijden

•

Transport

•

Ongeschikte productiemethoden

•

Onnodige voorraad

•

Onnodige beweging

•

Defecten

De belangrijkste in deze rij is overproductie. Overproductie ontstaat wanneer een proces sneller goederen produceert dan dat het volgende proces kan verwerken. Met andere woorden, de twee hebben een verschillende takt tijd. Overproductie belemmert de continue beweging van goederen, en brengt kwaliteit en productiviteit in gevaar. Dit zijn echter niet de enige effecten. Overproductie leidt tot een ware kettingreactie: wanneer bepaalde schakels in de supply chain de toestroom niet kunnen verwerken, dan zal er voor deze schakels een buitensporige voorraad ontstaan. De doorstroomtijden worden hierdoor aanzienlijk verhoogt, en defecten worden pas laat ontdekt. Samen met grote voorraden van afgewerkte producten zal er ook een grote voorraad van work-in-proces

18

ontstaan. Op zijn beurt leidt dit dan tot artificieel verhoogde werkdruk en een slechtere communicatie. Het antwoord van Toyota hierop is het reeds vermelde kanban systeem. Wanneer men een ineffectieve tijdsplanning hanteert, dan komen we terecht bij de volgende waste factor: het wachten. Doordat de flow binnen het bedrijf niet is verzekerd over de hele productielijn, zullen op bepaalde plaatsen goederen niet meer bewegen in de keten. Deze soort waste is evengoed van toepassing op werknemers. De oplossing voor deze muda is een snellere goederenstroom in te stellen, en werknemers die moeten wachten in te zetten bij onderhoud, of vernieuwingsprojecten. Men moet er steeds over waken dat wachttijd op geen enkel moment kan resulteren in een overproductie. Het derde type waste is transport. Men voelt ook al aan dat deze factor verschilt van anderen. Transport is namelijk noodzakelijk binnen de supply chain. Toch moet men proberen om het transport tot een minimum te herleiden. Daarbij begint men best met dubbele handelingen en onnodige verplaatsing uit te schakelen omdat deze enerzijds een grote invloed hebben op de doorstroomtijd, maar anderzijds verhogen deze factoren in aanzienlijke mate de kans op defecten. Bij ongeschikte productiefactoren hebben we te maken met het gebruik van te ingewikkelde machines voor simpele bewerkingen. Door de hoge complexiteit en de daarmee gepaard gaande hoge aankoopkosten, neigen vele ondernemingen hierdoor lange reeksen te produceren om een goede return-on-investment te krijgen. Toch vergeet men veelal rekening te houden met de reële afzet zodat men opnieuw met overproductie te kampen heeft. Complexiteit heeft veelal ook een implicatie op de grootte van de machine. Dat zorgt voor belangrijke beperkingen op de inplanting van deze machine op de bedrijfsvloer. Extra transport lijkt opnieuw nodig omdat sequentiële plaatsing onmogelijk is. De oplossing die zich hier bijna vanzelfsprekend opdringt is het gebruik van kleinere eenvoudige machines die voldoen aan de capaciteits- en kwaliteitseisen. Kleiner zodat men ze opnieuw logisch kan inplanten op de bedrijfsvloer: chronologie en lokalisatie gaan hand in hand.

19

Onnodige voorraden hebben ook een nadelige invloed op de value stream. De lead time stijgt hierdoor, en problemen worden verborgen met voorraad. Men is dus verplicht de voorraad te verlagen voor men deze problemen kan identificeren. De voorlaatste muda beschrijft een probleem bij de procedures in de productie. Onnodige bewegingen zijn handelingen die operatoren moeten uitvoeren, terwijl deze eigenlijk kunnen worden vermeden. Het herpositioneren van stukken is hier het beste voorbeeld van. Het effect op werknemers is duidelijk: snellere vermoeiing, lagere productiviteit en veelal kwaliteitsproblemen. De laatste waste in de lijn, defecten, werd al een aantal maal aangehaald. Belangrijk is dat defects moeten worden gezien als directe kost. Enerzijds zijn defecten gederfde inkomsten, maar anderzijds moet men ook de kosten in rekening brengen als gevolg van de bewerkingen die het product reeds onderging. In de filosofie van Toyota is een defect een trigger voor verbeteringsprojecten, een kans om het systeem te stroomlijnen.

C. Definitie Mike Rother [3] definiëert ‘Value Stream’ als:

A Value Stream is all the actions (both value added and non-value added) currently required to bring a product through the main flows essential to every product: (1) the production flow from raw material into the arms of the customer, and (2) the design flow from concept to launch.

Het wezenlijke verschil tussen een definitie van een Supply Chain en deze van een Value Stream zit in de visie waarmee men de logistieke keten benaderd. Mike Rother geeft twee categorieën aan waarbinnen men elke stap van de logistieke keten moet plaatsen. Valueadding betekent waarde toevoegen in de ogen van de klant; waar wil die voor betalen? De andere categorie, non-value-adding acties moet men proberen minimaliseren, om zo tot een productiever geheel te komen. In dit opzicht sluit de definitie van de Value Stream volledig aan bij de muda van het Toyota Production System.

20

In bovenstaande definitie is ook sprake van een design flow. Wanneer een idee ontstaat om een bepaald product te produceren, heeft dit nog een lange weg af te leggen vooraleer het idee in productie kan gaan. Concurrent engineering en ontwikkelingen op het gebied van projectmanagement zoals PERT/CPM, hebben deze ontwikkelingstijd reeds drastisch kunnen inkorten. Binnen deze scriptie is het echter in de eerste plaats de bedoeling om de supply chain te modelleren.

D. Analysetechnieken Om de Value Stream te kunnen bestuderen, heeft men nood aan kwantitatieve gegevens. Hiertoe zijn reeds tal van instrumenten voorgedragen. In aanloop van de uiteindelijke analysetechniek die we zullen gebruiken, is het interessant om aandacht te geven aan een belangrijk werk dat gevoerd is in opdracht van onder andere IBM UK, Clarks Shoes, London Underground en Pedigree Petfoods. In 1993 werd een onderzoeksprogramma opgestart vanuit the Lean Enterprise Research Centre (Cardiff Business School). Het werk, ‘Supply Chain Development Programme’ (SCDP), stelde hierbij een aantal analysetechnieken voorop die toonaangevend zullen blijken voor de in deze scriptie gebruikte VSM-techniek. Peter Hines [4] heeft een aantal van de gebruikte technieken in dit onderzoeksprogramma besproken en in verband gebracht met de verschillende types waste. In wat volgt zullen deze technieken kort besproken worden. Het is hoegenaamd niet de bedoeling om een volledige uiteenzetting te geven, maar vooral om de technieken in te leiden in het kader van Value Stream Mapping.

1. Process Activity Mapping Deze eerste, en eerder algemene techniek, kan worden opgedeeld in vijf trappen: •

De studie van de processtromen

•

De identificatie van waste

•

Het ontwikkelen van een nieuwe, efficiëntere processequentie

•

Het zoeken naar een beter transportnetwerk en proceslay-out

•

De noodzaak van elke handeling onderzoeken

21

Vooraleer men deze stappen kan ondernemen moet men beschikken over voldoende data over de betrokken processen. Daaronder de bewerkingstijden, transporttijden, en het aantal betrokken mensen. Alle tijden en aantallen worden dan in een gestructureerde tabel gegoten. Aan de hand van deze tabel kan men dan verder analyse uitvoeren, en eventuele verbeteringen aanreiken. Deze verbeteringen gebeuren veelal volgens een techniek vergelijkbaar met 5W1H (Why does an activity occur? Who does it? On What machine? Where, When and How?). Men kan dus op deze manier onnodige handelingen elimineren, of komen tot het combineren, verbeteren of vereenvoudigen van andere activiteiten.

2. Supply Chain Response Matrix Met deze techniek probeert men een idee te krijgen van de lead time van een product door onderzoek naar de tijdsconstraints binnen een supply chain. Zoals in de algemene CPM methode, gaat men hier op zoek naar een kritische pad binnen de supply chain die bepalend zal zijn voor de lead time van het respectieve product. In een diagram, samen met de lokale voorraden, zien we dan een overzichtelijk beeld van de Value Stream.

Figuur 2 – Voorbeeld Supply Chain Response Matrix (Bron [4])

22

De cumulatieve lead time is horizontaal af te lezen. Verticaal wordt de cumulatieve voorraad in het systeem weergeven in dagen. Deze grafiek laat duidelijk de belangrijke delen van de supply chain zien, zowel op vlak van voorraad, als op vlak van doorlooptijd.

3. Production Variety Funnel Deze zeer bekende voorstellingswijze werd voorgesteld door New in 1974. De vorm van het diagram wordt bepaalt door opeenvolgende assemblages en variaties binnen de supply chain. Op deze manier krijgen we een aantal typische vormen. Een ‘I’ diagram wordt gevormd door steeds eenzelfde productie van zelfde producten (bijvoorbeeld chemische producenten). Een ‘V’ diagram is typerend voor een supply chain met een klein aantal grondstoffen en een groot aantal variëteiten aan eindproducten (bijvoorbeeld textiel- en metaalverwerkende sector). ‘A’ type ketens daarentegen vindt men weer in sectoren die van vele verschillende grondstoffen een klein aantal eindproducten produceren (bijvoorbeeld luchtvaartindustrie). Een laatste typische diagram, de ‘T’ vorm is typisch voor assemblageketens die met halfafgewerkte producten een grote verscheidenheid aan eindproducten maken (bijvoorbeeld electronicasector).

Figuur 3 – Voorbeeld Production Variety Funnel (Bron [4])

23

De Production Variety Funnel geeft ons een beeld van de differentiatie binnen een supply chain. Het is dus een perfect instrument om grafisch de complexiteit van een logistieke keten te analyseren.

4. Quality Filter Mapping Bij Quality Filter Mapping gaat de aandacht uit naar de verschillende types kwaliteitstekorten zowel op vlak van service als op vlak van de producteigenschappen. De resulterende grafiek legt de nadruk op punten van verbetering binnen de supply chain, en laat ons toe om prioriteiten toe te kennen aan de verschillende kritieke punten.

Figuur 4 – Voorbeeld Quality Filter Mapping (Bron [4])

De grafiek in dit voorbeeld bestaat uit drie datasets: productiedefecten die door de kwaliteitscontrole niet zijn onderschept; service tekorten die onder andere te wijten zijn aan laattijdigheid; en als derde, defecten die door de interne kwaliteitscontrole zijn gevonden.

24

Deze grafiek geeft horizontaal de sequentiële volgorde van de supply chain ‘chronologisch’ weer. We zien een duidelijke trend op de grafiek: naarmate men verder bij het eindstadium komt, stijgt het aantal defecten dat door interne controle is gevonden. In eerste instantie is dit te wijten aan het feit dat men probeert om defecte producten zo min mogelijk dure bewerkingen te laten ondergaan. Men verhoogt daarom dus de zelfcontrole, zodat dit in vele gevallen zal leiden tot een meer correct beeld van de defecten. Anderzijds zien we dat hier de algemene productiedefecten toch opnieuw stijgen naarmate men stroomafwaarts in de keten gaat. Dit wijst op een ernstig probleem waarbij veel producten in een laat stadium, en dus relatief erg dure producten, defect geraken. Het is duidelijk dat deze grafiek een ernstig kwaliteitsprobleem binnen de bestudeerde supply chain aanduidt, met allicht aanzienlijke financiële gevolgen.

5. Demand Amplification Mapping Een andere erg bekende tool binnen het vakgebied van Supply Chain Management, en in het bijzonder van Value Stream Management is vast en zeker het bestuderen van het zogenaamde Bullwhip effect op de variantie van de vraag binnen de supply chain. Jay Forrester (1958) en later Burbridge (1984) legden de basis ervan. Burbridge [4] stelde:

If demand is transmitted along a series of inventories using stock control ordering, then the amplification of demand variation will increase with each transfer.

Een belangrijk gevolg hiervan is dat er binnen vele supply chains een groot gevaar bestaat op stockbreuk, zelfs als de voorraad op bepaalde plaatsen hoger ligt dan het gemiddelde van de vraag op dat punt. Veelal is dit effect extremaal bij bedrijven die handelen met snel veranderende producten, de zogenaamde Fast Moving Consumer Goods. De vraag naar deze producten is erg grillig en heeft per definitie een hoge variantie. Het Forrester effect zal dus enorme invloed hierop hebben. Op het effect zijn er veel studies gedaan wegens het algemene belang ervan binnen zowat elke sector. De oorzaak ervan ligt voornamelijk bij de clustering van semifabricaten. Omdat transport nu eenmaal een discontinu equivalent is van de transportband, is men verplicht om telkens een groot of klein aantal eenheden per keer te vervoeren. De hoeveelheid ervan is in grote mate afhankelijk van de voorraadpolitiek binnen de 25

ontvangende onderneming, en de marketingpolitiek van de verzendende onderneming (promoties en dergelijke). In mindere mate is de hoeveelheid functie van de kost van het transport, aangezien dit transport momenteel relatief goedkoop is. Het hoeft geen betoog dat het onmogelijk is om tussen elke onderneming een equivalent aantal halffabricaten te vervoeren. Een andere oorzaak van het Forrester effect is ook het optreden van defecten doorheen de supply chain. Dit zorgt ervoor dat er meer producten worden gevraagd dan dat er in principe nodig zijn om te voldoen aan de vraag. In verband met dit effect is het bekende ‘Beer Game’ [1], een vermelding waardig. Deze eenvoudige simulator maakt managers vertrouwd met de impact van het Forrester Effect op logistieke ketens.

Figuur 5 – Demand Amplification bij Fast Moving Consumer Goods (Bron [4])

Op de figuur onderscheiden we twee grafieken. In het grijs wordt de vraag van de klant naar het bepaalde product gegeven. De zwarte lijn geeft een idee van de interne vraag van de supply chain, de orders die dus tussen de verschillende bedrijven gestuurd worden.

6. Decision Point analysis Het Decision Point, ook gekend als ontkoppelpunt, is de plaats in de supply chain waar de actuele vraag de productie begint te sturen, eerder dan de voorspelde vraag. Dit punt

26

kan erg uiteenlopende posities hebben binnen een supply chains. In hoofdzaak is dit afhankelijk van de manier van produceren. Zoals we reeds in het vorige hoofdstuk hebben besproken, kunnen we, afhankelijk van de positie van het ontkoppelpunt, spreken over een aantal verschillende productiemethoden zoals make-to-order, make-to-stock en assemble-to-order. De manier van produceren is veelal eigen aan een sector, om reden van risico’s op onverkoopbare voorraden, de kostintensiviteit van de producten en dergelijke. De ambitie van deze analysetechniek is dus niet zozeer om grove veranderingen uit te stippelen, maar eerder een goede notie van dit beslissingspunt te vormen. Het is erg belangrijk om te weten waar dit ontkoppelingspunt ligt. Enerzijds kan men daardoor de productie upstream en downstream beter op elkaar af stemmen. Ook kunnen we in deze context dan stellen dat we een betere aflijning krijgen tussen een push (produceren op basis van voorspelde vraag) en een pull-structuur (produceren op basis van actuele vraag), hetgeen zorgt voor een overzichtelijk en eenvoudiger te structureren keten. Anderzijds kan men door een goede Decision Point Analysis een idee krijgen over de impact van kleine verplaatsingen van het ontkoppelingspunt. In sommige gevallen is men genoodzaakt om het ontkoppelpunt te verplaatsen ten opzichte van de theoretische ligging. Deze noodzaak kan zijn oorsprong vinden in een aantal oorzaken. Ten eerste zijn er de procesbeperkingen. Door de erg lange doorlooptijd van bepaalde processen, is het beter deze te plaatsen voor het ontkoppelingspunt zodat de klant, wanneer men een goede service level hanteert, hier weinig nadelen van ondervindt. Wanneer men te maken heeft met een proces met een lage voorspelbaarheid op vlak van kwaliteit en lead time, dan kan men er ook voor kiezen om deze processen af te schermen van de klant door dit proces voor het ontkoppelpunt te leggen. Een laatste procesbeperking kan worden opgelegd door hoge opstartkosten van een bepaald proces zodat men economisch gezien verplicht is om lange reeksen te maken. Vervolgens kunnen er ook leveringsbeperkingen zijn. Zo kan de klant hogere eisen stellen in verband met de leveringstermijn, de betrouwbaarheid ervan. In het extreme geval eist de klant én erg lage leveringstermijnen, én een erg lage variantie hierop, we spreken hier van moderne Just-in-Time technieken die reeds tot de standaard zijn verheven binnen de automotive-industrie.

27

In de twee voorgaande gevallen, is men genoodzaakt om het KOOP meer rechts te verschuiven. Het volgende geval trekt het ontkoppelingspunt dan weer meer stroomopwaarts in de supply chain. Wanneer een eindproduct erg gedifferentieerd is, en er daarbovenop een relatief lage en variërende afzet is, dan zal het Bullwhip effect een bruikbare voorspelling van de vraag onmogelijk maken. Men zal dus in het ontkoppelingspunt een generiek product moeten opslaan dat men dan achteraf kan differentiëren. Wanneer men nu met aangepaste technieken een goed antwoord kan bieden, dan haalt men voordeel uit risk-pooling van verschillende producten met een zelfde kern. In het volgende hoofdstuk wordt de techniek van Value Stream Mapping aangebracht. Deze techniek lijkt te zijn afgeleid van het besproken Supply Chain Development Programme. Binnen het volgende hoofdstuk zal er een concrete link ontstaan tussen de reeds aangebrachte theorie, en de ontwikkeling van een supply chain simulator.

28

IV. Value Stream Mapping in een Supply Chainomgeving

A. Inleiding In het laatste deel van vorig hoofdstuk besproken we een aantal analysetechnieken die gebruikt werden in het Supply Chain Development Programme. Met deze technieken kan men op kwantitatieve en kwalitatieve wijze een beeld vormen van een Value Stream. Hoewel de in dit programma ontwikkelde technieken reeds tien jaar oud zijn, kan men zeker stellen dat deze aan de basis liggen van moderne analysetechnieken. In 1998 innoveerde het Lean Enterprise Institute Massachusetts met ‘Learning to See’ [3]. In dit werk ontwikkelt men de techniek van Value Stream Mapping. In het boek definiëren ze deze techniek van Value Stream Mapping als volgt:

Value Stream Mapping is a pencil and paper tool that helps you to see and understand the flow of material and information as a product makes its way through the value stream. What we mean by Value Stream Mapping is simple: “Follow a product’s production path from customer to supplier, and carefully draw a visual representation of every process in the material and information flow. Then ask a set of key questions and draw a future state map of how value should flow.”

Geheel consistent met de principes van Supply Chain Management wordt hierbij de nodige aandacht gegeven aan de twee stromen binnen de Supply Chain. Zoals we reeds eerder vermeldden is het schetsen van de informatiestroom een stuk moeilijker dan het schetsen van de materiaalstroom. De techniek van Value Stream Mapping brengt hier helaas geen verandering in, toch wordt gepoogd om een zekere standaardisering door te voeren in de voorstelling ervan. Deze standaardisering zal de overzichtelijkheid zeker ten goede komen. In eerste instantie streeft men er dus naar een structuur op papier te zetten die op eenvoudige maar toch representatieve wijze, een inzicht geeft in de werking van de Supply Chain. In tweede instantie moet men voldoende data verwerven om gefundeerde

29

‘key questions’ te kunnen formuleren die leiden naar een verbetering van de value stream. Het resultaat van deze analyse wordt weerspiegeld in een nieuwe ‘future state map’. Verder in dit hoofdstuk wordt dit besproken.

B. Het belang van Value Stream Mapping Value Stream Mapping is in wezen een tool die de technieken combineert welke werden besproken in het vorige hoofdstuk. Daarom kan men verwachten dat VSM erg bruikbaar zal zijn binnen Supply Chain Management. Door goed gebruik van deze techniek kan men meer zien dan de visualisatie van de verschillende processtappen. Men krijgt dan als het ware ook de visualisatie van de stromen tussen deze processen, zowel op vlak van materiaal als op vlak van informatie. Andere tools, gaan veelal te diep in op de supply chain en produceren aldus talloze, weinig essentiële en te detaillistische diagrammen en cijfers. De resultaten die men hieruit verkrijgt zijn veelal te nauw betrokken op een bepaald proces zodat ze slechts weinig verbetering bieden voor de hele supply chain Bij Value Stream Mapping gaat de aandacht ook uit naar de verschillende soorten waste binnen de logistieke keten. Er wordt een expliciet onderscheidt gemaakt tussen twee soorten activiteiten. Value-adding activiteiten zijn processen waarvoor de klant wil betalen. Wanneer bijvoorbeeld een auto wordt geproduceerd, betaalt de klant zonder problemen opdat de auto wordt gespoten in een door hem gekozen kleur. Non-value adding activiteiten zijn deze waarvan de klant eigenlijk geen weet heeft, en waar hij niet voor zou willen betalen. Een voorbeeld hiervan binnen de automotive zijn lakfouten op de wagen. Achteraf moeten deze fouten worden gerepareerd, en dat is iets waarvoor de klant dan geen geld voor zou willen geven. Bovenop deze sterke scheiding tussen waste en value-adding activities, geeft een map ons ook een idee van de oorzaak van waste. Men kan aldus makkelijker beslissen welk punt in de supply chain prioriteit moet krijgen voor verbetering. Het is daarom ook een ideale basis om een kwaliteitsplanning op te stellen, waardoor een supply chain opgenomen wordt in een systeem van continue verbetering.

30

C. Het gebruik van Value Stream Mapping Wanneer men aan de slag gaat met deze techniek is het belangrijk om eerst de huidige supply chain voor een bepaald product of een bepaalde productfamilie te schetsen. Men maakt aldus een current-state map op. Vervolgens vult men dit diagram aan met relevante data die bijdragen aan de essentiële werking van de keten. Deze data zijn dan vooral doorlooptijden, vraagcurves, transporttijden, kwaliteitsgegevens en dergelijke. Met de analysetechnieken zoals die zijn besproken in het vorige hoofdstuk, kan men deze op gestructureerde wijze visualiseren. De doorlooptijd wordt daarnaast zichtbaar gemaakt door het tekenen van de tijdslijn. Concreet houdt dit in dat op de map onder elk proces de doorlooptijd wordt vermeld. In volgende voorbeelden wordt het gebruik van deze lijn duidelijk. Uit deze current-state map kan men dan een future-state map destilleren door te focussen op de flow en de waste binnen de supply chain. Het doel van opeenvolgende future-state maps, en natuurlijk de implementatie ervan op de werkvloer, is dat men op convergente wijze evolueert naar een Lean Value Stream. Een Lean (letterlijk: mager) Value Stream is een keten waarbinnen enkel de noodzakelijke handelingen (op vlak van communicatie, productie, transport en opslag) gebeuren om een product met een zo kort mogelijke doorlooptijd tot bij de klant te brengen. Concreet komt het erop neer dat elk proces enkel produceert datgene wat het volgende proces nodig heeft, en enkel op het moment dat het dit nodig heeft.

Het schetsen van zowel de current-state map, als van de future-state map gebeurt met behulp van specifieke symbolen1, en eventueel zelf gedefiniëerde symbolen. Wanneer bedrijven hun waardeketen optimaliseren, begint men steeds met interne optimalisatie. Dit kan gebeuren met Value Stream Mapping [3] als leidraad. Men moet er zich evenwel bewust van zijn dat convergentie naar een Lean Value Stream niet verzekert dat men met eindige middelen en binnen een eindige tijd deze situatie te bereiken is. In vele gevallen zal men ervaren dat na een groot aantal verbeteringsprojecten de kost van een project exponentiëel stijgt ten opzichte van de verbetering die men ermee bereikt. In andere gevallen bereikt men toch een optimum met gebruik van de huidige middelen. In beide situaties zal men nieuwe initiatieven moeten nemen om de Value Chain verder te 1

VSM symbolen worden in bijlage toegelicht

31

optimaliseren . Men zal dus genoodzaakt zijn om buiten de bedrijfsgrenzen te komen, en de Supply Chain te verbeteren. Hierbij kan men de techniek van Extended Value Stream Mapping [5] als een algemene optimalisatiemethodiek gebruiken. De beide technieken, Value Stream Mapping en Extended Value Stream Mapping zullen we nu kort bespreken.

1. Value Stream Mapping op procesniveau

Aangezien Value Stream Mapping een pen-en-papier techniek is, zal men met eenvoudige symbolen werken, die representant kunnen zijn voor verschillende processen. Elk proces wordt apart voorgesteld, voor zover dit proces intern op continue wijze werkt, dat wil zeggen dat elke handeling in dit proces aan een zelfde snelheid werkt zodat er geen tussenvoorraden in voorkomen. Van het moment dat er wel verschillende snelheden vastgesteld worden, is het beter om het proces op te splitsen in de Value Stream Map. Zoals we reeds in vorige hoofdstuk hebben vermeld, kan men in een productieketen twee verschillende stromen vaststellen. Deze twee stromen worden dan ook voorgesteld op een Value Stream Map, want beide zijn ze onontbeerlijk voor een goed begrip van de werking. De informatielijnen symboliseren de communicatie die gebeurt tussen de verschillende afdelingen. Deze communicatie moet erg breed gezien worden. Men toont hiermee de weg die orders afleggen, maar evengoed de status van de voorraden, de status van machines en dergelijke. De communicatie kan op twee manieren gebeuren. Enerzijds kan men eenvoudige, mondelinge of schriftelijke informatie doorgeven. Men stelt dit voor door een rechte pijl. Anderzijds kan men ook gebruik maken van digitale methodes, en deze worden op de Value Stream Map voorgesteld door een gebroken pijl. De materiaallijnen worden bij de Value Stream Mapping-techniek getekend op twee mogelijke manieren. Binnen een supply chain kan men eveneens twee systemen herkennen die de basis vormen voor het doorstromen van goederen. Een eerste systeem is er geen enkele vorm van terugkoppeling aanwezig, de proces produceert op basis van

32

voorspellingen, en niet op basis van de noden van het volgende proces. We spreken hier van een push-systeem, en we duiden dit aan door een geblokte pijl. Zoals men in het voorbeeld op de volgende pagina ziet, zijn de symbolen vrij abstract, daarmee bedoelen we dat men weinig te weten komt over de karakteristieken van de processen zelf. Om de concrete werking ervan toe te lichten in een Value Stream Map, is het nodig verdere informatie te vermelden. Daartoe wordt elk symbool telkens aangevuld met een process box waarin men de voornaamste gegevens vermeld over het proces. De voornaamste gegevens die in deze box worden opgegeven zijn: •

Cycletime Dit is de tijd tussen het afwerken van twee opeenvolgende producten.

•

EPE Dit begrip staat voor ‘Every Part Every’. Dit kan enigszins aanleiding geven tot verwarring. Anders dan bij de cycletime, gaat het hier over de periode tussen het afwerken van een batch.

•

Changeover Time Wanneer een proces moet overschakelen tussen de productie van verschillende types, dan is hier veelal een omschakeltijd voor nodig.

•

Number of people

•

Available Working Time

•

Uptime Om een goed idee te krijgen van de tijd die beschikbaar staat voor de processen, is het goed deze uptime te vermelden. Deze tijd houdt ook rekening met gepland onderhoud en herstellingen.

Deze proceskarakteristieken worden voornamelijk gebruikt in Value Stream Maps op niveau van processen binnen een bedrijf. Men kan voor elke specifieke keten relevante karakteristieken met betrekking tot de waardeketen toevoegen waar men dit wenst.

33

Figuur 6 – Voorbeeld Current State Map Alpha Motors Assembly Plant (Bron [5])

34

In dit voorbeeld [5] wordt de value stream map gegeven van Alpha Motors Assembly Plant, een onderneming die auto’s produceert. In het bijzonder heeft men de value stream geschetst van de ruitenwissers. Men kan binnen het bedrijf drie processen onderscheiden: het klaarmaken van de benodigde sets, vervolgens gaat men deze sets assembleren tot ruitenwissers, en in laatste instantie gaat men deze ruitenwissers controleren op fouten en monteren op de wagens. We zien onderaan een duidelijke scheiding tussen value-adding activiteiten en non-value adding activiteiten. Door de relatief grote tijdsduur van deze non-value adding activiteiten zal men vrij snel de kritieke tekortkomingen binnen het assemblageproces achterhalen. Voor verdere informatie in verband met deze map, verwijzen we naar het boek ‘Learning to See’ [3] en naar de appendix van deze scriptie, waar verschillende elementen van Value Stream Mapping worden verklaard. Het belang van deze interne Value Stream Map binnen deze scriptie wordt vooral duidelijk wanneer men op de voorbeeldmap een blik werpt op de gegevens in de kader ‘Facility Summary’. Immers, deze informatie zal de parameters leveren voor de Extended Value Stream Map. De techniek van Extended Value Stream map zullen we nu kort aanhalen.

2. Opbouw van een Extended Value Stream Map Een Extended Value Stream omvat al de acties (inclusief de acties die geen waarde toevoegen een de producten) die nodig zijn om producten vanuit het stadium van grondstoffen tot in de handen van de klant te brengen. Op zich verschilt de techniek niet van het gewone Value Stream Mapping, toch zijn er enkele bemerkingen nodig die de aandacht vergen. In Value Stream Mapping worden processen gescheiden door tussenvoorraden, als aparte eenheden. Omdat men met Extended Value Stream Mapping de hele supply chain wil bestuderen, kan men hier niet ingaan op de details van elk bewerkingsproces. Daarom gebruikt men in de techniek van EVSM enkel symbolen voor een groter geheel. Alle processen op dezelfde lokatie worden voorgesteld door één symbool. Dit uitzoomen houdt natuurlijk in dat detailgegevens niet meer toepasselijk zijn in een Extended Value Stream Map. Ook de materiaal- en informatielijnen zullen een licht gewijzigde betekenis krijgen.

35

Communicatie tussen verschillende bedrijven kan nu telefonisch gebeuren, mondeling, per fax of per brief. Ook hier zullen we een gewone rechte pijl gebruiken. In moderne ondernemingen gaat men echter sneller communiceren op digitale manier. Men zal deze communicatielijnen voorstellen door gebroken pijlen. Digitale communicatie, veelal in de vorm van Electronic Data Interchange, zal enerzijds een moeilijkheid inhouden omdat dat de informaticasystemen op elkaar moeten zijn afgesteld. Anderzijds, en dit geeft de doorslag om EDI toe te passen, zal er minder defecte informatie worden geproduceerd, en zal de snelheid vele malen hoger liggen dan bij klassieke communicatietechnieken. Een tijd terug beschouwde men communicatie als een soort waste omdat de productiviteit ervan erg laag was. Immers, productieafdelingen en magazijnen gaven hun bestellingen door naar de aankoopdienst van hun bedrijf. Deze informatie werd dan opgeslagen in een ander bestand, en dan gaf men de bestelling door naar de toeleveranciers. Daar ging men deze bestellingen opnieuw herwerken en doorvoeren naar hun eigen productieafdeling. Deze verschillende informatiebewerkingen brengen geen waarde toe aan het eindproduct, en is dus per definitie waste. Met EDI komt hieraan een einde. Noodzakelijke informatie wordt nu zonder veel verwerking vanuit de vragende afdeling gestuurd naar verzendingsafdeling van de leverancier. Men zou hier opnieuw kunnen stellen dat informatiedeling geen waarde toevoegt aan het eindproduct, maar het tegendeel is waar: een goed gebruik van informatie en passende technieken zorgt voor aanzienlijke verkorting van de levertermijn, en voor de klant wordt dit zonder meer gewaardeerd. Materiaallijnen zullen nu transportroutes voorstellen. Anders dan verplaatsingen in een fabriek, zullen verplaatsingen nu een veel grotere impact hebben op de doorlooptijd. Daarom wordt het nu nodig om deze materiaalstromen ook te specifiëren. Veelal zal men in deze informatieboxen drie gegevens vermelden: de afstand, het aantal eenheden dat een transportmedium kan vervoeren en een maat voor het aantal defecten. De eerste twee vergen geen uitleg. Toch moet men de nodige aandacht besteden aan het aantal defecten omdat dit een grote weerslag kan hebben op de value stream. In onderstaand diagram is een generiek voorbeeld gegeven waarbij de defecte leveringen samen zijn gezet met defecte productie.

36

Figuur 7 - Voorbeeld evolutie defecten doorheen de supply chain (Bron [5])

Analoog aan de defectniveaus binnen bedrijven, zal men meestal vaststellen dat de defectrate van getransporteerde goederen daalt naarmate men verder in de value stream afdaalt. Dit is te wijten aan het feit dat men meer aandacht en zorg besteed aan de lading naarmate deze meer bewerkingen ondergaat, en deze lading dus duurder wordt. De eenheden die we nu op de Extended Value Stream Map zullen zien, zijn onder andere productie-eenheden, warehouses en raw material suppliers. Later worden deze meer in detail uitgewerkt. Toch moeten we algemeen deze eenheden even duiden. Zoals in het gewone Value Stream Mapping, zijn de eenheden hier opnieuw black-boxes. Men zal de eenheden proberen modelleren aan de hand van een aantal parameters. Dat deze parameters anders zullen zijn dan bij de processen is evident, immers het gros van de voorraden zijn nu opgeslorpt in deze eenheden. De belangrijkste parameters die worden gehanteerd binnen Extended Value Stream Mapping zijn de volgende: •

Raw Materials De voorraad van grondstoffen wordt in de databox uitgedrukt in aantal tijdseenheden die nodig zijn om, zonder verdere bestellingen, deze voorraad weg te werken.

•

Work-in-Proces idem

37

•

Finished Goods Deze eindvoorraad zal opnieuw worden uitgedrukt in tijdseenheden, namelijk de tijd nodig opdat de klant alle nog gestockeerde afgewerkte producten opneemt.

•

Available Working Time

•

EPE Wanneer de term EPE gebruikt wordt in de context van een fabriek, dan duidt dit op de tijd tussen twee afgewerkte vrachten. Met vracht beogen we de volledige lading van het transportmedium.

•

Defects Binnen bedrijven defecten becijferen in termen van defect parts per million (ppm). Binnen vele kwaliteitsprogramma’s (zoals bijvoorbeeld deze op basis van de six-sigma principes) zal men immers defecten ook uit drukken in ppm.

Opnieuw kan men hier de opmerking maken dat men voor elke specifieke situatie eigen meetinstrumenten kan invoeren. Enige vereiste is dat ze natuurlijk een relevante impact hebben op de value stream. Op de volgende pagina wordt ter illustratie een voorbeeld gegeven van een Extended Value Stream Map [5]. In dit voorbeeld wordt de volledige Supply Chain geschetst waarvan de Alpha Motors Assembly Plant uit vorige voorbeeld deel uit maakt. Zoals gezegd, vinden we de algemene parameters van deze plant weer in de Extended Value Map. We zien op het voorbeeld dat deze map geheel volgens dezelfde principes is opgebouwd als de interne Value Stream. Opnieuw komt er een duidelijk verschil naar voor tussen waste en value-creating activiteiten, doch nu zoekt men eerder naar tekortkomingen in de logistieke werking van de keten, eerder dan naar tekortkomingen van elk proces op bedrijfsniveau. De reden hiervan werd reeds terloops aangehaald: men zal zich pas focussen op de extended value stream als de interne flow reeds in een hoge mate is geoptimaliseerd.

38

Het is binnen deze scriptie niet de bedoeling om de hele techniek van Value Stream Mapping uiteen te zetten, daarvoor verwijzen we naar de basiswerken [3], [5] van Lean Enterprise daaromtrend.

39

Figuur 8 – Voorbeeld Current State Wiper Value Stream (Bron [5])

40

D. Algemene Conclusie mbt. de literatuurstudie We hebben met deze korte uiteenzetting van Value Stream Management en meer algemeen van Supply Chain Management, een aantal basisbegrippen en basisconcepten naar voor gebracht. Door de uitgebreide literatuurstudie daarachter zijn we tot een goede basis gekomen waarop we de supply chain simulator hebben kunnen bouwen. Het simulatiepakket dat we hebben gebruikt om de supply chain simulator te bouwen, heeft een groot grafisch karakter, daarom is het ook verantwoord om de werking van de simulator verklaren op een grafische, bijna heuristische manier. Er moet worden gesteld dat het onmogelijk was binnen het tijdsbestek alle aangebrachte meettechnieken en optimalisatietechnieken te implementeren in de simulator. Toch zijn ze alle relevant om in latere versies van de supply chain simulator te implementeren. Afgaande op het belang van de totale doorlooptijd in de supply chain, hebben we deze measure of performance als uitgangspunt gekozen bij de ontwikkeling van de simulator. Toch mogen we niet vergeten dat er nog tal van andere measures of performance bestaan die minstens evenwaardig zijn. Omwille van dit tijdsbestek werden er een groot aantal compromissen gesloten tussen complexiteit en haalbaarheid. Hét grootste nadeel van deze tegenstrijd is zonder twijfel de toegeving die werd gedaan om de productstroom op basis van orders te laten gebeuren, eerder dan een ontkoppelde stroom tussen order en eenheidsproducten. Dit impliceert een groot aantal gevolgen waarmee men wordt geconfronteerd. We kunnen hierbij het voorbeeld aanhalen van de verplichting om voorraden te definiëren op kwalitatieve manier, in plaats van op kwantitatieve manier. Omwille van deze kwalitatieve definitie was het ook onmogelijk om de doorlooptijd te simuleren zoals die werd voorgesteld door het eigenlijke Value Stream Mapping. Daarin definiëert men de lead time als de tijd die een grondstof nodig heeft om als afgewerkt product tot bij de klant te komen. De doorlooptijd die we gebruiken in de simulator definiëren we als de tijd tussen het invoeren van een order in de supply chain, en het ontvangen door de klant van de bestelde producten. Niettegenstaande de vele nadelige gevolgen van de keuze die werd gemaakt om de productstroom te laten initiëren door orders, werd toch een sprong voorwaarts gemaakt ten opzichte van de Mistral-simulator [7]. Toch verdient het de grootste aanbeveling om

41

in een volgende versie over te schakelen op een gescheiden informatie- en goederenstroom.

42

V. Supply Chain Simulator

A. Decision Support Systems Hoewel Supply Chain Management reeds lang wordt bestudeerd, toch maakt het een enorme evolutie door. Niet zonder reden is dit te danken aan de parallelle evolutie van de computer technologie. Deze technologische evolutie geeft ons enerzijds de mogelijkheid om processen in een verder stadium van automatisering en betrouwbaarheid te brengen. Ook het voorraadbeheer in vele sectoren werd een groot stuk efficiënter door gebruik van nieuwe systemen. We denken hierbij bijvoorbeeld aan de barcodes, die weldra zullen worden vervangen door microtags. Onder andere met deze methoden is het ook mogelijk om de werkelijke prestaties van een supply chain na te gaan (bijvoorbeeld doorlooptijden, voorraadhoogtes, etc.). Anderzijds kunnen we met informatica steeds betere en complexere analyses uitvoeren. De computer kan ons dus steeds beter helpen bij het oplossen van logistieke vraagstukken, en het voorspellen van gedragingen van de supply chain. We moeten hier de nadruk leggen op ‘helpen’, omdat logistieke ketens niet erg eenduidig zijn en niet zo makkelijk te definiëren. We kunnen een computer pas inschakelen als we de logistieke keten in een model hebben gegoten die begrijpbaar is voor computers. Het is nu net dat model dat we steeds ingewikkelder – lees waarheidsgetrouwer – kunnen maken omdat Decision Support Systems steeds krachtiger worden. Decision Support Systems kunnen we moeilijk definiëren als één bepaald type software. Ze kunnen variëren van een relatief eenvoudig programma zoals een spreadsheet, tot een expert systeem dat probeert een algemeen kader te scheppen waarbinnen een bepaalde klasse van problemen kunnen worden opgelost. Elk systeem heeft voor- en nadelen die we in wat volgt zullen toelichten. Toch moeten we wijzen op een belangrijke trade-off hieromtrent. Algemeen gezien is generieke software (zoals Spreadsheets) goedkoop en kan het tal van analyses aan, maar anderzijds gaat hierdoor een groot deel van de gebruiksvriendelijkheid verloren. Een full-customized softwarepakket daarentegen, is

43

meestal gebruiksvriendelijk, maar de toepassing ervan beperkt. Daarenboven zijn de pakketten meestal erg duur. Een Decision Support System bestaat uit drie delen. Vooreerst zal de software gegevens vergaren, daartoe moet de gebruiker data invoeren in het systeem. Ook moet de gebruiker hier een aantal parameters opgeven die het probleem karakteriseren. Vervolgens zal de software een analyse maken van deze data om daaruit karakteristieken te kunnen voorspellen. Deze analyse en voorspellingen wordt dan als output weergeven. Veelal zal men hiervoor grafische elementen gebruiken omdat de output van een DSS erg omvangrijk is. De meest gebruikte DSS voor Supply Chain Management worden hier kort samengevat [6]: •

Queries Wanneer men een zeer uitgebreide dataverzameling heeft, is het moeilijk om manuele analyse uit te voeren. Queries laten toe om gerichte vragen te laten oplossen door de computer aan de hand van een bepaalde gemeenschappelijke taal.

•

Statistical Analysis Indien men niet genoeg heeft aan kwantitatieve gegevens, zal men overgaan tot statistische technieken om bepaalde trends en patronen in de data te ontdekken.

•

Data Mining Statistische analyses gaan eerder op zoek naar logische verbanden. Met data mining probeert men dieper liggende, en zelfs verborgen verbanden bloot te leggen.

•

Simulatie De reden voor simulatie is eigenlijk ingegeven door het grote aantal onbekende elementen binnen een supply chain. Deze onbekende elementen zijn veelal willekeurig, maar toch kan men ze modelleren met

44

bepaalde distributies. Vanwege het grote aantal random getallen en het dynamische karakter, is een zuiver statistische analyse onmogelijk. Op basis van deze distibuties gaat men nu getallen genereren en analyseren. Het is duidelijk dat deze methode een sterk Decision Support System kan zijn, op voorwaarde dat men betrouwbare modellen kan opstellen. Deze categorieën zijn niet zo makkelijk te scheiden. Zuiver statistische analyse kan men toepassen op vele datareeksen. De verbanden worden hierbij door de gebruiker voorgesteld (eventueel onder de vorm van hypotheses). Data Mining gebruikt ook statistische analyse, maar men gaat hierbij alle eerst mogelijke verbanden opstellen en combineren. Daarna analyseert men de verbanden op hun toepasbaarheid. Ook simulatie heeft geen enkel nut zonder gebruik van statistische methoden. Bij een simulatie moet men eerst beginnen met het modelleren van de supply chain, dat wil zeggen dat men de supply chain moet voorstellen op een manier die een computer begrijpt. Wanneer de simulatie uitgevoerd wordt, zal bij elke willekeurig event een getal worden gegenereerd op basis van een gegeven statistische distributie. Na het doorlopen van de simulatie kan men nu alle data analyseren alsof het reële gegevens waren. Op die manier kan men dus onbestaande situaties analyseren en beoordelen naar waarde en impact op bepaalde supply chain karakteristieken (bijvoorbeeld de totale doorlooptijd).

B. Simulation Tool: Enterprise Dynamics Zoals gezegd, moet er een kader worden gebruikt waarbinnen men een model kan definiëren op zodanige wijze dat de computer dit kan begrijpen. In eerste instantie kan men een spreadsheet gebruiken om een simulatie op te zetten. Supply chains waarvan men een relatief eenvoudig wiskundig model kan opzetten, komen hiervoor in aanmerking. Immers door gebruik te maken van Monte Carlo-technieken [15] kan men op snelle wijze relevante resultaten bekomen van de werking van een supply chain. Toch is het gebruik van spreadsheets eerder beperkt. Wanneer een model van een supply chain complexer wordt, omdat we bijvoorbeeld meer parameters en variabelen willen inbrengen, dan zal de complexiteit van de wiskundige programmering exponentieel toenemen. Simulatiepakketten bieden de mogelijkheid om erg ingewikkelde modellen te programmeren zonder dat men geplaagd wordt door erg complexe wiskundige

45

programmering. Op elke moment wanneer er een willekeurig getal gevraagd wordt door het model, zal de simulator een getal genereren op basis van vooringestelde distributies die de supply chain karakteriseren. Nadien werkt men verder met deze getallen als zijnde gegevens.

1. Concept Incontrol Enterprise Dynamics is een activity-on-the-node simulator. Elk knooppunt stelt een entiteit voor uit het te bestuderen systeem. Dergelijk knooppunt noemt men binnen Enterprise Dynamics een atoom. De volledige structuur is hierop gebaseerd. De gebruiker beschikt over een aantal standaardatomen die meegeleverd zijn met het pakket. Onder deze vindt men onder andere een model voor een wachtlijn (queue-atoom), een model voor een serieel proces (server), en vele andere. De verbindingen die de stroom binnen een simulatie bepaalt, kan men maken door een boog te trekken tussen een kanaal van het verzendende atoom en een kanaal van het ontvangende atoom. Tussen deze atomen wordt dan telkens een eenheidsatoom uitgewisseld. Een eenvoudig voorbeeld van een model wordt hieronder gegeven. Het betreft een kleine keten gevormd door een genererend atoom (source), een wachtlijn (queue), een proces (server) en een eindatoom (sink). Men zou dit bijvoorbeeld kunnen interpreteren als de modellering van een bewerkingsproces (server) dat grondstoffen ontvangt van een vorig proces (source) met ertussen een buffer (queue). Daarna wordt het naar een volgend proces gestuurd (sink).

Figuur 9 – Eenvoudig model in Enterprise Dynamics

Elk atoom kan men nu instellen naar eigen wensen. Enerzijds kan men dit doen door de parameters in de user interface van het desbetreffende atoom in te stellen. Anderzijds, indien men de werking van het atoom wil wijzigen, kan men dit doen door het programma achter dat atoom te wijzigen. Enterprise Dynamics werkt met een eigen hogere programmeertaal die vergelijkbaar is met een eenvoudige taal zoals Basic. Wanneer men een eigen atoom wil definiëren, moet

46

men hier niet de volledige softwarematige werking van het atoom programmeren, zoals dat bij gewone programmeertalen het geval is. Men moet enkel de gebeurtenissen waarop het atoom reageert, programmeren in de taal waarmee Enterprise Dynamics werkt: 4DScript. Men kan bijvoorbeeld vragen om bepaalde acties uit te voeren wanneer een atoom een ander atoom binnentreedt, wanneer het een ander atoom verlaat, en dergelijke. Voor verdere informatie hieromtrent verwijzen we naar het helpbestand van Enterprise Dynamics.

2. Voor- en nadelen Zoals men al kon vermoeden door de vage omschrijving van Enterprise Dynamics als concept, is dit een erg algemeen programma, dat inzetbaar is in tal van situaties. Dit vormt meteen het grote voordeel van dit simulatiepakket. Enterprise Dynamics kan worden ingezet in een vele toepassingen zoals productieketens, verkeersproblemen, cashflows, en vele andere. Vele simulatorpakketten werken op een moeilijk toegankelijk platform. Men moet reeds ervaren programmeur zijn om eenvoudige modellen op te bouwen. Enterprise Dynamics heeft men nu zo geconcipieerd dat het bouwen van een eenvoudig model eerder drag’n’drop is van bouwstenen. Een leek kan dus zonder problemen een model in elkaar steken. Wil men de bouwstenen, de atomen zo men wil, verder aanpassen zal men gebruik maken van de ingebouwde programmeertaal die vrij beperkt is, en daarom ook relatief eenvoudig om aan te leren. Deze twee voordelen, kan men eigenlijk ombuigen in nadelen wanneer men andere doelen voor ogen heeft. Omdat de simulator universeel is, kan men weinig anders dan de parameters ook erg universeel te maken. Om dan een model te maken moet men deze universele parameters enigszins vertalen naar het beoogde model. Ook is het weinig waarschijnlijk dat men in een bepaald model alle universele parameters kan gebruiken die ingebouwd zijn in de bouwstenen. Dit zorgt voor een overvloed van instelmogelijkheden, hetgeen het geheel weinig overzichtelijk maakt. Dit heeft een nefast effect op de gebruiksvriendelijkheid natuurlijk. Om een gebruiksvriendelijk programma te kunnen maken, heeft men bij Enterprise Dynamics een add-on geleverd. De GUI-builder zorgt ervoor dat een model user-friendly wordt. Alleen is het zo dat hiervoor nog eens zoveel

47

tijd moet worden gestoken in het programmeren ervan. Om deze reden is de simulator die voor deze scriptie is ontwikkeld, eerder een academische versie. De doelstelling van deze simulator is niet meteen gebruiksvriendelijkheid, maar eerder bruikbaarheid. Het tweede nadeel is afgeleid van het tweede voordeel. Men heeft namelijk gezorgd voor een makkelijk aan te leren programmeertaal, die een beperkt aantal instructies kent. Dit is natuurlijk ook een aanzienlijke beperking van de mogelijkheden. Deze beperking is niet zo sterk te voelen wanneer men het gedrag van de bouwstenen programmeert. Men voelt ze vooral wanneer men de gegenereerde data wil analyseren. Het invoeren van een algoritme van bijvoorbeeld een niet-lineaire regressietechniek in 4D-Script, is zo goed als onmogelijk. Het laatste punt van aandacht, dat het programmeerwerk enorm bemoeilijkte en vertraagde, is de instabiliteit van Enterprise Dynamics versie 6 build 439. Deze versie is op vele momenten onvoorspelbaar, zodat men enerzijds regelmatig te maken heeft met een crash van het programma, maar anderzijds, en dit is het belangrijkste, de resultaten zijn soms onbetrouwbaar. Dat dit natuurlijk verregaande impact heeft op de betrouwbaarheid van de simulatie is duidelijk. Men moet hier dus voortdurend op de hoede zijn voor deze bugs.

C. De ideale supply chain simulator Als eerste opdracht in het kader van deze thesis stond een uitgebreide literatuurstudie op het programma, waarvan men de resultaten kan vinden in het vorige deel van deze scriptie. Tijdens deze studie werd al snel duidelijk dat de standaardatomen binnen Enterprise Dynamics te beperkt waren. Om een realiseerbaar model te vormen op basis van de literatuur, ben ik tijdens de literatuurstudie reeds begonnen met het programmeren van concepten die ik zeker wou implementeren. Na een lange tijd van volharding, misschien wel koppigheid in het programmeren, werd duidelijk dat ik weinig anders ging kunnen dan vele compromissen te sluiten tussen Enterprise Dynamics en het ideaalbeeld dat ik had van ‘mijn’ supply chain simulator. De reden hiervan kan men enerzijds leggen bij de beperkte bagage die ik had van Enterprise Dynamics. Anderzijds moet ik zeker ook stellen dat de ambiguïteit van 4DScript als programmeertaal en de talrijke bugs binnen Enterprise Dynamics versie 6, een serieus aandeel hadden in het verzwakken van mijn

48

‘ideale’ supply chain simulator. Om een zicht te geven op dit ideaalbeeld zullen we in wat volgt een korte uiteenzetting ervan geven. De idee van mijn simulator is volledig ontstaan bij het lezen van ‘Learning to See’ [3]. Elke Value Stream Map bestaat uit een aantal iconen, die elk een aparte functie1 hebben. Alle zijn ze relevant binnen een map. Het is dus ook evident om deze elementen aan te nemen als atomen binnen Enterprise Dynamics. In eerste instantie zouden we dus elk element van de Extended Value Stream Map in detail uitwerken. Een factory zou dus tot op procesniveau worden uitgediept, een warehouse zou een echte voorraadpolitiek krijgen, transport zouden ook echt gemodelleerd worden, etc. In een latere fase van deze modellering wordt dan uitgebreid met optimalisatietechnieken zoals kanban-systemen, ordersortering, en dergelijke, zodat we tot echt future state maps kunnen komen. De voordelen van deze aanpak zijn legio: de simulatie zal betrouwbaardere resultaten geven; we kunnen een simulatie maken van processen die op een correcte manier reageren op ordergroottes en producttypes; er kan worden gewerkt met batchgroottes onafhankelijk van de ordergroottes; de voorraden binnen een bedrijf kunnen worden gesimuleerd op grootte, eerder dan op service-level, idem voor de voorraden binnen een warehouse; de service-level zou niet langer een parameter zijn (in real life is dit ook niet het geval), maar een karakteristiek van het voorraadbeheer. De enige twee nadelen van deze aanpak is de enorme tijd die het vergt om de modellen te implementeren, en natuurlijk ook het opzetten van een simulatiemodel zou langer duren, omdat men vele parameters zal moeten ingeven. Deze nadelen wegen echter niet op tegen de bereikte betrouwbaarheid van het model. Om dan tot de uiteindelijke Supply Chain Simulator te komen moeten we dan nog enkel deze ontwikkelde modellen samenvoegen tot een geheel op het idee van Extended Value Stream Mapping. Omwille van de tijd die het duurde om elk basiselement van de extended value stream map te ontwikkelen, en mede omdat de scope van deze scriptie eerder werd gelegd bij het modelleren van de basiselementen als black-box, werd in overleg met de promotor beslist om mijn ontwikkeling van elk basiselement niet verder te zetten. Ik ging me er dan op concentreren om een model te vinden voor de basiselementen als black-box. 1

Zie appendix met vsm-iconen

49

Dat dit niet evident is, zal duidelijk blijken uit de bespreking van de huidige simulator. Het beste voorbeeld hiervan is de werking van het atoom factory en raw materials supplier. Deze atomen, anders dan de andere, zijn normaliter erg afhankelijk van de orders die worden gegeven. Immers, het assembleren van 50 producten neemt aanzienlijk meer tijd in dan het assembleren van 2 producten; het assembleren van twee verschillende producttypes wordt beïnvloed door omschakeltijden. Men kan nog tal van voorbeelden die hierop van toepassing zijn, bedenken. We hebben getracht een aantal oplossingen voor te stellen die al dan niet minder consistent zijn met de gangbare principes. Toch hebben we ervoor gezorgd dat de gebruiker niet verplicht is deze te gebruiken. Zo zal bij het atoom factory voorgesteld worden om parameters als EPE en lead time in te stellen per producteenheid, en omschakeltijd per producttype. Het is duidelijk dat we hiermee parameters aanreiken die niet op het niveau van supply chains worden gehanteerd. Indien de gebruiker dit niet wil instellen, dan kan hij nog steeds de totale order lead time doorheen de fabriek instellen door de parameter order lead time in te stellen. Telkens waar dit noodzakelijk was, werd deze mogelijkheid voorzien. De enige bedoeling van het invoeren van deze parameters was om de gebruiker toch de mogelijkheid te geven om orderafhankelijkheid in te voeren waar dit van toepassing zou zijn. Omdat we de ideale supply chain simulator niet hebben kunnen ontwikkelen, was het ook niet mogelijk om vele principes en meettechnieken aangereikt in de voorgaande literatuurstudie te implementeren. Dit betekent hoegenaamd niet dat men deze theorie kan bestempelen als irrelevant, integendeel, de ideale simulator zal naar mijn mening moeten werken volgens deze principes. Het kan dus een basiswerk vormen voor de verdere ontwikkeling van de Supply Chain Simulator op basis van Value Stream Mapping.

D. Opbouw van de ontwikkelde Supply Chain Simulator Zoals bij de uiteenzetting over de voordelen van de gebruikte software werd gesteld, is Enterprise Dynamics een erg algemeen en veelzijdig simulatiepakket. De algemeenheid van dit pakket zorgt ervoor dat men aanzienlijk meer tijd nodig heeft om een model te programmeren in vergelijking met een meer specifieke simulator. Daarom willen we binnen deze scriptie een basis leggen voor Enterprise Dynamics die het eenvoudiger maakt om meer specifieke modellen, meer bepaald Supply Chains te simuleren. We

50

proberen hierbij een brug te slaan naar de Value Stream Mapping-techniek. Het is hoegenaamd niet de bedoeling om een electronische variant van deze techniek te ontwikkelen, maar eerder om een soort consistentie te creëren tussen de simulator en een Extended Value Stream Map, die per definitie op papier staat. Zoals op een Extended Value Stream Map is te zien, splitst men een productiebedrijf op in een plannend gedeelte en een uitvoerend gedeelte. Deze delen worden gesymboliseerd door een production control en een factory. De planning zal orders ontvangen van elementen stroomafwaarts in de supply chain. Deze orders worden van daar doorgestuurd naar enerzijds de fabriek zelf, en anderzijds de toeleveranciers van de grondstoffen. Wanneer een fabriek een order ontvangt, zal deze informatie uit de Bill-of-Material ontvangen om te weten welke grondstoffen in een bepaald product moeten worden verwerkt, en hoeveel. Deze Bill-of-Material is eigen aan de productie-eenheid, dus voor elke bijkomende productie-eenheid zal men een nieuwe Bill-of-Material moeten maken. Aan de start van de informatiestroom, moet er wel een algemene, zogenaamde Master Bill-of-Material worden aangemaakt. In deze matrix zal men alle mogelijke productvarianten die binnen de supply chain vloeien moeten definiëren, samen met de cumulatieve distributie die de vraag naar deze producten kwantificeert. In deze huidige versie van de simulator werd nog geen gebruik gemaakt van een gescheiden order- en product stroom, een informatie- en materiaalstroom zo men wil. Zoals in de eerder ontwikkelde simulator Mistral, die werd besproken in “Experiments with Mistral, a Supply Chain Simulator” [7], zullen producten pas bewegen in de supply chain, wanneer een order wordt ontvangen. In de syntax van de simulator komt dit erop neer dat een order als starteenheid wordt gebruikt, en dat dit bij het binnenkomen in het eerste proces wordt omgevormd tot een productbatch waarvan de hoeveelheid overeenstemt met de gevraagde hoeveelheid in het order.

E. Bouwstenen In wat volgt worden de afzonderlijke elementen besproken met hun parameters en hun toepassing. De volgorde die we hierbij gebruiken is de meest aangeraden volgorde om een model op te bouwen. Verder zal de bouw van een voorbeeldmodel in de casebespreking zeker kunnen dienen als leidraad bij het opstellen van een eigen model.

51

Het is niet de bedoeling om de programmeercode achter elk element in detail te bespreken, maar eerder om op een prozaïsche manier de werking van elk element te verklaren. Om de code van de elementen te bekijken verwijzen we naar de appendix en de simulator zelf. Bepaalde stukken van de code werden daarin verduidelijkt.

1. Bill-of-Material Value Stream Mapping is een techniek die de focus legt op de bewerkingen en verplaatsingen van een productfamilie. Waar andere modelleringstechnieken de supply chain schetsen als een volledig beeld van deze keten, probeert VSM specifiek te werken naar een aaneenschakeling van elementen die gemeenschappelijk worden gebruikt door een groep van producten. Deze groep noemen we een productfamilie. Indien men de weg van grondstof naar verbruiker zou willen schetsen van een uniek product, dan zou de samenstelling van dit product blijken uit de structuur van het model van de simulator. In vele productieomgevingen hebben we echter te maken met sterk gedifferentieerde producten met een gemeenschappelijke structuur. Toch zal er bij bepaalde productieprocessen een omschakeling nodig zijn van de lijn wanneer men andere productvarianten wil maken. Daarom is het interessant om binnen de simulator ook deze varianten op te nemen, zodat we ook de eventuele omschakeltijden in rekening kunnen brengen. We doen dit met behulp van een Bill-of-Material.

Toepassingsgebied en werking Binnen de simulator zullen we werken met twee types van dit atoom. De structuur ervan is gelijk, toch is er een belangrijk verschil. Het eerste type is de Master Bill-of-Material. Deze tabel moet slechts éénmaal worden gebruikt binnen een model. In onderstaande figuur kan men de opmaak ervan bekijken.

Figuur 10 – Voorbeeld ‘Master Bill-of-Material’

52

De doel van deze Master Bill of Material is tweeërlei. Enerzijds zal men met behulp van deze tabel de verschillende varianten van de eindproducten definiëren. Voor elke bijkomende variant wordt een extra rij geïnitialiseerd, en voor elke bijkomende grondstof hebben we een extra kolom nodig. In het bovenstaande voorbeeld wordt in de supply chain een productfamilie gemaakt met drie varianten en drie grondstoffen. Het tweede doel van deze tabel is het instellen van de vraagverdeling naar de verschillende varianten. Op zich gaat dit weinig effect hebben op de doorlooptijd voor zover men geen omschakelingen in de processen inbouwt. Wanneer men nu wel een changeover time moet modelleren, dan zal de vraagverdeling van de verschillende varianten een erg grote invloed kunnen hebben op de doorlooptijd.

Bewerking ordertype 3

xx Secs

Bewerking ordertype 3

Bewerking ordertype 3

xx Secs

xx Secs

Bewerking ordertype 2

xx Secs

Bewerking ordertype 1

Bewerking ordertype 2

xx Secs

xx Secs

Bewerking ordertype 3

xx Secs

Bewerking ordertype 3

xx Secs

Bewerking ordertype 2

xx Secs

Bewerking ordertype 2

xx Secs

Figuur 11 – Generieke ordersequentie op basis van figuur 10

In het bovenstaande voorbeeld dat afgeleid is uit de Bill-of-Material van figuur 10, wordt een generieke sequentie van 10 orders afgebeeld. In de figuur zijn de bewerkingstijden weergegeven als de lager gelegen lijnstukken, net zoals men in VSM value-adding time aanduidt. Wanneer de orders in deze volgorde door een proces lopen dat onderhevig is aan omschakeltijden (rode horizontale lijnen), dan wordt de invloed op de totale doorlooptijd doorheen dit proces (voorgesteld door pijlen) duidelijk. In dit voorbeeld wordt de helft van de productie opgeëist door product 3. Er zullen dus meerdere orders van type 3 elkaar opvolgen, zodat niet telkens wordt omgeschakeld. Bij de andere types is dit minder het geval, ze zullen dan ook een relatief langere doorlooptijd (voorgesteld door de rode pijlen) hebben als gevolg van de omschakelingen. Merk op dat men in deze context een optimalisatie van de value stream kan invoeren door de orders te sorteren volgens hun vraagverdeling, de lengte van de gesorteerde sequentie moet men dan bepalen aan de hand van de relatieve grootte van de omschakeltijden. Binnen deze simulator kan men dit implementeren door deze sequentie in te stellen in het element Sales Department.

53

Naast dit effect van omschakeltijden, kan men in een latere versie van deze simulator nog meerdere invloedsfactoren inbouwen die in relatie staan tot de vraagverdeling. We denken hierbij bijvoorbeeld aan de werkbelasting die kan variëren als gevolg van het producttype. Deze werkbelasting zal dan op zijn beurt een bijkomend effect hebben op de doorlooptijd. Door gebruik van deze Master Bill-of-Material, kunnen we een betere visie krijgen op de plaats van het klantenorder ontkoppelingspunt dat we reeds hebben besproken in een vorig hoofdstuk1. Daar waar de producten worden gedifferentieerd tot een productfamilie die wordt aangeboden aan de klant, zullen we deze tabel als Master Bill-of-Material gebruiken. Het is dan ook op dit punt dat we het klantenorder ontkoppelingspunt terugvinden. Vóór dit punt zullen generieke stukken worden geproduceerd die door elke productvariant worden gebruikt (men kan natuurlijk ook bij bepaalde producttypes grondstoffen weglaten door de respectievelijke cel in de BOM op nul te stellen). We kunnen zonder twijfel stellen dat we de performantie van onze supply chain, als we deze meten in termen van order lead time, erg kunnen beïnvloeden door de service level van de generieke grondstoffen te wijzigen. De service level van een voorraadmagazijn wordt gedefinieerd als een maat voor beschikbaarheid van de voorraden. Door het instellen van betrouwbare

en

regelmatige

verbindingen

tussen

de

productie-eenheden

en

grondstofleveranciers, eerder dan het verhogen van de grondstofvoorraden, kan men de service level op een intelligente manier verhogen. Men ziet in dat dit een rechtstreekse verwijzing is naar het belangrijkste principe van TPS en ook Value Stream Management2[4]: het creëren van een continue flow.

Figuur 12 – Voorbeeld ‘Bill-of-Material’

1

Zie hoofdstuk Supply Chain Management pg 5

2

Zie hoofdstuk The Value Stream, pg. 1

54

Het tweede type waarvan sprake, is een gewone Bill-of-Material. Deze tabel zal men inschakelen op elke plaats waar assemblage vereist is. Het vormt dus een onderdeel van de besproken combinatie van een ‘production control’ en een element ‘factory’. Zoals te zien is in het voorbeeld, is de gewone Bill-of Material van structuur niet anders dan de Master Bill-of-Material. Alleen zal de eerste kolom, de kolom die de cumulatieve vraagverdeling definieert, nu niet meer van toepassing zijn. De orders worden immers aangebracht van de stroomafwaarts gelegen elementen. Dit type Bill-of-Material kan men dus zoveel als nodig opnemen in het model. In het voorbeeld zal de Bill-of-Material dus worden ingeschakeld in een assemblageproces met vier grondstoffen, alle orders zullen in dit proces op dezelfde manier worden afgewerkt.

Parameters De Bill-of-Material heeft slechts 4 instelbare parameters. Door dubbelklikken kan men deze instellen.

Figuur 13 – Parametervenster ‘Bill-of-Material’

55

•

Products

•

Raw Materials

•

Create Alias Wanneer men dit wenst, kan men de naam van deze Bill-of-Material binnen Enterprise Dynamics initialiseren als een functie. Op bepaalde plaatsen kan men dan op eenvoudige manier refereren naar een cel uit deze tabel. Indien men in bovenstaand voorbeeld deze parameter zou aanvinken, dan kan men elders bijvoorbeeld ‘BOM(2,4)’ gebruiken om te achterhalen hoeveel grondstoffen van de derde soort er in het producttype 3 zitten (de eerste kolom wordt immers gebruikt door de cumulatieve vraagverdeling).

Door te klikken met de rechtermuisknop op dit element opent men de eigenlijke Bill-ofMaterial. Automatisch wordt reeds de cumulatieve vraagfunctie uniform aangenomen. Zo men wil kan men dit aanpassen.

Kanalen Het element Bill-of-Material heeft geen kanalen ter beschikking. De referenties naar deze tabel worden normaliter gemaakt bij het aanmaken van de atomen die nood hebben aan een BOM. Daartoe zal automatisch een selectievenster worden geopend

Figuur 14 – Selectievenster ‘Bill-of-Material’

56

2. Sales Department De oorzaak van een goederenstroom binnen een supply chain, is steeds te wijten aan een vraag of een verwachting van een vraag van consumenten. Wanneer klanten bestellingen plaatsen, worden deze verwerkt binnen de verkoopsafdeling van de laatste schakel in de logistieke keten, veelal een distributiecentrum. Wanneer echter klanten producten meteen uit de rekken van de verdeler kunnen halen, of de distributeur levert ze onmiddellijk, dan zullen orders binnenkomen in de verkoopsafdeling van de voorlaatste schakel in de logistieke keten. Immers, klanten zorgen enkel voor afname, de eindverdeler zorgt ervoor dat zijn stock op peil blijft door het plaatsen van orders volgens een bepaalde orderstrategie. Indien de supply chain geoptimaliseerd is, dat wil zeggen dat er een verregaande integratie is, dan zal deze distributeur in alle geval orders plaatsen aan een tempo en een ordergrootte dat zoveel als mogelijk invariant is.

Toepassingsgebied en werking In de beide gevallen die hiervoor werden aangehaald, rechtstreekse bestellingen of onrechtstreekse, kan men gebruik maken van het element Sales Department. Met dit element kan men orders genereren die variëren in grootte en in type. Binnen een value stream wordt een bepaalde productfamilie bestudeerd. Deze familie bestaat uit een zelfde type producten, toch is het mogelijk dat er variaties worden geproduceerd. Het kan hier bijvoorbeeld gaan om een andere kleur, of een andere samenstelling. Deze variaties kunnen soms elk verschillende grondstoffen vereisen, met elk een verschillende beschikbaarheid. Het element Sales Department zal daartoe op basis van een Master Bill-of Material elk order een ordertype toekennen volgens de vraagverdeling van de klant. Deze variatie, die in het model Factory ook een belangrijke bron van willekeur zal zijn, is een factor die moeilijk in rekening is te brengen in een wiskundig model. Het is handig en tijdsbesparend een simulator te gebruiken Een tweede factor die moet overtuigen om een simulator te gebruiken, is de variatie van de hoeveelheid orders, én ook de grootte van elk order dat niet steeds hetzelfde is. Het zou tijdrovend werk zijn om een model wiskundig te formuleren en te analyseren, waarin én grootte én aantal wordt in rekening gebracht.

57

Beide factoren worden in het model van de supply chain geïntroduceerd door het element Sales Department, via een order. In volgend diagram ziet men hoe dit gebeurt. Er dient op gewezen te worden dat we met dit model enigszins afwijken van de gangbare methode binnen Enterprise Dynamics om een model op te bouwen. Men gaat normaliter binnen Enterprise Dynamics een keten bouwen van een eenheidselement en een source om deze eenheidselementen te genereren. Om de consistentie met Value Stream Mapping te behouden, hebben we deze twee elementen gecombineerd tot een element ‘Sales Department’.

Figuur 15 – Werkingsschema ‘Sales Department’

Semantisch werkt dit element als volgt. Telkens er een order wordt gegenereerd, wordt een willekeurig ordertype toegekend. Hiertoe wordt de Master Bill-of-Material gebruikt. In deze tabel is er een kolom die de verdeling van de ordertypes definieert. Vervolgens kent men een ordergrootte toe, en wordt het order vrijgegeven in de supply chain. Na een bepaalde tijd wordt nu opnieuw een signaal gegeven dat een order moet worden gegenereerd.

58

Parameters We bespreken hier de voornaamste parameters die we kunnen gebruiken om het element Sales Department in te stellen volgens het beoogde model.

Figuur 16 – Parametervenster ‘Sales Department’

•

Graph Output Om visueel een idee te kunnen vormen van de verschillende types orders die in de keten worden gebracht, kan men ervoor kiezen om een histogram op te maken dat online de frequentie van elk ordertype visualiseert. Deze functie kan men ook instellen door te klikken met de rechter muisknop op het element.

59

Figuur 17 - Voorbeeld grafiek vraagverdeling

•

Bill-of-Material Indien de bijhorende Bill-of-Material in het model werd geplaatst nadat Sales Department erin werd geplaatst, dan kan men hier een verwijzing maken naar de Master Bill-of-Material. Normalerwijze is deze reeds aanwezig, en bij het plaatsen van Sales Department, kan men dan de Billof-Material selecteren in een selectievenster.

•

Order Lead Time Wanneer van toepassing, zal deze parameter kunnen worden ingesteld indien orders significante vertragingen oplopen als gevolg van de orderverwerking in dit punt.

•

Cycletime Door het instellen van deze parameter kan men de frequentie van vrijgave van orders instellen. Omdat we met een systeem met eindige capaciteit, en ook eindige voorraden zitten, en we vooral in de doorlooptijd zijn geïnteresseerd, is dit atoom zo ingesteld dat de simulatie afbreekt wanneer orders elkaar te snel opvolgen. Indien dit niet zou gebeuren, zou de doorlooptijd kunstmatig verhogen zonder dat de gebruiker hier meteen van wordt verwittigd. Aldus zou men verkeerde besluiten kunnen trekken. De waarde die deze parameter krijgt is dus niet meteen belangrijk (in deze versie van de simulator althans), men moet er enkel op letten dat men deze parameter hoog genoeg instelt zodat men geen accumulatie van goederen krijgt. Om toch opstapeling van orders te kunnen simuleren kan men een queue-atoom inschakelen na de Sales Department.

60

•

Time till first order Wanneer bepaalde scripts in de elementen van het model zijn geïmplementeerd om een opwarming van het systeem voor te stellen, kan het nuttig zijn om hier de tijd in te stellen dat de Sales Department moet wachten tot het zijn eerste order vrijgeeft. In de modale modelopstelling zal men deze aan deze parameter geen belang hechten.

•

Number of orders Als we slechts een welbepaald aantal orders willen genereren, bijvoorbeeld om repetitieve simulaties uit te voeren, dan kunnen we een vast aantal orders instellen. Op deze manier is het dan ook eenvoudig om resultaten van verschillende simulaties te analyseren, omdat dan in elke run hetzelfde aantal rijen wordt gebruikt in Excel.

•

Ordersize Met deze parameter kunnen we de ordergrootte definiëren die moet worden toegekend aan elk order. We kunnen statische gegevens invoeren, maar evengoed dynamische. Bij het vastleggen van deze getallen moet men geen rekening houden met de eventueel niet gehele getallen: intern worden de getallen immers afgerond.

Indien we dit element niet wensen te combineren met een Bill-of-Material, dan moet men verder geen aandacht schenken aan de desbetreffende parameter. Alle orders die dan worden gegenereerd, krijgen dan ordertype 1. Sales Department is een element die in het begin van de informatiestroom staat, in het model plaatsen we dit element dus uiterst rechts, net zoals dit het geval was in de reeds besproken voorbeelden van Value Stream Maps. Vanuit dit element vertrekt men dan naar een production control of warehouse die links gelegen zijn.

Kanalen Sales Department heeft geen inputkanalen. Zoals gezegd, worden van hieruit de orders gegenereerd. Op het basisatoom dat wordt gereproduceerd, kan de gebruiker dus geen invloed uitoefenen. Het atoom heeft ten minste een uitvoerkanaal waarlangs men orders

61

kan doorsturen naar volgende atomen zoals warehouse of production control. Indien men om bepaalde redenen orders wil genereren voor verschillende supply chains, maar de vrijgave mag niet onafhankelijk gebeuren, dan kan men het aantal uitvoerkanalen verhogen. Men moet dan met behulp van de parameter ‘Send to’ de uitvoerstrategie vastleggen.

3. Production Control Er werd reeds vermeld dat we binnen deze simulator een productiebedrijf zouden opsplitsen in twee aparte elementen. Enerzijds is dit de pure productie (factory), anderzijds is dit de productieplanning. De productieplanning binnen een bedrijf, heeft twee voorname taken. Vooreerst gaat men met behulp van bepaalde technieken, waaronder infinite capacity planners (MRP, ERP, etc.) en finite capacity planners, binnenkomende orders vrij geven naar de werkvloer. Dit moet gebeuren in een welbepaalde volgorde, en op welbepaalde tijdstippen zodanig dat de druk op de werkvloer stabiel is, en de throughput optimaal. Dit is het ideale geval. In werkelijkheid is de situatie in vele bedrijven echter verre van ideaal. Er bestaat immers een houding binnen vele bedrijven die een sfeer van vijandigheid creëert tussen de productieplanners en de arbeiders. Dit heeft als gevolg dat men op de werkvloer veelal volgordes en prioriteiten negeert. Dit kan leiden tot ernstige problemen die perfect worden geschetst door Goldratt [8]. De tweede taak van de productieplanning is om ervoor te zorgen dat de grondstoffen aanwezig zijn die men nodig heeft om een vrijgegeven order te produceren. Men moet hierbij dus rekening houden met voorraden binnen het bedrijf (zowel grondstoffen, intermediaire producten als afgewerkte producten). Opnieuw kan men met behulp van de planning tegen (on)eindige capaciteit bepalen wanneer men orders zal vrijgeven naar de leveranciers toe.

Toepassingsgebied en werking Omdat we binnen deze thesis van oordeel waren dat we reeds goede resultaten verkregen door voorraden te modelleren met behulp van een service level, zullen we het element Production Control hierop ook moeten voorzien. Door de werking van deze service level zijn geen concrete gegevens beschikbaar over de voorraden. Het zal dus niet mogelijk

62

zijn om rechtstreeks vanuit de productieplanning orders te plaatsen bij de grondstofleverancier indien men, zoals in de meeste gevallen, grondstofvoorraden heeft. Zoals reeds gezegd, werken we ook met warehouses voor de interne grondstofvoorraad. Daarom zal men vanuit Production Control orders vrijgeven naar de voorraadmagazijnen en de werkvloer. Indien er dan een grondstoftekort is, zal het warehouse zelf een bestelling plaatsen bij de respectievelijke leverancier. Door gepaste manipulatie van de verschillende parameters van een warehouse en een production control moet het mogelijk zijn om deze implementatie van grondstofvoorraden niet als een belemmering te zien. Om te weten welke grondstoffen en hoeveel er moeten worden besteld, moet production control beschikken over een Bill-of-Material. Deze Bill-of-Material zal alle informatie bevatten met betrekking tot het huidige ordertype. Binnen deze scriptie zullen we dan ook steeds werken met een combinatie van drie elementen die steeds samen horen: Bill-ofMaterial, Production Control, Factory. Er dient op gewezen dat het ontbreken van één van deze elementen binnen een simulatiemodel zal vermijden dat de simulatie kan worden uitgevoerd. De formele werking van dit blok is eenvoudig uiteen te zetten aan de hand van onderstaand diagram.

Vrijgave order naar Factory

Order (Ordersize – Ordertype)

Na

Na

T rL de r o

o rd e

rLT

Bestelling naar voorraden of suppliers

Bill-of-Material

Figuur 18 – Werkingsshema ‘Production Control’

63

In het element production control komt een order binnen, gespecificeerd met ordertype en ordergrootte. Na een verwerkingstijd geeft het atoom de nodige orders door naar grondstofleveranciers (dit kan ook een interne voorraad zijn die werd gemodelleerd als een warehouse). De verschillende orderaantallen voor de grondstoforders worden gehaald uit de Bill-of-Material, en het aantal producten dat gevraagd werd door een klant. De kracht van deze eenvoud laat zich duidelijk merken wanneer men dit atoom, natuurlijk steeds in de combinatie Bill-of-Material/Production Control/Factory, plaatst binnen het model. Het atoom kan van bijna elk ander atoom orders ontvangen, en kan ook naar bijna elk atoom orders sturen. Het atoom production control heeft dus ook een erg brede toepassing.

Parameters We bespreken hier de voornaamste parameters die we kunnen gebruiken om het element Production Control in te stellen volgens het beoogde model.

Figuur 19 – Parametervenster ‘Production Control’

•

Bill-of-Material Indien de bijhorende Bill-of-Material in het model werd geplaatst nadat Production Control erin werd geplaatst, dan kan men hier een verwijzing maken naar de gepaste Bill-of-Material. Normalerwijze is deze tabel reeds

64

aanwezig, en bij het plaatsen van Production Control, kan men dan de Bill-of-Material selecteren in een selectievenster. •

Order Leadtime Indien de orderverwerking van een productiebedrijf met significant grote verwerkingstijden te karakteriseren is, dan zal men hier deze verwerkingstijd kunnen invoeren. Een andere toepassing waarbij we deze parameter moeten instellen is wanneer orders worden geclusterd. Bij bestellingen van kleine producten in kleine hoeveelheden, zal men veelal orders opsparen bij de orderplanning. Het feit dat we deze clustering niet concreet kunnen invoeren in dit atoom is opnieuw een onrechtstreeks gevolg van het concept van de simulator. Dit zal ervoor zorgen dat men op een meer theoretische manier dit principe van clustering moet toepassen, toch kan dit geen probleem vormen voor het simuleren ervan. Immers, als men de tijd die een order in de orderplanning blijft, geclusterd of niet, bestudeerd heeft, kan men de distributie aannemen als een verdeling van de lead time.

•

Name Rule Wanneer men voor bepaalde analysedoeleinden orders wil volgen binnen de keten, kan het handig zijn om een gepaste benoemingsstrategie toe te passen op de uitgaande orders.

Kanalen Production control heeft een aantal ingangskanalen dat gelijk is aan het aantal producttypes dat wordt gehaald uit de Bill-of-Material. Voor de werking van het atoom speelt het geen rol welk kanaal men gebruikt, men moet ook niet alle kanalen gebruiken. Dit moet men verbinden met een ander atoom dat in staat is orders aan te voeren. Het heeft ten minste twee uitvoerkanalen, waarvan er een moet worden verbonden met een element factory, een ander met de grondstoftoevoer van deze factory. Het aantal uitvoerkanalen wordt ook automatisch bepaald uitgaande van de Bill-of-Material.

65

4. Factory Binnen elke supply chain wordt waarde toegevoegd aan een grondstof. Telkens dit gebeurt, brengt men het product in een fase die dichter komt bij het eindproduct. Wanneer we redeneren met de principes van Value Stream Management, dan kunnen we stellen dat deze handelingen te catalogeren zijn als value-adding. Toch moeten we er ons bewust van zijn dat de overgrote meerderheid van de doorlooptijd kan worden bestempeld als non-value adding, als waste. Binnen de value stream probeert men ernaar te streven om een reeks van processen aan elkaar te schakelen die zoveel als mogelijk waardetoevoegend zijn. Centraal in dit verhaal staat natuurlijk het fabricageproces. Hoewel we in een productie-eenheid de meest expliciete vorm van deze waardetoevoeging kunnen zien, toch moeten we er de aandacht op vestigen dat we binnen een fabriek evengoed expliciete vormen zien van waste. Het spreekt dan ook voor zich dat men eerst binnen de fabriek een optimalisatieproces moet instellen zoals werd besproken in een vorige hoofdstuk, voor men een grondige optimalisatie doorvoert van de supply chain

Toepassingsgebied en werking Als laatste binnen de centrale combinatie waarvan we reeds eerder spraken, bespreken we het element ‘factory’. Wanneer we binnen de supply chain een productie-eenheid modelleren, dan zullen we dit steeds ontbinden in drie tot vier eenheden. De basis zal steeds gevormd worden door een Bill-of-Material, een Production Control, en een Factory. Daarbij kan men nog een aantal bijkomende elementen implementeren zoals warehouses. Zoals eerder uitgelegd, is het niet mogelijk om een voorraad binnen een factory te simuleren wanneer we werken met een black-box principe. Om gepaste en correcte voorraadsimulaties te verkrijgen is het nodig om een factory in detail te gaan uitwerken. Om dit te vermijden, is er beslist om te werken met externe voorraden, althans in de simulator. Zoals reeds wordt gesteld bij de bespreking van het ‘warehouse’, zal men de interne voorraad van een factory modelleren door dit element. Het spreekt voor zich dat dit een grove benadering is van de werkelijkheid. Toch kan men mits juiste instelling van de parameters die van toepassing zijn, vrij representatieve informatie simuleren.

66

Wanneer men een warehouse aan de inkomende zijde van een factory plaatst, dan zal dit een model zijn voor voorraad van grondstoffen, of semi-fabrikaten zo men wil. Een warehouse aan de uittredende kant van dit element zal dan een voorraad van afgewerkte producten voorstellen. Op het eerste zicht kan men de idee opwerpen om ook work-inproces voorraden te implementeren. Hoewel onderhands werk eigenlijk meer een interne variabele is van het element factory, en dus niet echt meer van toepassing op dit element als black-box, is de mogelijkheid opengelaten om belangrijke tussenvoorraden toch te modelleren. Daartoe is het noodzakelijk om het element te ontbinden in twee delen. Een eerste element factory bevindt zich dan voor en een ander na de tussenvoorraad die zal worden gemodelleerd als een warehouse. Het spreekt voor zich dat men de nodige parameters van deze opslagplaats (onder andere de service-level) zal moeten kennen. Om een idee te krijgen van de werking van dit atoom, zonder daarom op al te technisch niveau te belanden, wordt hieronder een principeschema getoond. Daarbij werden de mogelijke voorraden, voorgesteld als warehouses, buiten beschouwing gelaten, daarvoor verwijzen we naar de desbetreffende beschrijving.

Figuur 20 – Werkingsschema ‘Factory’

67

Wanneer een order op de werkvloer wordt vrijgegeven door de planningsafdeling (in de hoedanigheid van het element production control), dan zal het element factory een aantal kanalen openzetten langs waar grondstoffen kunnen opgenomen worden. Het openmaken van deze kanalen wordt gestuurd door de gepaste Bill-of-Material op basis van het binnengelopen ordertype. De tijd dat deze kanalen worden opengesteld, of beter, het aantal producten1 dat via deze kanalen wordt ontvangen, is ook bepaald door de Bill-ofMaterial. Vervolgens worden de ontvangen raw materials geassembleerd tot een eindproduct. De tijd die voor deze assemblage nodig is, zal bepaald worden door een als parameter ingebrachte lead time. Indien een eventuele omschakeltijd van toepassing kan zijn, zal deze ook hier een rol spelen. Na een tijd nodig om het afgewerkte order te transporteren naar de klant, of een voorraadplaats, zal het order worden vrijgegeven.

Parameters We bespreken hier de voornaamste parameters die we kunnen gebruiken om het element Factory in te stellen volgens het beoogde model.

Figuur 21 – Parametervenster ‘Factory’

1

Als basisatoom, is dit het enige element dat nu reeds zou kunnen functioneren in een simulator met gescheiden order- en productstroom, omwille van haar implementatie.

68

•

Bill-of-Material In normale omstandigheden zal men deze parameter niet moeten aanpassen. Standaard wordt ervoor gekozen om dezelfde Bill-of-Material te gebruiken als het bijpassende production control. Indien het noodzakelijk mocht zijn om toch deze Bill-of-Material aan te passen, moet men hier een 4D-script invoegen dat een verwijzing maakt naar de gepaste Bill-of-Material.

•

Product LT Deze, samen met de volgende parameter, zijn geen door het model gebruikte parameters, men kan ze enkel gebruiken om het veld LeadTime te berekenen. Omdat deze parameter eigenlijk een low-level supply chain parameter is, in tegenstelling tot de totale lead time, hebben we ervoor gekozen om de gebruiker de kans te geven om in bepaalde gevallen een expliciete orderafhankelijkheid te formuleren. Dit zal verder uitgewerkt worden bij de bespreking van de parameter LeadTime. De product lead time, althans in de definitie die van toepassing is op dit model, is de tijd dat een product nodig heeft om doorheen de hele productieketen binnen een fabriek te lopen. Het onmiskenbare voordeel van deze parameter is dat hij in grote mate onafhankelijk is van de ordergroottes, hetgeen hem dus uitermate geschikt maakt om de doorlooptijd van een volledig order te begroten.

•

Product EPE Hoewel op Extended Value Stream Mapping niveau, EPE wordt gebruikt om een frequentie aan te duiden waarmee afgewerkte transportbatches worden geproduceerd, zullen we hier opnieuw een low-level parameter invoeren om te kunnen inspelen op de ordergrootte. Product EPE, ‘every part every …’, is een parameter die beschrijft hoeveel tijd er zit tussen het afwerken van twee producten. Product lead time verschilt hier meestal van. Immers, wanneer men bijvoorbeeld om de 2 seconden de productie start van een nieuwe eenheid, en de doorlooptijd is 1 minuut, dan zal er ook elke 2 seconden een product afgewerkt worden. In dit voorbeeld is de product lead time 1 minuut, terwijl de

69

producten in een tempo van 2 seconden kunnen worden afgeleverd, de product EPE is dan 2 seconden. Deze redenering gaat natuurlijk enkel op indien er geen aanzienlijke voorraden worden aangelegd natuurlijk. Het zijn net deze voorraden die het in vele gevallen moeilijk zullen maken om de parameters Product LT en Product EPE te gebruiken. Toch kan men stellen dat bij een geringe accumulatie van producten, maar vooral bij een stabiele accumulatie, deze parameters een goede benadering kunnen vormen van de werking van een fabriek. •

LeadTime De doorlooptijd van een order kan men hier instellen. De keuze hiervoor is volledig open. Toch zijn er reeds een aantal voorgedefiniëerde mogelijkheden. Met de eerste mogelijkheid wordt de gebruiker geconfronteerd bij het opbouwen van het model. Bij het plaatsen van een atoom factory, wordt automatisch een tabel factory parameters aangemaakt.

Figuur 22 – Voorbeeld tabel ‘Factory Parameters’

In deze tabel kan men voor elk mogelijk product een minimum en maximum doorlooptijd definiëren. Op basis van deze tijden worden dan met behulp van een driehoeksdistributie de doorlooptijden gegenereerd. Het is vanzelfsprekend dat niet elk product doorheen een bepaalde fabriek zal lopen, dus het is ook niet noodzakelijk de hele tabel in de vullen. Om gebruik te maken van deze lead time generatie, moet men dus in de keuzelijst de desbetreffende optie selecteren. Wanneer men toch een relatie wil inbouwen tussen de doorlooptijd van een order en de

70

ordergrootte, dan kan men ervoor kiezen om nog steeds deze tabel te hanteren. Mits aangepaste waarden in deze tabel te plaatsen, kan men een eventuele totale lead time bekomen door een aantal doorlooptijden te genereren op basis van de tabel, en deze dan te sommeren. Het is duidelijk dat men dus een aantal somtermen zal hebben dat gelijk is aan de ordergrootte. Toch moeten we hier de aandacht vestigen op het feit dat deze werkwijze niet geheel conform de definities is. Enkel wanneer een volledige fabriek telkens aan één product werkt, gaat deze redenering op. Mits aangepaste waarden van de tijden in de tabel kan men evenwel de toepassing van de redenering uitbreiden. Een ander aantal mogelijkheden die de gebruiker wordt gegeven is om de totale lead time doorheen de fabriek te begroten door calculatie op basis van Product LT en/of Product EPE.

Figuur 23 – Voorbeeld samenstelling totale order lead time doorheen fabriek

In bovenstaande voorbeeld genereert men de order lead time doorheen de fabriek op basis van Product LT en Product EPE. De order lead time wordt gevormd door gebruik van CPM technieken. Een belangrijke opmerking moet hierbij worden gemaakt. Men zien immers dat deze samenstelling niet opgaat wanneer de fabriek werkt op een andere manier

71

dan make-2-order1. Immers, pas bij het ontvangen van een order start men met de productie, eerst moet men dus een Product LT volledig doorlopen. De implicatie hiervan is dat de totale lead time pas start bij de start van de productie. Bij een make-2-stock implementatie (en indien men niet kan leveren uit voorraad natuurlijk), produceert de fabriek ruwweg aan een tempo van product EPE. En dan kan men beter het gebruik van product LT achterwege laten, en de totale lead time genereren op basis van product EPE die zal uitgedrukt worden door een exponentiële verdeling. Tenslotte willen we nogmaals benadrukken dat deze aangereikte methodes slechts in bepaalde gevallen op een verantwoorde manier kunnen worden toegepast. In het algemene geval zal men dus zelf een distributie van de lead time vooropstellen, en zal men geen afhankelijkheid meer kunnen inbouwen van de ordergrootte. •

Changeover Time Deze parameter is opnieuw een low-level karakteristiek van de supply chain. In vele supply chains zal deze niet van toepassing zijn, dus voorzichtigheid met deze parameter is noodzakelijk. In de algemene definitie van lead time, zit deze karakteristiek reeds ingebakken. Omdat men op het niveau van de Extended Value Stream geen instrumenten in handen heeft om de doorlooptijd te laten beïnvloeden door de afwisseling van orders, hebben we deze parameter ingevoerd om dit toch toe te laten. De bedoeling ervan is niet om de echte omschakeltijden te simuleren, daarvoor moet men een factory in detail uitwerken, maar eerder om een aanpassingsfactor te zijn op de totale lead time. Omdat omschakeltijden niet meteen afhankelijk zijn van bewerkingstijden op zich, werd ervoor gekozen om een aditionele factor te definiëren eerder dan een multiplicatieve factor. Men kan aldus een distributie toekennen aan deze parameter. Indien men deze changeover time niet wil gebruiken volstaat het om deze parameter in te stellen op nul.

1

Zie hoofdstuk Supply chain Management pg 5

72

•

Transporttime Dit is vanzelfsprekend de tijd nodig om het order naar de volgende schakel in de logistieke keten te brengen.

Van alle elementen die werden ontwikkeld in het kader van deze scriptie, is het duidelijk dat dit element, samen met het element Warehouse, de meest bepalende factoren zullen zijn in verband met de consistentie die het te bouwen model zal hebben met de realiteit. Door gebruik van vele, eerder intuïtieve methoden, zijn we tot deze twee elementen gekomen. Omdat we gebonden waren aan het black-box principe was deze intuïtieve methode het enige mogelijke pad dat we konden bewandelen om toch een zekere relevantie van de simulator te verkrijgen. Het spreekt voor zich dat bij het wegvallen van de black-box beperking, deze twee elementen de grootste aandacht zullen moeten krijgen bij het aanpassen van deze Supply Chain Simulator.

Kanalen Het aantal ingangskanalen van een Factory wordt normalerwijze automatisch bepaald uitgaande van de Bill-of-Material; via het eerste kanaal moeten de werkorders worden ingegeven, langs de andere kanalen worden de verschillende grondstoffen of semifabrikaten. Omdat een factory meerdere producttypes kan genereren, zijn er ook een gelijk aantal productuitgangen voorzien. Wanneer elk van deze uitgangen is verbonden, dan zullen langs elke uitgang de respectievelijke producttypes worden afgegeven, in het andere geval zal enkel het eerste kanaal gebruikt worden.

5. Warehouse In supply chains vinden we tal van tussentijdse opslagplaatsen weer. Heel vaak zijn die tussentijdse opslagplaatsen geleidt door bedrijven die enkel een logistieke functie uitoefenen. De voorraden zijn dus extern opgeslagen. Denken we hierbij bijvoorbeeld aan het grote aantal groothandels die tussen producenten en kleinhandelaars goederen verhandelen. Op zich geven opslagplaatsen geen toegevoegde waarde aan producten. Toch zijn ze erg handig om voorraden te decentraliseren, zodat goederen sneller bij hun doel raken.

73

Anderzijds zijn er ook opslagplaatsen van onbewerkte goederen binnen bedrijven, die werken volgens een manier gelijkaardig aan externe opslagplaatsen. Om deze reden, maar vooral ook om consistentie te bewaren met de notaties van Value Stream Mapping op supply chain niveau, zijn deze twee opslagvormen ondergebracht in één bouwsteen.

Toepassingsgebied en werking In fabrieken met een doorgedreven voorraadbeheer, worden goederen besteld volgens een welbepaalde voorraadpolitiek. Veelal zal men op basis van economische motieven, of eigenschappen van de vraagfunctie, een bepaalde bestelhoeveelheid vooropstellen. Op basis van de gemiddelde vraag tussen het plaatsen van een bestelling en het ontvangen ervan, wordt dan bestelpunt afgeleid. Als laatste wordt dan een veiligheid ingebouwd die een buffer vormt tegen de invloed van de variantie op de vraag. Dezelfde strategieën kan men nu ook gebruiken in een groothandel. Minder statistisch gestuurde ondernemingen hebben eigenlijk geen of weinig voeling met voorraadtechnieken. Voorraden worden daarbij op peil gehouden op basis van ervaring en gevoel. Het hoeft geen betoog dat dit in vele gevallen erg nadelig kan zijn: erg hoge voorraden, lage voorraadrotatie, en daarbovenop buitensporig veel stockbreuken. Beide ‘managementtechnieken’ kan men toch modelleren met een gemeenschappelijke set meetinstrumenten. Deze set zal zich enerzijds richten op de kosten van de voorraadpolitiek zoals gemiddelde voorraadhoogtes en de daarmee verbonden kosten, maar anderzijds kan men ook kijken naar de beschikbaarheid van voorraden. Het zijn deze laatste die voor het grootste stuk de levertijd van goederen zullen bepalen. De belangrijkste maat hiervoor is de service level en fill rate. De service level drukt eigenlijk de kans uit dat er bij een bestelling geen stockbreuk optreedt. De fill rate definiëren we als de verhouding van het aantal eenheden dat direct uit stock leverbaar is tot het totale aantal gevraagde eenheden. Omdat in de meeste gevallen de grootte van het stocktekort relatief gezien niet veel invloed heeft op de herbevoorradingstijd, maken we in de simulator enkel gebruik van de reeds gedefinieerde service level.

74

De werking van het element Warehouse is aan de hand van volgend diagram te verklaren. Na het ontvangen van een order van Production Control, wordt op basis van de service level bepaald of aan een order al dan niet kan worden voldaan uit voorraad. Indien dit het geval is, brengt men na een eventuele handling time de goederen naar de klant. Indien er defecten zijn gevonden, worden deze vervangen door nieuwe producten. Indien de goederen echter niet in voorraad zijn, dan zal het Warehouse een order sturen stroomopwaarts in de supply chain. Dit kan een Raw Material Supplier zijn, maar evengoed ook een nieuwe combinatie van een Production Control en een Factory. Na het ontvangen van de bestelling, zal men de goederen aanbieden aan de klant na een controle op defecten.

e+ im dT ea L Na

e ttim or sp n a Tr

Figuur 24 – Werkingsschema ‘Warehouse’

De sterkte van deze simulator zit erin dat de elementen op vele posities kunnen worden ingezet, en dat deze met verschillende atomen kunnen communiceren. In het bijzonder is het Warehouse-atoom erg interessant om te fungeren als klantenorder ontkoppelingspunt. Immers, wanneer men zulk atoom inschakelt, worden de vorige atomen niet belast indien de goederen uit voorraad kunnen worden geleverd. Productie van gedifferentieerde producten kan men aldus uitstellen tot op het moment dat de voorraad in het KOOP onvoldoende is.

75

Anderzijds kunnen we dit Warehouse-atoom ook inschakelen om te werken als voorraad van grondstoffen. Het element kunnen we dus schakelen tussen een Raw Material Supplier en een productie-eenheid. Op deze manier werkt het Warehouse als een interne voorraad van de productie-eenheid. We kunnen ook het Warehouse gebruiken als een grondhandel van half afgewerkte producten. Dit Warehouse bestelt dan zijn benodigde goederen bij de productieplanning stroomopwaarts in de keten. Het nadeel van deze veelzijdigheid is dat we hebben moeten afstappen van de idee om de simulator te laten werken met twee eenheidsatomen, namelijk een order, en een product. Hierdoor is het onmogelijk het model van het Warehouse te laten werken volgens een bepaalde voorraadpolitiek waarvan eerder sprake was. Hoewel het simuleren van voorraadbeheer binnen opslagplaatsen niet meteen een deel van de opdracht was, verdient het toch de aanbeveling om dit in latere scripties te implementeren.

Parameters We bespreken hier de voornaamste parameters die we kunnen gebruiken om het element Warehouse in te stellen volgens het beoogde model.

Figuur 25 – Parametervenster ‘Warehouse’

76

•

Service_Level Zoals eerder gedefinieerd, bepaalt deze parameter de kans dat aan een bepaald order kan worden voldaan door gebruik van goederen op voorraad. Men moet hierbij het aantal orders per honderd opgeven die kunnen worden voldaan. Wanneer men een onbelangrijke en goedkope voorraad heeft, dan kan men er eventueel voor kiezen om een service level van 100% in te geven. Om de overzichtelijkheid te bewaren, wordt het aangeraden om in dit geval het Warehouse te vervangen door een Raw Material Supplier.

•

Leadtime Met deze parameter kan men een eventuele verwerkingstijd in rekening brengen. Veelal is deze tijd niet zo zeer afhankelijk van het orderaantal. Toch kan men indien nodig deze parameter toch orderafhankelijk maken door een geschikte expressie in te stellen die gebruik maakt van het label OrderSize.

•

Defects De gebruiker dient de defecten in te geven in termen van ‘parts per million’. Er moet namelijk opgegeven worden hoeveel defecten er gemiddeld gevonden worden per miljoen gestockeerde producten. Vervolgens zal met een binomiale distributie een willekeurig aantal defecten worden gegenereerd per order.

•

Transporttime Dit is vanzelfsprekend de tijd nodig om het order naar de volgende schakel in de logistieke keten te brengen.

Wanneer we een interne voorraad modelleren aan de hand van dit atoom, dan zullen we veelal de transporttime op nul stellen omdat grondstoffen normaliter op relatief korte afstand liggen in vergelijking met externe voorraadplaatsen. De lead time zal ook niet erg groot zijn, omdat men intern niet echt veel tijd moet spenderen aan het inpakken van goederen, en de handling time wordt ook tot een minimum herleidt. Externe Warehouses slaan algemeen vele soorten goederen op, zodat orderpicking bij deze meer tijd zal

77

vergen. Naast deze tijd, zal men ook de nodige aandacht moeten geven aan de verpakking van de zendingen opdat men beschadigingen tijdens het transport zoveel als mogelijk kan beperken. Op deze manier zal de lead time binnen externe opslagplaatsen significant verschillen van de lead time binnen interne opslagplaatsen.

kanalen Warehouses hebben steeds twee kanalen. Langs het eerste kanaal worden orders ontvangen. Men kan dit kanaal bijvoorbeeld verbinden met het uitgangskanaal van een production control, of met een bestelkanaal van een ander warehouse wanneer er sprake is van een cross-docking station, of een centraal distributiecentrum. Het tweede kanaal ontvangt goederen. Wanneer er een tekort aan voorraad is, wordt een bestelling geplaatst bij een leverancier. Van het atoom dat model staat voor deze leverancier stromen de goederen dus via kanaal twee binnen in het warehouse. Het aantal uitgangen is eveneens twee. Het eerste kanaal zal dienen om de goederen door te voeren naar het atoom dat om deze goederen vroeg. Het tweede kanaal, het bestelkanaal waar eerder sprake van was, dient om bestelling te versturen naar een leverancier wanneer een order niet kan worden voldaan uit stock. Meestal zullen orders worden verstuurd naar het atoom dat ook de producten levert, maar niets houdt ons tegen om bijvoorbeeld orders te sturen naar een leverancier die vijf echelons hoger in de supply chain zit. Op deze manier kunnen we een rudimentaire vorm instellen van een pullstructuur binnen de logistieke keten.

6. Raw Material Supplier Wanneer een logistieke keten wordt bestudeerd, zal men veelal een overzicht willen vormen van een aantal bedrijven die door opeenvolgende waardetoevoegingen een product tot bij de consument brengen. De consument kan hierbij verschillende vormen aannemen. Hetzelfde geldt voor het begin van de keten. Dit proces zal de grondstoffen leveren. We hanteren hier dan ook een zeer ruime interpretatie van grondstoffen. Zo zullen ijzererts en steenkool grondstoffen vormen voor de staalindustrie, terwijl conservenblik en groenten grondstoffen vormen voor een voedingsindustrie. We gaan nu verder in op deze startschakel.

78

Toepassingsgebied en werking Grondstoffen, in gelijk welke interpretatie, worden meestal met behulp van ruwe technieken besteld. De voornaamste reden hiervoor is dat een grondstof ‘onbewerkt’ is, en dus in principe goedkoop in vergelijking met het eindproduct. Het is dan ook onaanvaardbaar wanneer grondstoftekorten opduiken. Het concept waarmee we het element ‘Raw Material Supplier’ modelleren, zal dus eigenlijk constant goederen aanleveren wanneer de supply chain deze nodig heeft. We kunnen dit concept dan ook makkelijk gebruiken voor grondstofvoorraden of voor leveranciers die in erg grote hoeveelheden leveren. Toch zijn er specifieke gevallen waarbij er geen grote voorraden worden besteld. Dit kan te wijten zijn aan hoge prijs van de grondstoffen, denken we bijvoorbeeld aan schaarse producten zoals diamant, zuiver silicium, goud, etc. Een andere mogelijkheid is dat de opslagplaats erg duur is, zodat men in zekere zin verplicht is om rekening te houden met voorraadhoogtes. Omwille van dit laatste is het concept aangepast om te kunnen werken met levertijden, transporttijden en dergelijke. De werking van de bouwsteen is aan de hand van volgend diagram te verklaren. De input van dit systeem is een order. Dit order is gekenmerkt door een ordergrootte. Bij het binnenkomen van dit order, worden de gevraagde producten geproduceerd, en de tijd die hiervoor nodig is, wordt gekenmerkt door een lead time die door de gebruiker in te stellen is. Vervolgens worden de afgewerkte producten gecontroleerd op defecten. De orders die voldoen aan de kwaliteitsnormen worden dan verscheept naar de verbruiker. De tijd hiervoor nodig, kan opnieuw worden ingegeven door de gebruiker. Orders die niet voldoen, zullen herwerkt worden. De defecte eenheden worden vervangen door goede producten. De duur van deze vervanging zal opnieuw afhankelijk zijn van de ingevoerde lead time. Hierna worden de herwerkte orders verzonden naar de verbruiker. Aangekomen bij deze verbruiker, worden orders nogmaals gecontroleerd op defecten. Orders die bij aankomst defecten vertonen, worden herwerkt en opnieuw verzonden.

79

Figuur 26 – Werkingsschema ‘Raw Material Supplier’

Het is duidelijk dat het concept van de Raw Material Supplier op deze manier overweg zal kunnen met de vooropgestelde situaties. Wanneer we immers te maken hebben met grote voorraden, waar stockbreuk bijna niet voorvalt, dan stellen we de meeste van de conceptparameters op nul. We zijn immers niet geïnteresseerd in de productietijd noch de levertijd. In het andere geval, bij schaarse grondstoffen, waarvan lage voorraden aanwezig zijn binnen de supply chain, kunnen we evenwel dit concept nog steeds gebruiken.

Parameters We bespreken hier de voornaamste parameters die we kunnen gebruiken om het element Raw Material Supplier in te stellen volgens het beoogde model.

80

Figuur 27 – Parametervenster ‘Raw Material Supplier’

•

ProductLT De gebruiker geeft hier de tijd op die de supplier nodig heeft om een eenheid te produceren. Deze lead time is hierbij dus niet te verwarren met de totale lead time voor het order bij deze supplier. Dit kan aanleiding geven met enige inconsistentie met de theorie die hieraan vooraf ging. We zijn van de gangbare termen afgeweken, omdat deze ons geen plaats gaven om ordergroottes in rekening te brengen. Deze opmerking wordt ook gemaakt in de bespreking van de parameter EPE. Toch willen we erop wijzen dat zowel de parameter LT, als de parameter EPE enkel worden gebruikt om de parameter LeadTime te berekenen, zodat deze nieuwe definitie geen obstakel kan vormen.

•

ProductEPE Algemeen gebruikt men de term EPE om de frequentie aan te geven waarmee transporteenheden worden geproduceerd. Zulke eenheid zal in vele gevallen zelf duiden op grote hoeveelheden, bijvoorbeeld een vrachtwagenlading. Om een goede afhankelijkheid van de doorlooptijd ten opzichte van de orderhoeveelheid te kunnen bekomen, is hiervan

81

afgeweken. De gebruiker moet hierbij opgeven wat de tijd is tussen het produceren van een eenheid, zoals die is gespecificeerd door een order. In een productie-eenheid met een lopende band zal dit dus overeenstemmen met de tijd tussen het afwerken van twee opeenvolgende eenheden. •

LeadTime Deze parameter staat eigenlijk voor hetzelfde als de eerder besproken ProductLT, alleen is een eenheid hier nu een afgewerkt order. De gebruiker kan hier opnieuw een waarde invullen, maar nu kan ook gekozen worden om een schatting te maken van de lead time op basis van de ingegeven waarden voor Product EPE en ProductLT.

•

Defects De gebruiker dient de defecten in te geven in termen van ppm. Er moet namelijk opgegeven worden hoeveel defecten er gemiddeld gevonden worden per miljoen afgewerkte producten. Vervolgens zal met een binomiale distributie een willekeurig aantal defecten worden gegenereerd per order.

•

Transporttime Dit is vanzelfsprekend de tijd nodig om het order naar de volgende schakel in de logistieke keten te brengen.

•

Transportdefects Niettegenstaande transport algemeen bekeken veel meer defecten veroorzaakt in vergelijking met defecten door kwaliteitstekorten in de productie, zal de gebruiker toch opnieuw het aantal defecten per miljoen moeten ingeven.

Wanneer we enkel geïnteresseerd zijn in de doorlooptijd van de beschouwde supply chain, en niet in de tijd die de grondstoffen hebben nodig gehad om tot bij onze Raw material supplier te komen, dan zullen we elk van deze parameters op nul initialiseren. Dit met uitzondering van de eventueel in rekening te brengen transporttijd.

82

Kanalen Het atoom dat een raw material supplier modelleert, is voorzien van een input en een output. De werking ervan is evident: door het invoerkanaal moeten orders binnenkomen, door het uitvoerkanaal komen de bestelde producten. Men kan deze kanalen dus verbinden met bijvoorbeeld warehouses, factories en dergelijke.

7. Distribution Centre Zoals eerder gesteld in de literatuurstudie, kan men op elke groep elementen van de logistieke keten focussen, daarbij de andere groepen buiten beschouwing gelaten. Steeds gemeenschappelijk voor elke beschouwde groep is het feit dat men veralgemening moet maken van het begin- en eindpunt. Het beginpunt, ‘Raw Material Supplier’, zal dus de elementen vóór de groep modelleren als een geheel. Dit model kan men bijvoorbeeld instellen met behulp van opgemeten of gesimuleerde distributies die kenmerkend zijn voor de grondstoftoevoer. Als tegenpool van de ‘Raw Material Supplier’ is het ‘Distribution Centre’ een model voor het eindstation binnen de beschouwde groep. De functie ervan is vrij beperkt, omdat de weg die de afgewerkte producten afleggen na dit punt eigenlijk niet meer tot de scope behoort van het model.

Toepassingsgebied en werking Het laatste atoom dat deel uitmaakt van het actieve model heeft een lage graad van complexiteit. Meer nog, binnen het concept van Extended Value Stream Mapping heeft het een zuiver grafische functie, als eindpunt van de beschouwde Value Stream. Dit element kan dus als model dienen voor tal van supply chain elementen., maar telkens moet dit element de ‘eindklant’ zijn van de supply chain in kwestie. Hoewel in deze fase van de Supply Chain Simulator het relatieve belang van het Distribution Centre vrij klein is, toch mag men in verdere ontwikkelingen dit element niet uit het oog verliezen. In een latere fase kan men ervoor kiezen om een doorgedreven link te creëren tussen dit element en het Sales Department. Men kan dan het Distribution Centre definiëren als een eindstation waar klanten hun producten off-the-shelf kunnen nemen. Op basis van een bepaalde voorraadpolitiek kan men dan productorders initiëren

83

in het systeem. Ook hier wordt het dus duidelijk dat een overstap op een gescheiden order- en productstroom noodzakelijk zal zijn in de toekomst, wil men bepaalde voorraadsystemen modelleren.

Parameters We bespreken hier de voornaamste parameters die we kunnen gebruiken om het element Distribution Centre in te stellen volgens het beoogde model.

Figuur 28 - Parametervenster 'Distribution Centre'

•

Write LT to Excel Wanneer men de gesimuleerde totale doorlooptijden wil wegschrijven naar Excel, dan kan men dit hier aangeven. Bij andere elementen geven we hiertoe ook de mogelijkheid, maar dit is van minder belang. Immers, de lead time voor elk element hebben we reeds zelf ingegeven, en dus is deze reeds gekend zodat analyse ervan eerder irrelevant zou zijn.

•

Order Lead Time Indien dit voor bepaalde toepassingen van belang zou kunnen zijn, krijgt de gebruiker hier ook de kans om een laatste parameter van invloed te definiëren. Deze parameter kan bijvoorbeeld een levertijd naar de klant modelleren wanneer producten tot bij de klant worden gebracht.

84

Een kleine toevoeging die werd gedaan aan dit element, is te achterhalen door een rechtermuisklik te doen op het atoom. Indien er een goede verbinding met Excel is gemaakt, dan zal Enterprise Dynamics een aantal Best Fit distributies voorstellen voor de verdeling van de doorlooptijd van een bepaald producttype (afhankelijk van hetgeen wordt voorgesteld in ‘LT Graph’), telkens met een corresponderende Best-of-Fit index. We raden aan deze optie enkel te gebruiken als grafisch hulpmiddel, als richtingaanwijzer, omdat er met de interne ED-functie die deze Best-of-Fit berekent, nogal wat problemen zijn opgedoken. Voor het bepalen van betrouwbare best-of-fit distributies, verwijzen we daarom naar gespecialiseerde literatuur.

Kanalen Het atoom Distribution Centre heeft een onbeperkt aantal inkomende kanalen. Elk element wordt op een identieke manier behandeld, ongeacht het kanaal langswaar dit element binnentrad in het Distribution Centre. Het atoom heeft slechts 1 uitgangskanaal, waarmee het met een element ‘LT graph’ kan worden verbonden.

8. LT Graph Binnen deze scriptie werd het simuleren van de totale order doorlooptijd als doel gesteld. Dit is de tijd die verloopt tussen het moment waarop de klant het order plaatst en het moment waarop de klant de bestelde goederen ontvangt, in de juiste hoeveelheden, met de correcte kwaliteiten. Om de gebruiker een grafisch inzicht te geven van de gesimuleerde data, werden binnen deze simulator twee elementen geïmplementeerd. Een eerste atoom, ‘LT Graph’ zorgt voor een eerste indruk van de data. Hierbij worden de voornaamste karakteristieken van de doorlooptijden online berekend en weergeven. Een tweede element wordt verder besproken.

Toepassingsgebied en werking ‘LT Graph’ krijgt de data doorgegeven van het laatste werkingsatoom, namelijk het ‘Distribution Centre’. Om tot de doorlooptijden te komen, werd ervoor gekozen om elk order een tijdslabel mee te geven bij de start, eerder dan te vertrouwen op het ingebouwde leeftijdscommando. Dit is noodzakelijk gezien de brede toepassing van de simulator

85

waarbij de orders eventueel kunnen overgezet worden op andere atomen. Leeftijden worden hierbij niet doorgegeven, labels wel. In onderstaande figuur wordt een voorbeeld gegeven van de karakteristieken die worden opgemeten.

Figuur 29 - Voorbeeld 'LT Graph'

Bij het binnenlopen van de data worden vooreerst de algemene karakteristieken van de doorlooptijd berekend. De eerste vier algemene karakteristieken zijn de gemiddelde doorlooptijd, de standaardafwijking, het minimum en de maximum doorlooptijd. Via een recursieve formulering is het mogelijk om deze karakteristieken online te berekenen. Naast deze algemene statistische analyse, wordt er ook een histogram online bijgehouden, zoals men kan zien op het bovenstaande voorbeeld. Daarbij wordt ook een cumulatieve getekend die op een grafische manier inzicht geeft over het aantal orders dat binnen een bepaalde tijd is afgeleverd bij de klant. Op basis van deze cumulatieve verdeling, en het histogram zelf, kunnen we dan de laatste twee karakteristieken online opmeten. Het betreft de modus, en de mediaan. Deze twee karakteristieken geven ons dan een idee over de scheefheid van de verdeling. We willen benadrukken dat deze laatste 2 waarden slechts benaderend zijn, en dat deze sterk afhankelijk zijn van de gekozen klassebreedtewaarden. Indien men te veel klassen neemt, bekomt men vrij sterke fluctuaties van de frequentie gezien het beperkt aantal waarnemingen dat in bepaalde klassen zal voorkomen. Anderzijds, indien men te weinig klassen zou nemen, dan gaat de typische vorm van de verdeling grotendeels verloren.

86

Daarom is het noodzakelijk dat we op gepaste manier het aantal klassen vastleggen. In de literatuur zijn er verschillende empirische formules te vinden die ons een richtlijn geven voor het vastleggen van het aantal klassen. Een veelgebruikte formule stelt een klassebreedte voorop die gelijk is aan het quotiënt van het verschil tussen de maxima en de vierkantswortel van het aantal waarnemingen. In bovenstaande voorbeeld, lieten we 1000 orders genereren, en bekwamen we een minimum van om en bij de 120, en een maximum dat begrensd werd door 1000. Wanneer we de empirische formule hierop toepassen, komen we aan een klassebreedte van 26, hetgeen ons tussen 100 en 1000 een dertigtal klassen oplevert. Tenslotte merken we op dat de karakteristieken die worden opgemeten, behoren tot de steekproef, en niet tot de populatie van alle mogelijke doorlooptijden van het beschouwde systeem. De bekomen waarden zijn dus schattingen van de populatiekarakteristieken (afgezien van eventuele correctiefactoren).

Parameters Het element ‘LT Graph’ heeft een beperkt aantal parameters die we hierna zullen bespreken.

Figuur 30 - Parametervenster 'LT Graph'

•

Draw cumulative Door het aanvinken van dit selectievakje wordt bij het opmaken van het histogram ook een cumulatieve verdeling opgemaakt.

87

•

Level of Delivered orders Wanneer men te maken heeft met multimodale doorlooptijdverdelingen, kan men niet echt veel belang hechten aan standaardkarakteristieken zoals gemiddelde, standaardafwijking, en dergelijke. De standaardafwijking zal in dit geval immers erg groot zijn, zodat men geen gefundeerde uitspraken kan doen over de distributie. Daarom heeft de gebruiker de kans om de distributie te beoordelen op basis van een karakteristiek die in grote mate onafhankelijk is van het al dan niet multimodale karakter van de distributie. De gebruiker kan in dit vak een percentage van het aantal orders ingeven dat binnen een bepaalde tijd doorheen de supply chain, of een deel daarvan is gelopen. Het dient gezegd te worden dat multimodale distributies erg complexe analyses vergen die buiten het kader van deze scriptie vallen. In dit domein van statistische analyse moet men een brug slaan naar de modale analyses die hun toepassing vinden in de studie van de trillingsmechanica. Hierbij zal men in grote mate gebruik maken van Fourieranalyses om de verschillende modi te bepalen met inbegrip van de karakteristieken van deze modi.

•

Number of Classes Zoals in het vorige deel werd besproken, is het aantal klassen van belang om een correct beeld te kunnen vormen van de distributie. Men moet dus de nodige aandacht hebben voor deze belangrijke parameter.

•

Lower en Upper Boundary Het minimum en het maximum van het observatievenster van het histogram kan men met behulp van deze parameters instellen. Aangeraden wordt om deze waarden op voldoende afstand te leggen van de maxima van de gemeten order lead times.

Als laatste mogelijkheid van dit atoom, en niet onbelangrijk, is de gebruiker de mogelijkheid gegeven om online te schakelen tussen de verschillende histogrammen die elk een bepaald ordertype beschouwen, zoals te zien is in het voorbeeld. In principe zou

88

men dit ook kunnen bereiken door het instellen van een aantal histogrammen dat even groot is als het aantal producttypes. Om het geheel toch compact te maken, zijn alle histogrammen bereikbaar vanuit het element ‘LT Graph’. Daartoe klikt men met de rechtermuisknop op dit element, en kiest men het gewenste producttype.

Kanalen Het element ‘LT Graph’ heeft slechts 1 kanaal dat moet worden verbonden met het element ‘Distribution Centre’. Zonder deze verbinding zal dit atoom niet functioneren. De informatie in verband met de orders, meer precies het aantal verschillende producttypes, zal automatisch worden opgehaald. Indien dit niet zou lukken, dan wordt de gebruiker gevraagd om een Bill-of-Material in te stellen.

9. Excel Link Wegens de relatief beperkte analysemogelijkheden van Enterprise Dynamics, is de gebruiker de mogelijkheid gegeven om de gesimuleerde data over te brengen naar een werkblad in Microsoft Excel. Deze tweede mogelijkheid om data te analyseren is vele keren krachtiger, daarbovenop kan de analyse gebeuren op het meer vertrouwde platform dat Microsoft Excel is.

Werking Het element ‘Excel Link’ is een licht aangepaste versie van de standaard link die ingebouwd is in het Enterprise Dynamics simulatiepakket. De reden hiervoor is tweeërlei. De eerste reden is van praktische aard: er is getracht om een aantal functies in Excel te laten besturen vanuit Enterprise Dynamics. De tweede reden voor de aangepaste Excel link vind zijn oorsprong in het feit dat er een groot aantal problemen zijn met de communicatie tussen Enterprise Dynamics en Excel. Om onverklaarbare redenen, en op totaal willekeurige momenten lijkt het communicatiekanaal te worden verbroken. De zesde versie van Enterprise Dynamics heeft dus nog wel wat updates nodig. Mede door deze bug zijn we ook afgestapt van het idee om alle parameters voor het model te laten inlezen vanuit Microsoft Excel. De aangepaste versie van het element Excel link maakt

89

geen einde aan deze communicatiefout, maar er wordt wel een snelle manier aangeboden om het communicatiekanaal te herstellen. In een eerste versie van deze Supply Chain Simulator werden binnen Excel twee analysemethoden aangereikt. Om een goed inzicht te verkrijgen in de verdeling van de order doorlooptijd, kan men als eerste mogelijkheid ervoor kiezen om alle gesimuleerde data te visualiseren op een histogram. Daarbij worden nu, anders dan binnen Enterprise Dynamics, alle producttypes apart geanalyseerd. Naast een grafische analyse, wordt er ook voor elk producttype een cumulatieve tabel opgesteld, samen met de voornaamste karakteristieken van de steekproef. Daarbovenop wordt ook nog eens voor elke simulatierun een dergelijke analyse uitgevoerd. Per producttype wordt een apart werkblad aangemaakt binnen Microsoft Excel, zodat men op een overzichtelijke manier de verschillende simulatieruns kan vergelijken.

Figuur 31 - Voorbeeld Histogram

Wanneer men een histogram bekijkt, kan men reeds een beeld vormen van de vorm van de distributiefunctie. Toch is het nodig om ook gefundeerde oordelen te kunnen vormen van de verdelingsfunctie. Om dit te kunnen doen, maakt men gebruik van hypothesetesten. De meeste van deze testen werden opgesteld voor normale verdelingen. Daarbovenop volgen de doorlooptijden van een groot aantal supply chains een normale verdeling. Dit is zeker het geval wanneer men de supply chain onder controle heeft. 90

Om deze redenen is het aangewezen om een test uit te voeren op het normale karakter van de gesimuleerde doorlooptijden. Soms wordt gebruik gemaakt van de normaliteitstesten van Pearson die grotendeels gebaseerd zijn op de distributies van de scheefheid en de kurtosis (vlakheid), die respectievelijk 0 en 3 zijn in het geval van een normale verdeling. Naast deze test kan men ook gebruik maken van de meer algemene χ²-test en de Kolmogorov-Smirnov test. Omwille van de grotere precisie kozen we ervoor om de gecombineerde normaliteitstest van d’Agostino-Pearson [9], te implementeren binnen Microsoft Excel.

Figuur 32 - Voorbeeld Normaliteitstesten d'Agostino

De derde mogelijkheid die ons meer inzicht moet doen krijgen in de simulatiedata is een variantie-analyse. In deze Supply Chain Simulator kan een unifactoriële-Anova worden toegepast op de totale dataset, en op de aparte datasets van de eerste twee simulatieruns.

91

Men kan deze simulatieruns dus interpreteren als onafhankelijke steekproeven. Om een betrouwbare, of beter, een relevante uitspraak te kunnen op basis van de Anova-tabellen, moet men evenwel beschikken over een normaal verdeelde dataset. Toch kan men in grote mate hiervan afwijken, omdat de centrale limietstelling ervoor zal zorgen dat bij een hoger aantal gesimuleerde orders, de afwijkingen op het geschatte gemiddelde kleiner worden. Een toepassing van deze analyse kan erin bestaan dat men nagaat of een verandering in de supply chain configuratie significante verschillen oplevert voor de orderdoorlooptijd, meer bepaald, of er significante verschillen zijn tussen de gemiddelde orderdoorlooptijd.

Figuur 33 - Voorbeeld Anova

We moeten er ons wel bewust van zijn dat gemiddelde waarde, en de variantie daarop enkel relevant zijn indien we te maken hebben met distributies met slechts één piek. Wanneer de doorlooptijd van een supply chain een multimodaal karakter heeft, dan is het duidelijk dat variantie en gemiddelde weinig representatief zullen zijn voor de verdeling van de lead time. Men moet hierbij dan overschakelen op andere analysetechnieken waarvoor we verwijzen naar gespecialiseerde literatuur. Wanneer we in het volgende hoofdstuk een case zullen uitwerken van een supply chain, zullen we het belang van de besproken analysemethoden, samen met de conclusies die men uit deze analyses kan halen, verder verduidelijken.

92

Parameters Net

als

het

element

‘LT-graph’,

heeft

‘Excel

Link’

erg

beperkte

instellingsmogelijkheden. We bespreken ze kort.

Figuur 34 - Parametervenster 'Excel Link'

•

Path + Filename In dit vak voert men de plaats in van het bestand ‘VSM.xls’.

•

Sheetname Standaard wordt de gesimuleerde data weggeschreven naar het werkblad ‘Raw Data’ in het bestand ‘VSM.xls’. Aangeraden is om dit niet aan te passen wanneer men wil behouden dat macro’s in Excel correct blijven functioneren.

Wanneer men dit parametervenster bevestigt, wordt Microsoft Excel opgestart, en zal het bestand ‘VSM.xls’ worden geopend. De gebruiker wordt hier voor de eerste maal geconfronteerd met een fout die eigen is aan Enterprise Dynamics. Er wordt een melding gegeven dat het gespecifieerde werkblad niet bestaat. Om dit euvel op te lossen, kan men het beste hierna het parametervenster dat nog steeds staat geopend, afbreken. Hierna kan men met de rechtermuisknop op het element ‘Excel link’ drukken. Hierdoor verschijnt een pop-up venster waarin men de optie ‘Re-init DDE’ moet kiezen. Hierdoor wordt de link met Excel succesvol gemaakt. Telkens men problemen zou ondervinden met Excel, selecteert men best deze optie.

93

F. Eindbeschouwing van de bouwstenen In de ontwikkelde simulator werden een aantal standaardatomen vooropgesteld. Het is duidelijk dat dit beperkt aantal atomen niet voldoende is om meer complexe optimaliseringstechnieken zoals kanban-systemen in te voeren in een model. Het is de verdienste van deze bouwstenen dat in het ontwerp ervan rekening werd gehouden met modulariteit naar toekomstige, nieuw te ontwikkelen elementen. De voorgaande bespreking van de ontwikkelde simulator elementen is bedoeld als een gebruikshandleiding. Omdat het te omslachtig is om de opbouw en de instelling van het model tot in detail te bespreken, zal in een volgende hoofdstuk een case worden uitgewerkt. Het doel van deze case is evenwel niet louter de toepassing van de ontwikkelde simulator te bekijken, maar ook om als instructief voorbeeld te dienen bij het opstellen van andere modellen. Op deze manier zal deze case, samen met de bespreking van de elementen die zonet werd gegeven, voldoende zijn om het gebruik van de supply chain simulator duidelijk te maken.

94

VI. Case ‘Belgian Metal Factory – Electro Belgium’

In wat volgt zullen we een voorbeeld uitwerken dat is gebaseerd op twee bestaande cases. We zullen namelijk een supply chain model op stellen van twee bedrijven Belgian Metal Factory (BMF) [10] en Electro Belgium (EB) [11] welke een leverancier-klant relatie hebben.

A. Belgian Metal Factory 1. Inleiding BMF is een bedrijf dat metalen omhuizingen maakt in plaatstaal met een dikte variërend van 0.8 tot 3.0 mm. Na een combinatie van verschillende stukken, worden de kits toegeleverd aan assemblagelijnen van verschillende producenten van industriële uitrusting. Het productieproces is rechtlijnig. Nadat het te produceren onderdeel is getekend, wordt een staalplaat op maat gesneden. Hierna ponst, of snijdt men er de nodige gaten uit, en plooit men de platen tot de definitieve vorm. Tenslotte worden verschillende componenten aan elkaar gelast, worden de verstevigingen aangebracht, en brengt men eventueel een verflaag aan. Op dit moment zijn de producten klaar voor transport.

2. Modellering Om nu het bedrijf nu in onze supply chain simulator te kunnen opnemen, is het nodig dat we de algemene werking van het bedrijf samenvatten naar een aantal werkingsparameters die we kunnen vertalen naar de specifieke bouwstenen van onze simulator. Omdat het de bedoeling van de simulator was om een zekere consistentie op te bouwen met de techniek van Value Stream Mapping, is het evident dat we ons voor een groot deel zullen baseren op de Value Stream Map van Belgian Metal Factory.

95

Figuur 35 – Current State Value Stream Map BMF (Bron: R. Van Landeghem, 2003, [10])

Om de zes weken krijgt de afdeling die de orders verwerkt, voorspellingen van de klant over de toekomstige vraag. Op deze basis zal BMF de productie van generieke intermediaire producten leiden. Om deze productie in stand te houden, zullen er nieuwe orders worden gegenereerd om grondstoffen te bestellen bij toeleveranciers. Men heeft twee grondstofvoorraden. Enerzijds koopt men staalplaten met standaardafmetingen om hier zelf stukken uit te snijden. Anderzijds, wanneer men meer dan 100 kg nodig heeft van bepaalde plaatafmetingen, dan bestelt men deze platen rechtstreeks bij de leverancier. Nadat het eventuele snijden is voltooid, kan men overgaan tot het ponsen en plooien. De cyclus van deze drie plaatbewerkingen wordt gekarakteriseerd daar een lead time van 1 tot 10 dagen. Na deze cyclus zijn de generieke stukken klaar. In een volgende stap worden de generieke producten door een lasprocedure geassembleerd tot generieke subassemblies. Wanneer de klant nu zes dagen voor hij ze nodig heeft, een definitief order plaatst, een call-off order, dan pas start de productie van de specifieke producten. Het is duidelijk dat dit punt het klantenorder ontkoppelingspunt zich hier bevindt. Het is dan ook evident dat men hier een tussenvoorraad plaatst. In een volgende fase van de productie worden de generieke assemblies gedifferentieerd tot de producten voldoen aan de orderspecificaties. Uiteindelijk worden de orders klaargemaakt voor transport, en kan men het order leveren aan de assemblagelijn van de klant. Deze tweede fase wordt gekarakteriseerd door een theoretisch minimale order lead

96

time van 2 en een maximale lead time van 8 dagen. Dit is natuurlijk de gewone optelsom van de aparte maxima. Omdat de verschillende productie-eenheden elkaar beïnvloeden is deze optelsom in de praktijk niet geldig. Door analyse van de order lead times heeft men kunnen vaststellen dat de order lead time van deze differentiatiefase algemeen gelegen is tussen 3 en 6 dagen. Om de assemblagelijn van de klant niet in gevaar te brengen, mag men deze 6 dagen niet overtreffen. De gegevens die we uit deze Value Stream Map, zullen we nu proberen omzetten naar gegevens die bruikbaar zijn in de Extended Value Stream Map, want daarop is de supply chain immers gebaseerd. De zonet besproken order lead time tussen 3 en 6 dagen, zal een cruciale rol spelen in de werking van BMF als model binnen de simulator. Het zal deze tijd zijn waarmee de klant van BMF zal moeten rekening houden, tenminste indien er geen stocktekort is in het KOOP. Indien dit wel het geval is, dan zal men geconfronteerd worden met een veel hogere order lead time, omdat dan nog producten moeten komen uit de eerste fase van het productieproces. Daarom kiezen we ervoor om BMF op te splitsen in verschillende ‘factory’ modellen: de fase voor het ontkoppelingspunt, en de fase erna. Tussenin zullen we dan een ‘warehouse’ zetten als model voor de voorraad in het ontkoppelingspunt. Dit alles zal worden geleid door een ‘production control’ element. In onderstaande figuur kan men een eerste configuratie zien.

Figuur 36 – Supply chain simulator – eerste configuratie BMF

97

Nadat we de configuratie hebben vastgesteld, is het noodzakelijk om de nodige parameters vast te leggen. Vooreerst beginnen we met de instelling van het element ‘Billof-Material’, omdat deze de configuratie van ons model zal bepalen. Een typische samenstelling van een product is gegeven in onderstaande figuur.

Delivery Kit

Assembly A (painted)

Assembly B

Part A1

Part A2

Sheet Metal (punched bended)

Welding studs

Assembly C

Hinge

Standard Sheet

Figuur 37 – Bill-of-Material BMF

Wanneer we deze exploded view van de Bill-of-Material bekijken, kunnen we meteen opmerken dat onze vorige configuratie er niet echt compatibel mee is. Hoewel Assembly B en C niet moeten worden geverfd, zullen we er toch voor kiezen om de samenstelling van de kit te laten gebeuren bij het binnenkomen van het tweede factory, en dus gaan deze componenten B en C in principe ook een verfproces. Indien we er toch voor zouden opteren om de stromen van componenten B en C te scheiden van de stroom van component A, dan zou deze opsplitsing van ‘BMF (fase 2) ons laten afglijden naar het Value Stream Mapping. Dit is natuurlijk in tegenstrijd met onze doel: het modelleren van de supply chain op basis van algemene elementen, en dit gebeurd natuurlijk door Extended Value Stream Mapping. We deden reeds een toegeving hieraan door BMF op te splitsen. Men merkt hier reeds op dat het black-box principe waarmee we deze simulator probeerden moesten ontwikkelen, eigenlijk te beperkt is om op een coherente en consistente manier een supply chain te simuleren. Rekening houdend met deze opmerkingen, komen we tot de twee Bills-of-Material die horen bij productiefase 1 en 2. Merk op dat we in de Bill-of-Material van fase 2

98

voorlopig slechts één kit, één producttype dus, definiëren, wegens gebrek aan verdere informatie over de productfamilie van Belgian Metal Factory.

Figuur 38 – Bills-of-Material BMF fase 1 en 2

Op basis van de Bills-of-Material, hebben we nu een definitieve opstelling gekozen zoals is te zien op onderstaande gedeeltelijke Extended Value Stream Map.

Figuur 39 – Supply Chain Simulator – Uiteindelijk model BMF

Nu de configuratie voor de EVSM is vastgelegd moeten we enkel nog de parameters instellen. Omdat het binnen deze versie van de supply chain simulator niet mogelijk is om producten en klantenorders te scheiden, moeten we ook geen rekening houden met de data en productie van de voorspellingen. De performantie van de voorspellingen, en de

99

samenwerking zal voor een groot deel duidelijk blijken uit de service levels van de verschillende voorraadpunten. We gaan er dus vanuit dat er een continue productie is naar de voorraadpunten. Door tekortkomingen in de hele productie en toevoer, kan het gebeuren dat er geen voorraad meer aanwezig is, dit laat zich dan merken in een voorraad service level die minder dan 100% is. Het feit dat er op bepaalde momenten geen voorraad meer is, impliceert niet dat men sowieso dan de totale orderdoorlooptijd ziet vermeerderen met de product lead time die voorafgaat aan het voorraadpunt met het tekort. Omdat men uitgaat van de continue productie, zal de totale order lead time worden verhoogd met de een tijd die evenredig is met de frequentie waarmee de producten naar deze voorraad worden toegevoerd. In de bouwsteen ‘factory’ is de mogelijkheid gegeven om deze frequentie in te geven als product EPE. Hoewel deze parameter een low-level karakteristiek is, en dus eigenlijk niet van toepassing op de supply chain, zou deze hier goede resultaten kunnen opleveren indien men meer details over het productieproces van BMF zou hebben. Omwille van de continue productie die onafhankelijk is van het werkelijke klantenorder (make-2-stock) wordt ervoor gekozen om de order lead time van ‘BMF (fase1)’ te modelleren als een exponentiële verdeling omdat deze geen zogenaamd geheugen heeft. Op willekeurige momenten kan het dus zijn dat een nodige producten binnen de dag zijn gemaakt, maar anderzijds kan het zijn dat door lange stilstand of grondstoftekort, de productie nog moet worden gestart. De gemiddelde waarde van de verdeling stellen we in op 2 dagen omdat deze distributie toch een vrij lange staart heeft. Dit impliceert dan ook dat we de parameters van de elementen voor deze fase 1 zo instellen dat ze geen extra invloed uitoefenen op de orderdoorlooptijd. Dit is geheel gerechtvaardigd aangezien de exponentiële verdeling een rechtstreeks gevolg is van tekorten van grondstofvoorraden naast de invloed van omschakelingen, en variaties van de bewerkingstijden. De order lead time van de tweede fase stellen we dan in op een driehoeksverdeling met uiterste waarden 3 en 6 dagen. Dit is de tijd die ook wordt vermeld op de VSM van BMF. In laatste instantie zetten we ook nog de transporttijd van de lading naar de klant in met een exponentiële met gemiddelde 1uur. Deze laatste instelling is voor de volledigheid, eigenlijk zal deze niet echt een grote invloed hebben. Tenslotte moeten we opmerken dat de vertraging van de call-off orders wordt verwaarloosd omdat deze via EDI worden doorgestuurd, hetgeen een uiterst snelle informatieoverdracht inhoudt die een grote immuniteit heeft voor fouten.

100

Om het model reeds nu te kunnen uitvoeren, en om de validiteit ervan na te gaan, stellen we de service-level van de subassembly-voorraden in op ongeveer 75% (ruwe schatting van de bedrijfssituatie). Om een betrouwbaar resultaat te bekomen, simuleren we twee maal een duizendtal producten. Onderstaande grafieken zijn hiervan het resultaat.

300.00

1.20

250.00

1.00

200.00

0.80

150.00

0.60

100.00

0.40

50.00

0.20

0.00

0.00

3. 11 5. 55 7. 9 10 8 .4 12 2 .8 15 5 .2 17 9 .7 20 2 .1 22 6 .5 25 9 .0 27 3 .4 6

Frequentie

Globale histogram run 1

Verzamelbereik

Figuur 40 – Histogram BMF Run 1

Globale histogram run 2 1.20

250.00

1.00 0.80

150.00 0.60 100.00 0.40 50.00

0.20

0.00

0.00

3. 07 4. 77 6. 47 8. 17 9. 8 11 7 .5 13 8 .2 14 8 .9 16 8 .6 18 8 .3 20 8 .0 8

Frequentie

200.00

Verzamelbereik

Figuur 41 – Histogram BMF Run 2

101

Zoals in de casestudie van BMF is vermeld, ziet men dat ook hier1 iets meer dan 30% van de orders 1 of meer dagen te laat komt. In een JIT-systeem is dit zonder de minste twijfel op lange termijn fataal voor een bedrijf. Door verandering van service levels kunnen we BMF via simulatie algemeen optimaliseren. Algemeen is hier het juiste woord, want nadat we door simulatie vaststellen wat een aanvaardbare service level is, moeten we nog achterhalen hoe deze service levels in praktijk te laten toenemen. Zonder hierbij na te denken, zou men snel de conclusie kunnen vormen om de voorraden te verhogen, doch in vele gevallen is dit niet de juiste oplossing. De sleutel tot het succes ligt in het optimaliseren van de toevoer naar deze voorraden, dit betekent de betrouwbaarheid van productie, leveringen en de kwaliteit ervan aanzienlijk verhogen, en de doorvoer van de producten te verbeteren. De implicatie op lange termijn van te veel late leveringen werd onder ogen gezien door de general manager van Belgian Metal Factory. Om te kunnen inspelen op de steeds verscherpende eisen van de klant, besliste hij om een externe consultant aan te spreken. In een proces van opeenvolgende verbeteringen dat drie jaar in beslag nam, werden er ingrijpende wijzigingen doorgevoerd op vlak van de materiaal- en informatiestromen, waarvoor we verwijzen naar de case [10]. Door deze reorganisatie zijn een aantal ingrijpende verbeteringen gerealiseerd. Waar in de initiële situatie meer dan 30% van de leveringen laattijdig waren, worden in een JITsysteem zo goed als alle leveringen op tijd toegevoerd aan de assemblagelijn van de klant zodat deze laatste niet meer met tekorten kampt. Ook kon men de efficiëntie van de productie verhogen met 40%, dit door het verhogen van de throughput, en het verlagen van tussentijdse voorraden. Deze verbeteringen zijn zeker de verdiensten van het gebruik van een nieuw MRP-systeem, en het implementeren van pull-sequenties door middel van een kanban-systeem. De verbeteringen die werden doorgevoerd hebben niet meteen een weerslag op de reeds voorgestelde configuratie van BMF als model binnen de supply chain simulator. Omdat het product op zich niet is gewijzigd, blijft hierdoor onze EVSM-configuratie geldig. De verbeteringen zorgen er wel voor dat we nu de service levels van de warehouses kunnen laten stijgen naar een percentage dat naar 100 neigt. Omdat ook de doorvoertijd van de

1

Zie ook bijlage Excel werkblad met de analyse van de simulatie van BMF

102

generieke producten drastisch is gedaald, is het ook verantwoord om de order lead time van de eerste fase van BMF te laten dalen

B. Electro Belgium 1. Inleiding Electro Belgium assembleert mobiele generatoren voornamelijk voor gebruik in de bouwnijverheid. Op basis van een aantal standaardcomponenten en specifieke componenten wordt een vijftal productfamilies geproduceerd. Deze families variëren van kleine, generieke modellen, tot grote modellen volledig op maat van de klant. Elke generatorfamilie bestaat uit een aantal types die van elkaar verschillen door hun uitvoering en eventuele opties. Het assemblageproces van Electro Belgium verloopt in hoofdzaak volgens een make-toorder politiek, er wordt dus ook geen eindvoorraad opgebouwd. De assemblage van de verschillende varianten binnen een familie kunnen zonder probleem door elkaar worden gebouwd, doch om redenen van omschakeltijden, wordt ervoor gekozen om te groeperen naar ordertypes.

2. Modellering Omdat men binnen Electro Belgium pas assembleert wanneer een order binnenloopt, is het een ideaal bedrijf om de order lead time ervan te bestuderen. Anders dan bij BMF, zal men dus minder verschil moeten maken tussen product lead time en order lead time. Men kan dus op een meer rechtstreekse manier de parameters aflezen van de Value Stream Map die hieronder wordt gegeven. Zoals we zijn te werk gegaan bij het modelleren van Belgian Metal Factory als entiteit binnen de supply chain, zullen we ook van Electro Belgium een vertaling maken naar de supply chain uitgaande van de Value Stream Map.

103

Figuur 42 – Current State Value Stream Map BMF (Bron: R. Van Landeghem, 2000, [11])

Voor het goede begrip bespreken we ook hier deze map. Wanneer een klant een order plaatst, moet dit order een hele omweg maken doorheen de informatieverwerking voordat men dit order in productie brengt. In eerste instantie wordt een order verwerkt door de verkoopsafdeling. Van hieruit wordt dit order doorgestuurd naar de orderplanning. Omdat Electro Belgium toch een aanzienlijk aantal assemblageposten heeft die lange omschakeltijden hebben wanneer men overschakelt op andere producttypes, probeert men in deze stap van hert informatieproces een aantal orders te verzamelen tot een groter order zodat men een hele dag kan werken met een minimum aan omschakeltijden. Van daaruit

wordt

het

order

vrijgegeven

naar

de

voorraadmagazijnen

en

de

assemblageafdeling. Wanneer het voorraadmagazijn niet in staat is de gevraagde producten te leveren, dan wordt een bestelling geplaatst bij de desbetreffende leverancier. Het moet duidelijk zijn dat in de politiek van Electro Belgium, de grondstofvoorraden gelegen zijn in het klantenorder ontkoppelingspunt. Immers, bij een integrale productie volgens make-to-order is het ontkoppelingspunt uiterst links opgeschoven. Omdat we geen specifieke Bill-of-Material, baseren we ons op de bovenstaande Value Stream Map om de configuratie van het model vast te leggen. Om toch de kracht te kunnen benadrukken van de supply chain simulator, zullen we een aantal data zelf voorstellen. We zullen uit elke productfamilie een generiek ordertype voorstellen. Elk

104

producttype zal een aantal gelijk aantal componenten hebben, maar de bewerkingstijd ervan zal variëren (omdat ook de grootte van de producttypes significant verschillen). Om de tijden hiervan te bepalen, hebben we ons gebaseerd op de specificatie van het logistiek systeem zoals beschreven in de case. Electro Belgium zat toch relatief ver over deze termijn. Er zal hierbij ook rekening worden gehouden dat men nood heeft aan 5 verschillende behuizingskits die worden geleverd door Belgian Metal Factory. Hierdoor zal ook de Bill-of-Material van ‘BMF(fase 2)’ wijzigen. We hebben ook een demonstratie ingebouwd om de vraag naar verschillende producten in te bouwen. In de Bill-of-Material van EB merken we dan op dat bijvoorbeeld product 1 het meeste wordt gevraagd, dit is het kleinste model. Het grootste model, dat aanzienlijk duurder is, zal dan het minste worden besteld.

Figuur 43 – Bill-of-Material Electro Belgium

Figuur 44 - Bill-of-Material Belgian Metal Factory

Figuur 45 - Supply Chain Simulator - Factory Parameters (driehoeksdistributie)

105

Omdat het klantenorder ontkoppelingspunt volledig links ligt, is het niet nodig om de productieafdeling van Electro Belgium op te splitsen. We zullen dus de volledige assemblage voorstellen door een ‘factory’ atoom. Rond dit element worden dan de noodzakelijke elementen opgebouwd zoals men kan zien op onderstaande figuur.

Figuur 46 - Supply Chain Simulator - Model Electro Belgium

De parameters van dit model stellen we in conformiteit met de Value Stream Map, en de specificaties in de case van Electro Belgium. Dit wil zeggen dat we een orderverwerkingstijd inbrengen van 1 dag, en dat we het assemblageproces laten verlopen. Initieel stellen we de service levels van de voorraad gemeenschappelijke producten en de voorraden van de kits in als respectievelijk 90%, 80%, 70%, 80%, 80% en 70%. We hebben dit zo gekozen omdat we in zekere zin rekening hebben gehouden naar de vraag van de desbetreffende producten. Door gebruik van zelf ingebrachte getallen, is het nu niet meer relevant om in te gaan op de verbeteringen die werden voorgesteld in de case [11].

106

C. Samenvoeging Nadat we de twee aparte EVSM-onderdelen hebben gemodelleerd, is het eenvoudig om deze twee samen te voegen. In bijlage is de volledige Excel-map van de volgende hierna volgende simulatieruns gegeven. De eerste simulatierun is gebaseerd op de eerder vermelde parameters bij het opstellen van de individuele modellen. Hieronder geven we ter illustratie de grafieken die telkens behoren bij de eerste van de twee runs. De eerste grafiek is een globale grafiek van alle producttypes samen, daaronder worden de aparte grafieken afgebeeld.

Globale histogram run 1 1.20

100.00

1.00

80.00

0.80

60.00

0.60

40.00

0.40

20.00

0.20

0.00

0.00

9. 14 11 .6 5 14 .1 7 16 .6 9 19 .2 1 21 .7 3 24 .2 5 26 .7 7 29 .2 8 31 .8 0 34 .3 2

Frequentie

120.00

Verzamelbereik

1.20 1.00 0.80 0.60 0.40 0.20 0.00

80.00 Frequentie

100.00 80.00 60.00 40.00 20.00 0.00

Histogram producttype 2 - run 1 1.20 1.00 0.80 0.60 0.40 0.20 0.00

60.00 40.00 20.00 0.00 11 .1 9 14 .4 0 17 .6 1 20 .8 1 24 .0 2 27 .2 3 30 .4 3

9. 14 10 .4 11 9 .8 5 13 .2 1 14 .5 6 15 .9 2 17 .2 18 8 .6 4 19 .9 9 21 .3 5 M ee r

Frequentie

Histogram producttype 1 - run 1

Verzamelbereik

Verzamelbereik

1.20 1.00 0.80 0.60 0.40 0.20 0.00

50.00 40.00 30.00 20.00 10.00 0.00

Frequentie

Histogram producttype 3 - run 1 60.00 50.00 40.00 30.00 20.00 10.00 0.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

15 .0 9 17 .4 5 19 .8 0 22 .1 6 24 .5 1 26 .8 7 29 .2 2

12 .9 14 3 .2 15 6 .5 16 9 .9 18 2 .2 19 5 .5 20 8 .9 22 1 .2 23 4 .5 24 7 .9 0 M ee r

Verzamelbereik

Verzamelbereik

Histogram producttype 5 - run 1 30.00 25.00 20.00 15.00 10.00 5.00 0.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

19 .1 20 9 .7 22 9 .3 23 9 .9 25 8 .5 27 8 .1 28 8 .7 30 7 .3 31 7 .9 33 7 .5 6 M ee r

Frequentie

Frequentie

Histogram producttype 4 - run 1

Verzamelbereik

Figuur 47 - Supply Simulator - Grafieken initiële parameters

107

Op deze grafieken kunnen we een aantal opmerkingen maken. Vooreerst zien we dat er in de orderdoorlooptijd van elk producttype een niet altijd zo duidelijke 2e modus zit. Als gevolg van de stocktekorten op bepaalde momenten, moeten backorders worden geplaatst, waardoor de order lead times soms sterk kunnen oplopen in vergelijking met de eerste modus. Natuurlijk moeten we hierbij rekening houden met het feit dat we typeafhankelijke doorlooptijden hanteren in de fabrieken. We kunnen dit effect onderdrukken door de service levels van de verschillende voorraadpunten te verhogen. Toch mogen we niet vergeten dat we een trade-off moeten maken tussen de investering die nodig is om deze verhoging te bereiken (door middel van investering in voorraden, of door middel van investeringen invoeren van niet beheerstechnieken), en het veroorzaakte effect op de order doorlooptijd. Daarom is het aangewezen om bij het uitvoeren van simulaties met verschillende parameters, een goede analyse door te voeren van de simulatiedata. We illustreren dit door middel van een verhoging van elke service level met 5%. Hoewel na het doorlopen van de twee verschillende simulatieruns kunnen we een eerste conclusie trekken op basis van anova1. Alhoewel we in het geval van de order lead time niet enkel mogen redeneren met gemiddelden, toch geeft de variantieanalyse ons een idee over de impact van deze 5% wijziging. Algemeen bekeken kunnen we stellen dat de gemiddelde order lead time significant gedaald is ten opzicht van de initiële situatie. Belangrijker is het de conclusie die we kunnen trekken op basis van de cijfers met betrekking tot één bepaald type. Immers, voor elk producttype apart is er geen significant verschil. Dit is natuurlijk deels te wijten aan een wederzijdse versterking van de relatief kleine invloeden op elk type. Het is duidelijk dat we, zeker in het geval van Electro Belgium, niet de globale cijfers moeten beoordelen, maar de cijfers per producttype, dit omdat hoogstwaarschijnlijk elk producttype wordt verkocht in aparte marktniches. Een tweede voorstel dat we kunnen overwegen is algemeen het verhogen van de common parts voorraad. We proberen dit door een verhoging tot 99% te impliceren. Omdat het hier gemeenschappelijke onderdelen zijn die onderhevig kunnen zijn aan risk pooling, zal een verhoging van de voorraad te verantwoorden zijn, zonder dat men daardoor een te groot risico krijgt op een traag roterende voorraad, en verouderde producten. Het effect 1

Zie bijlage Excel-werkbladen

108

dat de verhoging van deze service level heeft is enkel significant voor producttype 1. Door deze ingreep heeft men enerzijds de variantie op de order lead time sterk kunnen terugdrijven, en anderzijds is er toch een lichte daling te merken op het gemiddelde. Indien nu de omzet van het eerste producttype het grootste deel van de omzet vertegenwoordigd, dan is het zeker te verantwoorden om deze configuratiewijziging van de gemeenschappelijke voorraad te laten stijgen. Deze drie simulaties tonen op een educatieve manier het belang van het simuleren van een supply chain. Omdat de kosten gepaard met configuratiewijzigingen van een supply chain enorm hoog kunnen oplopen, is het noodzakelijk dat men op voorhand een zekere voorspelling heeft kunnen maken van het effect, bovendien moet deze voorspelling een vrij hoge betrouwbaarheid hebben. Daarom is het van het allergrootste belang dat men bij het modelleren van een supply chain binnen een simulatiepakket, eerst de validiteit nagaat van het model ten opzichte van de realiteit. Pas op het moment dat er een zekere coherentie bestaat tussen de resultaten van de simulator en de werkelijkheid, dan mag men de simulator vrijgeven voor gebruik. Deze case was een manier om de supply chain simulator uit te testen. Hoewel ik niet in de mogelijkheid was om mijn supply chain simulator te valideren, wegens een gebrek aan de gegevens van de case die voor deze supply chain simulator van toepassing waren, toch ben ik ervan overtuigd dat deze eerste beschouwing reeds inzicht gaf in de manier waarop de orderdoorlooptijd is verdeeld.

109

VII. Conclusie

Binnen deze scriptie hebben we getracht op een gefundeerde wijze een simulator op te bouwen van een supply chain. We hebben ons daarbij vooral gebaseerd op de performance measures die gangbaar zijn binnen de techniek van het Value Stream Mapping. Deze low-level performance measures trachten we dan te gebruiken als inputparameters voor de simulator van de Extended Value Stream Map, of dus de supply chain simulator op basis van Value Stream Mapping. Er werd meermaals binnen deze scriptie gewezen op het feit dat het gebruik van low-level performance measures als parameters eerder dan als karakteristiek niet altijd evident is. Een voorbeeld geeft hier duidelijkheid. Een gebruikte karakteristiek in VSM is de totale lead time van een product doorheen een fabriek. Wanneer men deze fabriek wil opnemen binnen een simulatie van een supply chain, dan gebruikt men deze lead time als input, als parameter van de simulator. Men moet echter hiervoor de verdeling van deze lead time onder bepaalde omstandigheden kennen. De lead time is onder andere afhankelijk van de echte bewerkingstijd, de batchgrootte, de omschakeltijd en tijd dat het product tussentijds wordt opgeslagen, dit zijn de bepaalde omstandigheden waarvan sprake. Om een realistische simulator te bouwen, is men verplicht om orderaantallen en producttypes te implementeren. Het mechanisme dat schuil gaat achter de beïnvloeding van de lead time door het producttype en ordergrootte is nu niet meer te modelleren met een algoritmisch model, zoveel is duidelijk. Omwille van deze moeilijkheid, hebben we binnen deze scriptie de vrijheid genomen om bepaalde begrippen te herdefiniëren om toch een afhankelijkheid van producttype en ordergrootte in te voeren. Op sommige plaatsen hebben we low-level parameters ingevoerd zoals onder andere de cycletime. Op andere plaatsen gebruikten we dan weer high-level parameters zoals de totale lead time. Dit in bepaalde gevallen aanleiding tot verwarring. Het is echter nog belangrijker dat dit leidt ook tot inbreuken op de algemene principes binnen het vakgebied Supply Chain Management en Industrial Management,

110

niettegenstaande er op die manier meer correlatie optreedt tussen de doorlooptijden van de verschillende orders en de orderspecificaties. Het resultaat van de in deze thesis ontwikkelde simulator is eerder duidend dan bruikbaar. Duidend in die zin dat ermee wordt gewezen op de beperkte relevantie van de gegenereerde data, omwille van de beperkte invloed die de orderspecificaties hebben op de doorlooptijd. Aangeraden wordt dat men de idee om de supply chain algemeen te modelleren moet herzien. De scope van deze scriptie beperkte zich tot het modelleren van elk supply chain element als een black box. Zoals net werd uiteengezet en zoals doorheen de hele thesis duidelijk werd, krijgt men hiermee een enorm beperkte relevantie van de simulator. Het verdient dan ook de aanbeveling om in een volgend stadium elk element binnen de supply chain in detail te modelleren op low-level, zodat men parameters zoals bewerkingstijden en omschakeltijden kan invoeren die onafhankelijk zijn van ordergrootte, en eventueel ordertype. Indien elementen zoals factory, warehouse en crossdock station dan zijn gemodelleerd, kan men in een laatste fase alles combineren om pas dan te kunnen overgaan tot een echt gefundeerde en realistische supply chain simulator. Men zou hiertegen kunnen inbrengen dat de complexiteit en nood aan bijkomende informatie groter wordt, maar dit kan hoegenaamd niet opwegen tegen de betrouwbaarheid van de simulator. Met deze simulator hebben we de totale orderdoorlooptijd gesimuleerd. Deze high-level performance measure is te gebruiken om de kracht van de supply chain te meten naar de klanteneisen toe. Deze doorlooptijd is in hoofdzaak afhankelijk van de bewerkingen die gebeuren na het ontkoppelingspunt, en de service levels van de voorraden in dit ontkoppelingspunt. Met Extended Value Stream Mapping wil men naast deze supply chain reaction time, ook een idee krijgen van de totale product lead time. Omdat het niet mogelijk was om deze tijd te simuleren gezien de problemen met Enterprise Dynamics, verdient het dus de aanbeveling om in een volgende versie van de supply chain simulator deze totale product lead time te implementeren als tweede performance measure. Om dit te kunnen doen zal men verplicht worden om de informatie- en materiaalstroom te scheiden binnen de simulator, dit in tegenstelling tot de huidige simulator waarbij de materiaalstroom geïnitieerd wordt door orders.

111

Het moge duidelijk zijn dat er nog heel wat ontwikkeling kan gebeuren op dit onderwerp. Omdat het probleem tal van facetten heeft (voorraadbeheer, localisatieproblemen, productiebeheer,…) kan men zelf overwegen om de ontwikkeling van de supply chain simulator op te splitsen. Met deze scriptie werd een voorstudie gedaan die de richting kan aangeven van de toekomstige supply chain simulator. Het kan dan ook een leidraad zijn om de verdere ontwikkeling te sturen.

112

Geschreven op een kaartje dat ik kreeg van een vriendin als steun tijdens deze scriptie:

“Ik heb niets te bieden dan bloed, inspanning, tranen en zweet” – Winston Churchill

Appendix A: Gebruikte VSM-symbolen

INFORMATION FLOW EVSM: Sales Order Department Dit icoon symboliseert de orderverwerving binnen de supply chain. Het wordt rechts bovenaan op de map gezet als start van de informatiestroom. Production Control Het deel van een bedrijf dat instaat voor de orderverwerking (planning, aankoop, verkoop) wordt telkens in combinatie gezet met een Bill-ofMaterial en een factory.

VSM EVSM Electronic information flow Op elke plaats waar er op electronische wijze informatie wordt doorgetuurd tussen twee elementen, wordt deze gebroken pijl getekend.

VSM EVSM Manual information flow Wanneer er nog op manuele wijze gegevens worden doorgegeven (post, fax, telefoon,…), dan zal men deze pijl gebruiken als symbool voor de informatiestroom. MATERIAL FLOW VSM EVSM Raw Material Supplier Links bovenaan op de map wordt dit element gezet als start van de materiaalstroom. Klant/Distribution Centre Rechts onderaan wordt dit element gezet als symbool voor de aflevering van het product aan de klant. EVSM Factory De productie in een supply chain wordt gesymboliseerd door dit icoon. Het wordt gezet in combinatie met een Production Control en een Billof-Material. Meestal worden hier grondstoffen geassembleerd tot een afgewerkt product of een halfafgewerkt product.

VSM Afgewerkte producten Uiterst links en uiterst rechts vinden we afgewerkte producten (in het standpunt van de keten voor respectievelijk achter de beschouwde supply chain). De materiaalstroom die hieraan is gekoppeld stellen we door deze pijl voor. EVSM Materiaalstroom Door grafische beperkingen binnen Enterprise Dynamics, zijn we verplicht om ook de intermediaire productenstroom te visualiseren door deze pijl. Daardoor gaat natuurlijk ook de visuele nadruk op push en pull-sequenties verloren.

Voor verdere informatie met betrekking tot de VSM iconen, verwijzen we naar de literatuur [3],[5].

Appendix B: Supply Chain Model BMF – EB in Enterprise Dynamics

Appendix C: Simulatie werking Supply Chain Model BMF

Graph - General

VerzamelbereikFrequentieCumulatief % 3.07 1.00 0.00 3.64 38.00 0.04 4.20 126.00 0.17 4.77 194.00 0.36 5.34 186.00 0.55 5.91 118.00 0.66 6.47 64.00 0.73 7.04 58.00 0.79 7.61 42.00 0.83 8.17 23.00 0.85 8.74 32.00 0.88 9.31 29.00 0.91 9.87 14.00 0.93 10.44 9.00 0.93 11.01 16.00 0.95 11.58 8.00 0.96 12.14 13.00 0.97 12.71 7.00 0.98 13.28 4.00 0.98 13.84 2.00 0.98 14.41 1.00 0.99 14.98 1.00 0.99 15.54 2.00 0.99 16.11 4.00 0.99 16.68 1.00 0.99 17.24 0.00 0.99 17.81 3.00 1.00 18.38 1.00 1.00 18.95 1.00 1.00 19.51 0.00 1.00 20.08 1.00 1.00 Meer 1.00 1.00

1.20

250.00

1.00

200.00

0.80

150.00

0.60

100.00

0.40

50.00

0.20

0.00

0.00

3. 11 5. 55 7. 9 10 8 .4 12 2 .8 15 5 .2 17 9 .7 20 2 .1 22 6 .5 25 9 .0 27 3 .4 6

300.00

Verzamelbereik

Globale histogram run 2 1.20

250.00

1.00

200.00

0.80 150.00 0.60 100.00 0.40 50.00

0.20

0.00

0.00

3. 07 4. 77 6. 47 8. 17 9. 8 11 7 .5 13 8 .2 14 8 .9 16 8 .6 18 8 .3 20 8 .0 8

LT (Run 2) Gemiddeld 6.00 Standaardf 0.08 Mediaan 5.18 Modus 4.49 Standaardd 2.44 Steekproef 5.93 Kurtosis 6.27 Scheefheid 2.20 Bereik 17.58 Minimum 3.07 Maximum 20.65 Som 5999.89 Aantal 1000.00 Betrouwba 0.15

Globale histogram run 1

Frequentie

Gemiddeld 6.16 Standaardf 0.08 Mediaan 5.31 Modus 5.14 Standaardd 2.53 Steekproef 6.42 Kurtosis 10.39 Scheefheid 2.50 Bereik 25.16 Minimum 3.11 Maximum 28.27 Som 6156.01 Aantal 1000.00 Betrouwba 0.16

VerzamelbereikFrequentieCumulatief % 3.11 1.00 0.00 3.93 71.00 0.07 4.74 235.00 0.31 5.55 261.00 0.57 6.36 125.00 0.69 7.17 78.00 0.77 7.98 53.00 0.82 8.80 56.00 0.88 9.61 33.00 0.91 10.42 19.00 0.93 11.23 17.00 0.95 12.04 17.00 0.97 12.85 5.00 0.97 13.66 11.00 0.98 14.48 3.00 0.99 15.29 7.00 0.99 16.10 1.00 0.99 16.91 0.00 0.99 17.72 2.00 1.00 18.53 0.00 1.00 19.35 2.00 1.00 20.16 1.00 1.00 20.97 0.00 1.00 21.78 1.00 1.00 22.59 0.00 1.00 23.40 0.00 1.00 24.21 0.00 1.00 25.03 0.00 1.00 25.84 0.00 1.00 26.65 0.00 1.00 27.46 0.00 1.00 Meer 1.00 1.00

Frequentie

LT (Run 1)

Verzamelbereik

1 - 12

Appendix C

D'Agostino-Pearson chi-square test for normality Simulation Run 1 n Average Standard Deviation Coëfficiënt of Variation Standard Error 95% Upper Limit 95% Lower Limit

1000 6.15601 2.533491 0.411547 0.080116 6.313225 5.998795

Skewness Kurtosis Kurtosis Zg1 Zg2 Chi²-variable p sign. level

2.504462 10.39457 10.39457 19.62323 13.77591 574.847 1.5E-125 0.05

Data from simulationrun is not normally distributed (sign. level 0.05)

Simulation Run 2 n Average Standard Deviation Coëfficiënt of Variation Standard Error 95% Upper Limit 95% Lower Limit

1000 5.999888 2.435595 0.40594 0.07702 6.151028 5.848748

Skewness Kurtosis Kurtosis Zg1 Zg2 Chi²-variable p sign. level

2.198924 6.267256 6.267256 18.30576 11.75231 473.2177 1.7E-103 0.05

Data from simulationrun is not normally distributed (sign. level 0.05)

Normality - General

2 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 14.00 4.77 1.00 10.00 8.73 1.00 10.00 6.04 1.00 12.00 4.68 1.00 9.00 4.63 1.00 10.00 5.99 1.00 8.00 4.73 1.00 9.00 4.67 1.00 9.00 3.91 1.00 10.00 3.58 1.00 12.00 3.59 1.00 10.00 5.27 1.00 13.00 6.53 1.00 6.00 7.36 1.00 10.00 7.46 1.00 11.00 12.39 1.00 10.00 4.36 1.00 8.00 8.59 1.00 11.00 9.14 1.00 12.00 3.77 1.00 10.00 8.09 1.00 10.00 4.70 1.00 7.00 4.56 1.00 10.00 4.53 1.00 6.00 4.67 1.00 13.00 6.62 1.00 7.00 5.68 1.00 12.00 3.83 1.00 12.00 3.35 1.00 9.00 12.02 1.00 13.00 4.16 1.00 8.00 5.04 1.00 13.00 5.16 1.00 9.00 4.83 1.00 11.00 5.51 1.00 10.00 10.44 1.00 8.00 5.29 1.00 12.00 5.57 1.00 9.00 5.71 1.00 7.00 5.64 1.00 12.00 6.06 1.00 11.00 4.61 1.00 12.00 6.51 1.00 10.00 4.34 1.00 9.00 3.82 1.00 15.00 4.20 1.00 10.00 14.16 1.00 10.00 4.54 1.00 11.00 6.80 1.00 12.00 7.16 1.00 10.00 4.38 1.00 8.00 7.10 1.00 11.00 5.54 1.00 11.00 5.63 1.00 14.00 10.43 1.00 12.00 4.42 1.00 6.00 4.37 1.00 11.00 4.92 1.00 11.00 5.77 1.00 8.00 4.46 1.00 9.00 5.41 1.00 8.00 8.52 1.00 8.00 4.44 1.00 8.00 8.99 1.00 13.00 7.19 1.00 8.00 5.49 1.00 10.00 5.75 1.00 7.00 5.04 1.00 10.00 3.74 1.00 13.00 4.63 1.00 10.00 5.33 1.00 11.00 4.85 1.00 11.00 7.75 1.00 9.00 3.43 1.00 11.00 10.07 1.00 10.00 5.39 1.00 9.00 4.35 1.00 14.00 7.31 1.00 8.00 6.29 1.00 6.00 4.11 1.00 10.00 5.11 1.00 9.00 4.66 1.00 12.00 5.21 1.00 11.00 5.01 1.00 10.00 4.46 1.00 9.00 10.83 1.00 14.00 5.65 1.00 13.00 8.42 1.00 7.00 3.58 1.00 8.00 7.40 1.00 5.00 6.97 1.00 9.00 4.66 1.00 8.00 5.33 1.00 12.00 6.90 1.00 10.00 7.72 1.00 11.00 4.86 1.00 12.00 6.16 1.00 8.00 4.77 1.00 9.00 4.64 1.00 12.00 11.79 1.00 7.00 3.44 1.00 11.00 6.10 1.00 9.00 4.75 1.00 8.00 4.08 1.00 11.00 5.03 1.00 12.00 4.86 1.00 13.00 4.40 1.00 8.00 3.46 1.00 8.00 4.02 1.00 6.00 4.72 1.00 11.00 3.20 1.00 10.00 5.32 1.00 8.00 3.64 1.00 9.00 8.61 1.00 9.00 6.76 1.00 11.00 3.80 1.00 8.00 6.45 1.00 7.00 4.35 1.00 14.00 3.81 1.00 12.00 4.90 1.00 12.00 4.20 1.00 13.00 6.73 1.00 11.00 5.86 1.00 9.00 3.62 1.00 12.00 5.11 1.00 12.00 4.74 1.00 9.00 6.49 1.00 11.00 4.18 1.00 12.00 4.91 1.00 11.00 3.49 1.00 9.00 5.94 1.00 7.00 5.80 1.00 10.00 4.49 1.00 6.00 4.09 1.00 10.00 8.36 1.00 10.00 12.93 1.00 14.00 3.42 1.00 10.00 6.31 1.00 8.00 3.90 1.00 8.00 7.47 1.00 9.00 3.64 1.00 11.00 5.88 1.00 14.00 5.10 1.00 6.00 4.60 1.00 7.00 7.93 1.00 13.00 9.21 1.00 11.00 6.44 1.00 6.00 4.90 1.00 4.00 4.86 1.00 11.00 5.26 1.00 8.00 6.17 1.00 9.00 4.83 1.00 10.00 4.36 1.00 7.00 6.11 1.00 11.00 5.63 1.00 11.00 6.89 1.00 11.00 3.65 1.00 12.00 5.52 1.00 9.00 4.85 1.00 7.00 6.16 1.00 8.00 6.34 1.00 12.00 4.64 1.00 12.00 5.52 1.00 10.00 8.14 1.00 12.00 7.16 1.00 8.00 5.82 1.00 7.00 4.61 1.00 12.00 4.87 1.00 12.00 5.24 1.00 9.00 3.50 1.00 10.00 8.13 1.00 9.00 5.26 1.00 10.00 6.44 1.00 8.00 17.53 1.00 12.00 5.50 1.00 9.00 6.60 1.00 9.00 5.11 1.00 8.00 8.46 1.00 11.00 4.57 1.00 12.00 5.07 1.00 9.00 4.27 1.00 9.00 4.02 1.00 9.00 3.90 1.00 10.00 4.54 1.00 12.00 4.54 1.00 13.00 4.12 1.00 13.00 4.64 1.00 12.00 3.81 1.00 10.00 4.66 1.00 10.00 4.13 1.00 12.00 5.25 1.00 7.00 4.60 1.00 9.00 7.99 1.00 14.00 7.02 1.00 10.00 5.02 1.00 13.00 5.60 1.00 11.00 4.31 1.00 5.00 4.16 1.00 11.00 5.65 1.00 11.00 4.45 1.00 8.00 8.98 1.00 13.00 4.96 1.00 10.00 4.78 1.00 10.00 5.23 1.00 15.00 4.42 1.00 8.00 6.69 1.00 8.00 7.00 1.00 9.00 10.23 1.00 10.00 8.19 1.00 10.00 5.14

Raw Data

3 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 11.00 6.47 1.00 11.00 5.63 1.00 10.00 6.54 1.00 10.00 7.48 1.00 7.00 4.25 1.00 9.00 4.46 1.00 10.00 7.79 1.00 10.00 7.31 1.00 11.00 11.21 1.00 10.00 5.15 1.00 7.00 7.68 1.00 12.00 13.29 1.00 9.00 5.17 1.00 9.00 5.39 1.00 8.00 6.23 1.00 11.00 4.71 1.00 13.00 5.22 1.00 8.00 3.98 1.00 9.00 5.76 1.00 9.00 4.84 1.00 11.00 9.76 1.00 9.00 4.44 1.00 6.00 4.91 1.00 9.00 4.41 1.00 10.00 4.79 1.00 8.00 7.41 1.00 8.00 7.70 1.00 12.00 6.49 1.00 10.00 5.45 1.00 7.00 4.14 1.00 9.00 7.47 1.00 9.00 4.56 1.00 6.00 5.75 1.00 6.00 5.77 1.00 10.00 8.74 1.00 11.00 10.89 1.00 9.00 4.30 1.00 11.00 5.10 1.00 10.00 6.88 1.00 12.00 5.85 1.00 12.00 5.54 1.00 10.00 8.22 1.00 11.00 5.43 1.00 11.00 5.52 1.00 11.00 7.42 1.00 10.00 8.71 1.00 11.00 3.61 1.00 8.00 6.64 1.00 9.00 4.83 1.00 6.00 4.33 1.00 11.00 4.97 1.00 10.00 7.60 1.00 13.00 7.58 1.00 6.00 9.82 1.00 9.00 3.63 1.00 10.00 4.53 1.00 12.00 4.40 1.00 7.00 4.13 1.00 10.00 4.65 1.00 12.00 5.42 1.00 12.00 7.46 1.00 8.00 3.67 1.00 12.00 4.48 1.00 12.00 6.10 1.00 13.00 3.33 1.00 8.00 8.58 1.00 10.00 5.48 1.00 8.00 5.09 1.00 11.00 7.02 1.00 10.00 5.08 1.00 11.00 5.40 1.00 9.00 5.55 1.00 12.00 5.91 1.00 10.00 5.62 1.00 13.00 4.27 1.00 10.00 5.00 1.00 11.00 6.44 1.00 8.00 4.13 1.00 9.00 3.29 1.00 8.00 8.38 1.00 9.00 8.03 1.00 7.00 5.32 1.00 8.00 5.12 1.00 7.00 3.84 1.00 11.00 5.95 1.00 10.00 3.91 1.00 12.00 4.82 1.00 10.00 8.77 1.00 10.00 5.07 1.00 13.00 4.61 1.00 10.00 3.73 1.00 11.00 5.75 1.00 10.00 3.81 1.00 9.00 4.57 1.00 8.00 4.13 1.00 10.00 3.83 1.00 10.00 3.67 1.00 8.00 6.52 1.00 10.00 5.14 1.00 10.00 9.37 1.00 9.00 5.34 1.00 13.00 4.36 1.00 6.00 5.11 1.00 7.00 6.27 1.00 11.00 4.93 1.00 8.00 5.18 1.00 12.00 8.65 1.00 12.00 4.70 1.00 11.00 7.90 1.00 7.00 4.59 1.00 10.00 4.92 1.00 12.00 3.87 1.00 5.00 8.51 1.00 8.00 6.56 1.00 9.00 6.50 1.00 10.00 4.07 1.00 13.00 5.80 1.00 8.00 3.57 1.00 8.00 10.17 1.00 7.00 5.85 1.00 10.00 5.85 1.00 12.00 5.60 1.00 11.00 5.24 1.00 12.00 5.43 1.00 6.00 4.28 1.00 12.00 9.41 1.00 9.00 7.86 1.00 8.00 12.37 1.00 12.00 7.06 1.00 12.00 5.35 1.00 11.00 19.79 1.00 10.00 7.38 1.00 10.00 6.17 1.00 7.00 3.99 1.00 12.00 7.33 1.00 13.00 5.26 1.00 11.00 9.87 1.00 9.00 5.08 1.00 11.00 4.82 1.00 9.00 4.48 1.00 6.00 4.61 1.00 12.00 5.83 1.00 10.00 4.49 1.00 13.00 4.22 1.00 10.00 8.07 1.00 10.00 5.10 1.00 8.00 11.68 1.00 7.00 10.88 1.00 9.00 4.53 1.00 8.00 4.74 1.00 10.00 8.75 1.00 7.00 4.26 1.00 13.00 13.10 1.00 10.00 11.00 1.00 13.00 6.36 1.00 10.00 4.33 1.00 9.00 4.21 1.00 8.00 3.82 1.00 8.00 5.13 1.00 13.00 6.75 1.00 8.00 4.99 1.00 11.00 4.36 1.00 14.00 5.79 1.00 11.00 6.80 1.00 10.00 5.40 1.00 9.00 8.96 1.00 13.00 9.17 1.00 12.00 8.37 1.00 8.00 4.05 1.00 10.00 4.51 1.00 9.00 4.50 1.00 7.00 3.58 1.00 10.00 6.13 1.00 6.00 5.67 1.00 10.00 5.97 1.00 11.00 4.26 1.00 8.00 4.13 1.00 10.00 3.79 1.00 10.00 5.35 1.00 10.00 5.61 1.00 4.00 4.74 1.00 8.00 9.92 1.00 10.00 4.80 1.00 10.00 5.55 1.00 8.00 8.06 1.00 10.00 4.89 1.00 8.00 3.95 1.00 7.00 4.79 1.00 7.00 7.36 1.00 10.00 5.01 1.00 7.00 4.26 1.00 12.00 5.97 1.00 12.00 5.49 1.00 10.00 4.51 1.00 7.00 11.19 1.00 11.00 4.12 1.00 10.00 7.80 1.00 10.00 5.00 1.00 11.00 9.05 1.00 12.00 3.89 1.00 13.00 3.39 1.00 10.00 11.52 1.00 9.00 5.92 1.00 12.00 17.96 1.00 14.00 5.18 1.00 7.00 6.18 1.00 11.00 4.57 1.00 10.00 4.46 1.00 11.00 4.61 1.00 10.00 6.25

Raw Data

4 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 11.00 5.27 1.00 9.00 5.08 1.00 11.00 7.74 1.00 10.00 5.16 1.00 10.00 11.57 1.00 9.00 7.12 1.00 10.00 4.75 1.00 9.00 7.33 1.00 9.00 4.80 1.00 10.00 3.36 1.00 10.00 12.46 1.00 12.00 5.01 1.00 8.00 4.24 1.00 10.00 5.34 1.00 11.00 4.04 1.00 13.00 5.76 1.00 13.00 4.64 1.00 14.00 4.26 1.00 9.00 4.17 1.00 11.00 6.59 1.00 8.00 4.64 1.00 10.00 16.31 1.00 6.00 6.88 1.00 10.00 4.62 1.00 12.00 5.93 1.00 7.00 3.91 1.00 9.00 5.10 1.00 10.00 4.52 1.00 8.00 4.24 1.00 12.00 4.70 1.00 10.00 5.49 1.00 12.00 9.17 1.00 8.00 3.96 1.00 12.00 4.90 1.00 12.00 8.94 1.00 11.00 4.14 1.00 11.00 7.19 1.00 11.00 4.25 1.00 10.00 4.99 1.00 10.00 8.36 1.00 9.00 6.32 1.00 10.00 4.29 1.00 9.00 4.10 1.00 11.00 5.23 1.00 11.00 5.12 1.00 10.00 4.67 1.00 14.00 9.34 1.00 10.00 4.79 1.00 10.00 7.03 1.00 10.00 6.40 1.00 8.00 4.34 1.00 12.00 4.17 1.00 11.00 5.50 1.00 10.00 6.19 1.00 7.00 4.88 1.00 8.00 5.36 1.00 10.00 4.65 1.00 14.00 5.03 1.00 9.00 4.03 1.00 6.00 7.72 1.00 10.00 5.21 1.00 9.00 12.87 1.00 13.00 8.64 1.00 8.00 4.30 1.00 9.00 5.26 1.00 11.00 8.61 1.00 8.00 11.73 1.00 11.00 5.23 1.00 15.00 5.04 1.00 7.00 6.28 1.00 11.00 6.42 1.00 10.00 6.99 1.00 10.00 7.62 1.00 11.00 5.53 1.00 8.00 10.87 1.00 10.00 3.39 1.00 10.00 4.76 1.00 6.00 4.11 1.00 10.00 5.41 1.00 10.00 4.17 1.00 8.00 4.72 1.00 11.00 5.70 1.00 12.00 4.21 1.00 9.00 4.80 1.00 10.00 4.35 1.00 9.00 5.50 1.00 10.00 9.51 1.00 9.00 4.16 1.00 12.00 5.31 1.00 11.00 5.64 1.00 9.00 11.37 1.00 10.00 7.57 1.00 6.00 5.50 1.00 11.00 4.83 1.00 5.00 4.81 1.00 6.00 5.03 1.00 9.00 21.58 1.00 11.00 5.91 1.00 7.00 8.45 1.00 10.00 4.88 1.00 6.00 6.01 1.00 9.00 4.09 1.00 10.00 4.98 1.00 9.00 4.57 1.00 9.00 4.87 1.00 12.00 10.86 1.00 13.00 4.24 1.00 13.00 8.31 1.00 10.00 5.17 1.00 13.00 8.32 1.00 8.00 11.15 1.00 12.00 4.46 1.00 9.00 5.19 1.00 15.00 4.20 1.00 10.00 4.76 1.00 10.00 4.88 1.00 12.00 5.22 1.00 10.00 5.10 1.00 13.00 13.29 1.00 9.00 6.68 1.00 7.00 4.88 1.00 12.00 7.34 1.00 10.00 10.32 1.00 11.00 5.00 1.00 11.00 4.71 1.00 10.00 10.83 1.00 10.00 5.49 1.00 7.00 6.38 1.00 11.00 17.54 1.00 11.00 9.60 1.00 13.00 4.57 1.00 9.00 11.91 1.00 11.00 3.98 1.00 11.00 20.65 1.00 9.00 9.30 1.00 11.00 5.18 1.00 8.00 4.52 1.00 10.00 4.45 1.00 9.00 3.60 1.00 9.00 3.75 1.00 12.00 5.19 1.00 11.00 5.91 1.00 11.00 4.33 1.00 13.00 5.21 1.00 9.00 9.60 1.00 11.00 3.72 1.00 8.00 9.36 1.00 12.00 4.57 1.00 9.00 4.28 1.00 7.00 5.95 1.00 7.00 6.96 1.00 17.00 5.04 1.00 8.00 6.67 1.00 6.00 4.72 1.00 10.00 11.62 1.00 13.00 3.63 1.00 8.00 3.59 1.00 12.00 5.15 1.00 11.00 5.75 1.00 14.00 10.30 1.00 8.00 5.15 1.00 10.00 7.81 1.00 12.00 6.07 1.00 6.00 7.13 1.00 7.00 4.59 1.00 13.00 4.42 1.00 12.00 3.30 1.00 8.00 6.57 1.00 9.00 4.51 1.00 10.00 3.59 1.00 12.00 4.06 1.00 10.00 4.20 1.00 12.00 3.47 1.00 9.00 4.90 1.00 11.00 4.79 1.00 9.00 4.31 1.00 11.00 8.40 1.00 13.00 4.36 1.00 9.00 5.35 1.00 11.00 4.76 1.00 12.00 8.11 1.00 10.00 6.01 1.00 7.00 7.29 1.00 10.00 5.00 1.00 12.00 6.86 1.00 14.00 5.04 1.00 10.00 6.28 1.00 11.00 7.16 1.00 9.00 4.20 1.00 10.00 4.96 1.00 9.00 6.34 1.00 15.00 3.54 1.00 11.00 9.01 1.00 9.00 6.89 1.00 10.00 9.59 1.00 10.00 4.90 1.00 9.00 4.96 1.00 9.00 6.78 1.00 12.00 5.44 1.00 12.00 11.84 1.00 8.00 7.81 1.00 11.00 4.52 1.00 11.00 12.99 1.00 8.00 4.47 1.00 11.00 3.73 1.00 8.00 4.34 1.00 7.00 6.00 1.00 9.00 4.72 1.00 11.00 10.06 1.00 8.00 6.82

Raw Data

5 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 13.00 3.71 1.00 12.00 5.99 1.00 9.00 3.91 1.00 13.00 4.64 1.00 10.00 9.34 1.00 12.00 3.81 1.00 10.00 6.83 1.00 8.00 4.96 1.00 9.00 4.67 1.00 10.00 3.56 1.00 6.00 4.32 1.00 8.00 5.38 1.00 10.00 4.80 1.00 12.00 4.79 1.00 5.00 14.54 1.00 9.00 7.26 1.00 14.00 8.70 1.00 11.00 4.75 1.00 11.00 8.16 1.00 12.00 4.75 1.00 6.00 5.06 1.00 10.00 5.65 1.00 8.00 4.65 1.00 10.00 5.60 1.00 10.00 9.44 1.00 11.00 5.33 1.00 12.00 5.52 1.00 12.00 6.56 1.00 9.00 7.47 1.00 7.00 4.60 1.00 8.00 5.30 1.00 9.00 3.62 1.00 9.00 5.05 1.00 10.00 5.98 1.00 10.00 3.61 1.00 11.00 4.00 1.00 11.00 11.98 1.00 10.00 3.95 1.00 11.00 5.52 1.00 8.00 12.13 1.00 8.00 3.59 1.00 12.00 7.50 1.00 12.00 11.62 1.00 13.00 7.16 1.00 10.00 4.62 1.00 11.00 4.75 1.00 11.00 4.60 1.00 10.00 7.21 1.00 8.00 6.78 1.00 10.00 4.12 1.00 15.00 4.82 1.00 10.00 5.38 1.00 14.00 5.23 1.00 15.00 4.79 1.00 12.00 4.63 1.00 12.00 10.81 1.00 8.00 4.66 1.00 8.00 4.93 1.00 8.00 4.65 1.00 12.00 5.55 1.00 9.00 5.11 1.00 11.00 4.05 1.00 12.00 4.90 1.00 10.00 12.55 1.00 11.00 5.50 1.00 9.00 4.13 1.00 10.00 5.72 1.00 9.00 15.40 1.00 10.00 13.67 1.00 12.00 4.76 1.00 7.00 4.52 1.00 12.00 10.32 1.00 11.00 4.38 1.00 11.00 3.81 1.00 14.00 5.76 1.00 12.00 6.27 1.00 12.00 4.68 1.00 11.00 7.17 1.00 8.00 5.19 1.00 8.00 5.25 1.00 13.00 5.18 1.00 10.00 5.09 1.00 7.00 5.32 1.00 13.00 5.25 1.00 9.00 5.14 1.00 4.00 6.81 1.00 13.00 5.30 1.00 8.00 11.70 1.00 13.00 5.61 1.00 9.00 6.21 1.00 9.00 4.20 1.00 10.00 4.78 1.00 11.00 9.04 1.00 10.00 6.95 1.00 5.00 4.65 1.00 8.00 8.75 1.00 15.00 4.04 1.00 9.00 10.93 1.00 9.00 4.18 1.00 10.00 4.68 1.00 10.00 4.53 1.00 10.00 5.30 1.00 9.00 6.16 1.00 8.00 4.87 1.00 11.00 5.14 1.00 12.00 11.31 1.00 10.00 5.05 1.00 10.00 11.72 1.00 10.00 10.51 1.00 11.00 5.62 1.00 10.00 4.49 1.00 7.00 14.05 1.00 10.00 4.03 1.00 13.00 10.65 1.00 13.00 5.45 1.00 7.00 4.65 1.00 11.00 6.68 1.00 11.00 4.08 1.00 12.00 4.42 1.00 7.00 4.12 1.00 8.00 10.71 1.00 10.00 5.83 1.00 12.00 4.38 1.00 10.00 5.01 1.00 6.00 4.42 1.00 15.00 5.13 1.00 11.00 8.83 1.00 11.00 7.72 1.00 9.00 4.33 1.00 12.00 13.40 1.00 8.00 15.10 1.00 7.00 4.94 1.00 9.00 6.19 1.00 5.00 3.30 1.00 6.00 4.22 1.00 8.00 5.14 1.00 9.00 4.48 1.00 11.00 4.29 1.00 8.00 10.91 1.00 10.00 4.84 1.00 11.00 4.90 1.00 10.00 5.22 1.00 11.00 4.58 1.00 8.00 4.49 1.00 11.00 5.59 1.00 9.00 4.10 1.00 9.00 6.35 1.00 10.00 5.38 1.00 9.00 6.83 1.00 13.00 4.64 1.00 9.00 14.53 1.00 11.00 8.86 1.00 7.00 4.61 1.00 10.00 4.92 1.00 11.00 4.77 1.00 11.00 5.05 1.00 10.00 3.88 1.00 11.00 11.77 1.00 9.00 4.31 1.00 7.00 12.01 1.00 9.00 5.23 1.00 7.00 4.11 1.00 10.00 4.13 1.00 10.00 4.89 1.00 10.00 6.78 1.00 13.00 10.29 1.00 9.00 6.07 1.00 8.00 4.38 1.00 10.00 5.15 1.00 10.00 4.35 1.00 12.00 4.66 1.00 10.00 5.21 1.00 11.00 4.72 1.00 10.00 5.00 1.00 10.00 4.20 1.00 12.00 5.20 1.00 9.00 8.52 1.00 11.00 4.42 1.00 12.00 8.06 1.00 11.00 6.02 1.00 9.00 6.79 1.00 8.00 7.10 1.00 10.00 5.46 1.00 10.00 5.79 1.00 11.00 4.34 1.00 7.00 7.01 1.00 10.00 6.20 1.00 7.00 4.58 1.00 9.00 4.29 1.00 11.00 7.80 1.00 9.00 11.35 1.00 11.00 4.38 1.00 9.00 12.88 1.00 13.00 4.83 1.00 11.00 4.85 1.00 9.00 5.38 1.00 12.00 11.69 1.00 9.00 4.07 1.00 6.00 5.20 1.00 13.00 8.25 1.00 11.00 4.58 1.00 13.00 5.51 1.00 9.00 5.04 1.00 11.00 6.40 1.00 7.00 4.50 1.00 14.00 8.06 1.00 5.00 11.18 1.00 9.00 4.10 1.00 8.00 5.23 1.00 8.00 4.83

Raw Data

6 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 14.00 5.11 1.00 12.00 8.30 1.00 9.00 5.73 1.00 7.00 9.09 1.00 8.00 3.94 1.00 11.00 5.24 1.00 8.00 4.48 1.00 9.00 5.33 1.00 10.00 5.56 1.00 12.00 9.72 1.00 7.00 9.65 1.00 11.00 4.79 1.00 10.00 5.85 1.00 11.00 6.34 1.00 10.00 3.70 1.00 8.00 5.62 1.00 10.00 8.25 1.00 10.00 4.15 1.00 10.00 5.71 1.00 8.00 5.76 1.00 10.00 5.59 1.00 9.00 7.56 1.00 10.00 4.16 1.00 7.00 4.31 1.00 6.00 8.54 1.00 9.00 9.14 1.00 12.00 4.33 1.00 11.00 19.78 1.00 8.00 6.67 1.00 8.00 5.66 1.00 8.00 4.94 1.00 14.00 5.84 1.00 12.00 13.24 1.00 15.00 7.25 1.00 8.00 4.94 1.00 8.00 5.72 1.00 8.00 4.35 1.00 12.00 6.96 1.00 9.00 3.62 1.00 11.00 4.88 1.00 10.00 7.53 1.00 9.00 4.76 1.00 10.00 6.32 1.00 14.00 6.94 1.00 9.00 5.79 1.00 12.00 4.60 1.00 7.00 9.06 1.00 10.00 6.21 1.00 8.00 3.84 1.00 13.00 6.79 1.00 7.00 4.43 1.00 10.00 5.09 1.00 12.00 6.95 1.00 8.00 11.89 1.00 11.00 10.05 1.00 12.00 4.12 1.00 12.00 6.32 1.00 12.00 4.07 1.00 13.00 6.63 1.00 9.00 3.81 1.00 6.00 8.46 1.00 10.00 7.09 1.00 11.00 5.41 1.00 8.00 7.76 1.00 12.00 6.05 1.00 7.00 12.07 1.00 9.00 9.34 1.00 10.00 5.22 1.00 10.00 10.52 1.00 10.00 6.96 1.00 9.00 4.64 1.00 9.00 5.91 1.00 9.00 8.50 1.00 9.00 4.45 1.00 9.00 4.07 1.00 9.00 4.62 1.00 10.00 4.23 1.00 9.00 5.46 1.00 8.00 12.96 1.00 9.00 4.16 1.00 9.00 5.66 1.00 13.00 9.37 1.00 7.00 5.01 1.00 10.00 4.63 1.00 14.00 6.78 1.00 10.00 6.48 1.00 11.00 3.62 1.00 10.00 5.18 1.00 13.00 4.91 1.00 11.00 6.91 1.00 6.00 6.36 1.00 8.00 5.21 1.00 6.00 8.35 1.00 9.00 5.58 1.00 8.00 10.84 1.00 11.00 7.40 1.00 9.00 6.00 1.00 10.00 4.52 1.00 11.00 4.71 1.00 10.00 3.68 1.00 8.00 6.32 1.00 14.00 7.19 1.00 12.00 4.33 1.00 12.00 5.52 1.00 13.00 5.37 1.00 13.00 5.54 1.00 11.00 5.55 1.00 10.00 5.33 1.00 16.00 3.92 1.00 11.00 5.51 1.00 7.00 5.33 1.00 9.00 4.75 1.00 10.00 4.30 1.00 12.00 5.63 1.00 8.00 5.15 1.00 9.00 3.90 1.00 9.00 6.07 1.00 8.00 9.86 1.00 11.00 4.67 1.00 10.00 4.91 1.00 8.00 4.63 1.00 10.00 3.75 1.00 13.00 4.83 1.00 9.00 4.06 1.00 12.00 9.06 1.00 10.00 6.55 1.00 9.00 11.90 1.00 11.00 5.94 1.00 10.00 5.63 1.00 8.00 4.16 1.00 10.00 4.50 1.00 10.00 7.25 1.00 9.00 4.48 1.00 9.00 4.43 1.00 10.00 4.47 1.00 11.00 4.71 1.00 9.00 3.96 1.00 12.00 9.00 1.00 11.00 3.76 1.00 13.00 4.71 1.00 9.00 6.28 1.00 10.00 4.75 1.00 10.00 4.35 1.00 9.00 4.50 1.00 14.00 4.19 1.00 10.00 4.34 1.00 9.00 12.61 1.00 10.00 6.67 1.00 11.00 4.26 1.00 11.00 4.73 1.00 11.00 4.58 1.00 13.00 4.46 1.00 11.00 4.78 1.00 10.00 6.89 1.00 10.00 4.80 1.00 8.00 6.94 1.00 13.00 3.78 1.00 10.00 5.32 1.00 9.00 4.64 1.00 11.00 5.37 1.00 11.00 8.76 1.00 10.00 9.63 1.00 14.00 4.36 1.00 10.00 6.45 1.00 9.00 12.96 1.00 9.00 7.03 1.00 6.00 6.50 1.00 11.00 4.65 1.00 8.00 4.34 1.00 11.00 3.83 1.00 8.00 8.61 1.00 9.00 4.91 1.00 15.00 3.91 1.00 8.00 5.69 1.00 7.00 19.06 1.00 10.00 6.15 1.00 13.00 3.72 1.00 9.00 6.18 1.00 9.00 4.50 1.00 9.00 5.53 1.00 9.00 9.03 1.00 12.00 5.61 1.00 8.00 4.85 1.00 11.00 3.61 1.00 12.00 6.95 1.00 10.00 4.20 1.00 9.00 9.07 1.00 7.00 15.37 1.00 11.00 5.50 1.00 14.00 5.07 1.00 12.00 4.69 1.00 11.00 4.44 1.00 12.00 5.92 1.00 14.00 6.68 1.00 11.00 6.58 1.00 13.00 6.80 1.00 11.00 5.01 1.00 9.00 3.88 1.00 10.00 5.01 1.00 9.00 3.66 1.00 9.00 3.95 1.00 8.00 5.05 1.00 10.00 4.35 1.00 8.00 4.74 1.00 14.00 13.30 1.00 13.00 5.37 1.00 9.00 11.07 1.00 8.00 4.86 1.00 13.00 8.57 1.00 6.00 6.08

Raw Data

7 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 10.00 6.55 1.00 7.00 10.81 1.00 13.00 4.09 1.00 9.00 4.68 1.00 13.00 4.86 1.00 12.00 5.47 1.00 12.00 4.89 1.00 12.00 5.41 1.00 10.00 4.85 1.00 13.00 11.83 1.00 15.00 6.78 1.00 12.00 4.16 1.00 9.00 5.98 1.00 12.00 5.81 1.00 13.00 4.39 1.00 9.00 4.91 1.00 12.00 4.89 1.00 8.00 6.23 1.00 9.00 7.38 1.00 11.00 4.45 1.00 14.00 8.98 1.00 12.00 7.71 1.00 7.00 5.17 1.00 10.00 4.14 1.00 7.00 5.50 1.00 9.00 4.32 1.00 10.00 14.85 1.00 13.00 4.00 1.00 11.00 7.98 1.00 6.00 8.14 1.00 11.00 4.67 1.00 7.00 8.55 1.00 11.00 3.95 1.00 9.00 4.65 1.00 9.00 4.36 1.00 9.00 4.96 1.00 10.00 4.74 1.00 9.00 13.12 1.00 13.00 6.77 1.00 9.00 6.55 1.00 13.00 10.37 1.00 12.00 5.90 1.00 11.00 5.40 1.00 9.00 5.06 1.00 13.00 5.09 1.00 9.00 3.99 1.00 11.00 8.08 1.00 8.00 3.96 1.00 8.00 4.87 1.00 5.00 5.03 1.00 11.00 4.26 1.00 9.00 4.93 1.00 8.00 8.54 1.00 11.00 4.55 1.00 7.00 6.91 1.00 11.00 3.87 1.00 13.00 3.89 1.00 11.00 5.12 1.00 12.00 10.36 1.00 12.00 3.96 1.00 12.00 7.86 1.00 9.00 6.31 1.00 11.00 5.98 1.00 10.00 4.40 1.00 10.00 7.17 1.00 8.00 6.63 1.00 10.00 10.12 1.00 9.00 7.70 1.00 8.00 7.05 1.00 10.00 9.13 1.00 8.00 5.10 1.00 12.00 4.15 1.00 11.00 7.10 1.00 9.00 3.87 1.00 11.00 4.15 1.00 14.00 6.14 1.00 11.00 5.43 1.00 13.00 7.08 1.00 10.00 5.37 1.00 9.00 4.80 1.00 8.00 4.60 1.00 12.00 3.41 1.00 9.00 4.91 1.00 11.00 9.18 1.00 8.00 7.62 1.00 11.00 4.54 1.00 10.00 4.69 1.00 9.00 7.03 1.00 10.00 15.07 1.00 11.00 4.16 1.00 3.00 5.00 1.00 9.00 5.62 1.00 7.00 7.41 1.00 10.00 4.27 1.00 7.00 5.02 1.00 9.00 5.98 1.00 10.00 4.51 1.00 11.00 6.19 1.00 8.00 9.77 1.00 9.00 5.69 1.00 14.00 3.60 1.00 10.00 3.40 1.00 10.00 4.02 1.00 8.00 4.12 1.00 8.00 3.77 1.00 12.00 5.56 1.00 8.00 10.51 1.00 13.00 9.49 1.00 9.00 5.65 1.00 11.00 8.72 1.00 8.00 4.82 1.00 8.00 7.33 1.00 12.00 4.32 1.00 9.00 5.40 1.00 13.00 5.75 1.00 12.00 8.17 1.00 12.00 8.93 1.00 15.00 5.29 1.00 10.00 7.32 1.00 10.00 5.00 1.00 10.00 9.26 1.00 12.00 3.96 1.00 10.00 5.70 1.00 9.00 4.06 1.00 8.00 5.01 1.00 10.00 5.20 1.00 9.00 6.52 1.00 9.00 4.64 1.00 10.00 4.50 1.00 9.00 7.01 1.00 6.00 4.31 1.00 6.00 6.03 1.00 11.00 5.03 1.00 7.00 4.84 1.00 10.00 5.27 1.00 9.00 4.51 1.00 9.00 4.93 1.00 8.00 3.58 1.00 10.00 5.97 1.00 10.00 5.37 1.00 15.00 5.61 1.00 9.00 6.97 1.00 7.00 4.85 1.00 14.00 4.43 1.00 9.00 5.20 1.00 8.00 6.06 1.00 11.00 3.88 1.00 10.00 4.59 1.00 12.00 4.38 1.00 7.00 4.01 1.00 10.00 4.80 1.00 9.00 4.34 1.00 5.00 3.86 1.00 7.00 4.66 1.00 8.00 5.24 1.00 11.00 6.72 1.00 10.00 4.31 1.00 9.00 5.34 1.00 12.00 4.94 1.00 9.00 9.15 1.00 10.00 7.53 1.00 9.00 4.63 1.00 12.00 4.04 1.00 8.00 8.79 1.00 11.00 5.09 1.00 10.00 6.69 1.00 11.00 4.46 1.00 9.00 4.16 1.00 10.00 4.72 1.00 10.00 5.04 1.00 8.00 4.23 1.00 12.00 5.57 1.00 12.00 5.90 1.00 13.00 4.22 1.00 9.00 5.93 1.00 7.00 3.94 1.00 11.00 6.06 1.00 10.00 3.98 1.00 11.00 9.99 1.00 8.00 4.41 1.00 12.00 8.34 1.00 9.00 12.45 1.00 10.00 4.94 1.00 8.00 4.72 1.00 10.00 7.28 1.00 10.00 4.32 1.00 8.00 4.36 1.00 9.00 4.73 1.00 14.00 5.08 1.00 14.00 5.41 1.00 12.00 5.51 1.00 13.00 5.90 1.00 10.00 9.76 1.00 9.00 8.15 1.00 13.00 5.39 1.00 11.00 11.52 1.00 11.00 11.11 1.00 13.00 4.99 1.00 12.00 16.03 1.00 12.00 4.54 1.00 13.00 7.03 1.00 10.00 3.80 1.00 9.00 4.43 1.00 8.00 3.58 1.00 9.00 8.77 1.00 10.00 8.36 1.00 7.00 28.27 1.00 11.00 8.06 1.00 11.00 3.76 1.00 14.00 9.06

Raw Data

8 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 9.00 6.82 1.00 12.00 4.46 1.00 12.00 12.02 1.00 11.00 4.61 1.00 12.00 8.14 1.00 13.00 9.28 1.00 9.00 6.83 1.00 10.00 4.64 1.00 5.00 7.67 1.00 9.00 4.22 1.00 9.00 4.34 1.00 12.00 7.51 1.00 10.00 4.90 1.00 12.00 7.38 1.00 11.00 4.49 1.00 10.00 4.85 1.00 11.00 3.55 1.00 5.00 7.60 1.00 9.00 7.02 1.00 10.00 6.15 1.00 9.00 9.00 1.00 11.00 6.50 1.00 14.00 4.10 1.00 9.00 5.71 1.00 14.00 4.55 1.00 12.00 5.42 1.00 13.00 5.61 1.00 11.00 5.72 1.00 9.00 6.44 1.00 13.00 4.06 1.00 9.00 5.56 1.00 11.00 11.64 1.00 11.00 5.67 1.00 13.00 5.31 1.00 6.00 5.58 1.00 10.00 9.74 1.00 11.00 5.23 1.00 11.00 4.85 1.00 7.00 6.37 1.00 9.00 8.79 1.00 11.00 4.54 1.00 12.00 4.95 1.00 12.00 4.47 1.00 11.00 5.93 1.00 11.00 5.47 1.00 13.00 5.16 1.00 11.00 5.55 1.00 12.00 8.24 1.00 8.00 6.79 1.00 15.00 6.03 1.00 9.00 3.58 1.00 14.00 9.47 1.00 14.00 5.30 1.00 6.00 4.34 1.00 10.00 4.07 1.00 13.00 4.14 1.00 10.00 11.15 1.00 9.00 4.57 1.00 10.00 6.85 1.00 5.00 5.33 1.00 10.00 4.56 1.00 7.00 4.45 1.00 9.00 3.83 1.00 8.00 5.20 1.00 11.00 4.74 1.00 10.00 4.77 1.00 8.00 8.21 1.00 12.00 5.97 1.00 12.00 13.36 1.00 10.00 8.24 1.00 10.00 7.65 1.00 12.00 4.25 1.00 7.00 9.97 1.00 11.00 4.34 1.00 12.00 5.49 1.00 14.00 6.28 1.00 12.00 4.23 1.00 8.00 5.33 1.00 9.00 6.94 1.00 9.00 4.26 1.00 10.00 6.78 1.00 12.00 3.64 1.00 9.00 4.44 1.00 10.00 4.23 1.00 10.00 6.09 1.00 9.00 5.77 1.00 7.00 4.28 1.00 12.00 4.79 1.00 9.00 4.30 1.00 7.00 3.19 1.00 8.00 4.63 1.00 11.00 4.63 1.00 10.00 4.02 1.00 10.00 6.57 1.00 9.00 14.74 1.00 11.00 7.04 1.00 11.00 5.13 1.00 10.00 4.66 1.00 9.00 4.64 1.00 12.00 4.71 1.00 10.00 8.53 1.00 8.00 5.10 1.00 10.00 4.92 1.00 8.00 5.15 1.00 6.00 4.34 1.00 11.00 5.26 1.00 10.00 4.22 1.00 11.00 3.49 1.00 11.00 7.96 1.00 11.00 6.76 1.00 6.00 4.66 1.00 14.00 3.98 1.00 9.00 5.28 1.00 12.00 5.96 1.00 10.00 5.57 1.00 8.00 3.51 1.00 8.00 5.31 1.00 11.00 8.92 1.00 8.00 11.25 1.00 10.00 9.81 1.00 11.00 9.80 1.00 13.00 5.38 1.00 9.00 6.35 1.00 11.00 4.37 1.00 7.00 5.84 1.00 9.00 5.29 1.00 6.00 6.13 1.00 10.00 6.55 1.00 9.00 3.37 1.00 9.00 4.66 1.00 11.00 4.39 1.00 7.00 9.26 1.00 8.00 4.56 1.00 14.00 15.96 1.00 12.00 6.30 1.00 7.00 4.86 1.00 8.00 5.33 1.00 13.00 5.41 1.00 9.00 5.52 1.00 10.00 5.64 1.00 11.00 5.55 1.00 13.00 4.24 1.00 14.00 5.95 1.00 8.00 4.50 1.00 12.00 5.41 1.00 7.00 7.60 1.00 8.00 4.66 1.00 15.00 4.82 1.00 9.00 5.18 1.00 9.00 6.33 1.00 8.00 4.72 1.00 9.00 6.27 1.00 11.00 7.45 1.00 12.00 7.55 1.00 9.00 6.44 1.00 10.00 4.91 1.00 10.00 5.44 1.00 9.00 3.94 1.00 15.00 12.83 1.00 12.00 7.48 1.00 7.00 5.26 1.00 11.00 4.27 1.00 9.00 6.04 1.00 7.00 8.46 1.00 11.00 13.09 1.00 9.00 7.03 1.00 12.00 4.44 1.00 12.00 5.40 1.00 10.00 5.46 1.00 12.00 5.49 1.00 11.00 4.44 1.00 14.00 4.73 1.00 7.00 6.78 1.00 15.00 5.23 1.00 11.00 4.38 1.00 11.00 9.74 1.00 8.00 6.69 1.00 8.00 8.73 1.00 10.00 4.60 1.00 11.00 4.74 1.00 11.00 5.55 1.00 9.00 4.56 1.00 11.00 5.54 1.00 10.00 4.09 1.00 10.00 6.14 1.00 10.00 4.76 1.00 8.00 5.00 1.00 11.00 5.14 1.00 8.00 3.70 1.00 7.00 5.26 1.00 8.00 4.70 1.00 11.00 4.83 1.00 10.00 5.05 1.00 8.00 4.66 1.00 10.00 5.35 1.00 9.00 5.30 1.00 8.00 3.98 1.00 11.00 5.07 1.00 6.00 6.54 1.00 9.00 5.10 1.00 8.00 5.58 1.00 11.00 4.33 1.00 12.00 5.74 1.00 10.00 4.62 1.00 15.00 5.28 1.00 13.00 17.34 1.00 8.00 11.41 1.00 9.00 5.11 1.00 8.00 4.50 1.00 9.00 4.73

Raw Data

9 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 11.00 7.44 1.00 9.00 7.86 1.00 11.00 6.62 1.00 9.00 5.31 1.00 9.00 4.67 1.00 9.00 5.34 1.00 8.00 4.89 1.00 6.00 4.47 1.00 5.00 5.41 1.00 9.00 6.47 1.00 10.00 4.64 1.00 10.00 4.70 1.00 9.00 9.13 1.00 12.00 4.29 1.00 12.00 11.20 1.00 6.00 4.37 1.00 11.00 4.03 1.00 11.00 3.79 1.00 8.00 7.30 1.00 11.00 5.45 1.00 8.00 8.52 1.00 9.00 4.50 1.00 6.00 6.26 1.00 11.00 5.61 1.00 9.00 6.42 1.00 7.00 7.81 1.00 8.00 4.84 1.00 13.00 6.00 1.00 10.00 5.41 1.00 13.00 4.58 1.00 14.00 4.00 1.00 11.00 4.29 1.00 9.00 8.11 1.00 13.00 5.34 1.00 10.00 6.10 1.00 11.00 14.97 1.00 10.00 5.02 1.00 12.00 3.60 1.00 13.00 3.84 1.00 12.00 4.74 1.00 12.00 4.72 1.00 12.00 6.60 1.00 6.00 6.53 1.00 10.00 9.19 1.00 8.00 5.20 1.00 12.00 4.85 1.00 12.00 5.16 1.00 12.00 5.87 1.00 9.00 4.38 1.00 13.00 5.19 1.00 12.00 9.01 1.00 9.00 5.84 1.00 6.00 6.07 1.00 12.00 5.36 1.00 12.00 5.73 1.00 10.00 3.72 1.00 7.00 5.11 1.00 11.00 5.01 1.00 9.00 6.19 1.00 7.00 5.33 1.00 6.00 4.93 1.00 8.00 7.63 1.00 9.00 5.56 1.00 8.00 4.07 1.00 7.00 8.15 1.00 11.00 6.39 1.00 9.00 4.97 1.00 12.00 5.18 1.00 8.00 8.66 1.00 10.00 3.89 1.00 9.00 8.27 1.00 10.00 6.00 1.00 11.00 5.30 1.00 13.00 8.07 1.00 11.00 4.91 1.00 12.00 10.81 1.00 9.00 5.39 1.00 9.00 6.41 1.00 10.00 5.24 1.00 10.00 3.31 1.00 10.00 3.71 1.00 10.00 10.98 1.00 12.00 8.20 1.00 12.00 5.60 1.00 9.00 4.72 1.00 10.00 4.10 1.00 11.00 5.96 1.00 9.00 4.71 1.00 9.00 5.34 1.00 13.00 11.00 1.00 9.00 5.26 1.00 9.00 4.63 1.00 11.00 5.73 1.00 9.00 5.75 1.00 7.00 5.95 1.00 8.00 4.42 1.00 10.00 3.98 1.00 5.00 9.05 1.00 10.00 3.31 1.00 10.00 5.43 1.00 9.00 5.53 1.00 10.00 3.19 1.00 11.00 5.27 1.00 9.00 4.32 1.00 10.00 6.91 1.00 8.00 3.19 1.00 10.00 3.96 1.00 7.00 4.10 1.00 9.00 5.90 1.00 9.00 4.86 1.00 12.00 8.57 1.00 8.00 11.44 1.00 11.00 6.66 1.00 9.00 5.13 1.00 11.00 5.78 1.00 8.00 3.66 1.00 10.00 4.17 1.00 10.00 3.85 1.00 10.00 6.59 1.00 12.00 5.39 1.00 12.00 8.52 1.00 11.00 3.42 1.00 9.00 4.74 1.00 11.00 5.71 1.00 10.00 3.80 1.00 9.00 5.43 1.00 12.00 4.36 1.00 10.00 15.99 1.00 9.00 5.04 1.00 7.00 4.66 1.00 7.00 4.94 1.00 10.00 5.63 1.00 9.00 5.71 1.00 11.00 8.95 1.00 8.00 8.46 1.00 6.00 7.77 1.00 9.00 4.99 1.00 6.00 4.53 1.00 12.00 4.52 1.00 9.00 3.41 1.00 13.00 6.23 1.00 8.00 4.50 1.00 12.00 7.03 1.00 5.00 4.00 1.00 11.00 9.84 1.00 15.00 8.07 1.00 11.00 4.14 1.00 9.00 5.53 1.00 9.00 5.05 1.00 12.00 5.95 1.00 9.00 4.30 1.00 10.00 4.75 1.00 10.00 3.75 1.00 9.00 8.96 1.00 15.00 4.61 1.00 11.00 9.94 1.00 10.00 4.93 1.00 11.00 5.11 1.00 8.00 6.33 1.00 11.00 7.61 1.00 14.00 3.17 1.00 10.00 4.56 1.00 7.00 6.98 1.00 9.00 4.83 1.00 7.00 8.30 1.00 6.00 11.39 1.00 13.00 5.44 1.00 10.00 3.63 1.00 9.00 5.55 1.00 6.00 4.91 1.00 10.00 4.15 1.00 10.00 3.87 1.00 11.00 5.38 1.00 12.00 5.27 1.00 13.00 4.83 1.00 9.00 9.33 1.00 11.00 4.42 1.00 10.00 7.33 1.00 13.00 3.11 1.00 11.00 3.85 1.00 8.00 6.43 1.00 10.00 3.96 1.00 6.00 3.88 1.00 10.00 4.19 1.00 11.00 9.71 1.00 10.00 4.90 1.00 11.00 5.18 1.00 10.00 4.12 1.00 7.00 5.55 1.00 5.00 5.14 1.00 9.00 4.66 1.00 9.00 5.98 1.00 9.00 4.63 1.00 12.00 5.74 1.00 11.00 5.69 1.00 14.00 11.55 1.00 12.00 7.41 1.00 13.00 9.12 1.00 11.00 8.08 1.00 12.00 4.69 1.00 11.00 7.07 1.00 11.00 4.17 1.00 10.00 4.73 1.00 7.00 5.35 1.00 8.00 5.46 1.00 11.00 4.43 1.00 9.00 5.10 1.00 8.00 6.19 1.00 8.00 5.29 1.00 6.00 6.81

Raw Data

10 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 12.00 5.05 1.00 13.00 6.19 1.00 9.00 6.88 1.00 12.00 5.56 1.00 11.00 9.04 1.00 7.00 8.82 1.00 10.00 7.58 1.00 9.00 8.18 1.00 11.00 5.54 1.00 10.00 17.37 1.00 6.00 8.05 1.00 7.00 15.56 1.00 12.00 4.88 1.00 6.00 4.64 1.00 10.00 4.70 1.00 12.00 4.19 1.00 9.00 4.66 1.00 7.00 8.62 1.00 13.00 5.16 1.00 10.00 6.51 1.00 9.00 5.14 1.00 12.00 4.38 1.00 10.00 4.73 1.00 7.00 4.00 1.00 9.00 7.45 1.00 11.00 4.00 1.00 13.00 12.36 1.00 11.00 4.47 1.00 9.00 5.02 1.00 10.00 11.05 1.00 12.00 4.97 1.00 10.00 6.37 1.00 12.00 13.57 1.00 10.00 3.92 1.00 10.00 5.86 1.00 12.00 7.27 1.00 11.00 5.27 1.00 11.00 4.95 1.00 10.00 7.19 1.00 13.00 5.00 1.00 11.00 4.98 1.00 11.00 3.94 1.00 12.00 8.06 1.00 9.00 4.14 1.00 8.00 6.25 1.00 13.00 4.27 1.00 15.00 5.27 1.00 11.00 3.07 1.00 12.00 7.31 1.00 9.00 4.30 1.00 11.00 13.73 1.00 13.00 4.83 1.00 13.00 8.34 1.00 11.00 6.40 1.00 12.00 5.00 1.00 7.00 5.51 1.00 9.00 4.40 1.00 15.00 4.97 1.00 10.00 4.44 1.00 10.00 4.74 1.00 5.00 4.68 1.00 9.00 5.02 1.00 9.00 8.55 1.00 11.00 7.87 1.00 11.00 4.95 1.00 10.00 5.98 1.00 10.00 5.68 1.00 10.00 8.44 1.00 9.00 6.48 1.00 11.00 5.12 1.00 11.00 5.15 1.00 10.00 12.79 1.00 9.00 4.91 1.00 7.00 4.64 1.00 10.00 5.62 1.00 11.00 4.58 1.00 10.00 6.61 1.00 9.00 5.03 1.00 7.00 5.50 1.00 10.00 10.60 1.00 8.00 18.64 1.00 9.00 6.31 1.00 7.00 4.44 1.00 13.00 5.43 1.00 12.00 7.78 1.00 11.00 3.59 1.00 11.00 5.94 1.00 8.00 5.81 1.00 8.00 5.23 1.00 10.00 3.68 1.00 14.00 8.97 1.00 7.00 5.11 1.00 8.00 5.61 1.00 9.00 4.93 1.00 11.00 3.86 1.00 7.00 6.38 1.00 10.00 4.83 1.00 13.00 4.82 1.00 10.00 8.56 1.00 10.00 6.42 1.00 9.00 5.96 1.00 10.00 7.08 1.00 9.00 4.57 1.00 11.00 4.01 1.00 8.00 3.96 1.00 9.00 5.04 1.00 7.00 6.43 1.00 8.00 4.56 1.00 10.00 3.82 1.00 11.00 5.08 1.00 7.00 5.04 1.00 12.00 4.78 1.00 12.00 4.64 1.00 9.00 7.12 1.00 11.00 7.19 1.00 11.00 3.72 1.00 14.00 14.95 1.00 9.00 6.58 1.00 12.00 4.68 1.00 10.00 8.30 1.00 7.00 7.22 1.00 11.00 4.23 1.00 10.00 7.65 1.00 9.00 5.71 1.00 9.00 4.81 1.00 8.00 10.22 1.00 10.00 3.79 1.00 8.00 4.82 1.00 10.00 17.34 1.00 7.00 4.88 1.00 12.00 7.28 1.00 13.00 4.80 1.00 11.00 4.52 1.00 8.00 3.42 1.00 8.00 4.10 1.00 5.00 4.19 1.00 11.00 12.18 1.00 12.00 7.65 1.00 11.00 4.00 1.00 8.00 4.54 1.00 11.00 11.75 1.00 10.00 9.15 1.00 12.00 5.13 1.00 7.00 4.54 1.00 12.00 7.39 1.00 13.00 5.52 1.00 9.00 4.87 1.00 13.00 4.53 1.00 14.00 5.15 1.00 13.00 5.33 1.00 9.00 4.48 1.00 8.00 3.47 1.00 9.00 4.77 1.00 4.00 4.68 1.00 8.00 8.72 1.00 10.00 5.09 1.00 7.00 11.96 1.00 9.00 8.90 1.00 8.00 5.88 1.00 10.00 8.68 1.00 12.00 5.57 1.00 11.00 11.18 1.00 13.00 3.52 1.00 10.00 6.75 1.00 9.00 5.48 1.00 8.00 5.18 1.00 10.00 4.20 1.00 10.00 5.40 1.00 11.00 5.50 1.00 11.00 18.46 1.00 12.00 4.66 1.00 7.00 5.00 1.00 10.00 4.93 1.00 11.00 5.04 1.00 11.00 5.34 1.00 8.00 8.90 1.00 9.00 5.90 1.00 11.00 3.96 1.00 13.00 5.03 1.00 9.00 12.35 1.00 9.00 4.99 1.00 15.00 4.99 1.00 12.00 3.14 1.00 14.00 6.45 1.00 10.00 5.04 1.00 12.00 5.12 1.00 9.00 3.56 1.00 5.00 5.80 1.00 10.00 5.85 1.00 10.00 4.67 1.00 6.00 8.83 1.00 9.00 4.25 1.00 8.00 9.08 1.00 9.00 15.58 1.00 9.00 4.09 1.00 11.00 3.40 1.00 6.00 8.24 1.00 11.00 5.07 1.00 15.00 10.07 1.00 13.00 5.73 1.00 11.00 3.55 1.00 11.00 5.70 1.00 7.00 3.65 1.00 10.00 5.40 1.00 13.00 5.84 1.00 8.00 4.61 1.00 10.00 3.63 1.00 9.00 4.55 1.00 8.00 4.70 1.00 9.00 4.15

Raw Data

11 - 12

Appendix C

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 10.00 5.27 1.00 8.00 3.87 1.00 12.00 4.79 1.00 11.00 5.23 1.00 9.00 4.76 1.00 11.00 4.63 1.00 9.00 4.23 1.00 11.00 12.70 1.00 9.00 7.50 1.00 8.00 5.30 1.00 9.00 6.84 1.00 6.00 10.60 1.00 9.00 6.16 1.00 13.00 3.90 1.00 8.00 5.14 1.00 12.00 5.85 1.00 8.00 10.42 1.00 13.00 4.01 1.00 8.00 3.89 1.00 12.00 4.70 1.00 7.00 5.52 1.00 11.00 6.13 1.00 9.00 5.76 1.00 10.00 5.03 1.00 11.00 4.53 1.00 9.00 5.81 1.00 8.00 6.58 1.00 7.00 8.58 1.00 11.00 4.77 1.00 13.00 5.10 1.00 14.00 4.30 1.00 15.00 4.14 1.00 10.00 6.06 1.00 10.00 4.04 1.00 12.00 8.57 1.00 14.00 3.95 1.00 11.00 5.13 1.00 12.00 4.41 1.00 9.00 5.17 1.00 9.00 7.51 1.00 12.00 6.18 1.00 8.00 3.78 1.00 6.00 4.59 1.00 8.00 8.80 1.00 7.00 5.08 1.00 8.00 10.49 1.00 9.00 7.78 1.00 11.00 5.39 1.00 8.00 5.85 1.00 10.00 5.70 1.00 14.00 3.99 1.00 9.00 5.03 1.00 11.00 5.45 1.00 9.00 8.26 1.00 8.00 5.29 1.00 14.00 4.56 1.00 9.00 5.83 1.00 13.00 8.42 1.00 7.00 4.80 1.00 9.00 4.93 1.00 10.00 5.65 1.00 11.00 5.00 1.00 9.00 8.62 1.00 10.00 4.27 1.00 9.00 4.35 1.00 9.00 3.79 1.00 11.00 6.01 1.00 8.00 5.91 1.00 10.00 7.87 1.00 11.00 5.89 1.00 11.00 6.40 1.00 12.00 4.69 1.00 7.00 8.11 1.00 8.00 4.37 1.00 16.00 4.62 1.00 11.00 7.79 1.00 14.00 9.13 1.00 10.00 4.81 1.00 11.00 4.55 1.00 11.00 5.73 1.00 10.00 4.38 1.00 10.00 6.67 1.00 10.00 6.21 1.00 9.00 9.92 1.00 13.00 5.16 1.00 10.00 6.88 1.00 11.00 11.72 1.00 10.00 5.09 1.00 11.00 11.80 1.00 12.00 3.51 1.00 10.00 5.15 1.00 8.00 4.32 1.00 11.00 9.25 1.00 13.00 5.76 1.00 9.00 4.08 1.00 6.00 4.18 1.00 9.00 4.22 1.00 6.00 3.43 1.00 9.00 7.33 1.00 12.00 3.46 1.00 8.00 3.89 1.00 8.00 6.48 1.00 9.00 4.96 1.00 9.00 4.61 1.00 13.00 5.23 1.00 14.00 5.01 1.00 9.00 5.05 1.00 9.00 5.76 1.00 13.00 6.82 1.00 7.00 12.67

Raw Data

12 - 12

Appendix C

Appendix D: Simulatieresultaten initiële Supply Chain (BMF – EB)

Graph - General

15.63 0.15 14.46 11.04 4.83 23.37 1.24 1.13 27.41 8.82 36.23 15633.79 1000.00 0.30

Verzamelbereik Frequentie Cumulatief % 8.82 1.00 0.00 9.71 24.00 0.03 10.59 72.00 0.10 11.48 123.00 0.22 12.36 89.00 0.31 13.25 100.00 0.41 14.13 62.00 0.47 15.01 60.00 0.53 15.90 55.00 0.59 16.78 66.00 0.65 17.67 58.00 0.71 18.55 66.00 0.78 19.43 32.00 0.81 20.32 30.00 0.84 21.20 31.00 0.87 22.09 20.00 0.89 22.97 18.00 0.91 23.86 32.00 0.94 24.74 13.00 0.95 25.62 11.00 0.96 26.51 5.00 0.97 27.39 3.00 0.97 28.28 4.00 0.98 29.16 5.00 0.98 30.04 4.00 0.98 30.93 4.00 0.99 31.81 3.00 0.99 32.70 6.00 1.00 33.58 0.00 1.00 34.47 2.00 1.00 35.35 0.00 1.00 Meer 1.00 1.00

Globale histogram run 1 1.20

100.00

1.00

80.00

0.80

60.00

0.60

40.00

0.40

20.00

0.20

0.00

0.00

9. 14 11 .6 5 14 .1 7 16 .6 9 19 .2 1 21 .7 3 24 .2 5 26 .7 7 29 .2 8 31 .8 0 34 .3 2

120.00

Verzamelbereik

Globale histogram run 2 140.00

1.20

120.00

1.00

100.00

0.80

80.00

0.60

60.00

0.40

40.00 20.00

0.20

0.00

0.00

8. 82 11 .4 8 14 .1 3 16 .7 8 19 .4 3 22 .0 9 24 .7 4 27 .3 9 30 .0 4 32 .7 0 35 .3 5

LT (Run 2) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 9.14 1.00 0.00 9.97 25.00 0.03 10.81 87.00 0.11 11.65 102.00 0.22 12.49 102.00 0.32 13.33 77.00 0.39 14.17 62.00 0.46 15.01 55.00 0.51 15.85 74.00 0.59 16.69 60.00 0.65 17.53 62.00 0.71 18.37 48.00 0.76 19.21 37.00 0.79 20.05 28.00 0.82 20.89 20.00 0.84 21.73 25.00 0.87 22.57 26.00 0.89 23.41 18.00 0.91 24.25 23.00 0.93 25.09 12.00 0.94 25.93 10.00 0.95 26.77 9.00 0.96 27.60 3.00 0.97 28.44 7.00 0.97 29.28 4.00 0.98 30.12 5.00 0.98 30.96 5.00 0.99 31.80 5.00 0.99 32.64 5.00 1.00 33.48 1.00 1.00 34.32 0.00 1.00 Meer 2.00 1.00

Frequentie

15.85 0.16 14.78 11.23 4.95 24.50 1.07 1.14 26.03 9.14 35.16 15853.06 1000.00 0.31

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

1 - 16

Appendix D

Graph - 1

1.20 1.00 0.80 0.60 0.40 0.20 0.00 35 M ee r

64

28

92

56

21

85

99

21 .

19 .

18 .

17 .

15 .

14 .

13 .

49

11 .

9. 1

10 .

4

100.00 80.00 60.00 40.00 20.00 0.00

Verzamelbereik

Histogram producttype 1 - run 2 1.20 1.00 0.80 0.60 0.40 0.20 0.00 72

49

25

01

77

54

30

06

96 M ee r

19 .

18 .

17 .

16 .

15 .

13 .

12 .

11 .

2

100.00 80.00 60.00 40.00 20.00 0.00 8. 8

12.17 0.11 11.45 10.99 2.35 5.51 2.40 1.58 12.37 8.82 21.20 5174.36 425.00 0.22

Histogram producttype 1 - run 1

10 .

LT (Run 2) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 9.14 1.00 0.00 9.81 16.00 0.04 10.49 57.00 0.18 11.17 77.00 0.36 11.85 93.00 0.58 12.53 53.00 0.70 13.21 27.00 0.77 13.89 20.00 0.82 14.56 14.00 0.85 15.24 11.00 0.87 15.92 12.00 0.90 16.60 12.00 0.93 17.28 8.00 0.95 17.96 3.00 0.96 18.64 4.00 0.97 19.31 2.00 0.97 19.99 5.00 0.98 20.67 2.00 0.99 21.35 1.00 0.99 22.03 2.00 1.00 Meer 2.00 1.00 Verzamelbereik Frequentie Cumulatief % 8.82 1.00 0.00 9.44 14.00 0.04 10.06 34.00 0.12 10.68 57.00 0.25 11.30 81.00 0.44 11.92 71.00 0.61 12.54 45.00 0.71 13.16 28.00 0.78 13.77 19.00 0.82 14.39 12.00 0.85 15.01 12.00 0.88 15.63 7.00 0.90 16.25 11.00 0.92 16.87 6.00 0.94 17.49 8.00 0.96 18.10 3.00 0.96 18.72 4.00 0.97 19.34 3.00 0.98 19.96 3.00 0.99 20.58 4.00 1.00 Meer 2.00 1.00

Frequentie

12.33 0.12 11.63 11.51 2.41 5.82 3.21 1.74 13.57 9.14 22.71 5205.31 422.00 0.23

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

2 - 16

Appendix D

Histogram producttype 2 - run 1 1.20 1.00 0.80 0.60 0.40 0.20 0.00 43 M ee r

83

30 .

23

28 .

62

27 .

02

25 .

42

24 .

81

22 .

21

20 .

61

19 .

00

17 .

40

16 .

80

14 .

19

80.00 60.00 40.00 20.00 0.00 12 .

Verzamelbereik Frequentie Cumulatief % 11.19 1.00 0.01 12.80 31.00 0.18 14.40 63.00 0.54 16.00 25.00 0.68 17.61 14.00 0.76 19.21 20.00 0.87 20.81 12.00 0.94 22.42 4.00 0.96 24.02 4.00 0.98 25.62 2.00 0.99 27.23 0.00 0.99 28.83 0.00 0.99 30.43 0.00 0.99 Meer 1.00 1.00

11 .

15.35 0.25 14.01 13.60 3.28 10.76 3.31 1.53 20.84 11.19 32.04 2716.33 177.00 0.49

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Verzamelbereik Frequentie Cumulatief % 11.27 1.00 0.01 12.31 18.00 0.10 13.35 61.00 0.40 14.39 38.00 0.60 15.43 14.00 0.67 16.48 5.00 0.69 17.52 7.00 0.73 18.56 11.00 0.78 19.60 17.00 0.87 20.64 13.00 0.93 21.68 5.00 0.96 22.72 1.00 0.96 23.76 3.00 0.98 24.81 0.00 0.98 Meer 4.00 1.00

Histogram producttype 2 - run 2 1.20 1.00 0.80 0.60 0.40 0.20 0.00

80.00 60.00 40.00 20.00 0.00 11 .2 12 7 .3 13 1 .3 14 5 .3 15 9 .4 16 3 .4 17 8 .5 18 2 .5 19 6 .6 20 0 .6 21 4 .6 22 8 .7 23 2 .7 24 6 .8 1 M ee r

15.32 0.24 13.90 12.83 3.32 11.02 0.39 1.11 14.58 11.27 25.85 3033.94 198.00 0.47

Frequentie

LT (Run 2) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Graph - 2

3 - 16

Appendix D

Histogram producttype 4 - run 1 1.20 1.00 0.80 0.60 0.40 0.20 0.00 57

24

91

58

25

92

59

90 M ee r

24 .

23 .

22 .

20 .

19 .

18 .

16 .

26

15 .

93

50.00 40.00 30.00 20.00 10.00 0.00 14 .

Verzamelbereik Frequentie Cumulatief % 12.93 1.00 0.01 14.26 16.00 0.16 15.59 41.00 0.53 16.92 20.00 0.72 18.25 2.00 0.73 19.58 5.00 0.78 20.91 11.00 0.88 22.24 9.00 0.96 23.57 2.00 0.98 24.90 1.00 0.99 Meer 1.00 1.00

12 .

16.58 0.27 15.48 14.92 2.80 7.82 0.41 1.12 13.30 12.93 26.23 1807.56 109.00 0.53

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

16.51 0.28 15.50 14.39 2.63 6.92 3.13 1.56 14.54 13.58 28.12 1452.59 88.00 0.56

Verzamelbereik Frequentie Cumulatief % 13.58 1.00 0.01 15.19 36.00 0.42 16.81 24.00 0.69 18.43 8.00 0.78 20.04 7.00 0.86 21.66 10.00 0.98 23.27 1.00 0.99 24.89 0.00 0.99 26.51 0.00 0.99 Meer 1.00 1.00

Histogram producttype 4 - run 2 1.20 1.00 0.80 0.60 0.40 0.20 0.00

40.00 Frequentie

LT (Run 2) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

30.00 20.00 10.00 0.00 13.58 15.19 16.81 18.43 20.04 21.66 23.27 24.89 26.51 Meer Verzamelbereik

Graph - 3

4 - 16

Appendix D

Histogram producttype 3 - run 1

22 M ee r

04

29 .

87

28 .

69

26 .

51

25 .

33

24 .

16

23 .

98

22 .

80

20 .

62

19 .

45

18 .

17 .

27

1.20 1.00 0.80 0.60 0.40 0.20 0.00

09

60.00 50.00 40.00 30.00 20.00 10.00 0.00 16 .

Verzamelbereik Frequentie Cumulatief % 15.09 1.00 0.01 16.27 33.00 0.18 17.45 55.00 0.48 18.62 41.00 0.70 19.80 17.00 0.79 20.98 6.00 0.82 22.16 4.00 0.84 23.33 10.00 0.90 24.51 8.00 0.94 25.69 5.00 0.97 26.87 2.00 0.98 28.04 1.00 0.98 29.22 1.00 0.99 Meer 2.00 1.00

15 .

18.51 0.22 17.53 16.86 3.02 9.10 2.55 1.65 15.31 15.09 30.40 3443.77 186.00 0.44

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Histogram producttype 3 - run 2 1.20 1.00 0.80 0.60 0.40 0.20 0.00 82 M ee r

66

28 .

27 .

50

26 .

34

19

25 .

24 .

03

23 .

87

71

21 .

20 .

55

19 .

40

24

18 .

17 .

16 .

08

80.00 60.00 40.00 20.00 0.00 92

Verzamelbereik Frequentie Cumulatief % 14.92 1.00 0.01 16.08 18.00 0.10 17.24 58.00 0.40 18.40 56.00 0.69 19.55 19.00 0.78 20.71 5.00 0.81 21.87 4.00 0.83 23.03 7.00 0.87 24.19 18.00 0.96 25.34 0.00 0.96 26.50 3.00 0.97 27.66 2.00 0.98 28.82 1.00 0.99 Meer 2.00 1.00

14 .

18.56 0.21 17.73 16.66 2.94 8.62 2.24 1.60 15.06 14.92 29.98 3601.34 194.00 0.42

Frequentie

LT (Run 2) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Graph - 4

5 - 16

Appendix D

Histogram producttype 5 - run 1

97

37

77

18

58

98

39

56 M ee r

33 .

31 .

30 .

28 .

27 .

25 .

23 .

22 .

79

1.20 1.00 0.80 0.60 0.40 0.20 0.00 19

30.00 25.00 20.00 15.00 10.00 5.00 0.00 20 .

Verzamelbereik Frequentie Cumulatief % 19.19 1.00 0.01 20.79 7.00 0.08 22.39 19.00 0.25 23.98 26.00 0.50 25.58 12.00 0.61 27.18 9.00 0.70 28.77 10.00 0.79 30.37 6.00 0.85 31.97 10.00 0.94 33.56 4.00 0.98 Meer 2.00 1.00

19 .

25.28 0.37 24.23 23.19 3.82 14.57 -0.47 0.63 15.97 19.19 35.16 2680.09 106.00 0.74

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

24.96 0.40 23.77 22.62 3.95 15.56 -0.04 0.98 16.34 19.89 36.23 2371.56 95.00 0.80

Verzamelbereik Frequentie Cumulatief % 19.89 1.00 0.01 21.71 17.00 0.19 23.52 27.00 0.47 25.34 22.00 0.71 27.16 3.00 0.74 28.97 7.00 0.81 30.79 6.00 0.87 32.60 8.00 0.96 34.42 2.00 0.98 Meer 2.00 1.00

Histogram producttype 5 - run 2

Frequentie

LT (Run 2) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

30.00 25.00 20.00 15.00 10.00 5.00 0.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00 19.89 21.71 23.52 25.34 27.16 28.97 30.79 32.60 34.42 Meer Verzamelbereik

Graph - 5

6 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 10.18 2.00 1.00 13.31 4.00 1.00 16.01 1.00 1.00 10.73 1.00 1.00 11.94 1.00 1.00 18.23 3.00 1.00 15.99 1.00 1.00 12.84 1.00 1.00 10.26 3.00 1.00 15.21 1.00 1.00 10.96 4.00 1.00 16.41 2.00 1.00 13.61 1.00 1.00 11.44 1.00 1.00 10.71 1.00 1.00 11.80 4.00 1.00 16.67 3.00 1.00 21.34 1.00 1.00 13.67 2.00 1.00 18.20 1.00 1.00 12.74 1.00 1.00 10.99 1.00 1.00 14.69 2.00 1.00 12.83 5.00 1.00 24.74 5.00 1.00 21.90 2.00 1.00 13.27 1.00 1.00 12.74 1.00 1.00 10.97 1.00 1.00 10.94 3.00 1.00 15.62 1.00 1.00 10.80 1.00 1.00 13.53 3.00 1.00 13.84 1.00 1.00 12.48 1.00 1.00 9.47 1.00 1.00 10.76 1.00 1.00 10.05 2.00 1.00 32.04 4.00 1.00 16.53 5.00 1.00 25.65 4.00 1.00 16.87 5.00 1.00 19.72 5.00 1.00 22.87 2.00 1.00 15.11 2.00 1.00 13.12 1.00 1.00 9.91 1.00 1.00 11.45 2.00 1.00 13.63 4.00 1.00 15.98 4.00 1.00 17.37 1.00 1.00 11.48 4.00 1.00 18.69 1.00 1.00 10.94 4.00 1.00 18.04 1.00 1.00 11.02 4.00 1.00 19.13 4.00 1.00 23.99 4.00 1.00 15.21 5.00 1.00 19.99 1.00 1.00 13.83 5.00 1.00 21.20 2.00 1.00 11.83 1.00 1.00 10.77 1.00 1.00 11.37 1.00 1.00 10.56 2.00 1.00 13.51 1.00 1.00 10.84 2.00 1.00 20.11 1.00 1.00 12.76 3.00 1.00 18.44 4.00 1.00 16.55 2.00 1.00 13.43 1.00 1.00 11.56 3.00 1.00 21.57 1.00 1.00 9.78 1.00 1.00 11.14 3.00 1.00 14.88 1.00 1.00 10.69 4.00 1.00 16.80 1.00 1.00 10.58 1.00 1.00 11.14 2.00 1.00 13.10 1.00 1.00 9.68 5.00 1.00 25.54 1.00 1.00 10.80 5.00 1.00 32.42 5.00 1.00 22.18 5.00 1.00 22.10 4.00 1.00 16.80 1.00 1.00 13.05 3.00 1.00 16.35 1.00 1.00 12.59 1.00 1.00 11.45 4.00 1.00 20.56 5.00 1.00 23.14 3.00 1.00 20.46 4.00 1.00 15.94 4.00 1.00 16.84 2.00 1.00 12.59 2.00 1.00 19.82 5.00 1.00 23.16 2.00 1.00 14.42 1.00 1.00 17.05 2.00 1.00 12.09 2.00 1.00 12.43 1.00 1.00 12.73 4.00 1.00 16.80 1.00 1.00 10.33 1.00 1.00 10.25 3.00 1.00 14.60 1.00 1.00 10.02 5.00 1.00 19.21 4.00 1.00 16.57 4.00 1.00 17.82 3.00 1.00 15.48 3.00 1.00 20.51 4.00 1.00 15.02 1.00 1.00 10.95 4.00 1.00 15.88 1.00 1.00 11.00 1.00 1.00 11.03 5.00 1.00 21.92 1.00 1.00 15.69 1.00 1.00 12.13 4.00 1.00 16.38 5.00 1.00 22.39 4.00 1.00 16.83 4.00 1.00 17.04 4.00 1.00 17.96 1.00 1.00 11.52 5.00 1.00 24.12 5.00 1.00 27.69 2.00 1.00 11.81 3.00 1.00 15.94 2.00 1.00 14.06 1.00 1.00 11.86 3.00 1.00 18.82 1.00 1.00 16.22 5.00 1.00 23.03 1.00 1.00 11.19 2.00 1.00 15.04 2.00 1.00 15.79 1.00 1.00 15.14 1.00 1.00 11.98 4.00 1.00 16.11 1.00 1.00 10.95 3.00 1.00 17.99 1.00 1.00 10.51 4.00 1.00 17.34 4.00 1.00 16.93 2.00 1.00 14.67 5.00 1.00 22.40 3.00 1.00 15.14 1.00 1.00 21.82 3.00 1.00 14.91 2.00 1.00 13.33 1.00 1.00 13.51 1.00 1.00 11.62 1.00 1.00 10.77 1.00 1.00 10.08 3.00 1.00 15.31 5.00 1.00 22.47 4.00 1.00 17.75 2.00 1.00 17.09 3.00 1.00 20.66 4.00 1.00 16.25 1.00 1.00 16.84 2.00 1.00 13.13 1.00 1.00 9.41 5.00 1.00 29.00 5.00 1.00 25.58 3.00 1.00 15.20 2.00 1.00 17.72 4.00 1.00 16.11 5.00 1.00 26.51 4.00 1.00 21.46 2.00 1.00 11.63 4.00 1.00 17.29 1.00 1.00 14.07 1.00 1.00 12.05 1.00 1.00 10.67 2.00 1.00 12.39 1.00 1.00 10.77 3.00 1.00 20.96 1.00 1.00 10.21 1.00 1.00 10.54 4.00 1.00 17.77 1.00 1.00 21.46 4.00 1.00 18.35 3.00 1.00 18.13 4.00 1.00 15.72 3.00 1.00 14.74 1.00 1.00 9.60 1.00 1.00 11.41 3.00 1.00 16.34 1.00 1.00 11.28 1.00 1.00 11.94 1.00 1.00 10.77 5.00 1.00 24.33 2.00 1.00 12.37 1.00 1.00 9.77 3.00 1.00 14.45 4.00 1.00 23.08 4.00 1.00 19.34 2.00 1.00 13.20 4.00 1.00 18.62 4.00 1.00 17.92 1.00 1.00 11.08 4.00 1.00 17.84

Raw Data

7 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 11.29 5.00 1.00 23.77 1.00 1.00 10.60 2.00 1.00 15.95 2.00 1.00 13.49 2.00 1.00 18.49 4.00 1.00 23.77 2.00 1.00 16.33 3.00 1.00 14.93 2.00 1.00 13.37 1.00 1.00 12.74 4.00 1.00 15.49 2.00 1.00 12.72 2.00 1.00 17.90 4.00 1.00 23.68 1.00 1.00 17.33 1.00 1.00 11.28 1.00 1.00 12.53 2.00 1.00 18.30 1.00 1.00 9.95 4.00 1.00 19.49 4.00 1.00 23.84 1.00 1.00 11.38 1.00 1.00 10.47 2.00 1.00 19.15 1.00 1.00 11.87 5.00 1.00 22.42 1.00 1.00 12.40 1.00 1.00 12.38 1.00 1.00 12.15 1.00 1.00 18.29 2.00 1.00 14.37 4.00 1.00 17.89 4.00 1.00 18.28 1.00 1.00 15.21 1.00 1.00 15.93 1.00 1.00 10.23 2.00 1.00 12.52 4.00 1.00 18.10 1.00 1.00 11.25 1.00 1.00 13.15 4.00 1.00 23.22 1.00 1.00 11.00 1.00 1.00 11.76 4.00 1.00 16.07 2.00 1.00 15.43 3.00 1.00 14.61 2.00 1.00 17.48 4.00 1.00 16.76 2.00 1.00 12.77 1.00 1.00 14.92 3.00 1.00 15.13 3.00 1.00 15.63 1.00 1.00 11.17 1.00 1.00 11.32 2.00 1.00 19.83 1.00 1.00 11.82 1.00 1.00 10.83 2.00 1.00 13.68 5.00 1.00 24.90 1.00 1.00 10.71 1.00 1.00 11.23 4.00 1.00 17.86 5.00 1.00 22.69 4.00 1.00 15.59 3.00 1.00 17.47 2.00 1.00 12.96 3.00 1.00 14.39 5.00 1.00 23.07 5.00 1.00 24.84 3.00 1.00 14.21 1.00 1.00 10.93 3.00 1.00 16.42 2.00 1.00 18.05 3.00 1.00 21.14 1.00 1.00 12.94 1.00 1.00 10.19 4.00 1.00 23.77 3.00 1.00 15.03 1.00 1.00 9.99 1.00 1.00 10.66 4.00 1.00 16.03 5.00 1.00 25.31 5.00 1.00 28.85 1.00 1.00 11.48 1.00 1.00 10.78 2.00 1.00 11.19 3.00 1.00 21.11 4.00 1.00 19.26 4.00 1.00 16.23 1.00 1.00 10.38 5.00 1.00 34.42 2.00 1.00 13.26 1.00 1.00 14.57 1.00 1.00 9.14 1.00 1.00 13.46 3.00 1.00 14.59 2.00 1.00 11.95 2.00 1.00 12.98 5.00 1.00 21.13 1.00 1.00 14.78 4.00 1.00 17.58 2.00 1.00 19.91 1.00 1.00 17.06 1.00 1.00 12.43 3.00 1.00 19.17 5.00 1.00 23.24 3.00 1.00 21.50 1.00 1.00 16.76 5.00 1.00 23.25 1.00 1.00 11.26 3.00 1.00 21.72 4.00 1.00 17.29 4.00 1.00 23.23 1.00 1.00 12.16 3.00 1.00 19.65 2.00 1.00 18.67 1.00 1.00 12.14 1.00 1.00 11.45 5.00 1.00 27.75 2.00 1.00 13.41 1.00 1.00 11.15 1.00 1.00 14.22 1.00 1.00 10.86 4.00 1.00 16.90 4.00 1.00 17.42 3.00 1.00 14.62 1.00 1.00 11.23 3.00 1.00 15.13 1.00 1.00 14.14 2.00 1.00 16.57 3.00 1.00 14.50 1.00 1.00 11.20 1.00 1.00 13.14 1.00 1.00 9.66 1.00 1.00 10.15 4.00 1.00 18.87 1.00 1.00 12.06 2.00 1.00 18.82 1.00 1.00 18.61 1.00 1.00 11.99 1.00 1.00 12.18 1.00 1.00 10.44 4.00 1.00 16.27 1.00 1.00 17.22 1.00 1.00 13.49 1.00 1.00 10.99 3.00 1.00 15.14 4.00 1.00 16.91 1.00 1.00 11.59 1.00 1.00 13.58 1.00 1.00 10.53 2.00 1.00 12.02 1.00 1.00 12.36 1.00 1.00 16.31 5.00 1.00 28.48 2.00 1.00 16.02 2.00 1.00 13.87 2.00 1.00 19.84 4.00 1.00 15.32 5.00 1.00 22.06 2.00 1.00 16.77 1.00 1.00 10.80 1.00 1.00 12.31 5.00 1.00 23.83 3.00 1.00 14.17 3.00 1.00 14.96 2.00 1.00 12.96 4.00 1.00 15.81 3.00 1.00 19.64 1.00 1.00 11.16 1.00 1.00 11.87 4.00 1.00 17.75 4.00 1.00 26.59 5.00 1.00 19.19 1.00 1.00 9.73 1.00 1.00 11.57 1.00 1.00 14.69 2.00 1.00 13.91 1.00 1.00 17.76 2.00 1.00 13.26 2.00 1.00 17.19 1.00 1.00 12.55 1.00 1.00 13.24 5.00 1.00 28.76 1.00 1.00 10.95 1.00 1.00 16.28 1.00 1.00 10.35 1.00 1.00 11.39 1.00 1.00 9.41 1.00 1.00 14.58 1.00 1.00 9.95 1.00 1.00 12.88 1.00 1.00 10.63 5.00 1.00 21.48 1.00 1.00 11.98 1.00 1.00 17.66 1.00 1.00 11.47 2.00 1.00 18.59 2.00 1.00 14.40 2.00 1.00 18.29 1.00 1.00 13.51 1.00 1.00 10.65 3.00 1.00 13.77 2.00 1.00 13.22 1.00 1.00 10.37 1.00 1.00 13.42 1.00 1.00 10.37 1.00 1.00 9.58 2.00 1.00 13.40

Raw Data

8 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 4.00 1.00 18.82 1.00 1.00 11.41 2.00 1.00 11.61 1.00 1.00 11.32 1.00 1.00 11.03 3.00 1.00 14.57 1.00 1.00 10.74 1.00 1.00 11.20 1.00 1.00 10.47 2.00 1.00 15.39 1.00 1.00 10.46 1.00 1.00 12.04 1.00 1.00 12.25 2.00 1.00 13.06 1.00 1.00 11.52 1.00 1.00 10.56 5.00 1.00 28.29 1.00 1.00 10.81 5.00 1.00 22.67 1.00 1.00 10.88 3.00 1.00 20.07 4.00 1.00 21.44 1.00 1.00 10.40 1.00 1.00 10.31 1.00 1.00 10.66 4.00 1.00 18.34 1.00 1.00 12.20 2.00 1.00 20.21 1.00 1.00 11.75 4.00 1.00 22.75 1.00 1.00 16.77 1.00 1.00 10.58 4.00 1.00 26.21 2.00 1.00 13.95 1.00 1.00 16.36 3.00 1.00 15.08 2.00 1.00 23.49 1.00 1.00 11.19 1.00 1.00 12.53 2.00 1.00 13.48 2.00 1.00 12.15 2.00 1.00 12.67 2.00 1.00 18.31 1.00 1.00 10.64 2.00 1.00 13.51 1.00 1.00 9.55 2.00 1.00 18.42 1.00 1.00 10.28 3.00 1.00 15.80 4.00 1.00 18.81 1.00 1.00 11.43 1.00 1.00 10.23 2.00 1.00 14.46 2.00 1.00 19.66 2.00 1.00 14.02 3.00 1.00 17.44 1.00 1.00 15.19 1.00 1.00 11.39 1.00 1.00 10.95 1.00 1.00 9.23 1.00 1.00 11.52 4.00 1.00 18.16 2.00 1.00 15.50 4.00 1.00 22.92 2.00 1.00 13.79 2.00 1.00 18.91 5.00 1.00 19.48 2.00 1.00 14.23 1.00 1.00 9.58 1.00 1.00 10.53 2.00 1.00 13.70 1.00 1.00 11.08 3.00 1.00 15.65 5.00 1.00 21.89 5.00 1.00 23.08 1.00 1.00 10.54 1.00 1.00 14.21 1.00 1.00 14.93 4.00 1.00 18.15 5.00 1.00 20.80 2.00 1.00 17.51 1.00 1.00 12.33 1.00 1.00 11.60 1.00 1.00 10.93 1.00 1.00 12.15 4.00 1.00 18.24 1.00 1.00 16.23 4.00 1.00 28.32 5.00 1.00 22.56 2.00 1.00 14.21 4.00 1.00 17.81 1.00 1.00 13.06 1.00 1.00 15.76 4.00 1.00 18.75 2.00 1.00 12.53 3.00 1.00 15.35 2.00 1.00 18.23 1.00 1.00 11.12 1.00 1.00 10.92 5.00 1.00 22.49 3.00 1.00 16.11 2.00 1.00 13.08 3.00 1.00 15.25 2.00 1.00 13.19 1.00 1.00 12.13 1.00 1.00 10.48 2.00 1.00 17.47 4.00 1.00 17.76 1.00 1.00 11.10 5.00 1.00 24.39 1.00 1.00 10.23 1.00 1.00 15.01 1.00 1.00 15.93 1.00 1.00 11.07 1.00 1.00 19.69 2.00 1.00 19.14 2.00 1.00 14.38 4.00 1.00 17.37 4.00 1.00 16.48 4.00 1.00 16.22 4.00 1.00 17.98 1.00 1.00 12.31 1.00 1.00 9.86 5.00 1.00 31.86 1.00 1.00 15.54 2.00 1.00 23.47 2.00 1.00 14.34 4.00 1.00 23.61 1.00 1.00 13.25 4.00 1.00 16.04 1.00 1.00 13.37 4.00 1.00 20.04 5.00 1.00 30.92 1.00 1.00 14.67 1.00 1.00 10.49 2.00 1.00 13.15 1.00 1.00 10.16 2.00 1.00 14.36 1.00 1.00 10.41 2.00 1.00 12.41 3.00 1.00 14.77 5.00 1.00 22.54 1.00 1.00 11.49 3.00 1.00 16.35 5.00 1.00 31.52 5.00 1.00 30.32 1.00 1.00 10.64 4.00 1.00 16.95 3.00 1.00 15.30 1.00 1.00 11.26 2.00 1.00 20.19 4.00 1.00 16.78 4.00 1.00 18.56 1.00 1.00 9.96 1.00 1.00 12.86 2.00 1.00 13.32 1.00 1.00 13.31 2.00 1.00 13.61 1.00 1.00 12.20 1.00 1.00 11.44 2.00 1.00 13.46 4.00 1.00 17.68 1.00 1.00 9.90 4.00 1.00 21.20 4.00 1.00 17.52 5.00 1.00 23.32 5.00 1.00 25.55 5.00 1.00 23.49 1.00 1.00 11.70 4.00 1.00 20.75 1.00 1.00 11.53 5.00 1.00 21.45 1.00 1.00 12.28 1.00 1.00 10.79 3.00 1.00 15.29 1.00 1.00 15.72 1.00 1.00 12.70 4.00 1.00 17.52 1.00 1.00 12.31 4.00 1.00 21.90 2.00 1.00 16.01 1.00 1.00 11.72 3.00 1.00 14.96 5.00 1.00 25.20 5.00 1.00 31.76 1.00 1.00 9.66 4.00 1.00 17.97 3.00 1.00 15.55 1.00 1.00 15.88 1.00 1.00 10.00 1.00 1.00 11.27 1.00 1.00 12.66 2.00 1.00 25.36 1.00 1.00 12.88 1.00 1.00 11.53 4.00 1.00 16.99 4.00 1.00 16.14 1.00 1.00 10.77 4.00 1.00 16.01 4.00 1.00 17.80 1.00 1.00 19.59 1.00 1.00 10.69 1.00 1.00 11.49 1.00 1.00 11.33 4.00 1.00 19.53 1.00 1.00 9.75 3.00 1.00 21.20 3.00 1.00 15.52 1.00 1.00 19.63 1.00 1.00 19.51

Raw Data

9 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 2.00 1.00 14.26 5.00 1.00 20.22 1.00 1.00 14.31 1.00 1.00 9.66 4.00 1.00 18.17 4.00 1.00 18.06 3.00 1.00 20.33 1.00 1.00 12.02 1.00 1.00 13.41 4.00 1.00 20.60 1.00 1.00 10.23 4.00 1.00 17.35 1.00 1.00 11.78 4.00 1.00 16.04 1.00 1.00 13.24 2.00 1.00 11.27 4.00 1.00 18.42 4.00 1.00 24.00 4.00 1.00 17.80 3.00 1.00 13.64 1.00 1.00 22.14 2.00 1.00 17.97 3.00 1.00 13.56 5.00 1.00 23.23 1.00 1.00 10.39 1.00 1.00 10.50 4.00 1.00 18.16 2.00 1.00 14.41 5.00 1.00 22.80 3.00 1.00 14.94 2.00 1.00 15.22 5.00 1.00 25.20 3.00 1.00 16.12 2.00 1.00 12.10 4.00 1.00 24.02 2.00 1.00 13.49 2.00 1.00 17.40 1.00 1.00 12.23 2.00 1.00 18.47 3.00 1.00 15.56 1.00 1.00 10.69 2.00 1.00 14.43 4.00 1.00 19.00 4.00 1.00 15.13 4.00 1.00 16.15 1.00 1.00 11.97 4.00 1.00 18.64 3.00 1.00 14.97 5.00 1.00 28.32 4.00 1.00 14.92 4.00 1.00 17.13 2.00 1.00 13.10 1.00 1.00 12.20 2.00 1.00 18.58 4.00 1.00 15.66 2.00 1.00 20.89 2.00 1.00 14.66 4.00 1.00 22.00 1.00 1.00 11.30 1.00 1.00 11.06 1.00 1.00 19.88 5.00 1.00 31.45 1.00 1.00 15.43 4.00 1.00 19.00 1.00 1.00 10.63 1.00 1.00 13.16 1.00 1.00 16.89 1.00 1.00 12.44 5.00 1.00 27.29 4.00 1.00 16.83 3.00 1.00 15.18 1.00 1.00 10.45 4.00 1.00 30.40 2.00 1.00 12.83 1.00 1.00 10.57 1.00 1.00 11.43 1.00 1.00 11.47 2.00 1.00 15.34 1.00 1.00 11.17 4.00 1.00 16.19 1.00 1.00 10.59 1.00 1.00 10.91 4.00 1.00 18.21 4.00 1.00 16.98 5.00 1.00 32.01 5.00 1.00 23.78 1.00 1.00 13.98 1.00 1.00 10.97 1.00 1.00 12.56 1.00 1.00 12.82 1.00 1.00 13.37 1.00 1.00 10.49 4.00 1.00 22.82 2.00 1.00 21.06 5.00 1.00 20.07 5.00 1.00 25.69 1.00 1.00 9.76 1.00 1.00 10.96 2.00 1.00 12.98 1.00 1.00 11.54 4.00 1.00 15.65 1.00 1.00 13.30 4.00 1.00 17.25 2.00 1.00 19.38 1.00 1.00 11.20 2.00 1.00 13.88 2.00 1.00 12.55 4.00 1.00 18.53 4.00 1.00 16.67 1.00 1.00 11.27 1.00 1.00 10.96 1.00 1.00 13.69 3.00 1.00 15.06 1.00 1.00 11.44 1.00 1.00 10.04 3.00 1.00 20.99 5.00 1.00 27.95 1.00 1.00 9.84 1.00 1.00 10.10 1.00 1.00 9.42 1.00 1.00 11.78 1.00 1.00 13.09 1.00 1.00 10.99 1.00 1.00 18.72 1.00 1.00 10.79 4.00 1.00 17.74 1.00 1.00 11.32 5.00 1.00 20.74 4.00 1.00 16.80 1.00 1.00 9.64 5.00 1.00 30.50 2.00 1.00 19.49 5.00 1.00 29.43 2.00 1.00 12.68 1.00 1.00 9.97 5.00 1.00 23.07 1.00 1.00 12.48 1.00 1.00 9.97 5.00 1.00 22.25 2.00 1.00 17.60 1.00 1.00 11.73 1.00 1.00 13.50 2.00 1.00 12.24 1.00 1.00 10.80 4.00 1.00 19.95 1.00 1.00 10.91 1.00 1.00 16.29 1.00 1.00 11.99 3.00 1.00 13.95 1.00 1.00 10.89 1.00 1.00 11.66 3.00 1.00 15.09 4.00 1.00 16.81 1.00 1.00 13.77 1.00 1.00 15.55 3.00 1.00 18.23 4.00 1.00 16.56 1.00 1.00 12.44 1.00 1.00 10.83 1.00 1.00 16.54 5.00 1.00 20.60 5.00 1.00 22.53 1.00 1.00 10.20 2.00 1.00 14.35 4.00 1.00 24.56 2.00 1.00 14.27 5.00 1.00 22.17 1.00 1.00 11.96 5.00 1.00 32.42 4.00 1.00 16.42 1.00 1.00 10.80 3.00 1.00 16.57 1.00 1.00 13.39 4.00 1.00 17.17 1.00 1.00 13.19 2.00 1.00 13.31 4.00 1.00 18.02 2.00 1.00 12.62 1.00 1.00 11.73 2.00 1.00 20.29 1.00 1.00 16.57 2.00 1.00 13.82 2.00 1.00 13.65 1.00 1.00 10.11 4.00 1.00 15.41 1.00 1.00 15.21 1.00 1.00 10.41 4.00 1.00 17.17 4.00 1.00 17.41 1.00 1.00 12.35 5.00 1.00 25.35 1.00 1.00 12.07 4.00 1.00 18.25 2.00 1.00 20.09 1.00 1.00 9.62 1.00 1.00 10.95 1.00 1.00 18.17 1.00 1.00 15.97 4.00 1.00 27.04 1.00 1.00 10.47 2.00 1.00 14.50 3.00 1.00 14.96 4.00 1.00 24.54 1.00 1.00 13.96 5.00 1.00 27.81 1.00 1.00 12.88 1.00 1.00 11.32 4.00 1.00 16.80 2.00 1.00 16.89 4.00 1.00 22.57

Raw Data

10 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 11.65 2.00 1.00 13.74 5.00 1.00 29.58 1.00 1.00 12.42 3.00 1.00 15.39 1.00 1.00 16.64 1.00 1.00 13.71 2.00 1.00 12.09 2.00 1.00 14.82 3.00 1.00 14.11 4.00 1.00 17.44 5.00 1.00 22.45 4.00 1.00 16.66 2.00 1.00 13.34 1.00 1.00 11.84 2.00 1.00 18.71 2.00 1.00 14.89 1.00 1.00 10.29 5.00 1.00 20.97 4.00 1.00 23.43 2.00 1.00 13.78 1.00 1.00 10.63 1.00 1.00 14.07 2.00 1.00 14.25 1.00 1.00 11.15 1.00 1.00 10.71 1.00 1.00 12.52 1.00 1.00 14.65 1.00 1.00 12.64 1.00 1.00 11.47 4.00 1.00 17.18 4.00 1.00 17.26 1.00 1.00 11.58 1.00 1.00 9.60 1.00 1.00 11.41 1.00 1.00 11.85 4.00 1.00 22.54 4.00 1.00 17.91 4.00 1.00 16.58 1.00 1.00 14.65 2.00 1.00 12.12 4.00 1.00 23.35 4.00 1.00 17.54 1.00 1.00 11.74 1.00 1.00 12.16 1.00 1.00 16.11 4.00 1.00 16.37 2.00 1.00 17.20 1.00 1.00 13.96 1.00 1.00 12.79 1.00 1.00 9.79 5.00 1.00 24.02 1.00 1.00 18.16 2.00 1.00 12.32 2.00 1.00 13.51 1.00 1.00 8.82 4.00 1.00 23.68 5.00 1.00 32.55 1.00 1.00 10.87 1.00 1.00 13.73 3.00 1.00 19.22 1.00 1.00 15.74 1.00 1.00 11.83 1.00 1.00 10.45 4.00 1.00 18.99 2.00 1.00 12.05 4.00 1.00 17.98 3.00 1.00 13.94 4.00 1.00 17.20 1.00 1.00 12.52 1.00 1.00 17.75 4.00 1.00 16.61 5.00 1.00 26.62 1.00 1.00 13.65 4.00 1.00 17.62 2.00 1.00 13.19 1.00 1.00 10.22 1.00 1.00 12.42 4.00 1.00 17.12 3.00 1.00 21.01 4.00 1.00 17.71 4.00 1.00 16.25 1.00 1.00 12.08 2.00 1.00 12.73 3.00 1.00 14.79 1.00 1.00 12.15 4.00 1.00 17.52 4.00 1.00 17.02 4.00 1.00 16.31 4.00 1.00 16.70 4.00 1.00 17.12 1.00 1.00 12.40 2.00 1.00 17.50 4.00 1.00 24.08 1.00 1.00 10.04 1.00 1.00 17.01 1.00 1.00 12.12 2.00 1.00 18.08 1.00 1.00 9.45 4.00 1.00 21.57 1.00 1.00 11.69 5.00 1.00 36.23 4.00 1.00 18.79 5.00 1.00 23.67 4.00 1.00 20.55 1.00 1.00 12.65 2.00 1.00 13.67 4.00 1.00 19.15 4.00 1.00 15.42 5.00 1.00 24.89 3.00 1.00 18.91 1.00 1.00 12.85 5.00 1.00 21.74 4.00 1.00 18.18 5.00 1.00 22.39 1.00 1.00 10.90 4.00 1.00 17.46 1.00 1.00 11.39 1.00 1.00 12.82 4.00 1.00 20.10 2.00 1.00 12.88 4.00 1.00 18.52 4.00 1.00 24.03 2.00 1.00 13.20 4.00 1.00 18.59 1.00 1.00 14.81 1.00 1.00 16.30 3.00 1.00 20.73 2.00 1.00 12.57 1.00 1.00 13.93 2.00 1.00 19.87 1.00 1.00 10.54 1.00 1.00 11.13 3.00 1.00 15.86 4.00 1.00 17.25 1.00 1.00 11.68 1.00 1.00 10.43 1.00 1.00 11.92 4.00 1.00 15.96 1.00 1.00 10.72 3.00 1.00 16.64 3.00 1.00 16.54 1.00 1.00 20.53 4.00 1.00 17.01 2.00 1.00 19.78 1.00 1.00 12.38 1.00 1.00 12.87 1.00 1.00 13.59 1.00 1.00 11.62 2.00 1.00 12.55 2.00 1.00 14.54 1.00 1.00 12.89 1.00 1.00 11.22 2.00 1.00 12.40 4.00 1.00 15.21 5.00 1.00 31.40 1.00 1.00 11.72 2.00 1.00 23.66 1.00 1.00 11.48 1.00 1.00 11.04 1.00 1.00 11.14 4.00 1.00 16.13 4.00 1.00 21.61 2.00 1.00 18.36 4.00 1.00 18.33 4.00 1.00 16.87 1.00 1.00 10.58 1.00 1.00 10.57 4.00 1.00 23.01 2.00 1.00 19.20 3.00 1.00 20.45 1.00 1.00 15.37 4.00 1.00 18.01 2.00 1.00 12.23 5.00 1.00 21.41 1.00 1.00 14.26 2.00 1.00 13.24 4.00 1.00 16.74 5.00 1.00 23.97 5.00 1.00 21.61 4.00 1.00 16.90 1.00 1.00 20.52 4.00 1.00 16.79 2.00 1.00 11.81 4.00 1.00 18.81 4.00 1.00 16.89 1.00 1.00 11.39 2.00 1.00 13.82 1.00 1.00 14.28 2.00 1.00 20.34 1.00 1.00 9.99 4.00 1.00 18.83 4.00 1.00 17.85 1.00 1.00 9.30 3.00 1.00 21.54 1.00 1.00 11.14 5.00 1.00 23.40 1.00 1.00 18.52 4.00 1.00 17.77 2.00 1.00 25.39 3.00 1.00 18.87 1.00 1.00 11.54 2.00 1.00 17.39 2.00 1.00 14.32 5.00 1.00 30.73 2.00 1.00 12.88 1.00 1.00 10.32 4.00 1.00 16.11 1.00 1.00 11.64 1.00 1.00 10.80

Raw Data

11 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 15.80 1.00 1.00 9.37 1.00 1.00 12.28 1.00 1.00 11.10 2.00 1.00 15.11 1.00 1.00 10.00 2.00 1.00 12.67 1.00 1.00 10.52 1.00 1.00 11.11 1.00 1.00 10.06 1.00 1.00 12.02 1.00 1.00 14.06 5.00 1.00 23.58 1.00 1.00 13.10 1.00 1.00 15.30 1.00 1.00 10.42 1.00 1.00 11.42 1.00 1.00 11.46 1.00 1.00 10.18 2.00 1.00 13.73 1.00 1.00 12.29 4.00 1.00 15.64 2.00 1.00 14.62 1.00 1.00 10.57 1.00 1.00 10.48 4.00 1.00 18.95 3.00 1.00 14.63 4.00 1.00 25.82 5.00 1.00 23.43 5.00 1.00 21.68 1.00 1.00 11.01 1.00 1.00 11.37 2.00 1.00 11.84 5.00 1.00 28.43 2.00 1.00 13.44 2.00 1.00 13.11 2.00 1.00 11.84 4.00 1.00 23.11 5.00 1.00 29.77 4.00 1.00 17.16 3.00 1.00 14.11 4.00 1.00 18.05 1.00 1.00 9.53 2.00 1.00 12.89 2.00 1.00 12.45 1.00 1.00 11.24 1.00 1.00 13.64 1.00 1.00 16.68 3.00 1.00 20.33 1.00 1.00 10.94 3.00 1.00 14.54 4.00 1.00 18.11 5.00 1.00 28.08 4.00 1.00 18.02 5.00 1.00 23.76 2.00 1.00 19.55 1.00 1.00 11.32 1.00 1.00 10.18 3.00 1.00 15.13 4.00 1.00 18.09 5.00 1.00 35.16 1.00 1.00 9.34 1.00 1.00 10.52 1.00 1.00 12.10 2.00 1.00 21.14 2.00 1.00 12.97 1.00 1.00 10.53 4.00 1.00 16.29 5.00 1.00 31.28 1.00 1.00 12.88 1.00 1.00 12.11 1.00 1.00 10.77 5.00 1.00 21.95 2.00 1.00 19.05 1.00 1.00 12.31 3.00 1.00 14.55 1.00 1.00 13.74 2.00 1.00 19.42 3.00 1.00 18.81 1.00 1.00 11.33 3.00 1.00 26.23 2.00 1.00 20.44 5.00 1.00 26.53 1.00 1.00 10.86 2.00 1.00 21.36 4.00 1.00 16.77 2.00 1.00 16.24 2.00 1.00 13.88 3.00 1.00 15.72 1.00 1.00 10.67 4.00 1.00 18.40 5.00 1.00 21.81 1.00 1.00 10.03 1.00 1.00 11.89 1.00 1.00 10.11 1.00 1.00 11.08 4.00 1.00 17.06 2.00 1.00 13.01 5.00 1.00 25.95 1.00 1.00 11.42 2.00 1.00 18.18 1.00 1.00 9.43 1.00 1.00 22.71 4.00 1.00 15.09 1.00 1.00 11.29 3.00 1.00 18.53 5.00 1.00 22.15 4.00 1.00 17.57 2.00 1.00 12.45 2.00 1.00 12.12 4.00 1.00 24.00 1.00 1.00 17.81 1.00 1.00 10.32 2.00 1.00 20.50 3.00 1.00 15.75 1.00 1.00 11.34 1.00 1.00 11.71 1.00 1.00 11.87 2.00 1.00 19.12 2.00 1.00 13.92 4.00 1.00 15.46 4.00 1.00 17.72 3.00 1.00 20.49 1.00 1.00 11.16 1.00 1.00 15.61 1.00 1.00 12.06 4.00 1.00 17.18 1.00 1.00 9.72 1.00 1.00 17.25 3.00 1.00 15.19 4.00 1.00 24.52 5.00 1.00 22.41 1.00 1.00 12.29 4.00 1.00 17.43 1.00 1.00 10.26 3.00 1.00 20.51 4.00 1.00 19.12 4.00 1.00 17.49 2.00 1.00 14.15 2.00 1.00 16.04 1.00 1.00 11.89 4.00 1.00 15.83 2.00 1.00 12.82 5.00 1.00 21.09 3.00 1.00 14.72 1.00 1.00 11.87 2.00 1.00 13.42 3.00 1.00 14.25 2.00 1.00 11.73 1.00 1.00 20.71 4.00 1.00 18.17 4.00 1.00 17.69 1.00 1.00 12.03 2.00 1.00 12.75 3.00 1.00 16.93 1.00 1.00 10.55 2.00 1.00 22.87 4.00 1.00 18.13 1.00 1.00 11.60 1.00 1.00 12.40 2.00 1.00 13.00 4.00 1.00 16.55 4.00 1.00 17.27 5.00 1.00 24.56 3.00 1.00 21.21 1.00 1.00 11.88 1.00 1.00 10.22 3.00 1.00 14.78 3.00 1.00 14.05 3.00 1.00 16.22 1.00 1.00 10.42 2.00 1.00 13.70 1.00 1.00 12.58 2.00 1.00 11.98 2.00 1.00 13.14 1.00 1.00 12.41 1.00 1.00 12.45 3.00 1.00 15.36 1.00 1.00 12.13 1.00 1.00 11.47 4.00 1.00 15.35 5.00 1.00 22.29 3.00 1.00 13.24 3.00 1.00 20.04 1.00 1.00 9.93 4.00 1.00 17.70 4.00 1.00 17.18 1.00 1.00 9.32 4.00 1.00 23.24 1.00 1.00 9.37 1.00 1.00 12.41 2.00 1.00 12.78 3.00 1.00 14.97 1.00 1.00 15.79 2.00 1.00 14.42 1.00 1.00 10.18 3.00 1.00 23.62 5.00 1.00 21.24 2.00 1.00 13.97 4.00 1.00 17.98 1.00 1.00 11.11 1.00 1.00 9.65 4.00 1.00 15.13 2.00 1.00 12.48 4.00 1.00 16.78 5.00 1.00 20.92 1.00 1.00 9.72 1.00 1.00 10.98 1.00 1.00 10.67 1.00 1.00 9.81

Raw Data

12 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 4.00 1.00 22.61 3.00 1.00 19.86 1.00 1.00 10.57 4.00 1.00 16.13 1.00 1.00 10.22 4.00 1.00 17.27 2.00 1.00 17.14 4.00 1.00 16.70 5.00 1.00 27.27 1.00 1.00 11.27 2.00 1.00 12.43 2.00 1.00 11.90 1.00 1.00 10.97 2.00 1.00 12.87 4.00 1.00 21.90 1.00 1.00 12.63 1.00 1.00 11.99 1.00 1.00 17.68 5.00 1.00 23.73 1.00 1.00 12.35 4.00 1.00 21.72 1.00 1.00 10.12 1.00 1.00 12.12 5.00 1.00 25.10 3.00 1.00 15.20 1.00 1.00 14.46 1.00 1.00 10.88 1.00 1.00 11.01 4.00 1.00 17.50 1.00 1.00 10.46 1.00 1.00 10.05 2.00 1.00 20.90 2.00 1.00 24.35 1.00 1.00 11.61 1.00 1.00 11.37 2.00 1.00 22.58 3.00 1.00 13.37 1.00 1.00 19.88 5.00 1.00 31.85 2.00 1.00 18.34 3.00 1.00 20.19 1.00 1.00 10.64 2.00 1.00 17.53 1.00 1.00 11.33 4.00 1.00 22.97 5.00 1.00 30.56 4.00 1.00 16.44 2.00 1.00 12.94 5.00 1.00 26.68 5.00 1.00 23.13 1.00 1.00 12.03 1.00 1.00 11.42 5.00 1.00 21.06 1.00 1.00 11.77 2.00 1.00 19.38 5.00 1.00 20.15 1.00 1.00 11.48 4.00 1.00 19.24 3.00 1.00 15.31 2.00 1.00 19.70 1.00 1.00 18.85 2.00 1.00 12.55 5.00 1.00 24.50 1.00 1.00 11.52 1.00 1.00 10.12 5.00 1.00 30.08 5.00 1.00 20.07 1.00 1.00 20.27 1.00 1.00 10.21 1.00 1.00 10.70 4.00 1.00 17.70 4.00 1.00 23.54 1.00 1.00 12.94 5.00 1.00 22.02 3.00 1.00 15.58 4.00 1.00 18.39 2.00 1.00 12.17 1.00 1.00 11.37 3.00 1.00 13.10 4.00 1.00 18.04 3.00 1.00 13.70 5.00 1.00 30.49 1.00 1.00 12.03 1.00 1.00 11.67 2.00 1.00 17.73 1.00 1.00 13.19 1.00 1.00 10.80 2.00 1.00 12.42 3.00 1.00 14.73 4.00 1.00 17.75 1.00 1.00 10.58 2.00 1.00 11.62 4.00 1.00 17.40 1.00 1.00 10.83 1.00 1.00 10.94 2.00 1.00 13.18 1.00 1.00 10.68 3.00 1.00 18.00 4.00 1.00 17.35 4.00 1.00 15.76 5.00 1.00 24.68 3.00 1.00 15.87 5.00 1.00 31.79 1.00 1.00 11.92 2.00 1.00 18.72 1.00 1.00 12.00 4.00 1.00 16.31 4.00 1.00 19.30 5.00 1.00 21.17 1.00 1.00 15.75 1.00 1.00 10.72 1.00 1.00 14.37 1.00 1.00 10.71 4.00 1.00 17.52 5.00 1.00 23.72 1.00 1.00 9.48 1.00 1.00 11.77 5.00 1.00 29.96 5.00 1.00 30.77 1.00 1.00 11.64 1.00 1.00 9.63 2.00 1.00 11.99 1.00 1.00 11.30 3.00 1.00 16.16 1.00 1.00 13.84 2.00 1.00 20.28 3.00 1.00 14.63 2.00 1.00 19.53 2.00 1.00 14.28 2.00 1.00 12.92 2.00 1.00 13.02 5.00 1.00 27.67 2.00 1.00 13.23 3.00 1.00 14.89 2.00 1.00 13.12 1.00 1.00 10.32 4.00 1.00 17.86 1.00 1.00 12.68 5.00 1.00 28.41 5.00 1.00 19.89 1.00 1.00 10.87 4.00 1.00 19.35 3.00 1.00 12.93 1.00 1.00 15.62 2.00 1.00 12.83 1.00 1.00 13.34 4.00 1.00 23.17 1.00 1.00 10.65 3.00 1.00 14.11 1.00 1.00 9.94 5.00 1.00 23.76 4.00 1.00 18.05 4.00 1.00 15.72 1.00 1.00 16.30 4.00 1.00 16.06 3.00 1.00 13.92 1.00 1.00 10.92 1.00 1.00 11.44 2.00 1.00 12.39 1.00 1.00 12.45 1.00 1.00 10.11 1.00 1.00 11.55 1.00 1.00 11.44 1.00 1.00 15.69 4.00 1.00 15.96 4.00 1.00 15.55 1.00 1.00 10.83 2.00 1.00 25.22 1.00 1.00 12.52 2.00 1.00 14.29 3.00 1.00 13.92 1.00 1.00 13.56 3.00 1.00 15.49 3.00 1.00 28.12 3.00 1.00 16.81 2.00 1.00 11.87 2.00 1.00 18.06 4.00 1.00 17.78 1.00 1.00 10.69 3.00 1.00 13.84 1.00 1.00 13.30 1.00 1.00 9.85 3.00 1.00 15.51 5.00 1.00 22.18 1.00 1.00 12.40 1.00 1.00 12.15 4.00 1.00 17.18 1.00 1.00 16.75 1.00 1.00 10.76 2.00 1.00 17.15 2.00 1.00 13.36 1.00 1.00 11.05 4.00 1.00 17.82 1.00 1.00 11.66 4.00 1.00 20.02 4.00 1.00 17.26 3.00 1.00 21.58 4.00 1.00 19.09 3.00 1.00 19.65 4.00 1.00 22.10 1.00 1.00 11.83 2.00 1.00 12.71 2.00 1.00 12.91 3.00 1.00 20.38 4.00 1.00 16.15 1.00 1.00 11.08 2.00 1.00 15.67 4.00 1.00 16.78 1.00 1.00 12.55 5.00 1.00 22.43

Raw Data

13 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 2.00 1.00 18.94 2.00 1.00 18.46 5.00 1.00 22.21 2.00 1.00 19.68 2.00 1.00 16.58 2.00 1.00 12.39 2.00 1.00 12.51 1.00 1.00 11.36 2.00 1.00 20.28 4.00 1.00 17.52 4.00 1.00 15.09 4.00 1.00 17.82 1.00 1.00 15.08 1.00 1.00 9.80 2.00 1.00 22.77 4.00 1.00 29.31 3.00 1.00 13.93 1.00 1.00 11.41 3.00 1.00 15.22 2.00 1.00 13.23 5.00 1.00 23.82 4.00 1.00 16.53 2.00 1.00 14.01 1.00 1.00 15.70 2.00 1.00 13.22 3.00 1.00 14.86 2.00 1.00 12.83 2.00 1.00 21.31 1.00 1.00 20.38 2.00 1.00 19.48 5.00 1.00 21.41 5.00 1.00 20.99 2.00 1.00 19.83 4.00 1.00 17.07 5.00 1.00 21.12 1.00 1.00 11.39 1.00 1.00 14.58 2.00 1.00 14.54 1.00 1.00 11.43 1.00 1.00 10.36 4.00 1.00 17.55 1.00 1.00 13.74 3.00 1.00 22.61 2.00 1.00 12.67 1.00 1.00 11.69 1.00 1.00 11.32 4.00 1.00 22.41 1.00 1.00 17.36 2.00 1.00 22.16 5.00 1.00 24.36 3.00 1.00 15.74 1.00 1.00 11.16 1.00 1.00 11.75 4.00 1.00 16.27 4.00 1.00 16.36 2.00 1.00 12.99 1.00 1.00 12.63 3.00 1.00 16.06 1.00 1.00 12.49 2.00 1.00 13.00 5.00 1.00 29.35 1.00 1.00 10.40 1.00 1.00 16.28 1.00 1.00 11.26 5.00 1.00 25.60 1.00 1.00 9.06 2.00 1.00 13.20 5.00 1.00 32.42 1.00 1.00 10.69 1.00 1.00 10.81 3.00 1.00 16.13 1.00 1.00 13.54 1.00 1.00 11.74 2.00 1.00 18.61 5.00 1.00 34.94 2.00 1.00 19.70 2.00 1.00 15.18 2.00 1.00 14.27 1.00 1.00 12.53 3.00 1.00 14.44 1.00 1.00 11.00 1.00 1.00 11.77 2.00 1.00 14.83 1.00 1.00 20.14 1.00 1.00 14.44 4.00 1.00 16.51 1.00 1.00 11.75 1.00 1.00 10.40 2.00 1.00 15.48 1.00 1.00 11.57 1.00 1.00 9.91 4.00 1.00 19.23 5.00 1.00 23.66 4.00 1.00 24.07 1.00 1.00 11.73 4.00 1.00 16.94 1.00 1.00 17.06 1.00 1.00 11.26 4.00 1.00 15.42 2.00 1.00 11.87 2.00 1.00 15.72 4.00 1.00 29.98 1.00 1.00 11.68 2.00 1.00 17.22 4.00 1.00 24.16 2.00 1.00 12.97 4.00 1.00 15.67 1.00 1.00 17.21 4.00 1.00 30.09 1.00 1.00 10.45 1.00 1.00 13.57 1.00 1.00 20.49 1.00 1.00 11.78 2.00 1.00 12.92 1.00 1.00 16.91 1.00 1.00 13.57 2.00 1.00 14.61 1.00 1.00 12.00 3.00 1.00 16.42 4.00 1.00 16.56 4.00 1.00 18.59 1.00 1.00 11.37 2.00 1.00 12.06 2.00 1.00 12.67 2.00 1.00 12.81 3.00 1.00 15.77 1.00 1.00 14.33 2.00 1.00 19.29 1.00 1.00 10.55 1.00 1.00 11.98 1.00 1.00 14.13 4.00 1.00 26.35 1.00 1.00 11.47 1.00 1.00 10.69 4.00 1.00 22.47 1.00 1.00 10.90 4.00 1.00 17.13 1.00 1.00 18.77 4.00 1.00 17.05 5.00 1.00 31.04 1.00 1.00 12.32 5.00 1.00 22.78 4.00 1.00 17.38 4.00 1.00 17.81 2.00 1.00 12.91 1.00 1.00 11.52 4.00 1.00 22.36 1.00 1.00 10.82 4.00 1.00 17.03 1.00 1.00 9.99 2.00 1.00 19.80 4.00 1.00 23.58 1.00 1.00 11.31 4.00 1.00 17.21 1.00 1.00 15.89 1.00 1.00 11.66 1.00 1.00 12.22 1.00 1.00 12.07 4.00 1.00 24.89 1.00 1.00 10.51 3.00 1.00 16.16 1.00 1.00 11.29 4.00 1.00 17.42 1.00 1.00 14.21 4.00 1.00 15.98 4.00 1.00 17.88 1.00 1.00 11.01 1.00 1.00 10.17 2.00 1.00 12.93 3.00 1.00 13.97 1.00 1.00 12.38 5.00 1.00 28.71 1.00 1.00 11.01 5.00 1.00 27.68 1.00 1.00 10.63 3.00 1.00 17.25 2.00 1.00 12.69 1.00 1.00 10.07 4.00 1.00 16.46 1.00 1.00 10.82 1.00 1.00 12.09 1.00 1.00 11.87 2.00 1.00 19.18 1.00 1.00 9.16 3.00 1.00 14.14 2.00 1.00 14.66 5.00 1.00 22.21 4.00 1.00 25.73 2.00 1.00 18.16 2.00 1.00 13.45 1.00 1.00 14.45 3.00 1.00 13.98 3.00 1.00 15.07 4.00 1.00 17.76 4.00 1.00 18.63 4.00 1.00 16.13 3.00 1.00 21.12 1.00 1.00 10.08 3.00 1.00 16.29 1.00 1.00 11.57 3.00 1.00 20.60 2.00 1.00 12.93 3.00 1.00 13.11 3.00 1.00 15.41 1.00 1.00 16.45 1.00 1.00 10.30 1.00 1.00 12.67 2.00 1.00 25.85 2.00 1.00 13.27 2.00 1.00 21.57

Raw Data

14 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 9.33 4.00 1.00 17.82 1.00 1.00 14.64 2.00 1.00 15.08 1.00 1.00 10.25 1.00 1.00 11.43 2.00 1.00 13.28 2.00 1.00 12.05 2.00 1.00 15.34 4.00 1.00 15.54 1.00 1.00 13.93 2.00 1.00 18.95 3.00 1.00 22.46 2.00 1.00 14.89 1.00 1.00 11.62 1.00 1.00 18.95 3.00 1.00 16.30 3.00 1.00 17.66 1.00 1.00 11.60 1.00 1.00 10.82 5.00 1.00 32.70 4.00 1.00 16.74 1.00 1.00 19.07 1.00 1.00 10.62 4.00 1.00 19.83 4.00 1.00 20.41 3.00 1.00 15.37 5.00 1.00 23.83 2.00 1.00 15.08 4.00 1.00 16.12 2.00 1.00 14.01 3.00 1.00 15.72 1.00 1.00 10.50 5.00 1.00 31.85 1.00 1.00 10.48 3.00 1.00 15.95 5.00 1.00 21.34 3.00 1.00 14.58 5.00 1.00 24.89 5.00 1.00 20.95 4.00 1.00 16.62 2.00 1.00 13.16 1.00 1.00 10.38 1.00 1.00 12.35 4.00 1.00 19.82 5.00 1.00 21.93 2.00 1.00 15.78 1.00 1.00 11.43 1.00 1.00 12.91 1.00 1.00 11.30 3.00 1.00 14.76 4.00 1.00 16.78 1.00 1.00 11.63 3.00 1.00 14.00 1.00 1.00 15.26 5.00 1.00 25.13 1.00 1.00 10.89 1.00 1.00 14.14 4.00 1.00 15.74 1.00 1.00 14.64 1.00 1.00 19.50 2.00 1.00 25.08 1.00 1.00 16.76 4.00 1.00 18.51 2.00 1.00 22.71 1.00 1.00 9.81 1.00 1.00 10.23 3.00 1.00 15.18 1.00 1.00 11.61 3.00 1.00 15.92 5.00 1.00 29.13 1.00 1.00 21.20 1.00 1.00 15.89 4.00 1.00 16.49 1.00 1.00 12.17 1.00 1.00 14.31 2.00 1.00 17.93 2.00 1.00 14.33 1.00 1.00 10.90 1.00 1.00 14.22 2.00 1.00 12.01 4.00 1.00 16.82 1.00 1.00 14.40 2.00 1.00 13.99 1.00 1.00 12.35 1.00 1.00 11.60 1.00 1.00 9.87 1.00 1.00 12.31 1.00 1.00 9.81 1.00 1.00 10.91 1.00 1.00 10.42 1.00 1.00 9.13 5.00 1.00 23.67 5.00 1.00 20.99 2.00 1.00 13.92 4.00 1.00 17.90 1.00 1.00 12.36 4.00 1.00 18.41 1.00 1.00 10.31 1.00 1.00 10.20 2.00 1.00 21.25 4.00 1.00 23.29 5.00 1.00 25.06 4.00 1.00 27.03 2.00 1.00 11.37 3.00 1.00 14.45 1.00 1.00 10.82 3.00 1.00 15.26 3.00 1.00 15.64 5.00 1.00 30.01 4.00 1.00 15.91 4.00 1.00 17.64 1.00 1.00 16.38 5.00 1.00 23.96 5.00 1.00 23.27 4.00 1.00 22.01 4.00 1.00 16.39 2.00 1.00 12.57 4.00 1.00 25.60 4.00 1.00 17.87 1.00 1.00 11.75 2.00 1.00 14.24 4.00 1.00 26.68 1.00 1.00 17.08 1.00 1.00 11.21 4.00 1.00 18.41 1.00 1.00 13.74 2.00 1.00 15.41 3.00 1.00 15.48 2.00 1.00 14.84 4.00 1.00 17.08 1.00 1.00 11.01 1.00 1.00 11.71 1.00 1.00 14.95 2.00 1.00 13.86 3.00 1.00 13.58 1.00 1.00 12.24 1.00 1.00 12.96 1.00 1.00 11.45 2.00 1.00 13.97 1.00 1.00 12.65 1.00 1.00 11.57 4.00 1.00 17.88 5.00 1.00 32.63 1.00 1.00 11.10 2.00 1.00 11.48 2.00 1.00 12.76 1.00 1.00 12.44 1.00 1.00 9.57 1.00 1.00 11.90 1.00 1.00 9.38 1.00 1.00 10.91 4.00 1.00 23.88 1.00 1.00 17.24 3.00 1.00 14.54 1.00 1.00 11.66 2.00 1.00 13.29 1.00 1.00 19.54 1.00 1.00 12.91 2.00 1.00 12.66 1.00 1.00 11.69 5.00 1.00 20.12 3.00 1.00 15.33 2.00 1.00 12.99 1.00 1.00 11.02 2.00 1.00 13.57 5.00 1.00 25.66 1.00 1.00 12.93 1.00 1.00 11.80 2.00 1.00 13.58 1.00 1.00 9.86 1.00 1.00 14.80 5.00 1.00 23.84 5.00 1.00 23.67 2.00 1.00 14.63 4.00 1.00 18.86 1.00 1.00 12.75 1.00 1.00 12.77 4.00 1.00 16.33 4.00 1.00 23.23 1.00 1.00 9.87 5.00 1.00 24.40 1.00 1.00 11.35 1.00 1.00 12.27 1.00 1.00 10.04 1.00 1.00 10.88 5.00 1.00 25.97 2.00 1.00 13.48 4.00 1.00 28.62 4.00 1.00 16.55 1.00 1.00 17.31 3.00 1.00 14.68 4.00 1.00 18.38 3.00 1.00 14.32 2.00 1.00 12.99 4.00 1.00 16.75 4.00 1.00 16.78 1.00 1.00 9.28 1.00 1.00 14.85 1.00 1.00 12.73 2.00 1.00 12.49 2.00 1.00 16.63 3.00 1.00 15.30 1.00 1.00 10.51 1.00 1.00 15.67 1.00 1.00 15.55 2.00 1.00 12.19 1.00 1.00 19.19 5.00 1.00 25.04 4.00 1.00 18.48

Raw Data

15 - 16

Appendix D

Type (Run Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 4.00 1.00 18.66 2.00 1.00 12.45 4.00 1.00 15.55 2.00 1.00 12.61 4.00 1.00 15.64 1.00 1.00 10.61 1.00 1.00 11.87 1.00 1.00 11.91 1.00 1.00 10.52 2.00 1.00 13.50 3.00 1.00 13.99 2.00 1.00 16.28 5.00 1.00 20.48 5.00 1.00 32.39 5.00 1.00 25.54 1.00 1.00 11.60 5.00 1.00 25.09 1.00 1.00 12.93 1.00 1.00 12.36 2.00 1.00 12.82 1.00 1.00 11.61 1.00 1.00 15.57 2.00 1.00 13.44 4.00 1.00 17.59 3.00 1.00 14.94 2.00 1.00 12.21 2.00 1.00 13.45 4.00 1.00 18.40 1.00 1.00 13.56 1.00 1.00 9.82 1.00 1.00 11.92 1.00 1.00 12.44 4.00 1.00 15.48 2.00 1.00 16.08 5.00 1.00 23.65 2.00 1.00 14.00 1.00 1.00 11.57 1.00 1.00 14.15 4.00 1.00 15.61 2.00 1.00 13.25 4.00 1.00 18.69 4.00 1.00 23.20 1.00 1.00 14.68 4.00 1.00 19.93 1.00 1.00 11.81 5.00 1.00 23.84 2.00 1.00 13.48 1.00 1.00 12.71 2.00 1.00 18.18 1.00 1.00 11.81 3.00 1.00 13.73 4.00 1.00 16.83 1.00 1.00 11.82 5.00 1.00 22.97 1.00 1.00 10.75 1.00 1.00 11.70 1.00 1.00 11.75 1.00 1.00 11.11 5.00 1.00 31.10 2.00 1.00 13.14 5.00 1.00 22.04 2.00 1.00 19.40 2.00 1.00 19.32 2.00 1.00 19.21 1.00 1.00 11.42 1.00 1.00 11.30 1.00 1.00 11.83 1.00 1.00 15.79 1.00 1.00 9.98 4.00 1.00 15.04 1.00 1.00 14.56 1.00 1.00 10.06 2.00 1.00 14.46 5.00 1.00 24.34 4.00 1.00 16.84 1.00 1.00 11.10 1.00 1.00 10.03 2.00 1.00 20.34 1.00 1.00 18.28 1.00 1.00 13.04 3.00 1.00 20.94 1.00 1.00 10.29 1.00 1.00 9.68 1.00 1.00 13.01 1.00 1.00 21.22 3.00 1.00 17.62 1.00 1.00 11.22 1.00 1.00 9.86 3.00 1.00 19.66 4.00 1.00 16.78 1.00 1.00 11.72 1.00 1.00 14.80 4.00 1.00 15.69 1.00 1.00 11.46 1.00 1.00 13.14 1.00 1.00 12.63 1.00 1.00 12.61 3.00 1.00 20.82 4.00 1.00 16.79 5.00 1.00 33.94 5.00 1.00 25.97 4.00 1.00 18.12 4.00 1.00 16.50 4.00 1.00 17.77 1.00 1.00 11.59 2.00 1.00 13.91 2.00 1.00 12.70 2.00 1.00 23.24 1.00 1.00 9.21 2.00 1.00 13.36

Raw Data

16 - 16

Appendix D

Appendix E: Simulatieresultaten 1e optimalisatie Supply Chain (BMF – EB)

Graph - General

Verzamelbereik Frequentie Cumulatief % 9.00 1.00 0.00 9.97 39.00 0.04 10.93 127.00 0.17 11.90 136.00 0.30 12.87 88.00 0.39 13.84 84.00 0.48 14.81 53.00 0.53 15.78 67.00 0.60 16.74 78.00 0.67 17.71 76.00 0.75 18.68 48.00 0.80 19.65 28.00 0.83 20.62 23.00 0.85 21.59 31.00 0.88 22.55 27.00 0.91 23.52 30.00 0.94 24.49 13.00 0.95 25.46 13.00 0.96 26.43 8.00 0.97 27.39 2.00 0.97 28.36 0.00 0.97 29.33 11.00 0.98 30.30 5.00 0.99 31.27 4.00 0.99 32.24 1.00 0.99 33.20 3.00 1.00 34.17 2.00 1.00 35.14 0.00 1.00 36.11 1.00 1.00 37.08 0.00 1.00 38.05 0.00 1.00 Meer 1.00 1.00

Globale histogram run 1 140.00

1.20

120.00

1.00

Frequentie

100.00

0.80

80.00 0.60 60.00 0.40

40.00

0.20

0.00

0.00

8. 8 11 6 .7 14 0 .5 17 4 .3 20 8 .2 23 3 .0 25 7 .9 28 1 .7 31 5 .5 34 9 .4 37 3 .2 7

20.00

Verzamelbereik

Globale histogram run 2 160.00

1.20

140.00

1.00

120.00 0.80

100.00

0.60

80.00 60.00

0.40

40.00 0.20

20.00 0.00

0.00

9. 0 11 0 .9 14 0 .8 17 1 .7 20 1 .6 23 2 .5 26 2 .4 29 3 .3 32 3 .2 35 4 .1 38 4 .0 5

LT (Run 2) Gemiddelde 15.41 Standaardfout 0.15 Mediaan 14.38 Modus 11.42 Standaarddeviatie 4.85 Steekproefvariantie 23.48 Kurtosis 1.63 Scheefheid 1.23 Bereik 30.02 Minimum 9.00 Maximum 39.01 Som 15412.77 Aantal 1000.00 Betrouwbaarheidsniveau(95.0%) 0.30

Verzamelbereik Frequentie Cumulatief % 8.86 1.00 0.00 9.81 33.00 0.03 10.76 75.00 0.11 11.70 119.00 0.23 12.65 96.00 0.32 13.60 77.00 0.40 14.54 75.00 0.48 15.49 62.00 0.54 16.44 70.00 0.61 17.38 83.00 0.69 18.33 48.00 0.74 19.28 34.00 0.77 20.23 29.00 0.80 21.17 33.00 0.84 22.12 34.00 0.87 23.07 39.00 0.91 24.01 30.00 0.94 24.96 15.00 0.95 25.91 11.00 0.96 26.85 3.00 0.97 27.80 2.00 0.97 28.75 8.00 0.98 29.69 5.00 0.98 30.64 7.00 0.99 31.59 2.00 0.99 32.54 3.00 0.99 33.48 3.00 1.00 34.43 1.00 1.00 35.38 0.00 1.00 36.32 1.00 1.00 37.27 0.00 1.00 Meer 1.00 1.00

Frequentie

LT (Run 1) Gemiddelde 15.92 Standaardfout 0.16 Mediaan 14.91 Modus 11.23 Standaarddeviatie 4.96 Steekproefvariantie 24.56 Kurtosis 1.01 Scheefheid 1.05 Bereik 29.36 Minimum 8.86 Maximum 38.22 Som 15916.02 Aantal 1000.00 Betrouwbaarheidsniveau(95.0%) 0.31

Verzamelbereik

1 - 20

Appendix E

Graph - 1

11.99 0.13 11.22 10.87 2.58 6.64 5.07 2.21 14.96 9.00 23.96 4939.57 412.00 0.25

Verzamelbereik Frequentie Cumulatief % 9.00 1.00 0.00 9.74 26.00 0.07 10.49 67.00 0.23 11.24 116.00 0.51 11.99 83.00 0.71 12.74 46.00 0.82 13.49 8.00 0.84 14.23 7.00 0.86 14.98 6.00 0.87 15.73 12.00 0.90 16.48 10.00 0.93 17.23 4.00 0.94 17.97 5.00 0.95 18.72 4.00 0.96 19.47 5.00 0.97 20.22 3.00 0.98 20.97 2.00 0.98 21.71 3.00 0.99 22.46 1.00 0.99 23.21 1.00 1.00 Meer 2.00 1.00

Histogram producttype 2 - run 1

.1 7

.3 6

25

.5 4

23

.7 3

21

.9 2

19

.1 1

17

.3 0

16

.4 9

14

12

10

.6 7

1.20 1.00 0.80 0.60 0.40 0.20 0.00

8. 86

120.00 100.00 80.00 60.00 40.00 20.00 0.00

Verzamelbereik

Histogram producttype 2 - run 2 150.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

100.00 50.00 0.00 9. 00 10 .4 9 11 .9 9 13 .4 9 14 .9 8 16 .4 8 17 .9 7 19 .4 7 20 .9 7 22 .4 6 M ee r

LT (Run 2) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 8.86 1.00 0.00 9.77 30.00 0.08 10.67 73.00 0.27 11.58 106.00 0.54 12.49 72.00 0.72 13.39 21.00 0.78 14.30 12.00 0.81 15.20 20.00 0.86 16.11 16.00 0.90 17.01 14.00 0.94 17.92 12.00 0.97 18.83 4.00 0.98 19.73 3.00 0.98 20.64 2.00 0.99 21.54 1.00 0.99 22.45 1.00 0.99 23.36 1.00 1.00 24.26 0.00 1.00 25.17 0.00 1.00 Meer 1.00 1.00

Frequentie

12.24 0.13 11.50 11.13 2.54 6.44 3.56 1.70 17.21 8.86 26.07 4774.32 390.00 0.25

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

2 - 20

Appendix E

Histogram producttype 4 - run 1

r M ee

.7 2 23

.6 6 21

.5 4

.6 0 19

17

15

13

.4 8

1.20 1.00 0.80 0.60 0.40 0.20 0.00 .4 2

60.00 50.00 40.00 30.00 20.00 10.00 0.00 .3 5

Verzamelbereik Frequentie Cumulatief % 11.35 1.00 0.00 12.38 22.00 0.11 13.42 57.00 0.39 14.45 56.00 0.66 15.48 5.00 0.68 16.51 4.00 0.70 17.54 4.00 0.72 18.57 11.00 0.77 19.60 17.00 0.86 20.63 10.00 0.90 21.66 8.00 0.94 22.69 3.00 0.96 23.72 1.00 0.96 24.75 5.00 0.99 Meer 3.00 1.00

11

15.36 0.24 13.84 12.90 3.48 12.13 0.33 1.17 14.42 11.35 25.78 3179.49 207.00 0.48

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Histogram producttype 4 - run 2 1.20 1.00 0.80 0.60 0.40 0.20 0.00 r M ee

.3 0 27

.6 3 24

.9 6 21

.2 9 19

.6 2 16

13

.9 6

100.00 80.00 60.00 40.00 20.00 0.00 .2 9

15.12 0.25 13.49 13.29 3.58 12.83 1.88 1.54 18.68 11.29 29.96 3084.15 204.00 0.49

11

Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 11.29 1.00 0.00 12.62 39.00 0.20 13.96 81.00 0.59 15.29 26.00 0.72 16.62 1.00 0.73 17.96 10.00 0.77 19.29 18.00 0.86 20.63 9.00 0.91 21.96 5.00 0.93 23.29 5.00 0.96 24.63 3.00 0.97 25.96 4.00 0.99 27.30 1.00 1.00 28.63 0.00 1.00 Meer 1.00 1.00

Frequentie

LT (Run 2)

Verzamelbereik

Graph - 2

3 - 20

Appendix E

Verzamelbereik Frequentie Cumulatief % 13.30 1.00 0.01 14.43 18.00 0.20 15.55 32.00 0.54 16.68 25.00 0.80 17.80 2.00 0.82 18.93 1.00 0.83 20.05 1.00 0.84 21.18 8.00 0.93 22.30 4.00 0.97 Meer 3.00 1.00

Histogram producttype 5 - run 1 40.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

30.00 20.00 10.00

.3 0 M ee r

.1 8

22

.0 5

21

.9 3

20

.8 0

18

.6 8

17

.5 5

16

.4 3

15

14

.3 0

0.00 13

16.22 0.26 15.44 14.99 2.52 6.36 1.10 1.47 10.12 13.30 23.43 1540.79 95.00 0.51

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Histogram producttype 5 - run 2 40.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

30.00 20.00 10.00

.1 22 1 .2 23 3 .3 6 M ee r

21

.9 8

19

.8 6

18

.7 3

17

.6 1

16

.4 8

15

14

.3 6

0.00 .2 3

16.30 0.25 15.50 14.92 2.61 6.83 2.35 1.77 11.25 13.23 24.48 1759.95 108.00 0.50

13

Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 13.23 1.00 0.01 14.36 13.00 0.13 15.48 38.00 0.48 16.61 34.00 0.80 17.73 5.00 0.84 18.86 1.00 0.85 19.98 2.00 0.87 21.11 4.00 0.91 22.23 2.00 0.93 23.36 5.00 0.97 Meer 3.00 1.00

Frequentie

LT (Run 2)

Verzamelbereik

Graph - 3

4 - 20

Appendix E

Histogram producttype 1 - run 1 1.20 1.00 0.80 0.60 0.40 0.20 0.00 .0 7 31

.4 2 28

.1 2

.7 7 25

23

.4 7 20

17

.8 2

100.00 80.00 60.00 40.00 20.00 0.00 .1 7

Verzamelbereik Frequentie Cumulatief % 15.17 1.00 0.01 16.49 34.00 0.18 17.82 77.00 0.58 19.14 31.00 0.74 20.47 7.00 0.78 21.80 7.00 0.82 23.12 16.00 0.90 24.45 9.00 0.95 25.77 5.00 0.97 27.10 2.00 0.98 28.42 2.00 0.99 29.75 0.00 0.99 31.07 0.00 0.99 Meer 1.00 1.00

15

18.57 0.21 17.42 17.16 2.97 8.82 2.38 1.54 17.23 15.17 32.40 3566.21 192.00 0.42

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Histogram producttype 1 - run 2 80.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

60.00 40.00 20.00

.6 2 28

.3 8 26

.1 5 24

.9 1 21

.6 7 19

17

.4 3

0.00 .1 9

18.35 0.20 17.45 16.87 2.81 7.88 2.69 1.74 14.55 15.19 29.74 3449.76 188.00 0.40

15

Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 15.19 1.00 0.01 16.31 32.00 0.18 17.43 61.00 0.50 18.55 47.00 0.75 19.67 10.00 0.80 20.79 3.00 0.82 21.91 6.00 0.85 23.03 11.00 0.91 24.15 4.00 0.93 25.26 7.00 0.97 26.38 3.00 0.98 27.50 1.00 0.99 28.62 0.00 0.99 Meer 2.00 1.00

Frequentie

LT (Run 2)

Verzamelbereik

Graph - 4

5 - 20

Appendix E

Verzamelbereik Frequentie Cumulatief % 19.61 1.00 0.01 21.47 19.00 0.17 23.33 36.00 0.48 25.19 28.00 0.72 27.05 2.00 0.74 28.91 10.00 0.83 30.77 11.00 0.92 32.63 3.00 0.95 34.50 4.00 0.98 36.36 1.00 0.99 Meer 1.00 1.00

Histogram producttype 3 - run 1 40.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

30.00 20.00 10.00

.6 21 1 .4 23 7 .3 25 3 .1 27 9 .0 28 5 .9 30 1 .7 32 7 .6 34 3 .5 36 0 .3 6 M ee r

0.00 19

24.61 0.36 23.42 22.40 3.93 15.43 0.70 1.17 18.61 19.61 38.22 2855.21 116.00 0.72

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Histogram producttype 3 - run 2

.8 3 M ee r

.6 4

36

.4 6

34

.2 7

32

.0 8

30

.9 0

28

25

23

21

.7 1

1.20 1.00 0.80 0.60 0.40 0.20 0.00 .5 2

30.00 25.00 20.00 15.00 10.00 5.00 0.00 .3 4

24.77 0.47 23.08 20.43 4.39 19.23 0.30 1.05 19.68 19.34 39.01 2179.34 88.00 0.93

19

Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 19.34 1.00 0.01 21.52 25.00 0.30 23.71 25.00 0.58 25.90 11.00 0.70 28.08 1.00 0.72 30.27 13.00 0.86 32.46 6.00 0.93 34.64 4.00 0.98 36.83 1.00 0.99 Meer 1.00 1.00

Frequentie

LT (Run 2)

Verzamelbereik

Graph - 5

6 - 20

Appendix E

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 1000 1000

Som 15916.0174 15412.77273

Gemiddelde Variantie 15.9160174 24.55674 15.41277273 23.48353

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten F P-waarde Tussen groepen 126.6276019 1 126.6276019 5.271727 0.021778 Binnen groepen 47992.22818 1998 24.02013422 Totaal

48118.85578

Kritische gebied van F-toets 3.846117003

1999

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren verschillen significant

Anova - General

7 - 20

Appendix E

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 390 390

Som 4774.321184 4684.496305

Gemiddelde Variantie 12.24184919 6.441092 12.01152899 6.960335

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten F P-waarde Tussen groepen 10.34424218 1 10.34424218 1.543752 0.214434 Binnen groepen 5213.154764 778 6.700713065 Totaal

5223.499007

Kritische gebied van F-toets 3.85343887

779

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk

Anova - 1

8 - 20

Appendix E

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 207 204

Som 3179.491538 3084.15074

Gemiddelde Variantie 15.3598625 12.13194 15.11838598 12.83372

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten F P-waarde Tussen groepen 5.99112674 1 5.99112674 0.480048 0.488794 Binnen groepen 5104.423915 409 12.48025407 Totaal

5110.415042

Kritische gebied van F-toets 3.864294885

410

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk

Anova - 2

9 - 20

Appendix E

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 95 95

Som 1540.790077 1553.666046

Gemiddelde Variantie 16.21884291 6.363344 16.35437944 7.432024

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten F P-waarde Tussen groepen 0.872582099 1 0.872582099 0.126504 0.722484 Binnen groepen 1296.764621 188 6.897684153 Totaal

1297.637203

Kritische gebied van F-toets 3.891397902

189

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk

Anova - 3

10 - 20

Appendix E

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 192 188

Som 3566.208644 3449.758959

Gemiddelde Variantie 18.57400335 8.824664 18.3497817 7.875543

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten F P-waarde Tussen groepen 4.775629085 1 4.775629085 0.571581 0.450102 Binnen groepen 3158.237495 378 8.355125647 Totaal

3163.013124

Kritische gebied van F-toets 3.86617664

379

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk

Anova - 4

11 - 20

Appendix E

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 116 88

Som 2855.205959 2179.340389

Gemiddelde Variantie 24.61384447 15.42691 24.76523169 19.23483

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten F P-waarde Tussen groepen 1.14680325 1 1.14680325 0.067194 0.79573 Binnen groepen 3447.524865 202 17.06695478 Totaal

3448.671668

Kritische gebied van F-toets 3.887905846

203

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk

Anova - 5

12 - 20

Appendix E

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 4.00 1.00 17.35 4.00 1.00 15.77 4.00 1.00 21.78 1.00 1.00 17.96 5.00 1.00 21.18 1.00 1.00 16.22 4.00 1.00 21.96 2.00 1.00 11.91 5.00 1.00 23.30 1.00 1.00 10.19 1.00 1.00 10.21 1.00 1.00 11.19 4.00 1.00 25.07 4.00 1.00 16.97 1.00 1.00 11.23 2.00 1.00 13.44 1.00 1.00 11.32 4.00 1.00 17.08 1.00 1.00 10.98 2.00 1.00 12.06 1.00 1.00 12.47 3.00 1.00 15.35 2.00 1.00 18.36 1.00 1.00 9.74 2.00 1.00 12.86 1.00 1.00 10.36 3.00 1.00 14.68 3.00 1.00 15.04 4.00 1.00 17.78 2.00 1.00 11.66 4.00 1.00 16.91 1.00 1.00 9.94 3.00 1.00 14.40 3.00 1.00 15.68 1.00 1.00 14.67 1.00 1.00 10.59 2.00 1.00 13.19 2.00 1.00 19.32 4.00 1.00 16.27 5.00 1.00 22.35 2.00 1.00 14.28 2.00 1.00 12.07 1.00 1.00 9.83 2.00 1.00 14.42 1.00 1.00 20.98 4.00 1.00 16.93 4.00 1.00 32.40 1.00 1.00 9.60 1.00 1.00 11.07 1.00 1.00 9.44 1.00 1.00 14.30 1.00 1.00 9.87 3.00 1.00 15.75 2.00 1.00 11.97 4.00 1.00 17.71 1.00 1.00 10.64 2.00 1.00 11.35 1.00 1.00 10.24 1.00 1.00 9.71 1.00 1.00 10.00 2.00 1.00 12.85 4.00 1.00 17.47 1.00 1.00 12.27 4.00 1.00 21.40 1.00 1.00 10.30 4.00 1.00 17.49 3.00 1.00 14.14 2.00 1.00 13.73 3.00 1.00 14.91 1.00 1.00 11.19 4.00 1.00 16.41 4.00 1.00 18.75 1.00 1.00 12.07 3.00 1.00 15.24 4.00 1.00 17.46 1.00 1.00 10.00 4.00 1.00 15.40 1.00 1.00 11.19 2.00 1.00 16.83 4.00 1.00 17.04 5.00 1.00 22.71 3.00 1.00 16.36 1.00 1.00 10.92 4.00 1.00 16.89 1.00 1.00 12.29 4.00 1.00 17.35 2.00 1.00 19.46 3.00 1.00 20.57 2.00 1.00 13.06 4.00 1.00 17.88 1.00 1.00 12.75 1.00 1.00 11.15 1.00 1.00 9.45 1.00 1.00 12.30 5.00 1.00 23.93 2.00 1.00 11.61 5.00 1.00 34.11 3.00 1.00 15.32 1.00 1.00 9.69 1.00 1.00 19.14 1.00 1.00 14.01 1.00 1.00 9.00 3.00 1.00 14.83 2.00 1.00 13.64 1.00 1.00 11.68 4.00 1.00 17.03 1.00 1.00 11.88 2.00 1.00 14.53 2.00 1.00 14.25 4.00 1.00 15.72 4.00 1.00 18.28 4.00 1.00 18.71 4.00 1.00 15.55 1.00 1.00 9.75 1.00 1.00 11.03 1.00 1.00 10.19 2.00 1.00 18.57 1.00 1.00 11.27 2.00 1.00 14.11 1.00 1.00 11.40 1.00 1.00 10.86 3.00 1.00 15.49 1.00 1.00 10.58 4.00 1.00 16.46 1.00 1.00 11.62 1.00 1.00 11.46 3.00 1.00 20.29 5.00 1.00 23.26 1.00 1.00 11.50 3.00 1.00 15.86 1.00 1.00 10.47 1.00 1.00 13.13 5.00 1.00 22.30 2.00 1.00 12.33 3.00 1.00 22.58 1.00 1.00 11.26 1.00 1.00 11.63 1.00 1.00 10.42 5.00 1.00 22.43 2.00 1.00 13.84 1.00 1.00 17.89 2.00 1.00 21.11 5.00 1.00 23.97 2.00 1.00 13.60 1.00 1.00 10.38 3.00 1.00 14.66 2.00 1.00 14.13 2.00 1.00 18.40 3.00 1.00 13.98 1.00 1.00 11.09 2.00 1.00 16.80 1.00 1.00 11.55 4.00 1.00 18.05 4.00 1.00 16.98 2.00 1.00 12.41 4.00 1.00 17.73 4.00 1.00 17.34 4.00 1.00 1.00 1.00 10.71 1.00 1.00 10.03 1.00 1.00 11.33 5.00 1.00 29.21 2.00 1.00 14.16 2.00 1.00 23.31 2.00 1.00 12.95 4.00 1.00 17.30 2.00 1.00 21.00 5.00 1.00 22.76 4.00 1.00 18.09 2.00 1.00 20.09 4.00 1.00 19.91 1.00 1.00 11.07 1.00 1.00 11.35 1.00 1.00 14.87 1.00 1.00 10.62 1.00 1.00 11.27 2.00 1.00 19.93 1.00 1.00 10.70 1.00 1.00 12.11 1.00 1.00 12.25 4.00 1.00 15.75 4.00 1.00 16.14 2.00 1.00 13.95 2.00 1.00 14.29 2.00 1.00 21.52 1.00 1.00 11.33 1.00 1.00 12.47 1.00 1.00 10.01 1.00 1.00 11.12 1.00 1.00 10.60 1.00 1.00 11.62 4.00 1.00 17.63 5.00 1.00 22.14 1.00 1.00 15.97 2.00 1.00 13.74 4.00 1.00 22.30 5.00 1.00 21.93 1.00 1.00 14.95 1.00 1.00 23.23 4.00 1.00 16.54 4.00 1.00 15.70 1.00 1.00 12.70 1.00 1.00 11.81 5.00 1.00 21.37 1.00 1.00 10.45 3.00 1.00 18.60 2.00 1.00 13.55 1.00 1.00 16.34 5.00 1.00 23.80 4.00 1.00 17.83 4.00 1.00 27.80 1.00 1.00 10.24 2.00 1.00 22.54 1.00 1.00 10.56 1.00 1.00 14.66 1.00 1.00 9.85 4.00 1.00 17.54 1.00 1.00 11.35 5.00 1.00 22.18 1.00 1.00 10.84 4.00 1.00 16.51 1.00 1.00 10.09 1.00 1.00 16.66 1.00 1.00 9.89 2.00 1.00 12.29 2.00 1.00 11.74 1.00 1.00 11.00 1.00 1.00 10.88 1.00 1.00 11.17 4.00 1.00 17.22 3.00 1.00 13.84 2.00 1.00 11.74 5.00 1.00 25.99 2.00 1.00 21.85 1.00 1.00 11.25 2.00 1.00 11.85 2.00 1.00 13.73 2.00 1.00 13.02 1.00 1.00 10.80 4.00 1.00 25.15 3.00 1.00 15.01 1.00 1.00 10.51 4.00 1.00 18.61 4.00 1.00 17.58 1.00 1.00 11.69 1.00 1.00 10.64 1.00 1.00 9.56 4.00 1.00 17.16 2.00 1.00 13.88 4.00 1.00 16.98 5.00 1.00 28.83 4.00 1.00 18.19 4.00 1.00 17.20 2.00 1.00 17.32 5.00 1.00 23.86 1.00 1.00 10.69

Raw Data

13 - 20

Appendix E

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 4.00 1.00 18.35 2.00 1.00 29.96 4.00 1.00 16.86 1.00 1.00 11.24 2.00 1.00 14.72 2.00 1.00 12.46 5.00 1.00 20.07 1.00 1.00 10.44 4.00 1.00 18.21 1.00 1.00 11.65 2.00 1.00 16.67 2.00 1.00 14.09 4.00 1.00 20.07 1.00 1.00 11.65 3.00 1.00 15.40 1.00 1.00 18.00 1.00 1.00 14.63 2.00 1.00 19.04 5.00 1.00 35.43 1.00 1.00 10.24 4.00 1.00 16.41 2.00 1.00 22.32 1.00 1.00 11.00 4.00 1.00 16.02 4.00 1.00 17.03 3.00 1.00 13.23 1.00 1.00 18.99 5.00 1.00 19.59 3.00 1.00 15.94 1.00 1.00 11.12 4.00 1.00 18.06 2.00 1.00 12.74 3.00 1.00 13.50 1.00 1.00 10.94 4.00 1.00 23.25 1.00 1.00 11.10 4.00 1.00 15.91 5.00 1.00 24.90 1.00 1.00 10.82 2.00 1.00 14.51 1.00 1.00 11.85 4.00 1.00 17.55 3.00 1.00 14.95 3.00 1.00 14.43 1.00 1.00 11.35 1.00 1.00 10.97 1.00 1.00 11.36 1.00 1.00 12.43 5.00 1.00 21.79 1.00 1.00 11.27 1.00 1.00 10.23 1.00 1.00 12.49 2.00 1.00 14.34 2.00 1.00 12.72 5.00 1.00 25.74 2.00 1.00 12.01 1.00 1.00 10.25 5.00 1.00 22.91 2.00 1.00 24.49 3.00 1.00 23.17 4.00 1.00 17.11 3.00 1.00 22.73 2.00 1.00 14.47 4.00 1.00 18.95 5.00 1.00 23.94 2.00 1.00 13.51 1.00 1.00 11.59 1.00 1.00 11.14 4.00 1.00 18.57 4.00 1.00 18.44 1.00 1.00 9.92 4.00 1.00 23.04 3.00 1.00 15.24 2.00 1.00 12.40 3.00 1.00 13.51 2.00 1.00 11.44 1.00 1.00 11.51 4.00 1.00 20.01 5.00 1.00 20.33 2.00 1.00 13.86 5.00 1.00 22.03 2.00 1.00 18.00 4.00 1.00 17.30 3.00 1.00 16.25 5.00 1.00 22.88 2.00 1.00 13.45 5.00 1.00 19.80 3.00 1.00 15.96 2.00 1.00 12.94 1.00 1.00 10.33 1.00 1.00 11.11 1.00 1.00 16.28 2.00 1.00 13.67 2.00 1.00 12.98 1.00 1.00 12.02 2.00 1.00 13.43 2.00 1.00 20.24 4.00 1.00 18.89 1.00 1.00 11.77 4.00 1.00 15.61 5.00 1.00 21.37 2.00 1.00 17.24 5.00 1.00 24.33 1.00 1.00 11.69 1.00 1.00 12.11 2.00 1.00 13.59 4.00 1.00 15.17 5.00 1.00 22.08 4.00 1.00 16.78 4.00 1.00 19.23 5.00 1.00 28.82 3.00 1.00 17.05 1.00 1.00 15.68 5.00 1.00 31.76 4.00 1.00 22.02 1.00 1.00 11.18 4.00 1.00 19.28 1.00 1.00 10.45 5.00 1.00 19.61 1.00 1.00 9.60 4.00 1.00 17.34 1.00 1.00 13.24 4.00 1.00 16.95 1.00 1.00 10.65 4.00 1.00 25.25 1.00 1.00 10.88 1.00 1.00 11.06 5.00 1.00 28.62 1.00 1.00 12.84 4.00 1.00 16.41 1.00 1.00 16.49 3.00 1.00 15.58 3.00 1.00 13.84 4.00 1.00 19.62 1.00 1.00 10.84 4.00 1.00 16.50 4.00 1.00 17.87 1.00 1.00 15.51 3.00 1.00 16.18 1.00 1.00 10.42 4.00 1.00 17.66 5.00 1.00 35.73 1.00 1.00 16.40 4.00 1.00 16.32 1.00 1.00 12.25 1.00 1.00 12.24 4.00 1.00 16.68 4.00 1.00 15.79 4.00 1.00 16.70 2.00 1.00 13.45 2.00 1.00 20.93 1.00 1.00 10.15 3.00 1.00 16.51 4.00 1.00 26.73 4.00 1.00 16.53 4.00 1.00 21.96 1.00 1.00 12.73 4.00 1.00 15.31 1.00 1.00 11.45 4.00 1.00 25.13 5.00 1.00 23.83 1.00 1.00 11.38 5.00 1.00 20.78 2.00 1.00 13.45 4.00 1.00 15.86 2.00 1.00 13.89 1.00 1.00 10.31 1.00 1.00 11.24 1.00 1.00 10.87 4.00 1.00 17.10 1.00 1.00 11.86 1.00 1.00 10.78 4.00 1.00 15.64 3.00 1.00 15.55 4.00 1.00 18.09 2.00 1.00 13.20 1.00 1.00 11.28 1.00 1.00 10.58 2.00 1.00 14.37 1.00 1.00 11.30 1.00 1.00 10.32 5.00 1.00 24.71 1.00 1.00 10.96 4.00 1.00 24.88 2.00 1.00 13.36 1.00 1.00 11.59 2.00 1.00 13.76 1.00 1.00 20.25 4.00 1.00 22.90 1.00 1.00 9.83 1.00 1.00 9.96 5.00 1.00 22.43 1.00 1.00 9.61 1.00 1.00 12.02 1.00 1.00 11.77 2.00 1.00 12.52 1.00 1.00 12.60 2.00 1.00 12.70 1.00 1.00 11.52 4.00 1.00 29.74 1.00 1.00 11.51 5.00 1.00 39.01 5.00 1.00 22.91 4.00 1.00 18.11 1.00 1.00 9.39 4.00 1.00 16.66 2.00 1.00 18.93 2.00 1.00 12.54 2.00 1.00 20.75 4.00 1.00 17.12 1.00 1.00 19.92 1.00 1.00 9.23 2.00 1.00 18.10 1.00 1.00 10.89 1.00 1.00 15.35 1.00 1.00 11.37 1.00 1.00 15.96 4.00 1.00 19.09 2.00 1.00 19.05 4.00 1.00 17.47 2.00 1.00 12.10 1.00 1.00 12.13 2.00 1.00 12.55 1.00 1.00 10.76 1.00 1.00 11.78 4.00 1.00 21.95 1.00 1.00 10.87 4.00 1.00 17.50 2.00 1.00 21.74 1.00 1.00 12.29 1.00 1.00 11.14 4.00 1.00 17.06 5.00 1.00 24.84 4.00 1.00 17.79 1.00 1.00 12.20 1.00 1.00 11.89 1.00 1.00 13.19 3.00 1.00 16.19 2.00 1.00 13.61 1.00 1.00 10.87 4.00 1.00 17.55 4.00 1.00 17.06 3.00 1.00 16.05 2.00 1.00 23.39 1.00 1.00 9.78 1.00 1.00 12.24 1.00 1.00 10.03 5.00 1.00 23.26 1.00 1.00 21.85 1.00 1.00 12.49 2.00 1.00 14.25 1.00 1.00 11.05 2.00 1.00 18.42 2.00 1.00 13.22 4.00 1.00 16.73 4.00 1.00 17.03

Raw Data

14 - 20

Appendix E

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 4.00 1.00 18.35 4.00 1.00 15.28 2.00 1.00 13.29 1.00 1.00 10.28 1.00 1.00 16.43 1.00 1.00 13.50 1.00 1.00 11.85 5.00 1.00 23.41 1.00 1.00 12.07 1.00 1.00 23.96 4.00 1.00 17.03 5.00 1.00 30.57 3.00 1.00 14.67 5.00 1.00 21.68 1.00 1.00 10.31 1.00 1.00 11.52 1.00 1.00 12.07 1.00 1.00 11.27 2.00 1.00 25.26 2.00 1.00 13.41 1.00 1.00 10.52 1.00 1.00 11.56 5.00 1.00 20.47 1.00 1.00 20.07 2.00 1.00 24.25 4.00 1.00 16.74 1.00 1.00 15.44 4.00 1.00 21.29 1.00 1.00 14.25 1.00 1.00 14.77 1.00 1.00 11.92 1.00 1.00 15.66 1.00 1.00 9.58 2.00 1.00 16.97 2.00 1.00 13.35 1.00 1.00 9.58 1.00 1.00 15.94 1.00 1.00 10.98 2.00 1.00 12.99 3.00 1.00 14.55 1.00 1.00 11.57 1.00 1.00 10.79 4.00 1.00 17.65 3.00 1.00 22.92 2.00 1.00 13.97 1.00 1.00 11.10 5.00 1.00 23.47 3.00 1.00 15.40 2.00 1.00 12.17 2.00 1.00 12.12 2.00 1.00 14.97 1.00 1.00 11.67 1.00 1.00 10.76 2.00 1.00 14.35 5.00 1.00 23.36 5.00 1.00 33.03 2.00 1.00 13.56 3.00 1.00 15.82 1.00 1.00 12.40 1.00 1.00 13.19 1.00 1.00 16.34 1.00 1.00 10.71 1.00 1.00 11.53 5.00 1.00 21.37 3.00 1.00 15.15 5.00 1.00 20.90 1.00 1.00 12.45 1.00 1.00 12.00 1.00 1.00 11.33 1.00 1.00 9.79 1.00 1.00 15.00 2.00 1.00 11.89 1.00 1.00 11.76 1.00 1.00 11.74 5.00 1.00 22.50 1.00 1.00 11.68 2.00 1.00 13.11 4.00 1.00 15.75 1.00 1.00 16.54 4.00 1.00 15.60 1.00 1.00 11.35 5.00 1.00 25.88 3.00 1.00 15.12 2.00 1.00 16.99 1.00 1.00 9.81 1.00 1.00 11.44 1.00 1.00 11.77 1.00 1.00 10.54 2.00 1.00 11.83 1.00 1.00 10.86 4.00 1.00 19.84 5.00 1.00 20.72 1.00 1.00 11.52 2.00 1.00 18.86 2.00 1.00 18.09 3.00 1.00 15.76 1.00 1.00 12.22 2.00 1.00 13.39 1.00 1.00 10.47 1.00 1.00 12.73 5.00 1.00 21.37 3.00 1.00 14.37 2.00 1.00 14.04 3.00 1.00 19.71 1.00 1.00 9.24 2.00 1.00 13.72 3.00 1.00 16.35 5.00 1.00 28.88 4.00 1.00 17.06 1.00 1.00 11.32 2.00 1.00 13.84 2.00 1.00 12.58 1.00 1.00 14.87 3.00 1.00 15.92 4.00 1.00 18.96 2.00 1.00 12.30 1.00 1.00 11.08 4.00 1.00 22.09 1.00 1.00 11.52 4.00 1.00 25.77 5.00 1.00 21.85 4.00 1.00 18.18 1.00 1.00 14.82 1.00 1.00 10.08 2.00 1.00 14.97 5.00 1.00 29.75 5.00 1.00 20.36 1.00 1.00 9.42 4.00 1.00 17.47 1.00 1.00 11.72 2.00 1.00 17.79 4.00 1.00 17.89 4.00 1.00 18.00 5.00 1.00 29.53 4.00 1.00 16.93 2.00 1.00 19.71 1.00 1.00 12.64 3.00 1.00 14.30 4.00 1.00 21.54 4.00 1.00 20.90 4.00 1.00 24.76 1.00 1.00 11.06 1.00 1.00 10.53 5.00 1.00 19.34 3.00 1.00 14.76 1.00 1.00 11.96 1.00 1.00 14.49 5.00 1.00 24.47 4.00 1.00 16.05 4.00 1.00 19.57 2.00 1.00 12.19 5.00 1.00 23.50 1.00 1.00 10.28 1.00 1.00 10.55 5.00 1.00 32.99 2.00 1.00 12.94 1.00 1.00 11.18 2.00 1.00 13.46 1.00 1.00 9.86 4.00 1.00 16.76 4.00 1.00 16.82 4.00 1.00 17.94 3.00 1.00 21.55 1.00 1.00 15.11 4.00 1.00 15.98 5.00 1.00 21.63 2.00 1.00 11.51 1.00 1.00 10.76 2.00 1.00 18.73 3.00 1.00 16.33 4.00 1.00 16.80 4.00 1.00 17.80 1.00 1.00 11.65 1.00 1.00 12.13 2.00 1.00 13.49 5.00 1.00 21.16 1.00 1.00 15.01 3.00 1.00 16.80 1.00 1.00 14.62 4.00 1.00 17.28 2.00 1.00 20.32 2.00 1.00 14.02 3.00 1.00 15.84 4.00 1.00 18.38 4.00 1.00 17.88 1.00 1.00 12.72 2.00 1.00 11.72 2.00 1.00 12.96 1.00 1.00 11.50 1.00 1.00 16.84 1.00 1.00 16.35 1.00 1.00 11.65 3.00 1.00 16.35 2.00 1.00 13.27 1.00 1.00 11.44 1.00 1.00 11.19 2.00 1.00 20.52 1.00 1.00 9.57 4.00 1.00 16.00 1.00 1.00 11.38 2.00 1.00 13.52 4.00 1.00 17.04 5.00 1.00 24.65 1.00 1.00 9.87 1.00 1.00 11.78 1.00 1.00 12.07 3.00 1.00 20.23 1.00 1.00 16.07 2.00 1.00 20.81 1.00 1.00 14.95 2.00 1.00 13.17 1.00 1.00 10.42 2.00 1.00 12.78 2.00 1.00 12.98 3.00 1.00 15.34 3.00 1.00 15.84 1.00 1.00 12.63 1.00 1.00 10.13 4.00 1.00 15.62 4.00 1.00 16.78 1.00 1.00 11.42 3.00 1.00 13.69 5.00 1.00 20.53 2.00 1.00 13.09 4.00 1.00 16.82 1.00 1.00 12.00 1.00 1.00 11.33 4.00 1.00 17.53 1.00 1.00 9.71 1.00 1.00 10.65 1.00 1.00 10.81 1.00 1.00 12.04 1.00 1.00 11.07 1.00 1.00 12.30 2.00 1.00 13.62 2.00 1.00 13.54 3.00 1.00 20.56 1.00 1.00 10.35 1.00 1.00 11.91 2.00 1.00 12.05 3.00 1.00 22.16 5.00 1.00 21.44 2.00 1.00 19.28 4.00 1.00 20.51 1.00 1.00 12.84 5.00 1.00 24.12 5.00 1.00 23.53 5.00 1.00 20.45 5.00 1.00 23.36 4.00 1.00 17.43 1.00 1.00 13.58 1.00 1.00 10.76 1.00 1.00 11.57 1.00 1.00 9.30 4.00 1.00 17.59 4.00 1.00 18.56

Raw Data

15 - 20

Appendix E

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 2.00 1.00 18.74 1.00 1.00 10.61 3.00 1.00 14.73 1.00 1.00 11.64 1.00 1.00 11.68 1.00 1.00 10.71 5.00 1.00 22.98 1.00 1.00 10.46 1.00 1.00 15.28 1.00 1.00 11.34 4.00 1.00 24.27 2.00 1.00 12.31 1.00 1.00 11.10 4.00 1.00 17.84 2.00 1.00 13.06 1.00 1.00 16.27 2.00 1.00 13.99 5.00 1.00 21.24 1.00 1.00 11.43 1.00 1.00 10.89 2.00 1.00 13.94 2.00 1.00 13.17 5.00 1.00 20.64 1.00 1.00 11.56 4.00 1.00 16.76 1.00 1.00 10.73 2.00 1.00 19.35 3.00 1.00 22.81 2.00 1.00 14.25 4.00 1.00 17.63 4.00 1.00 17.42 1.00 1.00 12.08 4.00 1.00 22.38 4.00 1.00 18.48 2.00 1.00 13.35 5.00 1.00 23.56 2.00 1.00 14.10 5.00 1.00 28.73 1.00 1.00 10.44 1.00 1.00 11.39 3.00 1.00 14.26 5.00 1.00 21.48 1.00 1.00 10.66 1.00 1.00 11.17 1.00 1.00 11.74 1.00 1.00 10.15 1.00 1.00 10.98 4.00 1.00 16.36 4.00 1.00 19.05 1.00 1.00 10.69 3.00 1.00 16.87 1.00 1.00 11.00 4.00 1.00 18.35 2.00 1.00 13.10 5.00 1.00 29.82 2.00 1.00 18.63 2.00 1.00 13.32 1.00 1.00 10.84 1.00 1.00 14.23 5.00 1.00 22.67 4.00 1.00 21.46 1.00 1.00 10.12 1.00 1.00 17.32 1.00 1.00 10.60 2.00 1.00 13.14 1.00 1.00 12.06 2.00 1.00 12.58 1.00 1.00 10.22 5.00 1.00 28.24 3.00 1.00 15.09 1.00 1.00 14.02 4.00 1.00 17.53 2.00 1.00 16.21 4.00 1.00 16.76 4.00 1.00 16.09 4.00 1.00 17.99 1.00 1.00 11.28 1.00 1.00 11.42 2.00 1.00 21.45 3.00 1.00 14.94 2.00 1.00 19.95 1.00 1.00 10.76 5.00 1.00 30.38 1.00 1.00 10.90 1.00 1.00 10.68 4.00 1.00 18.20 1.00 1.00 9.66 4.00 1.00 20.39 2.00 1.00 22.42 1.00 1.00 12.68 1.00 1.00 12.07 5.00 1.00 21.15 3.00 1.00 20.22 4.00 1.00 15.45 1.00 1.00 14.37 4.00 1.00 16.24 1.00 1.00 11.24 3.00 1.00 13.32 1.00 1.00 9.98 4.00 1.00 22.96 1.00 1.00 11.57 3.00 1.00 14.06 4.00 1.00 15.81 2.00 1.00 14.79 2.00 1.00 15.48 1.00 1.00 12.05 4.00 1.00 18.28 4.00 1.00 19.02 4.00 1.00 15.84 3.00 1.00 24.48 3.00 1.00 21.95 2.00 1.00 25.79 1.00 1.00 11.05 4.00 1.00 18.02 1.00 1.00 14.58 1.00 1.00 9.59 4.00 1.00 15.90 2.00 1.00 12.86 4.00 1.00 22.54 2.00 1.00 25.70 4.00 1.00 16.65 3.00 1.00 15.01 2.00 1.00 12.97 4.00 1.00 18.23 1.00 1.00 10.59 3.00 1.00 14.86 1.00 1.00 11.90 3.00 1.00 14.05 1.00 1.00 11.61 2.00 1.00 12.53 3.00 1.00 16.42 2.00 1.00 13.22 3.00 1.00 16.26 2.00 1.00 12.43 2.00 1.00 14.23 2.00 1.00 15.16 1.00 1.00 18.47 2.00 1.00 12.38 3.00 1.00 13.78 1.00 1.00 12.20 4.00 1.00 22.96 2.00 1.00 19.85 2.00 1.00 12.64 1.00 1.00 11.48 1.00 1.00 9.39 1.00 1.00 10.77 1.00 1.00 12.17 1.00 1.00 21.49 2.00 1.00 12.27 2.00 1.00 13.01 1.00 1.00 11.05 1.00 1.00 10.38 1.00 1.00 14.22 5.00 1.00 21.97 3.00 1.00 15.80 1.00 1.00 13.04 1.00 1.00 15.52 5.00 1.00 22.96 1.00 1.00 11.85 1.00 1.00 13.76 1.00 1.00 9.34 1.00 1.00 9.71 1.00 1.00 17.54 1.00 1.00 11.70 2.00 1.00 14.14 1.00 1.00 19.10 1.00 1.00 9.79 5.00 1.00 28.89 4.00 1.00 24.98 3.00 1.00 14.41 1.00 1.00 10.77 3.00 1.00 15.50 3.00 1.00 15.80 3.00 1.00 15.50 2.00 1.00 12.50 1.00 1.00 11.52 1.00 1.00 11.03 4.00 1.00 18.47 2.00 1.00 23.01 1.00 1.00 18.84 1.00 1.00 10.59 1.00 1.00 10.27 4.00 1.00 23.51 3.00 1.00 15.71 5.00 1.00 23.79 1.00 1.00 11.13 1.00 1.00 11.60 4.00 1.00 25.34 1.00 1.00 11.80 1.00 1.00 10.43 4.00 1.00 17.37 2.00 1.00 11.89 1.00 1.00 13.20 2.00 1.00 13.84 3.00 1.00 13.30 1.00 1.00 10.44 1.00 1.00 16.88 4.00 1.00 16.31 4.00 1.00 22.43 5.00 1.00 20.65 1.00 1.00 10.96 1.00 1.00 10.65 4.00 1.00 17.42 4.00 1.00 16.97 1.00 1.00 12.62 1.00 1.00 11.85 5.00 1.00 21.04 4.00 1.00 16.63 1.00 1.00 15.99 1.00 1.00 12.24 2.00 1.00 12.50 1.00 1.00 10.91 5.00 1.00 29.36 3.00 1.00 16.19 1.00 1.00 11.47 2.00 1.00 13.20 1.00 1.00 11.90 2.00 1.00 18.31 1.00 1.00 11.60 2.00 1.00 13.15 1.00 1.00 9.32 1.00 1.00 10.12 4.00 1.00 17.43 2.00 1.00 12.16 4.00 1.00 17.09 4.00 1.00 16.71 5.00 1.00 27.90 1.00 1.00 16.48 3.00 1.00 23.43 1.00 1.00 11.61 1.00 1.00 10.71 2.00 1.00 11.66 1.00 1.00 10.63 5.00 1.00 20.45 5.00 1.00 21.65 4.00 1.00 16.28 2.00 1.00 13.94 1.00 1.00 10.10 5.00 1.00 21.66 5.00 1.00 26.89 1.00 1.00 11.20 1.00 1.00 19.19 3.00 1.00 14.64 1.00 1.00 10.50 4.00 1.00 15.29 4.00 1.00 17.63 5.00 1.00 30.44 1.00 1.00 10.61 1.00 1.00 12.67 3.00 1.00 13.86 1.00 1.00 13.70 3.00 1.00 14.88 1.00 1.00 10.61 1.00 1.00 11.17 3.00 1.00 15.37 1.00 1.00 10.14

Raw Data

16 - 20

Appendix E

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 13.64 4.00 1.00 16.17 1.00 1.00 11.57 2.00 1.00 12.74 5.00 1.00 38.22 4.00 1.00 21.94 4.00 1.00 18.04 2.00 1.00 12.53 1.00 1.00 12.70 1.00 1.00 11.06 3.00 1.00 14.56 1.00 1.00 10.67 1.00 1.00 17.77 1.00 1.00 16.30 3.00 1.00 14.49 4.00 1.00 18.10 2.00 1.00 13.93 2.00 1.00 14.46 4.00 1.00 16.99 2.00 1.00 18.77 1.00 1.00 9.98 1.00 1.00 15.37 5.00 1.00 22.42 2.00 1.00 14.51 1.00 1.00 19.76 1.00 1.00 11.76 4.00 1.00 18.48 1.00 1.00 10.86 1.00 1.00 15.70 1.00 1.00 11.45 1.00 1.00 10.07 3.00 1.00 16.04 4.00 1.00 18.69 3.00 1.00 15.29 2.00 1.00 19.57 1.00 1.00 11.59 5.00 1.00 20.86 2.00 1.00 13.68 3.00 1.00 14.25 4.00 1.00 15.78 2.00 1.00 20.04 1.00 1.00 10.72 2.00 1.00 12.89 1.00 1.00 12.29 2.00 1.00 18.00 5.00 1.00 34.07 2.00 1.00 19.34 5.00 1.00 30.26 4.00 1.00 26.47 1.00 1.00 10.46 4.00 1.00 18.00 4.00 1.00 23.16 1.00 1.00 10.99 1.00 1.00 12.34 1.00 1.00 9.90 2.00 1.00 13.23 2.00 1.00 12.62 1.00 1.00 16.09 1.00 1.00 12.07 1.00 1.00 17.47 4.00 1.00 16.77 1.00 1.00 10.31 5.00 1.00 23.58 2.00 1.00 12.65 4.00 1.00 22.85 2.00 1.00 21.65 1.00 1.00 14.10 5.00 1.00 22.38 1.00 1.00 10.52 1.00 1.00 11.63 4.00 1.00 15.29 1.00 1.00 11.45 2.00 1.00 14.02 3.00 1.00 16.08 2.00 1.00 20.91 4.00 1.00 24.75 1.00 1.00 18.85 1.00 1.00 11.19 1.00 1.00 10.22 1.00 1.00 10.42 5.00 1.00 21.75 4.00 1.00 16.52 4.00 1.00 18.47 5.00 1.00 22.06 2.00 1.00 13.49 1.00 1.00 12.00 2.00 1.00 15.22 5.00 1.00 20.46 2.00 1.00 13.28 2.00 1.00 14.24 2.00 1.00 14.39 4.00 1.00 22.77 5.00 1.00 24.32 1.00 1.00 15.55 3.00 1.00 16.28 2.00 1.00 13.05 2.00 1.00 13.07 1.00 1.00 11.32 5.00 1.00 22.81 3.00 1.00 15.48 1.00 1.00 10.06 4.00 1.00 17.21 5.00 1.00 29.40 2.00 1.00 13.29 2.00 1.00 19.22 1.00 1.00 11.05 5.00 1.00 24.40 4.00 1.00 23.34 2.00 1.00 21.08 4.00 1.00 16.25 4.00 1.00 15.77 1.00 1.00 14.74 3.00 1.00 14.90 2.00 1.00 13.22 4.00 1.00 15.47 1.00 1.00 12.93 3.00 1.00 18.85 4.00 1.00 16.38 4.00 1.00 23.60 1.00 1.00 11.68 5.00 1.00 21.84 1.00 1.00 11.70 2.00 1.00 24.61 1.00 1.00 14.39 4.00 1.00 20.31 1.00 1.00 12.10 2.00 1.00 13.48 4.00 1.00 18.01 1.00 1.00 17.47 1.00 1.00 11.17 5.00 1.00 21.83 2.00 1.00 14.50 1.00 1.00 11.55 2.00 1.00 18.39 2.00 1.00 12.38 2.00 1.00 19.00 5.00 1.00 24.60 3.00 1.00 14.62 3.00 1.00 15.61 5.00 1.00 20.63 1.00 1.00 10.18 4.00 1.00 16.92 2.00 1.00 13.22 5.00 1.00 32.42 2.00 1.00 14.04 4.00 1.00 15.82 2.00 1.00 13.13 2.00 1.00 14.38 4.00 1.00 22.75 4.00 1.00 21.32 1.00 1.00 17.34 4.00 1.00 17.17 4.00 1.00 22.70 1.00 1.00 10.55 2.00 1.00 18.41 1.00 1.00 9.28 1.00 1.00 17.72 1.00 1.00 20.92 1.00 1.00 11.95 2.00 1.00 12.75 2.00 1.00 13.58 1.00 1.00 10.16 1.00 1.00 10.29 1.00 1.00 10.85 5.00 1.00 23.64 3.00 1.00 21.19 1.00 1.00 16.70 4.00 1.00 16.05 1.00 1.00 10.79 2.00 1.00 12.93 1.00 1.00 11.49 1.00 1.00 9.29 1.00 1.00 11.66 1.00 1.00 10.10 1.00 1.00 11.80 1.00 1.00 10.90 1.00 1.00 10.23 1.00 1.00 10.50 4.00 1.00 18.51 2.00 1.00 14.16 5.00 1.00 29.79 5.00 1.00 21.39 1.00 1.00 16.28 4.00 1.00 16.61 1.00 1.00 11.30 2.00 1.00 24.06 2.00 1.00 13.90 1.00 1.00 11.23 1.00 1.00 11.48 1.00 1.00 9.65 1.00 1.00 19.44 4.00 1.00 22.81 4.00 1.00 18.37 2.00 1.00 13.61 4.00 1.00 23.20 2.00 1.00 17.54 2.00 1.00 13.02 1.00 1.00 11.22 3.00 1.00 14.92 1.00 1.00 17.24 2.00 1.00 12.82 3.00 1.00 16.49 4.00 1.00 16.78 2.00 1.00 17.24 5.00 1.00 22.72 3.00 1.00 24.09 1.00 1.00 10.91 1.00 1.00 13.99 2.00 1.00 14.18 1.00 1.00 9.47 4.00 1.00 15.83 1.00 1.00 11.15 1.00 1.00 10.77 5.00 1.00 22.70 1.00 1.00 11.11 2.00 1.00 18.34 1.00 1.00 17.21 3.00 1.00 15.99 1.00 1.00 9.38 1.00 1.00 11.79 5.00 1.00 32.14 3.00 1.00 14.90 4.00 1.00 18.96 1.00 1.00 10.87 5.00 1.00 21.57 1.00 1.00 11.07 5.00 1.00 30.60 4.00 1.00 16.68 3.00 1.00 15.61 4.00 1.00 16.18 2.00 1.00 12.18 2.00 1.00 17.89 1.00 1.00 9.14 3.00 1.00 24.11 3.00 1.00 21.11 5.00 1.00 30.91 4.00 1.00 16.41 1.00 1.00 11.37 1.00 1.00 12.36 1.00 1.00 10.19 1.00 1.00 10.82 5.00 1.00 28.73 2.00 1.00 12.97 2.00 1.00 11.75 1.00 1.00 15.15 1.00 1.00 11.59 3.00 1.00 14.30 1.00 1.00 18.47 3.00 1.00 14.10 1.00 1.00 9.97 1.00 1.00 14.25 4.00 1.00 16.86 2.00 1.00 12.91 2.00 1.00 13.19 1.00 1.00 9.92 3.00 1.00 18.98

Raw Data

17 - 20

Appendix E

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 10.54 1.00 1.00 11.96 4.00 1.00 23.64 2.00 1.00 18.29 1.00 1.00 11.01 1.00 1.00 15.18 2.00 1.00 20.37 5.00 1.00 23.64 4.00 1.00 16.92 4.00 1.00 15.83 5.00 1.00 22.57 1.00 1.00 11.53 4.00 1.00 17.20 3.00 1.00 15.79 1.00 1.00 12.05 2.00 1.00 14.16 5.00 1.00 29.14 3.00 1.00 15.47 5.00 1.00 22.25 3.00 1.00 16.46 4.00 1.00 16.84 4.00 1.00 17.67 2.00 1.00 13.12 1.00 1.00 12.09 3.00 1.00 16.47 4.00 1.00 22.61 4.00 1.00 15.51 4.00 1.00 16.56 1.00 1.00 10.53 2.00 1.00 13.25 2.00 1.00 13.38 3.00 1.00 14.99 4.00 1.00 22.59 5.00 1.00 24.65 2.00 1.00 13.58 1.00 1.00 15.49 2.00 1.00 19.49 1.00 1.00 10.67 1.00 1.00 17.62 1.00 1.00 11.38 4.00 1.00 18.34 1.00 1.00 11.44 4.00 1.00 18.07 1.00 1.00 16.67 2.00 1.00 12.17 4.00 1.00 24.34 2.00 1.00 13.52 2.00 1.00 13.43 4.00 1.00 16.63 1.00 1.00 11.07 4.00 1.00 16.24 4.00 1.00 17.49 1.00 1.00 11.04 2.00 1.00 19.39 3.00 1.00 14.58 1.00 1.00 19.86 1.00 1.00 12.05 2.00 1.00 12.69 1.00 1.00 15.17 3.00 1.00 16.03 2.00 1.00 12.14 4.00 1.00 18.08 1.00 1.00 12.02 1.00 1.00 11.23 4.00 1.00 15.29 4.00 1.00 17.09 2.00 1.00 12.71 4.00 1.00 16.46 2.00 1.00 13.47 3.00 1.00 16.06 1.00 1.00 10.87 2.00 1.00 13.18 4.00 1.00 17.56 1.00 1.00 9.23 2.00 1.00 13.37 1.00 1.00 12.30 2.00 1.00 12.48 4.00 1.00 26.00 1.00 1.00 12.24 1.00 1.00 17.78 4.00 1.00 17.65 1.00 1.00 12.24 1.00 1.00 9.94 4.00 1.00 15.88 4.00 1.00 16.74 4.00 1.00 16.15 1.00 1.00 11.29 1.00 1.00 10.89 2.00 1.00 17.75 3.00 1.00 16.44 2.00 1.00 13.92 2.00 1.00 18.33 1.00 1.00 13.30 2.00 1.00 11.29 1.00 1.00 13.17 2.00 1.00 13.60 2.00 1.00 19.30 2.00 1.00 21.80 1.00 1.00 11.26 5.00 1.00 28.84 2.00 1.00 12.05 4.00 1.00 17.11 1.00 1.00 12.54 1.00 1.00 11.19 5.00 1.00 22.31 1.00 1.00 10.77 1.00 1.00 12.90 1.00 1.00 11.36 4.00 1.00 17.55 5.00 1.00 21.28 4.00 1.00 17.66 2.00 1.00 13.85 1.00 1.00 11.27 1.00 1.00 11.71 5.00 1.00 21.85 1.00 1.00 11.50 1.00 1.00 9.24 2.00 1.00 22.21 5.00 1.00 20.53 5.00 1.00 20.43 1.00 1.00 15.15 3.00 1.00 14.97 1.00 1.00 16.54 4.00 1.00 17.24 5.00 1.00 22.09 1.00 1.00 10.97 2.00 1.00 12.13 1.00 1.00 10.63 1.00 1.00 11.58 3.00 1.00 14.89 4.00 1.00 17.07 2.00 1.00 26.05 1.00 1.00 9.93 2.00 1.00 13.34 5.00 1.00 28.01 5.00 1.00 32.67 2.00 1.00 17.36 4.00 1.00 16.13 4.00 1.00 16.49 5.00 1.00 28.81 4.00 1.00 17.64 1.00 1.00 15.88 2.00 1.00 12.97 3.00 1.00 13.54 1.00 1.00 11.91 1.00 1.00 18.91 2.00 1.00 13.75 4.00 1.00 21.84 5.00 1.00 23.69 4.00 1.00 17.66 1.00 1.00 14.36 2.00 1.00 13.39 5.00 1.00 25.16 1.00 1.00 12.14 1.00 1.00 15.60 2.00 1.00 14.44 4.00 1.00 16.66 4.00 1.00 17.03 2.00 1.00 13.68 1.00 1.00 13.15 4.00 1.00 16.91 1.00 1.00 22.82 4.00 1.00 18.30 1.00 1.00 10.78 2.00 1.00 13.01 3.00 1.00 15.76 1.00 1.00 11.97 5.00 1.00 20.18 1.00 1.00 13.60 5.00 1.00 20.56 1.00 1.00 14.94 1.00 1.00 10.65 1.00 1.00 13.08 2.00 1.00 11.67 4.00 1.00 16.82 4.00 1.00 16.37 2.00 1.00 11.60 1.00 1.00 10.88 4.00 1.00 17.16 4.00 1.00 15.56 4.00 1.00 16.92 1.00 1.00 10.46 5.00 1.00 20.90 1.00 1.00 11.44 4.00 1.00 17.21 2.00 1.00 13.27 1.00 1.00 10.17 3.00 1.00 15.79 1.00 1.00 11.82 2.00 1.00 13.21 3.00 1.00 13.92 1.00 1.00 10.65 4.00 1.00 17.10 2.00 1.00 13.12 2.00 1.00 24.04 1.00 1.00 10.86 1.00 1.00 10.39 4.00 1.00 22.58 4.00 1.00 19.62 1.00 1.00 10.90 3.00 1.00 14.12 1.00 1.00 11.36 4.00 1.00 21.66 5.00 1.00 22.33 1.00 1.00 16.34 2.00 1.00 11.62 1.00 1.00 10.91 1.00 1.00 12.45 2.00 1.00 14.22 1.00 1.00 10.82 1.00 1.00 9.53 1.00 1.00 11.51 5.00 1.00 30.76 3.00 1.00 15.15 5.00 1.00 22.26 2.00 1.00 19.73 3.00 1.00 16.44 1.00 1.00 10.93 1.00 1.00 17.13 3.00 1.00 14.93 4.00 1.00 21.55 1.00 1.00 9.74 3.00 1.00 20.74 1.00 1.00 10.15 2.00 1.00 20.20 1.00 1.00 12.46 2.00 1.00 13.52 2.00 1.00 13.28 1.00 1.00 8.86 2.00 1.00 12.99 4.00 1.00 16.76 1.00 1.00 11.02 1.00 1.00 11.06 2.00 1.00 21.80 4.00 1.00 17.21 4.00 1.00 17.64 3.00 1.00 16.48 1.00 1.00 11.07 5.00 1.00 30.55 2.00 1.00 11.63 2.00 1.00 25.55 3.00 1.00 16.48 1.00 1.00 14.71 3.00 1.00 13.82 2.00 1.00 12.97 1.00 1.00 17.91 1.00 1.00 16.08 2.00 1.00 11.93 4.00 1.00 16.02 4.00 1.00 17.03 1.00 1.00 9.72 1.00 1.00 10.88 4.00 1.00 15.83 4.00 1.00 17.02 4.00 1.00 16.52 4.00 1.00 17.07

Raw Data

18 - 20

Appendix E

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 9.39 1.00 1.00 12.47 2.00 1.00 13.09 1.00 1.00 19.80 1.00 1.00 9.26 5.00 1.00 20.04 5.00 1.00 22.61 1.00 1.00 10.81 3.00 1.00 16.14 4.00 1.00 17.31 5.00 1.00 30.91 1.00 1.00 11.72 1.00 1.00 15.50 1.00 1.00 11.88 1.00 1.00 11.57 1.00 1.00 10.36 5.00 1.00 24.83 4.00 1.00 18.26 2.00 1.00 20.02 4.00 1.00 22.72 1.00 1.00 9.65 1.00 1.00 18.68 5.00 1.00 22.62 1.00 1.00 9.93 4.00 1.00 22.47 1.00 1.00 22.46 2.00 1.00 12.62 2.00 1.00 12.70 1.00 1.00 10.85 2.00 1.00 18.67 1.00 1.00 10.69 1.00 1.00 9.28 2.00 1.00 17.68 5.00 1.00 23.90 1.00 1.00 11.09 2.00 1.00 25.34 5.00 1.00 28.36 2.00 1.00 19.63 4.00 1.00 15.61 1.00 1.00 10.69 5.00 1.00 19.80 1.00 1.00 15.64 4.00 1.00 15.85 4.00 1.00 17.63 4.00 1.00 27.15 1.00 1.00 16.64 1.00 1.00 12.41 2.00 1.00 15.89 1.00 1.00 10.86 4.00 1.00 17.16 2.00 1.00 12.50 1.00 1.00 16.47 5.00 1.00 28.18 2.00 1.00 12.25 1.00 1.00 9.37 4.00 1.00 17.46 1.00 1.00 16.46 1.00 1.00 13.67 1.00 1.00 9.64 2.00 1.00 13.83 1.00 1.00 11.31 1.00 1.00 10.81 1.00 1.00 11.93 1.00 1.00 10.34 2.00 1.00 15.80 2.00 1.00 12.75 1.00 1.00 11.93 1.00 1.00 10.10 1.00 1.00 16.05 1.00 1.00 11.50 4.00 1.00 15.30 1.00 1.00 13.53 1.00 1.00 10.18 1.00 1.00 10.56 4.00 1.00 16.58 3.00 1.00 14.42 1.00 1.00 10.95 1.00 1.00 9.73 1.00 1.00 10.03 5.00 1.00 31.27 3.00 1.00 14.63 4.00 1.00 17.34 4.00 1.00 22.20 5.00 1.00 21.46 2.00 1.00 12.40 1.00 1.00 9.59 3.00 1.00 15.72 2.00 1.00 14.60 1.00 1.00 11.24 2.00 1.00 19.12 1.00 1.00 11.27 3.00 1.00 21.47 4.00 1.00 17.00 1.00 1.00 11.26 2.00 1.00 13.43 1.00 1.00 11.98 1.00 1.00 12.20 2.00 1.00 17.74 2.00 1.00 11.39 2.00 1.00 13.78 1.00 1.00 11.74 1.00 1.00 23.73 1.00 1.00 9.79 1.00 1.00 9.82 2.00 1.00 14.02 1.00 1.00 9.47 4.00 1.00 25.38 1.00 1.00 15.10 5.00 1.00 19.95 4.00 1.00 15.68 2.00 1.00 13.86 1.00 1.00 11.28 4.00 1.00 16.59 3.00 1.00 15.72 1.00 1.00 12.17 4.00 1.00 24.76 4.00 1.00 18.57 2.00 1.00 20.11 2.00 1.00 12.19 2.00 1.00 14.47 1.00 1.00 9.70 3.00 1.00 14.99 2.00 1.00 15.95 4.00 1.00 17.50 1.00 1.00 11.47 4.00 1.00 16.30 1.00 1.00 11.75 1.00 1.00 9.71 4.00 1.00 16.96 1.00 1.00 11.89 2.00 1.00 14.38 4.00 1.00 17.57 4.00 1.00 16.75 1.00 1.00 10.62 2.00 1.00 20.55 2.00 1.00 11.97 1.00 1.00 9.55 2.00 1.00 14.01 4.00 1.00 17.36 1.00 1.00 10.82 2.00 1.00 13.34 4.00 1.00 17.17 1.00 1.00 10.72 1.00 1.00 9.72 5.00 1.00 28.19 1.00 1.00 21.00 2.00 1.00 13.55 2.00 1.00 16.79 5.00 1.00 24.43 2.00 1.00 24.97 1.00 1.00 17.85 2.00 1.00 13.17 2.00 1.00 12.96 1.00 1.00 11.72 1.00 1.00 15.19 3.00 1.00 17.53 1.00 1.00 11.17 1.00 1.00 11.74 2.00 1.00 12.92 3.00 1.00 15.61 1.00 1.00 9.48 1.00 1.00 12.21 2.00 1.00 18.49 4.00 1.00 24.53 4.00 1.00 17.17 4.00 1.00 16.42 5.00 1.00 31.92 3.00 1.00 23.34 2.00 1.00 14.28 1.00 1.00 11.08 2.00 1.00 12.80 5.00 1.00 25.73 1.00 1.00 12.84 3.00 1.00 14.19 1.00 1.00 9.95 1.00 1.00 12.20 3.00 1.00 15.44 1.00 1.00 15.57 1.00 1.00 26.07 1.00 1.00 11.92 3.00 1.00 14.74 3.00 1.00 14.70 1.00 1.00 10.15 4.00 1.00 16.28 4.00 1.00 17.33 2.00 1.00 13.22 1.00 1.00 12.27 4.00 1.00 16.29 1.00 1.00 10.64 3.00 1.00 13.52 2.00 1.00 13.44 3.00 1.00 14.13 1.00 1.00 10.87 1.00 1.00 11.75 1.00 1.00 15.45 1.00 1.00 11.89 3.00 1.00 13.85 1.00 1.00 10.30 1.00 1.00 11.11 1.00 1.00 15.24 3.00 1.00 14.14 4.00 1.00 15.19 1.00 1.00 15.94 3.00 1.00 20.90 3.00 1.00 15.95 1.00 1.00 18.26 3.00 1.00 16.86 5.00 1.00 30.32 1.00 1.00 13.28 2.00 1.00 13.95 2.00 1.00 12.06 5.00 1.00 25.70 2.00 1.00 11.37 3.00 1.00 14.45 2.00 1.00 13.82 1.00 1.00 9.68 5.00 1.00 21.06 4.00 1.00 17.20 2.00 1.00 19.53 1.00 1.00 9.60 1.00 1.00 12.74 2.00 1.00 22.24 1.00 1.00 10.36 5.00 1.00 24.04 1.00 1.00 10.64 2.00 1.00 14.79 1.00 1.00 11.45 5.00 1.00 22.10 1.00 1.00 10.35 1.00 1.00 11.35 3.00 1.00 15.38 1.00 1.00 9.89 2.00 1.00 12.64 3.00 1.00 13.77 1.00 1.00 10.03 1.00 1.00 10.70 1.00 1.00 9.92 1.00 1.00 9.81 2.00 1.00 11.80 1.00 1.00 21.46 3.00 1.00 15.48 1.00 1.00 11.34 2.00 1.00 25.78 1.00 1.00 12.00 1.00 1.00 16.54 2.00 1.00 12.55 1.00 1.00 17.05 3.00 1.00 15.20 1.00 1.00 9.96 1.00 1.00 10.24 1.00 1.00 10.63 4.00 1.00 18.04 1.00 1.00 9.49 2.00 1.00 18.93 3.00 1.00 19.29 2.00 1.00 13.21

Raw Data

19 - 20

Appendix E

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 3.00 1.00 15.30 4.00 1.00 18.32 4.00 1.00 23.69 1.00 1.00 11.23 2.00 1.00 18.61 1.00 1.00 11.33 5.00 1.00 21.40 2.00 1.00 13.29 5.00 1.00 22.38 2.00 1.00 13.41 1.00 1.00 11.38 4.00 1.00 16.54 4.00 1.00 21.43 3.00 1.00 20.63 4.00 1.00 16.96 2.00 1.00 18.34 4.00 1.00 17.89 3.00 1.00 14.87 1.00 1.00 10.61 3.00 1.00 14.97 4.00 1.00 17.46 2.00 1.00 14.44 5.00 1.00 28.66 3.00 1.00 15.55 1.00 1.00 14.85 2.00 1.00 19.66 3.00 1.00 16.31 1.00 1.00 11.14 2.00 1.00 13.02 5.00 1.00 21.68 5.00 1.00 23.86 1.00 1.00 10.47 1.00 1.00 9.69 5.00 1.00 22.05 4.00 1.00 22.80 1.00 1.00 13.55 4.00 1.00 20.33 5.00 1.00 21.37 4.00 1.00 24.00 5.00 1.00 22.46 1.00 1.00 10.60 3.00 1.00 15.37 1.00 1.00 18.18 2.00 1.00 19.11 4.00 1.00 23.06 3.00 1.00 20.06 1.00 1.00 10.67 3.00 1.00 15.40 1.00 1.00 11.56 1.00 1.00 10.98 2.00 1.00 19.44 1.00 1.00 11.64 1.00 1.00 12.69 3.00 1.00 15.22 1.00 1.00 11.90 3.00 1.00 16.70 3.00 1.00 20.67 1.00 1.00 11.58 1.00 1.00 9.90 4.00 1.00 17.06 2.00 1.00 19.47 1.00 1.00 9.47 4.00 1.00 22.10 3.00 1.00 14.34 3.00 1.00 15.50 1.00 1.00 10.52 3.00 1.00 15.70 1.00 1.00 12.35 4.00 1.00 17.32 3.00 1.00 14.52 4.00 1.00 16.90 4.00 1.00 18.40 5.00 1.00 33.05 1.00 1.00 10.01 1.00 1.00 12.31 4.00 1.00 16.47 3.00 1.00 16.47 4.00 1.00 23.13 1.00 1.00 10.62 1.00 1.00 10.88 1.00 1.00 10.62 1.00 1.00 15.53 1.00 1.00 10.08 4.00 1.00 16.25 2.00 1.00 12.70 5.00 1.00 23.21 3.00 1.00 15.05 1.00 1.00 10.44 3.00 1.00 14.56 2.00 1.00 14.63 2.00 1.00 18.80 2.00 1.00 14.06 1.00 1.00 10.33 1.00 1.00 9.64 4.00 1.00 25.81 5.00 1.00 28.96 3.00 1.00 14.91 2.00 1.00 17.89 4.00 1.00 16.06 2.00 1.00 14.02 2.00 1.00 11.82 1.00 1.00 13.36 4.00 1.00 17.27 1.00 1.00 10.21 3.00 1.00 21.11 3.00 1.00 15.39 1.00 1.00 10.61 2.00 1.00 18.62 1.00 1.00 10.57 2.00 1.00 12.35 2.00 1.00 12.53 2.00 1.00 14.66 1.00 1.00 10.91 5.00 1.00 20.66 1.00 1.00 11.05 2.00 1.00 22.59 5.00 1.00 22.97 1.00 1.00 10.27 2.00 1.00 13.11 3.00 1.00 16.41 3.00 1.00 14.77 2.00 1.00 13.23 1.00 1.00 12.05 2.00 1.00 13.29 4.00 1.00 16.90 2.00 1.00 12.95 1.00 1.00 9.59 2.00 1.00 13.48 1.00 1.00 12.34 1.00 1.00 12.17 4.00 1.00 19.13 2.00 1.00 12.80 1.00 1.00 9.83 1.00 1.00 10.75 1.00 1.00 9.62 1.00 1.00 11.43 1.00 1.00 18.35 1.00 1.00 10.27 1.00 1.00 15.89 2.00 1.00 13.08 3.00 1.00 14.34 5.00 1.00 33.74 5.00 1.00 30.60 4.00 1.00 17.51 1.00 1.00 11.19 5.00 1.00 21.13 4.00 1.00 16.89 4.00 1.00 16.02 2.00 1.00 12.97 3.00 1.00 14.72 2.00 1.00 12.50 1.00 1.00 11.66 2.00 1.00 11.83 1.00 1.00 11.89 3.00 1.00 13.79 1.00 1.00 11.84 1.00 1.00 10.54 5.00 1.00 29.17 3.00 1.00 15.44 1.00 1.00 12.63 1.00 1.00 12.21 1.00 1.00 12.12 5.00 1.00 23.55 1.00 1.00 10.59 1.00 1.00 13.74 1.00 1.00 10.71 5.00 1.00 23.75 1.00 1.00 12.06 3.00 1.00 23.33 1.00 1.00 11.13 5.00 1.00 24.01 2.00 1.00 13.43 1.00 1.00 11.70 1.00 1.00 12.42 1.00 1.00 11.01 4.00 1.00 17.65 4.00 1.00 20.49 1.00 1.00 10.25 5.00 1.00 33.09 1.00 1.00 12.16 5.00 1.00 21.90 5.00 1.00 24.56 1.00 1.00 10.48 2.00 1.00 13.38 5.00 1.00 27.90 1.00 1.00 13.82 1.00 1.00 18.00 4.00 1.00 29.25 3.00 1.00 21.97 3.00 1.00 17.62 4.00 1.00 23.43 2.00 1.00 12.59 5.00 1.00 24.99 4.00 1.00 21.33 5.00 1.00 21.58 1.00 1.00 11.52 2.00 1.00 14.22 1.00 1.00 11.16 3.00 1.00 15.78 2.00 1.00 22.84 2.00 1.00 24.27 1.00 1.00 10.96 1.00 1.00 10.78 1.00 1.00 12.86 5.00 1.00 22.64 2.00 1.00 13.91 1.00 1.00 10.81 1.00 1.00 10.68

Raw Data

20 - 20

Appendix E

Appendix F: Simulatieresultaten 2e optimalisatie Supply Chain (BMF – EB)

Gemiddelde 15.79 Standaardfout 0.16 Mediaan 14.93 Modus 11.84 Standaarddeviatie 4.96 Steekproefvariantie 24.57 Kurtosis 0.91 Scheefheid 1.05 Bereik 26.94 Minimum 9.07 Maximum 36.01 Som 15791.38 Aantal 1000.00 Betrouwbaarheidsniveau(95.0%) 0.31

Graph - General

Verzamelbereik Frequentie Cumulatief % 9.07 1.00 0.00 9.93 38.00 0.04 10.80 98.00 0.14 11.67 110.00 0.25 12.54 86.00 0.33 13.41 62.00 0.40 14.28 61.00 0.46 15.15 56.00 0.51 16.02 67.00 0.58 16.89 80.00 0.66 17.76 66.00 0.73 18.63 48.00 0.77 19.50 25.00 0.80 20.36 21.00 0.82 21.23 25.00 0.84 22.10 26.00 0.87 22.97 31.00 0.90 23.84 32.00 0.93 24.71 16.00 0.95 25.58 10.00 0.96 26.45 5.00 0.96 27.32 4.00 0.97 28.19 4.00 0.97 29.06 4.00 0.98 29.93 5.00 0.98 30.79 10.00 0.99 31.66 3.00 0.99 32.53 1.00 1.00 33.40 2.00 1.00 34.27 1.00 1.00 35.14 1.00 1.00 Meer 1.00 1.00

Globale histogram run 1 160.00

1.20

140.00

1.00

Frequentie

120.00 0.80

100.00

0.60

80.00 60.00

0.40

40.00 0.20

20.00

0.00

9. 2 12 4 .3 15 6 .4 18 7 .5 21 8 .6 24 9 .8 27 1 .9 31 2 .0 34 3 .1 37 4 .2 40 6 .3 7

0.00

Verzamelbereik

Globale histogram run 2 120.00

1.20

100.00

1.00

80.00

0.80

60.00

0.60

40.00

0.40

20.00

0.20

0.00

0.00

9. 0 11 7 .6 14 7 .2 16 8 .8 19 9 .5 22 0 .1 24 0 .7 27 1 .3 29 2 .9 32 3 .5 35 3 .1 4

LT (Run 2)

Verzamelbereik Frequentie Cumulatief % 9.24 1.00 0.00 10.28 50.00 0.05 11.32 135.00 0.19 12.36 110.00 0.30 13.39 67.00 0.36 14.43 63.00 0.43 15.47 78.00 0.50 16.51 92.00 0.60 17.54 74.00 0.67 18.58 64.00 0.73 19.62 36.00 0.77 20.66 29.00 0.80 21.69 31.00 0.83 22.73 35.00 0.87 23.77 36.00 0.90 24.81 27.00 0.93 25.84 8.00 0.94 26.88 6.00 0.94 27.92 9.00 0.95 28.96 8.00 0.96 29.99 13.00 0.97 31.03 8.00 0.98 32.07 7.00 0.99 33.11 3.00 0.99 34.14 5.00 1.00 35.18 1.00 1.00 36.22 2.00 1.00 37.26 0.00 1.00 38.29 1.00 1.00 39.33 0.00 1.00 40.37 0.00 1.00 Meer 1.00 1.00

Frequentie

LT (Run 1) Gemiddelde 16.38 Standaardfout 0.17 Mediaan 15.38 Modus 10.80 Standaarddeviatie 5.44 Steekproefvariantie 29.64 Kurtosis 1.18 Scheefheid 1.15 Bereik 32.16 Minimum 9.24 Maximum 41.41 Som 16382.07 Aantal 1000.00 Betrouwbaarheidsniveau(95.0%) 0.34

Verzamelbereik

1 - 20

Appendix F

Graph - 1

1.20 1.00 0.80 0.60 0.40 0.20 0.00

150.00 100.00 50.00

.2 5

.9 1

30

.5 8

27

.2 5

25

.9 1

23

.5 8

20

.2 5

18

.9 1

16

.5 8

13

11

9. 24

0.00

Verzamelbereik

Histogram producttype 5 - run 2 150.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

100.00 50.00

.9 5

.7 4

28

.5 3

26

24

.3 2

.1 1

22

.9 0

20

.6 9

17

.4 8

15

.2 7

0.00 13

Verzamelbereik Frequentie Cumulatief % 9.07 1.00 0.00 10.17 64.00 0.16 11.27 130.00 0.49 12.38 96.00 0.73 13.48 19.00 0.78 14.59 13.00 0.81 15.69 17.00 0.85 16.80 21.00 0.91 17.90 14.00 0.94 19.01 7.00 0.96 20.11 5.00 0.97 21.22 3.00 0.98 22.32 1.00 0.98 23.43 4.00 0.99 24.53 2.00 1.00 25.63 0.00 1.00 26.74 0.00 1.00 27.84 0.00 1.00 28.95 0.00 1.00 Meer 1.00 1.00

200.00

9. 07

12.34 0.15 11.30 10.72 2.98 8.86 4.92 2.01 20.99 9.07 30.05 4911.03 398.00 0.29

Histogram producttype 5 - run 1

11

LT (Run 2) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 9.24 1.00 0.00 10.41 61.00 0.16 11.58 154.00 0.54 12.75 62.00 0.70 13.91 15.00 0.74 15.08 20.00 0.79 16.25 31.00 0.86 17.41 17.00 0.91 18.58 9.00 0.93 19.75 10.00 0.95 20.91 1.00 0.96 22.08 5.00 0.97 23.25 2.00 0.97 24.41 5.00 0.99 25.58 0.00 0.99 26.75 2.00 0.99 27.91 1.00 0.99 29.08 0.00 0.99 30.25 1.00 1.00 Meer 1.00 1.00

Frequentie

12.84 0.17 11.42 11.00 3.44 11.84 5.27 2.10 22.17 9.24 31.41 5111.90 398.00 0.34

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

2 - 20

Appendix F

Histogram producttype 2 - run 1 1.20 1.00 0.80 0.60 0.40 0.20 0.00 .0 8 39

.4 3

.7 7

34

29

.1 2 25

.4 7 20

15

.8 2

100.00 80.00 60.00 40.00 20.00 0.00 .1 6

Verzamelbereik Frequentie Cumulatief % 11.16 1.00 0.01 13.49 79.00 0.44 15.82 40.00 0.66 18.14 9.00 0.71 20.47 27.00 0.86 22.80 14.00 0.93 25.12 5.00 0.96 27.45 2.00 0.97 29.77 2.00 0.98 32.10 1.00 0.99 34.43 0.00 0.99 36.75 1.00 0.99 39.08 0.00 0.99 Meer 1.00 1.00

11

15.79 0.35 13.75 12.33 4.66 21.74 5.89 2.01 30.24 11.16 41.41 2874.26 182.00 0.68

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Histogram producttype 2 - run 2 1.20 1.00 0.80 0.60 0.40 0.20 0.00 r M ee

.6 9 28

.7 5 25

.8 1 22

.8 7 19

.9 3 16

13

.9 9

100.00 80.00 60.00 40.00 20.00 0.00 .0 5

Verzamelbereik Frequentie Cumulatief % 11.05 1.00 0.00 12.52 32.00 0.16 13.99 80.00 0.55 15.46 24.00 0.67 16.93 4.00 0.69 18.40 18.00 0.78 19.87 21.00 0.88 21.34 10.00 0.93 22.81 6.00 0.96 24.28 1.00 0.96 25.75 3.00 0.98 27.22 4.00 1.00 28.69 0.00 1.00 30.16 0.00 1.00 Meer 1.00 1.00

11

15.44 0.26 13.75 13.25 3.77 14.21 1.87 1.41 20.59 11.05 31.63 3164.23 205.00 0.52

Frequentie

LT (Run 2) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Graph - 2

3 - 20

Appendix F

Histogram producttype 4 - run 1 60.00 50.00 40.00 30.00 20.00 10.00 0.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

.1 14 8 .6 16 4 .0 17 9 .5 19 5 .0 20 0 .4 21 6 .9 23 2 .3 24 7 .8 26 3 .2 8 M ee r

Verzamelbereik Frequentie Cumulatief % 13.18 1.00 0.01 14.64 22.00 0.21 16.09 55.00 0.72 17.55 10.00 0.81 19.00 1.00 0.82 20.46 9.00 0.90 21.92 2.00 0.92 23.37 6.00 0.97 24.83 2.00 0.99 26.28 0.00 0.99 Meer 1.00 1.00

13

16.30 0.26 15.38 15.36 2.74 7.51 2.96 1.79 14.56 13.18 27.74 1776.86 109.00 0.52

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Histogram producttype 4 - run 2 1.20 1.00 0.80 0.60 0.40 0.20 0.00 .4 18 4 .0 19 2 .6 21 0 .1 22 8 .7 24 7 .3 25 5 .9 27 3 .5 1 M ee r

16

14

.8 6

50.00 40.00 30.00 20.00 10.00 0.00 .2 8

16.61 0.32 15.37 15.65 3.28 10.76 1.91 1.62 15.81 13.28 29.09 1711.31 103.00 0.64

13

Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 13.28 1.00 0.01 14.86 35.00 0.35 16.44 40.00 0.74 18.02 4.00 0.78 19.60 2.00 0.80 21.18 6.00 0.85 22.77 7.00 0.92 24.35 4.00 0.96 25.93 3.00 0.99 27.51 0.00 0.99 Meer 1.00 1.00

Frequentie

LT (Run 2)

Verzamelbereik

Graph - 3

4 - 20

Appendix F

Histogram producttype 3 - run 1 80.00 60.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00 r M ee

.1 4

.4 7

.8 2 30

28

25

.7 9 22

.1 1 20

17

.4 4

40.00 20.00 0.00 .7 6

Verzamelbereik Frequentie Cumulatief % 14.76 1.00 0.00 16.10 22.00 0.11 17.44 66.00 0.44 18.78 57.00 0.73 20.11 2.00 0.74 21.45 8.00 0.78 22.79 13.00 0.84 24.13 16.00 0.92 25.47 6.00 0.95 26.80 3.00 0.97 28.14 2.00 0.98 29.48 4.00 1.00 30.82 0.00 1.00 32.15 0.00 1.00 Meer 1.00 1.00

14

18.84 0.23 17.59 16.77 3.27 10.69 2.31 1.57 18.73 14.76 33.49 3787.29 201.00 0.45

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Histogram producttype 3 - run 2

r M ee

.1 1

.9 1 25

24

.3 2 22

.5 2 20

18

16

.7 2

1.20 1.00 0.80 0.60 0.40 0.20 0.00 .9 3

60.00 50.00 40.00 30.00 20.00 10.00 0.00 .1 3

18.32 0.21 17.22 17.38 2.91 8.46 1.08 1.46 12.57 15.13 27.71 3627.78 198.00 0.41

15

Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 15.13 1.00 0.01 16.03 29.00 0.15 16.93 47.00 0.39 17.83 50.00 0.64 18.72 28.00 0.78 19.62 2.00 0.79 20.52 0.00 0.79 21.42 5.00 0.82 22.32 6.00 0.85 23.21 9.00 0.89 24.11 8.00 0.93 25.01 4.00 0.95 25.91 4.00 0.97 26.81 3.00 0.99 Meer 2.00 1.00

Frequentie

LT (Run 2)

Verzamelbereik

Graph - 4

5 - 20

Appendix F

Histogram producttype 1 - run 1 30.00 25.00 20.00 15.00 10.00 5.00 0.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

.0 20 2 .8 22 8 .7 24 4 .5 26 9 .4 28 5 .3 30 1 .1 32 7 .0 33 2 .8 35 8 .7 4 M ee r

Verzamelbereik Frequentie Cumulatief % 19.02 1.00 0.01 20.88 9.00 0.09 22.74 25.00 0.32 24.59 22.00 0.52 26.45 10.00 0.61 28.31 6.00 0.66 30.17 16.00 0.81 32.02 11.00 0.91 33.88 6.00 0.96 35.74 3.00 0.99 Meer 1.00 1.00

19

25.74 0.42 24.15 21.81 4.42 19.52 -0.76 0.58 18.58 19.02 37.60 2831.75 110.00 0.83

Frequentie

LT (Run 1) Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik

Histogram producttype 1 - run 2 40.00

1.20 1.00 0.80 0.60 0.40 0.20 0.00

30.00 20.00 10.00

.1 6 M ee r

.3 2

34

.4 7

32

.6 3

30

.7 8

28

.9 3

26

.0 9

24

23

21

.2 4

0.00 .4 0

24.76 0.41 23.30 22.17 4.01 16.10 -0.18 0.94 16.61 19.40 36.01 2377.03 96.00 0.81

19

Gemiddelde Standaardfout Mediaan Modus Standaarddeviatie Steekproefvariantie Kurtosis Scheefheid Bereik Minimum Maximum Som Aantal Betrouwbaarheidsniveau(95.0%)

Verzamelbereik Frequentie Cumulatief % 19.40 1.00 0.01 21.24 13.00 0.15 23.09 32.00 0.48 24.93 19.00 0.68 26.78 4.00 0.72 28.63 4.00 0.76 30.47 13.00 0.90 32.32 5.00 0.95 34.16 2.00 0.97 Meer 3.00 1.00

Frequentie

LT (Run 2)

Verzamelbereik

Graph - 5

6 - 20

Appendix F

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 1000.00 1000.00

Som 16382.07 15791.38

Gemiddelde Variantie 16.38 29.64 15.79 24.57

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten Tussen groepen 174.46 1.00 174.46 Binnen groepen 54155.44 1998.00 27.10 Totaal

54329.90

F 6.44

P-waarde 0.01

Kritische gebied van F-toets 3.85

1999.00

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren verschillen significant

Anova - General

7 - 20

Appendix F

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 398.00 398.00

Som 5111.90 4911.03

Gemiddelde Variantie 12.84 11.84 12.34 8.86

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten Tussen groepen 50.69 1.00 50.69 Binnen groepen 8217.72 794.00 10.35 Totaal

8268.40

F 4.90

P-waarde 0.03

Kritische gebied van F-toets 3.85

795.00

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren verschillen significant

Anova - 1

8 - 20

Appendix F

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 182.00 182.00

Som 2874.26 2806.03

Gemiddelde Variantie 15.79 21.74 15.42 14.47

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten Tussen groepen 12.79 1.00 12.79 Binnen groepen 6554.91 362.00 18.11 Totaal

6567.70

F 0.71

P-waarde 0.40

Kritische gebied van F-toets 3.87

363.00

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk

Anova - 2

9 - 20

Appendix F

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 109.00 103.00

Som 1776.86 1711.31

Gemiddelde Variantie 16.30 7.51 16.61 10.76

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten Tussen groepen 5.19 1.00 5.19 Binnen groepen 1908.82 210.00 9.09 Totaal

1914.01

F 0.57

P-waarde 0.45

Kritische gebied van F-toets 3.89

211.00

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk

Anova - 3

10 - 20

Appendix F

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 201.00 198.00

Som 3787.29 3627.78

Gemiddelde Variantie 18.84 10.69 18.32 8.46

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten Tussen groepen 26.99 1.00 26.99 Binnen groepen 3805.61 397.00 9.59 Totaal

3832.60

F 2.82

P-waarde 0.09

Kritische gebied van F-toets 3.86

398.00

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk

Anova - 4

11 - 20

Appendix F

Unifactoriële variantie-analyse (significantieniveau 5%) SAMENVATTING Groepen LT (Run 1) LT (Run 2)

Aantal 110.00 96.00

Som 2831.75 2377.03

Gemiddelde Variantie 25.74 19.52 24.76 16.10

Variantie-analyse Bron van variatie Kwadratensom Vrijheidsgraden Gemiddelde kwadraten Tussen groepen 49.48 1.00 49.48 Binnen groepen 3657.23 204.00 17.93 Totaal

3706.71

F 2.76

P-waarde 0.10

Kritische gebied van F-toets 3.89

205.00

De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk

Anova - 5

12 - 20

Appendix F

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 5.00 1.00 29.43 2.00 1.00 14.05 5.00 1.00 22.00 2.00 1.00 11.96 4.00 1.00 21.85 3.00 1.00 15.37 1.00 1.00 13.43 1.00 1.00 13.80 4.00 1.00 16.68 1.00 1.00 10.67 4.00 1.00 17.33 3.00 1.00 15.59 4.00 1.00 17.71 4.00 1.00 16.58 1.00 1.00 12.02 4.00 1.00 16.29 1.00 1.00 11.25 4.00 1.00 15.97 1.00 1.00 10.96 1.00 1.00 9.81 2.00 1.00 12.78 4.00 1.00 17.62 1.00 1.00 16.42 3.00 1.00 14.03 1.00 1.00 11.50 1.00 1.00 10.34 5.00 1.00 22.89 4.00 1.00 22.11 4.00 1.00 16.67 3.00 1.00 20.20 1.00 1.00 11.37 2.00 1.00 14.72 4.00 1.00 16.05 1.00 1.00 10.81 1.00 1.00 12.00 3.00 1.00 24.63 4.00 1.00 17.76 4.00 1.00 22.57 1.00 1.00 10.97 1.00 1.00 10.32 2.00 1.00 22.40 2.00 1.00 16.69 1.00 1.00 11.65 1.00 1.00 9.90 3.00 1.00 13.18 4.00 1.00 18.05 1.00 1.00 11.02 1.00 1.00 16.16 2.00 1.00 11.54 2.00 1.00 24.65 4.00 1.00 18.52 2.00 1.00 13.76 4.00 1.00 16.98 4.00 1.00 17.26 5.00 1.00 24.68 3.00 1.00 15.30 3.00 1.00 19.77 1.00 1.00 30.05 4.00 1.00 23.76 1.00 1.00 12.25 1.00 1.00 18.25 1.00 1.00 12.60 3.00 1.00 13.81 5.00 1.00 23.04 2.00 1.00 16.69 1.00 1.00 11.06 5.00 1.00 22.52 3.00 1.00 15.93 1.00 1.00 11.61 5.00 1.00 25.48 2.00 1.00 11.33 4.00 1.00 18.12 2.00 1.00 12.25 4.00 1.00 15.74 1.00 1.00 17.09 2.00 1.00 20.92 2.00 1.00 14.44 1.00 1.00 15.50 1.00 1.00 10.88 1.00 1.00 10.98 4.00 1.00 23.14 4.00 1.00 18.71 1.00 1.00 11.41 2.00 1.00 13.48 1.00 1.00 12.00 2.00 1.00 13.13 4.00 1.00 17.78 1.00 1.00 11.31 1.00 1.00 10.63 1.00 1.00 10.67 1.00 1.00 10.71 5.00 1.00 21.68 5.00 1.00 22.18 1.00 1.00 10.47 1.00 1.00 16.34 5.00 1.00 36.01 5.00 1.00 21.13 1.00 1.00 11.21 1.00 1.00 11.10 1.00 1.00 11.96 1.00 1.00 9.97 5.00 1.00 22.90 1.00 1.00 9.35 1.00 1.00 13.99 2.00 1.00 26.36 5.00 1.00 21.20 1.00 1.00 11.66 1.00 1.00 12.26 4.00 1.00 18.41 5.00 1.00 28.96 2.00 1.00 13.41 3.00 1.00 16.08 5.00 1.00 22.35 4.00 1.00 23.69 3.00 1.00 14.11 1.00 1.00 10.69 4.00 1.00 17.58 1.00 1.00 11.35 1.00 1.00 11.85 1.00 1.00 10.75 2.00 1.00 18.72 1.00 1.00 10.61 2.00 1.00 13.44 1.00 1.00 9.90 1.00 1.00 15.63 3.00 1.00 14.89 4.00 1.00 15.93 1.00 1.00 10.39 3.00 1.00 19.96 2.00 1.00 19.68 4.00 1.00 18.12 1.00 1.00 12.01 1.00 1.00 11.86 1.00 1.00 9.29 4.00 1.00 16.35 4.00 1.00 26.39 2.00 1.00 26.12 4.00 1.00 16.81 1.00 1.00 11.16 1.00 1.00 9.98 1.00 1.00 15.71 1.00 1.00 9.92 1.00 1.00 9.62 4.00 1.00 22.77 1.00 1.00 12.69 5.00 1.00 22.76 1.00 1.00 11.98 4.00 1.00 26.20 3.00 1.00 15.96 2.00 1.00 20.32 4.00 1.00 18.54 3.00 1.00 14.60 1.00 1.00 15.22 2.00 1.00 11.81 2.00 1.00 13.81 3.00 1.00 15.42 5.00 1.00 29.62 1.00 1.00 10.01 1.00 1.00 12.24 3.00 1.00 14.63 4.00 1.00 16.21 1.00 1.00 22.46 1.00 1.00 18.88 2.00 1.00 18.22 1.00 1.00 11.33 4.00 1.00 18.04 1.00 1.00 14.02 4.00 1.00 18.60 2.00 1.00 14.52 4.00 1.00 16.31 1.00 1.00 10.41 2.00 1.00 12.42 4.00 1.00 17.10 3.00 1.00 19.69 5.00 1.00 24.78 1.00 1.00 10.65 1.00 1.00 9.72 3.00 1.00 14.88 1.00 1.00 10.08 5.00 1.00 21.38 5.00 1.00 21.17 4.00 1.00 18.01 1.00 1.00 12.03 1.00 1.00 9.43 3.00 1.00 23.47 4.00 1.00 23.49 2.00 1.00 12.30 1.00 1.00 9.43 1.00 1.00 10.90 1.00 1.00 11.55 4.00 1.00 17.00 4.00 1.00 17.21 1.00 1.00 13.79 2.00 1.00 12.14 2.00 1.00 22.45 1.00 1.00 10.17 4.00 1.00 18.27 1.00 1.00 14.63 2.00 1.00 13.63 1.00 1.00 10.85 3.00 1.00 21.23 2.00 1.00 12.69 1.00 1.00 10.13 4.00 1.00 20.55 1.00 1.00 10.24 1.00 1.00 10.62 2.00 1.00 13.26 1.00 1.00 17.48 1.00 1.00 10.83 1.00 1.00 11.07 3.00 1.00 15.26 2.00 1.00 12.11 1.00 1.00 10.52 4.00 1.00 16.37 2.00 1.00 13.42 2.00 1.00 13.61 3.00 1.00 21.98 2.00 1.00 14.63 1.00 1.00 10.39 1.00 1.00 10.09 1.00 1.00 11.04 1.00 1.00 11.74 2.00 1.00 12.63 2.00 1.00 26.87 4.00 1.00 16.10 1.00 1.00 15.22 1.00 1.00 10.71 2.00 1.00 12.81 4.00 1.00 17.01 1.00 1.00 11.97 4.00 1.00 23.13 5.00 1.00 23.36 2.00 1.00 14.39 5.00 1.00 21.90 2.00 1.00 19.35 1.00 1.00 9.96 2.00 1.00 16.16 1.00 1.00 11.00 3.00 1.00 15.00 4.00 1.00 16.47 2.00 1.00 11.16 4.00 1.00 16.57 2.00 1.00 13.68 1.00 1.00 17.78 3.00 1.00 14.73 1.00 1.00 11.29 1.00 1.00 17.34 4.00 1.00 17.19 3.00 1.00 15.84 1.00 1.00 22.68 4.00 1.00 17.99 2.00 1.00 14.01 1.00 1.00 10.28 1.00 1.00 20.52 1.00 1.00 11.54 1.00 1.00 14.81

Raw Data

13 - 20

Appendix F

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 5.00 1.00 22.96 4.00 1.00 16.42 4.00 1.00 21.95 1.00 1.00 10.47 2.00 1.00 13.78 4.00 1.00 15.95 1.00 1.00 23.78 1.00 1.00 11.74 1.00 1.00 21.03 1.00 1.00 16.69 1.00 1.00 11.37 4.00 1.00 18.55 2.00 1.00 20.64 2.00 1.00 13.04 1.00 1.00 9.24 1.00 1.00 11.99 2.00 1.00 12.99 3.00 1.00 15.43 2.00 1.00 12.49 2.00 1.00 14.68 3.00 1.00 16.20 4.00 1.00 17.30 2.00 1.00 13.27 1.00 1.00 10.17 1.00 1.00 11.52 1.00 1.00 12.46 2.00 1.00 14.43 1.00 1.00 10.98 3.00 1.00 14.63 1.00 1.00 11.87 1.00 1.00 12.14 2.00 1.00 17.96 2.00 1.00 19.22 4.00 1.00 21.56 1.00 1.00 16.69 1.00 1.00 10.15 4.00 1.00 16.76 2.00 1.00 20.21 4.00 1.00 17.02 3.00 1.00 14.72 1.00 1.00 10.29 3.00 1.00 14.90 3.00 1.00 15.57 2.00 1.00 13.64 4.00 1.00 15.83 3.00 1.00 24.71 4.00 1.00 17.97 1.00 1.00 10.46 1.00 1.00 15.50 4.00 1.00 19.58 1.00 1.00 12.54 5.00 1.00 22.72 4.00 1.00 16.05 1.00 1.00 11.25 4.00 1.00 16.72 2.00 1.00 13.11 3.00 1.00 14.76 1.00 1.00 12.01 3.00 1.00 15.01 1.00 1.00 12.62 4.00 1.00 15.58 4.00 1.00 16.72 1.00 1.00 9.64 1.00 1.00 11.05 1.00 1.00 9.35 3.00 1.00 21.81 1.00 1.00 15.42 3.00 1.00 22.03 4.00 1.00 18.30 5.00 1.00 23.92 2.00 1.00 13.81 3.00 1.00 15.43 3.00 1.00 19.90 1.00 1.00 9.88 4.00 1.00 21.58 5.00 1.00 30.19 2.00 1.00 12.28 2.00 1.00 11.83 1.00 1.00 10.39 4.00 1.00 16.91 4.00 1.00 27.69 1.00 1.00 11.99 1.00 1.00 17.74 1.00 1.00 9.81 2.00 1.00 13.08 1.00 1.00 12.05 1.00 1.00 9.56 2.00 1.00 21.83 3.00 1.00 15.64 3.00 1.00 14.23 1.00 1.00 16.85 2.00 1.00 14.09 5.00 1.00 27.34 2.00 1.00 18.15 1.00 1.00 12.27 4.00 1.00 16.38 4.00 1.00 24.54 5.00 1.00 19.79 4.00 1.00 15.82 1.00 1.00 10.91 1.00 1.00 10.01 2.00 1.00 12.22 3.00 1.00 15.65 1.00 1.00 12.72 2.00 1.00 13.03 1.00 1.00 10.78 4.00 1.00 17.28 2.00 1.00 13.80 1.00 1.00 11.27 2.00 1.00 12.08 4.00 1.00 18.31 3.00 1.00 16.05 1.00 1.00 9.88 2.00 1.00 13.29 4.00 1.00 17.32 2.00 1.00 12.84 5.00 1.00 27.84 4.00 1.00 16.14 1.00 1.00 17.71 2.00 1.00 13.34 4.00 1.00 17.03 1.00 1.00 11.06 4.00 1.00 17.36 2.00 1.00 13.36 1.00 1.00 10.89 4.00 1.00 16.64 2.00 1.00 13.42 1.00 1.00 14.58 4.00 1.00 19.26 2.00 1.00 12.24 1.00 1.00 10.33 1.00 1.00 16.52 2.00 1.00 14.46 4.00 1.00 22.89 1.00 1.00 11.42 2.00 1.00 21.41 1.00 1.00 12.58 5.00 1.00 21.97 1.00 1.00 14.14 1.00 1.00 16.15 1.00 1.00 14.15 5.00 1.00 28.13 2.00 1.00 12.95 2.00 1.00 14.25 4.00 1.00 18.40 1.00 1.00 10.12 5.00 1.00 22.82 4.00 1.00 18.43 2.00 1.00 12.53 4.00 1.00 17.55 1.00 1.00 10.78 1.00 1.00 10.90 3.00 1.00 13.98 5.00 1.00 31.93 4.00 1.00 28.79 1.00 1.00 10.96 1.00 1.00 11.33 1.00 1.00 16.62 5.00 1.00 21.69 3.00 1.00 15.09 1.00 1.00 11.98 4.00 1.00 16.77 5.00 1.00 33.79 4.00 1.00 15.23 2.00 1.00 19.35 2.00 1.00 13.14 3.00 1.00 13.89 3.00 1.00 14.09 4.00 1.00 17.00 4.00 1.00 22.30 5.00 1.00 21.33 4.00 1.00 17.21 5.00 1.00 23.07 5.00 1.00 25.14 3.00 1.00 14.79 1.00 1.00 15.38 3.00 1.00 16.67 4.00 1.00 17.04 4.00 1.00 15.51 2.00 1.00 14.44 4.00 1.00 16.92 2.00 1.00 12.98 5.00 1.00 29.55 1.00 1.00 16.99 2.00 1.00 13.03 1.00 1.00 10.57 5.00 1.00 22.44 1.00 1.00 11.53 1.00 1.00 11.95 5.00 1.00 25.57 4.00 1.00 15.22 1.00 1.00 11.67 5.00 1.00 24.95 4.00 1.00 16.85 3.00 1.00 22.69 2.00 1.00 13.92 3.00 1.00 15.38 1.00 1.00 11.69 4.00 1.00 22.03 1.00 1.00 11.13 2.00 1.00 12.38 1.00 1.00 11.69 1.00 1.00 11.05 1.00 1.00 12.01 3.00 1.00 16.29 3.00 1.00 14.63 2.00 1.00 21.03 2.00 1.00 15.17 1.00 1.00 19.42 5.00 1.00 23.86 1.00 1.00 11.17 1.00 1.00 12.65 4.00 1.00 24.61 1.00 1.00 11.77 1.00 1.00 12.88 5.00 1.00 20.12 5.00 1.00 20.25 1.00 1.00 23.72 1.00 1.00 12.37 5.00 1.00 21.57 4.00 1.00 18.62 5.00 1.00 23.27 5.00 1.00 21.25 2.00 1.00 19.06 4.00 1.00 17.85 3.00 1.00 21.94 3.00 1.00 13.68 3.00 1.00 14.28 4.00 1.00 22.13 4.00 1.00 27.71 1.00 1.00 10.57 1.00 1.00 11.01 1.00 1.00 19.60 1.00 1.00 10.48 1.00 1.00 11.97 1.00 1.00 10.76 2.00 1.00 14.03 1.00 1.00 9.94 5.00 1.00 25.40 2.00 1.00 11.58 1.00 1.00 9.86 3.00 1.00 14.96 1.00 1.00 15.95 4.00 1.00 25.46 1.00 1.00 11.01 1.00 1.00 17.41 1.00 1.00 11.53 1.00 1.00 11.07 1.00 1.00 14.54 1.00 1.00 23.36 1.00 1.00 12.04 4.00 1.00 16.79 1.00 1.00 11.37 1.00 1.00 10.34 4.00 1.00 17.69 1.00 1.00 10.13

Raw Data

14 - 20

Appendix F

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 2.00 1.00 14.21 1.00 1.00 11.30 1.00 1.00 16.81 3.00 1.00 22.83 5.00 1.00 25.98 1.00 1.00 11.66 2.00 1.00 12.16 5.00 1.00 23.94 2.00 1.00 23.43 1.00 1.00 10.48 3.00 1.00 14.63 5.00 1.00 22.11 3.00 1.00 19.20 1.00 1.00 9.91 2.00 1.00 12.42 4.00 1.00 24.02 1.00 1.00 12.70 4.00 1.00 17.57 4.00 1.00 17.89 2.00 1.00 13.40 1.00 1.00 17.16 2.00 1.00 12.20 4.00 1.00 23.10 3.00 1.00 14.19 1.00 1.00 10.21 2.00 1.00 19.49 3.00 1.00 15.10 5.00 1.00 22.23 4.00 1.00 16.92 2.00 1.00 22.32 4.00 1.00 17.81 1.00 1.00 10.08 3.00 1.00 15.03 1.00 1.00 9.93 1.00 1.00 11.80 1.00 1.00 10.85 2.00 1.00 13.32 4.00 1.00 17.03 4.00 1.00 15.90 3.00 1.00 15.68 4.00 1.00 17.39 5.00 1.00 30.34 3.00 1.00 15.65 2.00 1.00 12.66 1.00 1.00 22.39 4.00 1.00 25.03 1.00 1.00 14.52 1.00 1.00 11.82 3.00 1.00 19.97 2.00 1.00 13.42 3.00 1.00 15.08 2.00 1.00 13.39 1.00 1.00 10.79 2.00 1.00 12.92 1.00 1.00 11.34 2.00 1.00 11.76 5.00 1.00 29.52 1.00 1.00 11.08 3.00 1.00 15.51 1.00 1.00 9.91 1.00 1.00 14.74 3.00 1.00 20.51 1.00 1.00 9.93 1.00 1.00 11.45 1.00 1.00 11.70 3.00 1.00 16.74 4.00 1.00 16.86 1.00 1.00 9.71 2.00 1.00 12.84 4.00 1.00 23.68 1.00 1.00 18.68 2.00 1.00 13.61 1.00 1.00 10.27 2.00 1.00 12.31 1.00 1.00 11.18 2.00 1.00 15.07 1.00 1.00 11.51 1.00 1.00 9.98 2.00 1.00 12.14 2.00 1.00 13.33 4.00 1.00 17.75 5.00 1.00 22.50 4.00 1.00 16.44 3.00 1.00 13.44 1.00 1.00 10.88 2.00 1.00 13.49 2.00 1.00 17.51 4.00 1.00 16.64 2.00 1.00 34.96 5.00 1.00 19.50 5.00 1.00 27.40 3.00 1.00 13.87 4.00 1.00 24.05 2.00 1.00 18.87 2.00 1.00 13.60 2.00 1.00 14.00 1.00 1.00 11.97 4.00 1.00 16.33 1.00 1.00 27.64 1.00 1.00 10.49 5.00 1.00 35.38 1.00 1.00 19.61 2.00 1.00 21.40 1.00 1.00 12.40 5.00 1.00 29.74 4.00 1.00 17.29 2.00 1.00 14.03 1.00 1.00 11.29 3.00 1.00 15.26 1.00 1.00 12.35 1.00 1.00 11.42 1.00 1.00 15.08 5.00 1.00 22.16 2.00 1.00 17.88 1.00 1.00 19.41 1.00 1.00 10.16 4.00 1.00 15.96 2.00 1.00 17.43 4.00 1.00 17.89 2.00 1.00 13.94 1.00 1.00 9.63 3.00 1.00 15.41 5.00 1.00 23.22 2.00 1.00 13.08 4.00 1.00 17.76 2.00 1.00 13.43 2.00 1.00 12.47 1.00 1.00 10.71 4.00 1.00 22.80 1.00 1.00 10.78 1.00 1.00 15.31 1.00 1.00 11.08 4.00 1.00 16.23 3.00 1.00 15.46 5.00 1.00 23.68 1.00 1.00 17.34 1.00 1.00 9.65 1.00 1.00 16.85 3.00 1.00 21.56 1.00 1.00 9.46 5.00 1.00 22.73 1.00 1.00 11.23 3.00 1.00 15.55 4.00 1.00 17.16 4.00 1.00 17.45 1.00 1.00 9.38 4.00 1.00 16.87 4.00 1.00 15.91 1.00 1.00 10.67 4.00 1.00 16.74 5.00 1.00 21.39 5.00 1.00 20.77 4.00 1.00 16.77 1.00 1.00 11.30 2.00 1.00 12.83 1.00 1.00 14.49 1.00 1.00 12.20 5.00 1.00 29.96 5.00 1.00 33.25 1.00 1.00 15.64 2.00 1.00 19.96 1.00 1.00 11.46 1.00 1.00 12.31 2.00 1.00 14.84 1.00 1.00 9.67 4.00 1.00 17.29 5.00 1.00 26.87 1.00 1.00 11.20 5.00 1.00 21.62 5.00 1.00 34.20 5.00 1.00 20.25 4.00 1.00 24.41 1.00 1.00 11.28 3.00 1.00 17.17 1.00 1.00 11.81 2.00 1.00 11.61 5.00 1.00 25.19 3.00 1.00 13.86 2.00 1.00 12.60 1.00 1.00 10.65 2.00 1.00 12.86 1.00 1.00 10.00 2.00 1.00 11.94 1.00 1.00 10.29 2.00 1.00 18.05 1.00 1.00 10.66 4.00 1.00 15.99 5.00 1.00 21.39 1.00 1.00 13.54 1.00 1.00 11.31 3.00 1.00 13.97 2.00 1.00 13.21 2.00 1.00 13.06 3.00 1.00 15.72 5.00 1.00 22.28 4.00 1.00 16.47 1.00 1.00 11.31 4.00 1.00 15.13 1.00 1.00 11.84 3.00 1.00 14.86 2.00 1.00 21.50 2.00 1.00 13.56 2.00 1.00 13.46 2.00 1.00 12.47 4.00 1.00 16.18 1.00 1.00 10.54 1.00 1.00 10.85 2.00 1.00 14.56 5.00 1.00 29.63 2.00 1.00 20.11 1.00 1.00 14.93 1.00 1.00 18.81 2.00 1.00 18.42 4.00 1.00 18.44 1.00 1.00 14.74 1.00 1.00 11.62 1.00 1.00 10.71 4.00 1.00 16.40 3.00 1.00 14.82 1.00 1.00 9.59 5.00 1.00 19.02 1.00 1.00 11.62 1.00 1.00 10.88 3.00 1.00 15.00 2.00 1.00 18.97 1.00 1.00 12.13 4.00 1.00 16.95 1.00 1.00 11.58 4.00 1.00 22.87 1.00 1.00 10.04 2.00 1.00 14.26 1.00 1.00 11.65 1.00 1.00 16.02 1.00 1.00 12.79 2.00 1.00 12.86 2.00 1.00 12.56 2.00 1.00 11.32 1.00 1.00 12.23 4.00 1.00 15.40 5.00 1.00 22.89 1.00 1.00 9.69 2.00 1.00 12.63 5.00 1.00 29.74 5.00 1.00 22.47 5.00 1.00 31.12 4.00 1.00 17.12 2.00 1.00 17.57 4.00 1.00 15.25 3.00 1.00 16.26 2.00 1.00 13.10 3.00 1.00 15.18 1.00 1.00 9.48 4.00 1.00 17.41 1.00 1.00 11.16 1.00 1.00 11.02 3.00 1.00 13.73

Raw Data

15 - 20

Appendix F

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 15.10 1.00 1.00 10.78 2.00 1.00 21.36 4.00 1.00 16.72 1.00 1.00 10.11 1.00 1.00 15.69 1.00 1.00 10.00 5.00 1.00 22.27 2.00 1.00 11.55 1.00 1.00 15.55 2.00 1.00 19.16 1.00 1.00 11.05 3.00 1.00 15.58 4.00 1.00 16.63 5.00 1.00 29.90 1.00 1.00 10.75 1.00 1.00 10.94 2.00 1.00 19.03 1.00 1.00 15.74 2.00 1.00 18.48 5.00 1.00 28.51 1.00 1.00 13.78 1.00 1.00 10.68 2.00 1.00 12.28 3.00 1.00 13.79 2.00 1.00 14.23 3.00 1.00 14.77 1.00 1.00 10.34 3.00 1.00 14.73 2.00 1.00 16.50 1.00 1.00 24.05 1.00 1.00 11.76 2.00 1.00 13.98 1.00 1.00 9.79 1.00 1.00 10.87 4.00 1.00 17.95 1.00 1.00 14.65 1.00 1.00 11.08 1.00 1.00 21.29 1.00 1.00 10.07 2.00 1.00 13.01 4.00 1.00 18.72 1.00 1.00 22.45 4.00 1.00 23.56 5.00 1.00 22.07 4.00 1.00 23.36 2.00 1.00 18.88 2.00 1.00 19.32 4.00 1.00 25.73 3.00 1.00 14.05 2.00 1.00 14.00 4.00 1.00 15.84 2.00 1.00 11.71 2.00 1.00 18.48 1.00 1.00 11.09 4.00 1.00 17.90 3.00 1.00 15.70 2.00 1.00 13.70 2.00 1.00 12.58 4.00 1.00 16.60 1.00 1.00 11.41 1.00 1.00 16.79 2.00 1.00 12.68 3.00 1.00 13.81 2.00 1.00 21.23 1.00 1.00 11.05 3.00 1.00 13.85 1.00 1.00 11.26 1.00 1.00 11.31 2.00 1.00 13.46 4.00 1.00 17.19 1.00 1.00 11.61 2.00 1.00 19.24 4.00 1.00 16.85 1.00 1.00 13.13 1.00 1.00 11.63 1.00 1.00 18.28 3.00 1.00 14.33 4.00 1.00 33.49 4.00 1.00 17.62 2.00 1.00 20.26 4.00 1.00 17.95 1.00 1.00 9.84 1.00 1.00 10.17 1.00 1.00 11.31 5.00 1.00 21.32 1.00 1.00 10.91 3.00 1.00 16.55 4.00 1.00 16.38 4.00 1.00 22.00 2.00 1.00 13.73 4.00 1.00 20.81 4.00 1.00 17.73 5.00 1.00 24.03 2.00 1.00 11.90 4.00 1.00 17.37 1.00 1.00 11.24 1.00 1.00 9.59 1.00 1.00 11.49 1.00 1.00 12.39 2.00 1.00 12.27 2.00 1.00 14.12 1.00 1.00 10.51 1.00 1.00 11.24 1.00 1.00 11.12 4.00 1.00 17.41 5.00 1.00 21.26 4.00 1.00 15.77 2.00 1.00 18.43 5.00 1.00 19.89 1.00 1.00 10.98 2.00 1.00 12.93 5.00 1.00 24.20 1.00 1.00 15.91 1.00 1.00 10.87 1.00 1.00 9.67 4.00 1.00 18.41 1.00 1.00 10.68 1.00 1.00 11.02 2.00 1.00 12.65 2.00 1.00 18.36 4.00 1.00 18.59 4.00 1.00 16.25 4.00 1.00 23.08 3.00 1.00 15.73 1.00 1.00 11.58 1.00 1.00 9.65 3.00 1.00 14.85 1.00 1.00 11.29 4.00 1.00 15.97 3.00 1.00 15.17 1.00 1.00 12.68 1.00 1.00 12.09 2.00 1.00 20.13 2.00 1.00 14.03 5.00 1.00 29.54 1.00 1.00 25.88 1.00 1.00 11.13 2.00 1.00 21.24 2.00 1.00 13.31 1.00 1.00 10.24 1.00 1.00 18.90 1.00 1.00 10.13 4.00 1.00 15.87 3.00 1.00 15.27 3.00 1.00 18.74 4.00 1.00 22.95 4.00 1.00 17.98 3.00 1.00 19.40 2.00 1.00 18.59 1.00 1.00 9.82 1.00 1.00 14.25 1.00 1.00 9.73 5.00 1.00 24.24 2.00 1.00 14.64 2.00 1.00 12.45 1.00 1.00 10.03 3.00 1.00 15.71 2.00 1.00 19.96 1.00 1.00 9.48 3.00 1.00 13.55 1.00 1.00 12.28 4.00 1.00 22.00 4.00 1.00 16.11 2.00 1.00 11.30 1.00 1.00 12.49 4.00 1.00 17.58 2.00 1.00 18.05 1.00 1.00 11.37 4.00 1.00 23.18 1.00 1.00 19.68 1.00 1.00 10.80 1.00 1.00 15.90 1.00 1.00 11.88 2.00 1.00 14.57 1.00 1.00 17.53 2.00 1.00 12.23 4.00 1.00 24.33 2.00 1.00 14.08 3.00 1.00 22.30 2.00 1.00 11.25 2.00 1.00 12.98 5.00 1.00 20.98 2.00 1.00 11.34 4.00 1.00 22.94 4.00 1.00 24.59 4.00 1.00 15.90 4.00 1.00 17.26 1.00 1.00 15.19 2.00 1.00 25.74 4.00 1.00 15.80 4.00 1.00 17.29 4.00 1.00 17.50 1.00 1.00 10.98 4.00 1.00 16.34 5.00 1.00 23.32 2.00 1.00 12.65 1.00 1.00 19.07 2.00 1.00 12.83 4.00 1.00 18.14 5.00 1.00 25.07 1.00 1.00 10.89 3.00 1.00 16.76 5.00 1.00 22.14 4.00 1.00 15.12 1.00 1.00 12.06 4.00 1.00 17.83 2.00 1.00 13.16 1.00 1.00 10.43 2.00 1.00 11.81 1.00 1.00 12.19 2.00 1.00 19.38 2.00 1.00 17.11 4.00 1.00 16.66 2.00 1.00 12.42 3.00 1.00 15.85 5.00 1.00 23.84 1.00 1.00 9.82 1.00 1.00 15.76 1.00 1.00 16.57 1.00 1.00 11.71 4.00 1.00 15.63 4.00 1.00 20.30 5.00 1.00 28.06 5.00 1.00 21.86 2.00 1.00 13.10 1.00 1.00 11.39 1.00 1.00 11.32 1.00 1.00 11.81 4.00 1.00 22.24 4.00 1.00 16.58 2.00 1.00 18.51 3.00 1.00 22.25 1.00 1.00 12.18 5.00 1.00 28.12 3.00 1.00 15.38 1.00 1.00 10.62 1.00 1.00 11.69 1.00 1.00 11.10 1.00 1.00 14.44 1.00 1.00 11.65 2.00 1.00 13.58 4.00 1.00 26.26 4.00 1.00 15.74 2.00 1.00 17.44 3.00 1.00 16.14 1.00 1.00 15.36 1.00 1.00 10.80 4.00 1.00 25.58 3.00 1.00 14.84 2.00 1.00 24.47 2.00 1.00 14.75 1.00 1.00 14.67 3.00 1.00 21.21 3.00 1.00 15.13 1.00 1.00 9.93

Raw Data

16 - 20

Appendix F

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 1.00 1.00 10.55 3.00 1.00 13.28 1.00 1.00 11.35 2.00 1.00 13.30 4.00 1.00 18.49 5.00 1.00 22.70 1.00 1.00 10.31 1.00 1.00 10.57 3.00 1.00 14.43 1.00 1.00 11.69 5.00 1.00 21.76 2.00 1.00 14.47 1.00 1.00 11.13 1.00 1.00 11.86 1.00 1.00 12.38 4.00 1.00 16.44 4.00 1.00 16.34 2.00 1.00 13.14 2.00 1.00 12.26 4.00 1.00 17.43 5.00 1.00 32.94 2.00 1.00 11.05 1.00 1.00 21.70 1.00 1.00 11.00 1.00 1.00 10.49 5.00 1.00 32.76 1.00 1.00 11.92 2.00 1.00 26.89 1.00 1.00 12.48 2.00 1.00 13.02 1.00 1.00 15.89 1.00 1.00 12.17 4.00 1.00 18.04 1.00 1.00 11.62 1.00 1.00 10.33 1.00 1.00 9.90 5.00 1.00 33.92 4.00 1.00 16.93 1.00 1.00 16.12 4.00 1.00 15.97 4.00 1.00 17.34 3.00 1.00 23.24 1.00 1.00 11.23 1.00 1.00 11.76 1.00 1.00 19.01 5.00 1.00 34.90 1.00 1.00 11.41 5.00 1.00 30.91 3.00 1.00 14.70 5.00 1.00 22.19 4.00 1.00 21.07 1.00 1.00 15.44 1.00 1.00 16.58 2.00 1.00 19.59 1.00 1.00 11.41 4.00 1.00 16.56 2.00 1.00 13.64 4.00 1.00 17.59 4.00 1.00 21.91 1.00 1.00 13.37 1.00 1.00 12.90 1.00 1.00 9.48 5.00 1.00 20.03 2.00 1.00 20.98 1.00 1.00 15.19 4.00 1.00 16.39 1.00 1.00 10.43 4.00 1.00 25.08 1.00 1.00 10.31 2.00 1.00 16.07 2.00 1.00 41.41 5.00 1.00 30.79 2.00 1.00 19.65 3.00 1.00 14.65 1.00 1.00 10.05 1.00 1.00 10.84 1.00 1.00 11.94 5.00 1.00 22.03 4.00 1.00 21.29 2.00 1.00 25.22 4.00 1.00 17.68 1.00 1.00 11.05 5.00 1.00 24.40 1.00 1.00 11.65 4.00 1.00 16.57 1.00 1.00 11.69 3.00 1.00 15.84 2.00 1.00 20.84 1.00 1.00 10.68 2.00 1.00 11.39 4.00 1.00 16.45 1.00 1.00 16.22 5.00 1.00 23.01 2.00 1.00 17.31 1.00 1.00 10.55 1.00 1.00 16.62 2.00 1.00 20.54 5.00 1.00 30.22 3.00 1.00 22.69 1.00 1.00 16.79 4.00 1.00 24.27 3.00 1.00 23.42 1.00 1.00 12.18 1.00 1.00 10.12 4.00 1.00 16.06 1.00 1.00 11.37 4.00 1.00 28.77 3.00 1.00 16.30 5.00 1.00 31.74 4.00 1.00 15.84 4.00 1.00 18.05 2.00 1.00 13.68 1.00 1.00 31.41 1.00 1.00 11.48 5.00 1.00 32.16 1.00 1.00 9.22 5.00 1.00 20.10 4.00 1.00 15.17 4.00 1.00 16.83 1.00 1.00 10.74 1.00 1.00 11.14 1.00 1.00 10.75 2.00 1.00 12.10 2.00 1.00 13.88 1.00 1.00 11.06 2.00 1.00 12.69 1.00 1.00 9.77 1.00 1.00 11.34 3.00 1.00 23.47 2.00 1.00 13.20 2.00 1.00 13.55 4.00 1.00 17.46 1.00 1.00 10.35 4.00 1.00 18.25 1.00 1.00 10.58 1.00 1.00 9.79 1.00 1.00 10.21 2.00 1.00 12.37 2.00 1.00 23.76 1.00 1.00 11.12 2.00 1.00 14.20 2.00 1.00 12.71 1.00 1.00 12.09 1.00 1.00 18.85 1.00 1.00 11.32 1.00 1.00 15.59 1.00 1.00 10.02 1.00 1.00 11.61 1.00 1.00 11.34 4.00 1.00 15.79 4.00 1.00 22.61 1.00 1.00 11.35 1.00 1.00 11.64 1.00 1.00 11.18 5.00 1.00 23.80 2.00 1.00 18.31 1.00 1.00 10.70 2.00 1.00 26.39 4.00 1.00 22.49 1.00 1.00 10.16 1.00 1.00 11.25 2.00 1.00 18.92 5.00 1.00 21.40 1.00 1.00 11.33 4.00 1.00 16.51 3.00 1.00 15.75 1.00 1.00 10.83 1.00 1.00 11.65 4.00 1.00 23.42 4.00 1.00 26.60 3.00 1.00 15.91 1.00 1.00 9.85 5.00 1.00 29.35 2.00 1.00 19.64 4.00 1.00 17.66 1.00 1.00 14.02 4.00 1.00 20.34 2.00 1.00 11.28 1.00 1.00 16.24 1.00 1.00 14.48 5.00 1.00 23.61 4.00 1.00 17.20 2.00 1.00 13.04 4.00 1.00 16.96 3.00 1.00 13.54 2.00 1.00 21.35 1.00 1.00 11.74 1.00 1.00 9.88 1.00 1.00 13.04 1.00 1.00 20.57 3.00 1.00 15.30 1.00 1.00 11.86 3.00 1.00 13.37 2.00 1.00 13.12 2.00 1.00 14.04 1.00 1.00 10.07 3.00 1.00 15.27 2.00 1.00 18.17 4.00 1.00 16.22 4.00 1.00 17.04 1.00 1.00 12.23 1.00 1.00 21.30 4.00 1.00 17.26 4.00 1.00 17.36 1.00 1.00 12.35 2.00 1.00 13.94 2.00 1.00 18.74 2.00 1.00 12.60 1.00 1.00 12.19 1.00 1.00 10.44 1.00 1.00 10.96 3.00 1.00 15.72 4.00 1.00 14.76 5.00 1.00 20.34 4.00 1.00 24.33 2.00 1.00 12.72 1.00 1.00 11.23 3.00 1.00 13.63 5.00 1.00 23.37 2.00 1.00 18.34 3.00 1.00 15.16 1.00 1.00 11.95 4.00 1.00 20.62 2.00 1.00 18.58 4.00 1.00 20.51 4.00 1.00 23.22 4.00 1.00 24.03 4.00 1.00 15.86 4.00 1.00 17.00 1.00 1.00 11.09 1.00 1.00 10.60 1.00 1.00 10.41 4.00 1.00 16.97 4.00 1.00 24.82 1.00 1.00 11.51 5.00 1.00 23.80 4.00 1.00 22.81 4.00 1.00 16.42 3.00 1.00 15.73 4.00 1.00 16.96 4.00 1.00 15.51 5.00 1.00 22.85 1.00 1.00 12.90 1.00 1.00 11.35 1.00 1.00 10.52 2.00 1.00 14.02 5.00 1.00 31.45 2.00 1.00 13.14 4.00 1.00 17.61 4.00 1.00 22.45 4.00 1.00 19.82 4.00 1.00 16.24 2.00 1.00 20.73 1.00 1.00 10.37 3.00 1.00 13.74 5.00 1.00 21.18

Raw Data

17 - 20

Appendix F

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 5.00 1.00 23.56 1.00 1.00 10.54 3.00 1.00 19.58 2.00 1.00 19.66 4.00 1.00 17.19 5.00 1.00 31.30 3.00 1.00 19.28 2.00 1.00 13.96 1.00 1.00 21.12 1.00 1.00 10.46 5.00 1.00 20.13 1.00 1.00 14.19 4.00 1.00 15.65 4.00 1.00 16.44 3.00 1.00 15.24 1.00 1.00 16.97 2.00 1.00 19.41 1.00 1.00 10.53 4.00 1.00 17.10 3.00 1.00 14.60 2.00 1.00 18.37 1.00 1.00 11.15 3.00 1.00 14.54 1.00 1.00 11.58 1.00 1.00 9.86 5.00 1.00 21.44 2.00 1.00 29.26 4.00 1.00 17.07 2.00 1.00 13.26 1.00 1.00 16.47 2.00 1.00 19.49 5.00 1.00 24.26 1.00 1.00 12.06 1.00 1.00 10.19 1.00 1.00 14.38 5.00 1.00 28.95 2.00 1.00 19.53 1.00 1.00 15.16 4.00 1.00 24.43 3.00 1.00 15.36 2.00 1.00 14.53 2.00 1.00 12.57 4.00 1.00 23.94 4.00 1.00 15.39 1.00 1.00 15.91 4.00 1.00 21.27 4.00 1.00 17.41 4.00 1.00 15.84 3.00 1.00 14.76 5.00 1.00 28.37 3.00 1.00 14.99 1.00 1.00 10.94 4.00 1.00 18.71 2.00 1.00 11.38 1.00 1.00 9.29 2.00 1.00 11.24 2.00 1.00 12.43 1.00 1.00 14.35 4.00 1.00 18.31 4.00 1.00 15.49 1.00 1.00 16.85 5.00 1.00 22.17 4.00 1.00 22.76 1.00 1.00 9.52 4.00 1.00 17.45 2.00 1.00 19.85 1.00 1.00 19.65 1.00 1.00 11.07 4.00 1.00 18.74 4.00 1.00 16.67 4.00 1.00 17.13 5.00 1.00 21.22 4.00 1.00 17.89 1.00 1.00 10.02 1.00 1.00 12.04 2.00 1.00 15.34 1.00 1.00 24.27 1.00 1.00 10.11 4.00 1.00 17.74 1.00 1.00 15.01 2.00 1.00 13.90 5.00 1.00 22.02 2.00 1.00 24.24 1.00 1.00 10.05 5.00 1.00 30.00 1.00 1.00 11.55 3.00 1.00 19.46 1.00 1.00 11.82 1.00 1.00 10.42 4.00 1.00 17.65 2.00 1.00 12.21 4.00 1.00 16.02 4.00 1.00 16.27 5.00 1.00 24.12 1.00 1.00 11.22 2.00 1.00 12.92 5.00 1.00 23.00 2.00 1.00 13.07 3.00 1.00 22.00 4.00 1.00 15.96 1.00 1.00 9.99 4.00 1.00 16.14 1.00 1.00 10.23 1.00 1.00 18.16 5.00 1.00 31.87 1.00 1.00 11.12 1.00 1.00 15.56 1.00 1.00 10.28 1.00 1.00 15.73 3.00 1.00 14.52 2.00 1.00 14.43 2.00 1.00 13.75 3.00 1.00 23.29 5.00 1.00 22.47 1.00 1.00 11.69 1.00 1.00 10.94 5.00 1.00 23.99 1.00 1.00 15.41 1.00 1.00 11.56 1.00 1.00 10.19 1.00 1.00 12.44 3.00 1.00 15.71 3.00 1.00 14.33 1.00 1.00 14.55 1.00 1.00 17.49 1.00 1.00 16.95 1.00 1.00 10.83 1.00 1.00 18.78 1.00 1.00 10.71 5.00 1.00 23.01 1.00 1.00 13.43 3.00 1.00 29.09 4.00 1.00 17.49 2.00 1.00 23.69 4.00 1.00 16.85 5.00 1.00 22.50 1.00 1.00 11.03 1.00 1.00 12.27 2.00 1.00 18.64 1.00 1.00 9.93 2.00 1.00 12.49 1.00 1.00 16.05 2.00 1.00 24.73 1.00 1.00 11.24 4.00 1.00 16.48 2.00 1.00 13.73 1.00 1.00 29.11 4.00 1.00 16.85 2.00 1.00 12.42 1.00 1.00 16.56 1.00 1.00 11.18 1.00 1.00 10.50 1.00 1.00 11.38 1.00 1.00 12.54 4.00 1.00 21.67 4.00 1.00 27.34 2.00 1.00 14.58 5.00 1.00 20.39 3.00 1.00 18.85 1.00 1.00 9.15 4.00 1.00 22.03 2.00 1.00 21.03 5.00 1.00 30.60 1.00 1.00 9.49 1.00 1.00 10.95 5.00 1.00 23.03 1.00 1.00 10.61 4.00 1.00 16.43 3.00 1.00 15.31 2.00 1.00 13.82 1.00 1.00 14.26 1.00 1.00 10.06 1.00 1.00 11.29 1.00 1.00 9.51 2.00 1.00 13.57 1.00 1.00 11.16 1.00 1.00 15.78 1.00 1.00 13.41 5.00 1.00 24.69 1.00 1.00 11.94 3.00 1.00 15.14 1.00 1.00 12.73 4.00 1.00 17.34 5.00 1.00 19.40 2.00 1.00 13.57 4.00 1.00 17.78 3.00 1.00 15.63 2.00 1.00 13.75 3.00 1.00 15.07 2.00 1.00 12.01 1.00 1.00 13.46 1.00 1.00 11.38 1.00 1.00 10.20 2.00 1.00 17.84 1.00 1.00 10.57 1.00 1.00 12.14 1.00 1.00 10.91 2.00 1.00 18.31 1.00 1.00 10.58 1.00 1.00 10.55 1.00 1.00 11.92 4.00 1.00 18.67 5.00 1.00 29.90 3.00 1.00 14.92 1.00 1.00 12.34 2.00 1.00 13.18 5.00 1.00 20.30 1.00 1.00 10.92 2.00 1.00 13.02 4.00 1.00 15.52 4.00 1.00 17.56 1.00 1.00 9.07 3.00 1.00 14.93 2.00 1.00 20.89 5.00 1.00 32.76 1.00 1.00 10.90 1.00 1.00 23.61 3.00 1.00 14.95 1.00 1.00 11.42 1.00 1.00 9.26 4.00 1.00 18.45 1.00 1.00 10.51 1.00 1.00 11.44 5.00 1.00 21.07 1.00 1.00 12.54 4.00 1.00 18.15 1.00 1.00 9.56 1.00 1.00 12.18 1.00 1.00 16.71 4.00 1.00 21.95 1.00 1.00 12.31 3.00 1.00 16.47 3.00 1.00 14.72 1.00 1.00 11.45 5.00 1.00 23.61 1.00 1.00 12.45 1.00 1.00 17.64 1.00 1.00 10.37 4.00 1.00 17.48 1.00 1.00 11.45 2.00 1.00 12.93 1.00 1.00 11.97 2.00 1.00 11.53 3.00 1.00 14.16 3.00 1.00 14.46 1.00 1.00 12.33 3.00 1.00 15.47 1.00 1.00 11.15 1.00 1.00 11.09 1.00 1.00 11.78 1.00 1.00 14.08 1.00 1.00 18.67 3.00 1.00 14.73 5.00 1.00 29.40 1.00 1.00 12.01 4.00 1.00 16.90

Raw Data

18 - 20

Appendix F

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 3.00 1.00 13.40 4.00 1.00 17.42 1.00 1.00 16.62 3.00 1.00 14.19 1.00 1.00 11.44 5.00 1.00 20.39 1.00 1.00 16.27 5.00 1.00 21.79 5.00 1.00 23.56 2.00 1.00 13.07 1.00 1.00 10.71 1.00 1.00 11.63 1.00 1.00 25.66 2.00 1.00 14.01 2.00 1.00 13.64 3.00 1.00 14.43 2.00 1.00 18.74 1.00 1.00 11.07 2.00 1.00 12.18 4.00 1.00 17.38 2.00 1.00 12.93 4.00 1.00 16.75 2.00 1.00 12.43 4.00 1.00 18.03 5.00 1.00 19.25 1.00 1.00 10.78 3.00 1.00 14.25 1.00 1.00 10.38 4.00 1.00 28.44 4.00 1.00 18.24 1.00 1.00 11.29 3.00 1.00 20.85 5.00 1.00 30.17 3.00 1.00 14.81 1.00 1.00 9.80 2.00 1.00 13.84 5.00 1.00 30.03 3.00 1.00 21.30 4.00 1.00 23.57 4.00 1.00 17.08 4.00 1.00 16.38 2.00 1.00 12.72 2.00 1.00 12.61 1.00 1.00 10.51 2.00 1.00 30.11 2.00 1.00 12.75 1.00 1.00 11.19 1.00 1.00 11.30 1.00 1.00 10.94 2.00 1.00 13.70 2.00 1.00 18.04 2.00 1.00 17.79 5.00 1.00 23.85 2.00 1.00 12.72 4.00 1.00 17.09 3.00 1.00 23.64 1.00 1.00 11.84 2.00 1.00 17.04 1.00 1.00 11.79 1.00 1.00 10.04 2.00 1.00 20.26 5.00 1.00 22.16 1.00 1.00 10.04 4.00 1.00 16.26 4.00 1.00 17.59 4.00 1.00 16.41 4.00 1.00 16.42 1.00 1.00 12.22 2.00 1.00 15.27 4.00 1.00 17.33 1.00 1.00 12.98 1.00 1.00 13.48 2.00 1.00 11.65 3.00 1.00 15.00 1.00 1.00 11.09 5.00 1.00 20.19 5.00 1.00 29.49 3.00 1.00 15.09 1.00 1.00 13.75 2.00 1.00 20.49 4.00 1.00 17.40 4.00 1.00 16.72 1.00 1.00 10.70 2.00 1.00 14.63 1.00 1.00 10.59 5.00 1.00 23.75 1.00 1.00 10.77 2.00 1.00 13.18 1.00 1.00 19.47 5.00 1.00 30.21 4.00 1.00 18.10 1.00 1.00 11.10 1.00 1.00 11.20 4.00 1.00 21.22 1.00 1.00 10.54 1.00 1.00 12.49 1.00 1.00 11.04 1.00 1.00 11.33 2.00 1.00 12.68 3.00 1.00 25.71 1.00 1.00 13.16 3.00 1.00 16.14 3.00 1.00 16.61 1.00 1.00 10.76 4.00 1.00 18.14 1.00 1.00 10.54 5.00 1.00 30.41 1.00 1.00 11.95 1.00 1.00 11.74 5.00 1.00 24.24 5.00 1.00 33.64 5.00 1.00 23.82 5.00 1.00 27.15 4.00 1.00 18.14 2.00 1.00 22.60 2.00 1.00 14.36 1.00 1.00 15.88 1.00 1.00 10.95 1.00 1.00 15.04 1.00 1.00 11.01 1.00 1.00 9.55 3.00 1.00 15.01 1.00 1.00 11.26 3.00 1.00 14.80 4.00 1.00 17.58 4.00 1.00 17.10 1.00 1.00 11.37 1.00 1.00 11.36 3.00 1.00 16.06 1.00 1.00 15.79 1.00 1.00 15.22 1.00 1.00 11.32 4.00 1.00 16.41 3.00 1.00 20.94 5.00 1.00 22.11 2.00 1.00 13.44 2.00 1.00 13.17 4.00 1.00 16.15 2.00 1.00 13.63 4.00 1.00 18.15 2.00 1.00 13.79 4.00 1.00 16.06 1.00 1.00 11.46 4.00 1.00 17.04 4.00 1.00 17.23 1.00 1.00 10.46 3.00 1.00 16.31 5.00 1.00 23.09 2.00 1.00 12.19 2.00 1.00 12.77 1.00 1.00 17.36 4.00 1.00 18.59 4.00 1.00 18.21 2.00 1.00 31.63 4.00 1.00 23.71 1.00 1.00 19.56 1.00 1.00 11.27 1.00 1.00 10.58 4.00 1.00 18.30 2.00 1.00 26.83 4.00 1.00 17.55 5.00 1.00 23.56 3.00 1.00 16.51 1.00 1.00 17.03 4.00 1.00 22.22 1.00 1.00 11.13 1.00 1.00 11.15 2.00 1.00 12.69 1.00 1.00 15.89 4.00 1.00 21.03 3.00 1.00 14.50 2.00 1.00 12.53 1.00 1.00 16.33 1.00 1.00 19.33 1.00 1.00 10.85 3.00 1.00 21.88 2.00 1.00 20.51 1.00 1.00 10.87 1.00 1.00 16.36 1.00 1.00 14.21 1.00 1.00 15.62 1.00 1.00 12.01 4.00 1.00 27.22 2.00 1.00 16.86 5.00 1.00 31.12 1.00 1.00 11.32 2.00 1.00 14.48 4.00 1.00 17.50 2.00 1.00 12.32 2.00 1.00 13.58 1.00 1.00 11.30 2.00 1.00 18.35 2.00 1.00 11.32 1.00 1.00 20.50 5.00 1.00 21.80 1.00 1.00 10.74 5.00 1.00 24.66 4.00 1.00 19.11 1.00 1.00 11.54 1.00 1.00 16.27 1.00 1.00 14.78 1.00 1.00 10.14 1.00 1.00 11.50 2.00 1.00 11.86 1.00 1.00 15.30 1.00 1.00 11.98 5.00 1.00 24.10 4.00 1.00 15.39 1.00 1.00 11.02 2.00 1.00 18.29 1.00 1.00 10.83 5.00 1.00 29.50 1.00 1.00 15.45 1.00 1.00 17.18 4.00 1.00 15.70 1.00 1.00 14.91 5.00 1.00 30.62 4.00 1.00 17.15 2.00 1.00 17.47 2.00 1.00 13.01 1.00 1.00 15.74 2.00 1.00 19.69 4.00 1.00 24.43 3.00 1.00 14.73 2.00 1.00 15.13 4.00 1.00 17.23 1.00 1.00 14.91 1.00 1.00 16.75 4.00 1.00 16.42 1.00 1.00 10.08 1.00 1.00 14.43 2.00 1.00 14.92 4.00 1.00 17.77 4.00 1.00 17.13 4.00 1.00 17.55 4.00 1.00 18.14 5.00 1.00 20.25 2.00 1.00 12.29 3.00 1.00 14.96 4.00 1.00 17.55 2.00 1.00 12.73 4.00 1.00 16.31 5.00 1.00 30.68 5.00 1.00 29.68 1.00 1.00 10.14 3.00 1.00 15.16 1.00 1.00 21.96 1.00 1.00 10.40 2.00 1.00 19.78 1.00 1.00 18.15 2.00 1.00 11.18 1.00 1.00 10.63 1.00 1.00 10.26 4.00 1.00 18.51 1.00 1.00 10.99 1.00 1.00 9.12

Raw Data

19 - 20

Appendix F

Type (Run 1) Size (Run 1) LT (Run 1) Type (Run 2) Size (Run 2) LT (Run 2) 3.00 1.00 27.74 2.00 1.00 13.32 1.00 1.00 11.31 1.00 1.00 9.33 3.00 1.00 15.39 1.00 1.00 11.07 1.00 1.00 16.48 4.00 1.00 23.16 2.00 1.00 11.62 1.00 1.00 10.45 4.00 1.00 18.10 1.00 1.00 15.87 4.00 1.00 16.30 5.00 1.00 22.49 3.00 1.00 16.41 5.00 1.00 24.22 4.00 1.00 18.38 5.00 1.00 32.62 1.00 1.00 13.34 1.00 1.00 12.49 3.00 1.00 14.22 2.00 1.00 12.96 1.00 1.00 15.19 5.00 1.00 25.17 5.00 1.00 25.21 2.00 1.00 19.29 1.00 1.00 18.41 2.00 1.00 12.83 2.00 1.00 20.31 5.00 1.00 30.62 4.00 1.00 23.56 4.00 1.00 17.13 1.00 1.00 10.62 1.00 1.00 11.18 5.00 1.00 21.61 4.00 1.00 16.82 1.00 1.00 14.64 1.00 1.00 11.92 1.00 1.00 10.83 2.00 1.00 21.61 2.00 1.00 13.16 4.00 1.00 17.14 1.00 1.00 15.72 1.00 1.00 16.84 2.00 1.00 19.17 1.00 1.00 10.42 5.00 1.00 32.02 4.00 1.00 22.91 1.00 1.00 11.07 2.00 1.00 14.01 2.00 1.00 19.22 1.00 1.00 10.34 1.00 1.00 12.03 3.00 1.00 14.61 1.00 1.00 24.16 1.00 1.00 10.18 1.00 1.00 18.34 3.00 1.00 14.68 4.00 1.00 20.71 2.00 1.00 11.97 4.00 1.00 16.69 4.00 1.00 16.79 2.00 1.00 12.61 3.00 1.00 16.37 2.00 1.00 21.16 4.00 1.00 25.58 3.00 1.00 15.68 4.00 1.00 17.48 1.00 1.00 19.43 1.00 1.00 10.53 4.00 1.00 16.54 1.00 1.00 17.38 1.00 1.00 9.65 5.00 1.00 23.79 4.00 1.00 17.68 1.00 1.00 11.71 3.00 1.00 15.76 1.00 1.00 10.04 1.00 1.00 11.19 4.00 1.00 15.58 1.00 1.00 10.44 1.00 1.00 15.63 5.00 1.00 22.86 3.00 1.00 14.35 1.00 1.00 10.42 1.00 1.00 23.21 1.00 1.00 12.17 3.00 1.00 15.50 1.00 1.00 11.31 1.00 1.00 11.02 1.00 1.00 10.32 1.00 1.00 16.42 1.00 1.00 10.05 4.00 1.00 17.61 1.00 1.00 20.65 3.00 1.00 14.86 1.00 1.00 10.99 1.00 1.00 11.54 1.00 1.00 12.66 4.00 1.00 15.67 2.00 1.00 13.37 1.00 1.00 9.96 5.00 1.00 37.60 3.00 1.00 18.69 4.00 1.00 28.26 1.00 1.00 11.61 5.00 1.00 35.55 3.00 1.00 16.11 4.00 1.00 17.81 4.00 1.00 18.45 1.00 1.00 10.68 1.00 1.00 10.26 1.00 1.00 12.58 2.00 1.00 12.17 2.00 1.00 12.73 2.00 1.00 11.78 4.00 1.00 16.42 2.00 1.00 18.28 1.00 1.00 14.53 4.00 1.00 17.76 1.00 1.00 11.49 1.00 1.00 11.26 1.00 1.00 9.96 1.00 1.00 16.75 1.00 1.00 13.81 2.00 1.00 12.24 1.00 1.00 11.53 1.00 1.00 10.32 4.00 1.00 16.95 3.00 1.00 13.51 1.00 1.00 10.74 5.00 1.00 28.43 1.00 1.00 11.27 1.00 1.00 23.47 2.00 1.00 13.21 2.00 1.00 19.32 5.00 1.00 22.05 4.00 1.00 17.16 1.00 1.00 10.99 4.00 1.00 18.06 4.00 1.00 17.01 1.00 1.00 15.28 4.00 1.00 16.58 2.00 1.00 11.70 5.00 1.00 28.43 1.00 1.00 11.90 3.00 1.00 15.94 2.00 1.00 21.98 1.00 1.00 11.40 3.00 1.00 13.63 1.00 1.00 14.91 4.00 1.00 17.49 1.00 1.00 11.41 1.00 1.00 16.88 2.00 1.00 13.64 5.00 1.00 30.26 5.00 1.00 20.78 1.00 1.00 11.83 3.00 1.00 15.87 4.00 1.00 23.75 1.00 1.00 10.90 3.00 1.00 21.07 1.00 1.00 11.20 1.00 1.00 11.74 1.00 1.00 9.75 1.00 1.00 10.19 1.00 1.00 17.88 4.00 1.00 22.97 1.00 1.00 10.73 4.00 1.00 15.87 1.00 1.00 10.99 1.00 1.00 10.57 2.00 1.00 27.66 2.00 1.00 17.27 1.00 1.00 9.90 5.00 1.00 29.95 1.00 1.00 11.69 2.00 1.00 19.07 2.00 1.00 14.34 1.00 1.00 9.42 4.00 1.00 15.75 1.00 1.00 10.29 3.00 1.00 15.96 4.00 1.00 17.07 1.00 1.00 10.64 4.00 1.00 15.63 3.00 1.00 16.87 1.00 1.00 10.47 2.00 1.00 12.44 3.00 1.00 15.62 1.00 1.00 10.74 1.00 1.00 16.65 4.00 1.00 17.08 1.00 1.00 19.35 1.00 1.00 10.41 4.00 1.00 15.40 4.00 1.00 21.04 1.00 1.00 10.61 4.00 1.00 15.67 3.00 1.00 15.06 5.00 1.00 28.59 1.00 1.00 11.83 2.00 1.00 11.41 1.00 1.00 12.72 5.00 1.00 23.25 5.00 1.00 23.35 1.00 1.00 10.53 1.00 1.00 11.95

Raw Data

20 - 20

Appendix F

Appendix G: Programmacode Supply Chain Simulator (4DScript)

)

) )

6. On2DDraw Do( draw2dicon(3), DrawText(0,0,xSize(c),ySize(c),Name(c),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE HA_CENTER) )

7. OnInit Do( {Finally the solution to many problems in excel!} RegisterFunction( [ExcelMacro], [Office], 1,1, [ Do( DdeExecute(concat(sbo,[run("],p(1),[")],sbc)), DDEClose, DdeOpen([excel],Att([SheetName],c)) ) ], [Executes excel macro e1], [ExcelMacro([MyMacro])], 1, [Nick] ), lateinit( [ do( FileName:=workdir([VSM]), if(ddeready,excelclose), excelopen(FileName,1), excelsheet(SheetName) )

257/274

Appendix G

+

A. VSM 1. OnInit do( RegisterIcon(concat(WorkDir,[control.bmp]),[Production Control],EIT_SPRITE,TT_COLOR,ColorWhite),

RegisterIcon(concat(WorkDir,[Factory.gif]),[Factory],EIT_SPRITE,TT_COLOR,ColorWhite ),

RegisterIcon(concat(WorkDir,[Warehouse.gif]),[Warehouse],EIT_SPRITE,TT_COLOR,Colo rWhite), Registerfunction( [DrawElinfo], [Visualisation], 4, 6, [ If(p(6), Do( DrawArrow(p(1),p(2),p(3),p(4),1,0.5,ColorBlack,1,100,2),

DrawText(/(p(1)+p(3),2),/(p(2)+p(4),2),0,1,p(5),ColorBlack,0.75,[Arial],0,0,0,VA_MIDDLE + HA_CENTER,ColorWhite) ), Do( c.incl:=if(p(1)=p(3),90*sign(p(2)-p(4)),arctan(/((p(2)-p(4)),(p(1)-p(3))))), if(p(1)
DrawArrow((p(1)+p(3))/2+*(sqrt(2),0.25,cos(45+c.incl)),(p(2)+p(4))/2+*(sqrt(2),0.25,sin(45+ c.incl)),p(3)+*(0.25,cos(c.incl)),p(4)+*(0.25,sin(c.incl)),1,0.5,ColorBlack,1,100,2),

DrawText(/(p(1)+p(3),6/4),/(p(2)+p(4),6/4),0,1,p(5),ColorBlack,0.75,[Arial],0,0,0,VA_MIDD LE + HA_CENTER,ColorWhite)

203/274

Appendix G

) ) ], [Draws an electronic informationflow between the points (e1,e2) and (e3,e4) with textbox e5.], [DrawElinfo(0,0,xLoc(Out(1,c))-xLoc(c),yLoc(Out(1,c))-yLoc(c),[Hello])], True, [Nick] ), Registerfunction( [DrawProdArrow], [Visualisation], 6, 6, [ Do( if(p(6)=0,c.d:=0.5,c.d:=p(6)), c.incl:=if(p(1)=p(3),90*sign(p(4)-p(2)),arctan(/((p(2)-p(4)),(p(1)-p(3))))), if(p(1)>p(3),c.incl:=c.incl+180), c.x1:=p(1)-c.d/2*sin(c.incl), c.y1:=p(2)+c.d/2*cos(c.incl), c.x2:=p(1)+c.d/2*sin(c.incl), c.y2:=p(2)-c.d/2*cos(c.incl), c.x3:=p(3)-c.d*2*cos(c.incl)-c.d/2*sin(c.incl), c.y3:=p(4)-c.d*2*sin(c.incl)+c.d/2*cos(c.incl), c.x4:=p(3)-c.d*2*cos(c.incl)+c.d/2*sin(c.incl), c.y4:=p(4)-c.d*2*sin(c.incl)-c.d/2*cos(c.incl), DrawLine(c.x1,c.y1,c.x2,c.y2,ColorBlack), DrawLine(c.x1,c.y1,c.x3,c.y3,ColorBlack), DrawLine(c.x2,c.y2,c.x4,c.y4,ColorBlack), If(p(5)=0, Do( c.x5:=c.x3-c.d/2*sin(c.incl), c.y5:=c.y3+c.d/2*cos(c.incl), c.x6:=c.x4+c.d/2*sin(c.incl), c.y6:=c.y4-c.d/2*cos(c.incl), DrawLine(c.x3,c.y3,c.x5,c.y5,ColorBlack), DrawLine(c.x4,c.y4,c.x6,c.y6,ColorBlack), DrawLine(c.x5,c.y5,p(3),p(4),ColorBlack), DrawLine(c.x6,c.y6,p(3),p(4),ColorBlack)

204/274

Appendix G

), Do( DrawArrow(p(3)-c.d*2*cos(c.incl),p(4)-c.d*2*sin(c.incl),p(3),p(4),Sign(p(3)p(1))*Sqrt(Sqr(c.d*2*cos(c.incl))+Sqr(c.d*2*sin(c.incl))),2*c.d,ColorBlack,1,0), c.countblock:=trunc(sqrt(sqr(c.x4-c.x2)+Sqr(c.y4-c.y2)))/(c.d*2)+1, Repeat(c.countblock, DrawIcon(c.x2+(Count-1)*(c.x4-c.x2)/c.countblock,c.y2+(Count-1)*(c.y4c.y2)/c.countblock,IconByName([Block]),c.d/10*Scale,c.d/10*Scale,c.incl) ) ) ) ) ], [Draws a productflow between the points (e1,e2) and (e3,e4). If e5 is True, it draws a pusharrow, else wireframe is drawn. e5 determines the width, standard is 0.5], [DrawprodArrow(0,0,xLoc(Out(1,c))-xLoc(c),yLoc(Out(1,c))-yLoc(c),1,0.5)], True, [Nick] ), Registerfunction( [ConnectIC], [Channels], 4, 4, [ Do( c.p1:=p(1), c.p3:=p(3), c.count:=prev(p(4)), LoopUntil(ptv(m(c.count))=ptv(p(2)),c.count:=(Prev(c.count)),Content(Model)), If(c.p1=0, Do( c.p1:=1, Loopuntil(Not(OcConnected(count,c.count)),inc(c.p1),NrOC(c.count)), if(OcConnected(NrOC(c.count),c.count),c.p1:=0) ) ), If(c.p3=0, Do( c.p3:=1,

205/274

Appendix G

LoopUntil(Not(IcConnected(count,p(4))),Inc(c.p3),NrIC(p(4))), if(IcConnected(NrOC(p(4)),p(4)),c.p3:=0) ) ),

If(And(ptv(m(c.count))=ptv(p(2)),Not(c.p1=0),Not(c.p3=0)),Connect(c.p1,c.count,c.p3,p(4)), 0) ) ], [Connect a output channel of a given atom to the closest (in order) atomcopy of a given motheratom.], [ConnectPrev(1,atombyname([VSM Distribution],library),2,c)], True, [Nick] ), Registerfunction( [ConnectOC], [Channels], 4, 4, [ Do( c.p1:=p(1), c.p3:=p(3), c.count:=prev(p(2)), LoopUntil(ptv(m(c.count))=ptv(p(4)),c.count:=Prev(c.count),Content(Model)), If(c.p1=0, Do( c.p1:=1, Loopuntil(Not(OcConnected(count,p(2))),inc(c.p1),NrOC(p(2))), if(OcConnected(NrOC(p(2)),p(2)),c.p1:=0) ) ), If(c.p3=0, Do( c.p3:=1, LoopUntil(Not(IcConnected(count,c.count)),Inc(c.p3),NrIC(c.count)), if(IcConnected(NrIC(c.count),c.count),c.p3:=0) ) ),

206/274

Appendix G

If(And(ptv(m(c.count))=ptv(p(4)),Not(c.p1=0),Not(c.p3=0)),Connect(c.p1,p(2),c.p3,c.count), 0) ) ], [Connect a output channel of a given atom to the closest (in order) atomcopy of a given motheratom.], [ConnectPrev(1,atombyname([VSM Distribution],library),2,c)], True, [Nick] ), Registerfunction( [PrevType], [Atom Reference], 1, 1, [ Do( c.count:=prev(c), LoopUntil(ptv(m(c.count))=ptv(p(1)),c.count:=Prev(c.count),Content(Model)), If(ptv(m(c.count))=ptv(p(1)),c) ) ], [Connect a output channel of a given atom to the closest (in order) atomcopy of a given motheratom.], [ConnectPrev(1,atombyname([VSM Distribution],library),2,c)], True, [Nick] ) )

B. BOM 1. OnCreation do( sddb([t-table],1,c), setrank(1,c) )

207/274

Appendix G

2. OnDestruction do( invalidatefunction(textatt(1,c)), invalidatefunction(concat([set],textatt(1,c))), invalidatefunction(concat([ref],textatt(1,c))) )

3. OnReset {Apply possible changes to Factory Parameters Table} Do( If(AtomExists(AtomByName([Factorypar],Model)), Do( Setcs(AtomByName([Factorypar],Model)), ncols(cs):=2*Max(nRows(c),ncols(cs)/2), SetAtt(6,nCols(cs),cs), Repeat(nCols(cs),if(Mod(Count,2)=0,SetCell(0,Count,Concat([Type ],String(Ceil(Count/2)),[ Max]),cs),SetCell(0,Count,Concat([Type ],String(Ceil(Count/2)),[ Min]),cs))) ) ) )

4. OnUser If(DoubleClick, edit( SetTextAtt(1,Name(c)), settextatt(3,textatt(1)), seteditstyle([Table Definition],80,80,30,250,250,10), wizardpage([Table Definition],[The Master Bill-of-Material (more than 1 producttype), can only be used once in a model. Other tables can be used as much as necessary, but contain no more than one producttype.]), ef([atttex],1,[],[Table Name],[Enter the table name]), ef([attval],5,[],[Products],[Enter the number of Products]), ef([Raw]), ef([attbool],4,[],[Create Alias],[Tick to create 4DScript functions]), wizardfinish( [ do(

208/274

Appendix G

settable(att(5),att(6)), setcell(0,1,[Cumulative]), repeat(att(6),setcell(0,Count+1,Concat([RM ],String(Count)))), repeat(att(5), Do( setcell(Count,0,Concat([Product ],String(Count))), setcell(Count,1,count/att(5)) ) ), set(oninit,[]), if( att(4), do( loopuntil(

not(or(and(functionexists(textatt(1)),not(comparetext(textatt(1),textatt(3)))),comparetext(texta tt(1),[untitled]))), settextatt(1,inputtext(textatt(1),[You cannot use this name, enter another name],1,20)) ), if( not(comparetext(textatt(3),[untitled])), do( invalidatefunction(textatt(3)), invalidatefunction(concat([set],textatt(3))) ) ), att([createfunctions]) ) ), set(name,textatt(1)) ) ] ) ), edittable(c) )

5. On2DDraw Do(

209/274

Appendix G

draw2dicon(3), DrawText(0,0,xSize(c),ySize(c),Name(c),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE

+

HA_CENTER) )

6. OnInit Do( RegisterFunction( [EmptyTable], [Tables], 1, 3, [do(if(p(2)>0,settable(p(2),p(3),p(1))),repeat(nrows(p(1)),do(sddb([tcount],count,p(1)),repeat(ncols(p(1)),setcell(ddb([t-count],p(1)),count,0,p(1))))),sddb([tcount],0,p(1)))], [Sets all cells of table e1 to 0. If e2 and e3 are specified (more than 0), then table is set to e2 rows and e3 columns (excluding headers)], [EmptyTable(c, 2, 3)], True, [Table] ), Registerfunction( [PickRow], [Tables], 1, 2, [ Do( If(p(2)>0, Do( Label([rand],p(1)):=uniform(0,1), Loopuntil(label([rand],p(1))<=Cell(Count,p(2),p(1)),Count,nrows(p(1)))+1 ), Round(uniform(1,nrows(p(1)))) ) ) ], [The function returns a row from a specified table, based on the probability in the specified column if given, else it picks uniform],

210/274

Appendix G

[PickRow(AtomByName([BOM],Model),1)], True, [Nick Braeckman - 2004] ), RegisterEditField( [Raw], [Raw Materials], [att(6)-1], [setatt(6,&+1)], FieldValue(1,50,0), [Defines the maximum number a product consists of.] ) )

C. VSM Sales Department 1. OnEvent Case( EventCode, {* Event 1: Create atom *} Do( {* Blocked *} Status(c) := 5, CreateAtom(order, c,Name(order)), CreateEvent(0, c, 2, 0, Last(c)) ), {* Event 2: Execute creation trigger and move atom out *} Do( SetCs(i), SetSetting(saHideChannels, 1, i), SetLabel([Ordertype],PickRow(BOMTable,1),i), SetLabel([Ordersize],Round(Ordersize,0),i), SetLabel([Ordernr],String(Output(c)+1),i), SetLabel([Birth],Time,i), If(Write2Excel, Do( ExcelWrite(Label([Ordernr],i)+1,3*c.SimRun-2,Label([Ordertype],i)), ExcelWrite(Label([Ordernr],i)+1,3*c.SimRun-1,Label([OrderSize],i)) )

211/274

Appendix G

), Name(i):=Concat([Order ],String(Output(c)+1),[ (type ],String(Label([Ordertype],i)),[)]), LastType:=Label([Ordertype],i), Inc(Label(String(Label([Ordertype],i)),c)), CreationTrigger, CreateEvent(Att([LeadTime],c),c,3) ), {Event 3: After the order is prepared, send on order} OpenAllOc(c) )

2. OnExited Do( If( Or( Output(c) < MaxProducts, MaxProducts = -1 ), CreateEvent(CycleTime, c, 1) ), If(AvgContent>1,Do(msg(Concat([Low Cycletime at ],Name(c)),3),Stop)), {* Busy *} Status(c) := 2, CloseAllOc(c), ExitTrigger )

3. OnCreation Do( If(Att([BOMTable],c)=[none], If(AND(AtomExists(prev(c)),ptv(m(prev(c)))=ptv(AtomByName([BOM],Library))), Do( Name(prev(c)):=[Master BOM], SetExprAtt([BOMTable],[AtomByName([Master BOM],Model)],c) ), Do( selectatom(model,first(model),Concat([Select a BOM for ],Name(c))), setcs(a), Name(a):=[Master BOM],

212/274

Appendix G

SetExprAtt([BOMTable],[AtomByName([Master BOM],Model)],c) ) ) ) )

4. OnReset Do( CleanLabels(c), Write2Excel:=0, Write2Excel:=Maximum(Content(Model),Att([Write2Excel],Rank(Count,Model))), If(Write2Excel, Do( c.SimRun:=1, LoopUntil(ExcelRead(2,3*c.SimRun-2)=0,Inc(c.Simrun)), ExcelTxWrite(1,3*c.SimRun-2,Concat([Type (Run ],String(c.Simrun),[)])), ExcelTxWrite(1,3*c.SimRun-1,Concat([Size (Run ],String(c.SimRun),[)])) ) ), SetAtt([LastType],0,c), Repeat(nRows(Att([BOMTable],c)),Label(string(Count),c):=0), If( Or( MaxProducts > 0, MaxProducts = -1 ), If(Not(IcConnected(1,c)),CreateEvent(FirstProduct, c, 1)) ), {* Busy *} Status(c) := 2, CloseAllOc(c) )

5. OnUser If(DoubleClick, Edit( SetEditStyle(Name( c), 100, 250, 50, 350, 800, 15), Ef([AtomName]), Ef([AtomIcon]),

213/274

Appendix G

ef([attbool],16,[],[Draw infoarrow],[Tick to draw a VSM productarrow]), ef([attbool],10,[],[Graph output],[Tick to create a graph]), ef([attbool],18,[],[Write LT to Excel]), Ef([Skip]), Ef([BOM]), Ef([CycleTime], 2, [], [Cycletime], [Enter the number of seconds between arrivals]), Ef([FirstProduct], 2, [], [Time till first order], []), Ef([MaxOrders]), Ef([Ordersize]), Ef([OrderLeadTime]), Ef([Skip]), Ef([SendTo]), Ef([CreationTrigger]), Ef([ExitTrigger]) ), Showgraph:=PopupMenu(MouseX,MouseY,[Graph off/Graph on])-1 )

6. OnOCReady If( Content(c) > 0, MoveRequest(First(c), SendTo) )

7. On2DDraw Do(

If(And(InfoArrow,AtomExists(Out(1,c))),DrawElinfo(0,0.5*ySize(c),xLoc(out(1,c))+xSize(O ut(1,c))-xloc(c),yLoc(Out(1,c))+ySize(Out(1,c))/2-yloc(c),[],Arrowtype)), DrawText(0,0,xSize(c),ySize(c)*3/4,Name(c),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_CENTER), DrawText(0,ysize(c),xsize(c),1,Concat([Out:

],String(Output),If(AvgContent

>

1,[

!!!],[])),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_CENTER), DrawText(0,ysize(c)+1,xsize(c),1,Concat([Last

ordertype:

],String(LastType)),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_CENTER), If(ShowGraph, Do(

214/274

Appendix G

DrawRectangle(xbasegraph,ybasegraph,xbasegraph+xgraph,ybasegraph+ygraph,ColorSilver, ColorSilver),

DrawLine(xbasegraph,ybasegraph+0.9*ygraph,xbasegraph+xgraph,ybasegraph+0.9*ygraph,C olorBlack,2),

DrawLine(xbasegraph,ybasegraph+0.1*ygraph,xbasegraph+xgraph,ybasegraph+0.1*ygraph,C olorBlack,0.5), If(Maximum(NrBars,Label(String(Count),c))>0, Do( c.BarWidth:=0.8*xgraph/(NrBars), c.BarSpace:=If(NrBars>0,0.2*xgraph/(NrBars+1),0), c.BarMax:=Maximum(NrBars,Label(String(Count),c)), c.BarScale:= 0.8*ygraph/c.BarMax, DrawText(xbasegraph-0.2,ybasegraph,0,1,Concat(String(3600*c.Barmax/Time),[ orders/h]),ColorBlack,0.5,[Arial],0,0,0,HA_RIGHT+VA_MIDDLE), Repeat(NrBars, DrawRectangle(xbasegraph+(Count1)*(c.BarWidth+c.BarSpace)+c.Barspace,ybasegraph+ygraph*0.9,xbasegraph+Count*c.Bar Width+(Count-1)*c.BarSpace,ybasegraph+ygraph*0.9c.BarScale*Label(String(Count),c),ColorPurple,ColorPurple) ), Repeat(NrBars, DrawText(xbasegraph+(Count1)*(c.BarWidth+c.BarSpace)+c.Barspace,ybasegraph+0.95*ygraph,c.BarWidth,4,Concat([Pro duct ],String(Count)),ColorBlack,0.5,[Arial],0,0,45,HA_CENTER+VA_MIDDLE) ) ) ) ) ) )

8. OnInit Do( RegisterEditField( [ProdColor], [Product color],

215/274

Appendix G

[TextAtt([Color])], [SetExprAtt([Color], &)], FieldListBoxSyntax( 5, [ColorRed /ColorBlue /ColorGreen /ColorYellow /{Random} dUniform(1, 10000000)] ), [Select a product color] ), RegisterEditField( [OrderLeadTime], [Order Lead Time], [TextAtt([LeadTime])], [SetExprAtt([LeadTime],&)], FieldListBoxSyntax( 15, [NegExp(90) /Erlang(90, 2) /LogNormal(90, 2) /Bernoulli(50, 80, 90) /Max(0, Normal(90, 1)) /Beta(90, 1, 1) /Gamma(90, 2) /Max(0, Logistic( 90, 1)) /LogNormal(90, 1) /Uniform(70, 90) /Triangular(85, 80, 90) /Weibull(90, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time needed to produce 1 item] ), RegisterEditField( [BOM], [Bill-of-Material], [TextAtt([BOMTable])], [SetExprAtt([BomTable], &)], FieldScript(0,100), [Select a Bill-of-Material] ), RegisterEditField( [CreationTrigger], [Trigger on creation], [TextAtt([CreationTrigger])], [SetExprAtt([CreationTrigger], &)], FieldSmartList( 10, Concat( [ |/],[ SetLabel( [~1], ~2, i) |1. Assign label: products are assigned a label named ~LabelName~ with a value of ~1~/],

216/274

Appendix G

[ Set(Name(i),Concat( Name( i), [ -], String (Output(c) + 1))) |2. Auto Name: a counter is added to the end of each product's name/], [ Set(Icon(i), dUniform( ~1, ~2)) |3. Random icons: products are assigned a random icon number between ~2~ and ~6~/], [ SetSize(cm(~1), cm(~2), cm(~3), i) |4. Set Size: product dimensions are set to: X=~50~cm, Y=~40~cm, Z=~30~cm/], [ SetSize(cm( dUniform( ~1, ~2)), cm( dUniform(~3, ~4)), cm(dUniform( ~5, ~6)), i) |5. Random Size: product dimensions are randomly set within the following ranges: X=~50~to~100~cm, Y=~50~to~100~cm, Z=~50~to~100~cm/], [ Set(Color(i), ~1) |6. Set Color: products are set to the ~colorpurple~/], [ Set(Color(i), dUniform( 1, 10000000)) |7. Random color: products are assigned a random color/], [ Do(SetSize(cm(dUniform( ~1, ~2)), cm(dUniform( ~3, ~4)), cm(dUniform( ~5, ~6)), i), Set( Color( i), dUniform( 1, 1000000))) |8. Random Size and Color: products are assigned a random color and its dimensions are randomly set within the following ranges: X=~50~to~100~cm, Y=~50~to~100~cm, Z=~50~to~100~cm/], [ Do(SetSetting( SaUser, 0, i), SetSetting(SaShape, 1, i)) |9. Outline: display the products as a simple outline, not its icon/], [ 0 |10. Do Nothing] ) ), [Manipulates the atom created in the source before it is sent out] ), RegisterEditField( [FirstProduct], [Time till first product], [TextAtt([FirstProduct])], [SetExprAtt([FirstProduct],&)], FieldListBoxSyntax( 15, [NegExp(10) /Erlang(10, 2) /LogNormal(10, 2) /Bernoulli(50, 5, 15) /Max(0, Normal(10, 1)) /Beta(10, 1, 1) /Gamma(10, 2) /Max(0, Logistic( 10, 1)) /LogNormal(10, 1) /Uniform(5, 15) /Triangular(10, 5, 15) /Weibull(10, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time to wait with generating product] ), RegisterEditField( [Ordersize], [Ordersize], [TextAtt([Ordersize])],

217/274

Appendix G

[SetExprAtt([Ordersize],&)], FieldListBoxSyntax( 15, [NegExp(10) /Erlang(10, 2) /LogNormal(10, 2) /Bernoulli(50, 5, 15) /Max(0, Normal(10, 1)) /Beta(10, 1, 1) /Gamma(10, 2) /Max(0, Logistic( 10, 1)) /LogNormal(10, 1) /Uniform(5, 15) /Triangular(10, 5, 15) /Weibull(10, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter the size of the orders (will be rounded to an integer value)] ), RegisterEditField( [MaxOrders], [Number of Orders], [TextAtt([MaxProducts])], [SetExprAtt([MaxProducts],&)], FieldSmartList( 2, Concat( [ -1 |1. Unlimited/], [ ~1 |2. Generate maximum ~100~ order] ) ), [Enter the maximum number of orders generated by this source] ) )

D. VSM Production Control 1. OnEvent case(eventcode, {1: createnew atom if needed for this channel} if(>(cell(att(4,c),1,c),0), do( createatomcopy( first(c), c, if(stringlength(cell(att(4,c),2,c,2))=0, if(Att(4,c)=1,Name(First(c)),concat([RM ],String(Att(4,c)-1))), cell(att(4,c),2,c,2) )

218/274

Appendix G

), case(NamingRule, {1 : do nothing } [], {2 : add channel no to name } name(last(c)):=concat(name(last(c)),[-],string(att(4,c))), {3 : add sequence no to name } name(last(c)):=concat(name(last(c)),[-],string(cell(att(4,c),1,c))), {4 : add channel no and seq no to name } name(last(c)):=concat(name(last(c)),[-],string(att(4,c)),[-],string(cell(att(4,c),1,c))) ), Label([OrderSize],Last(c)):=cell(att(4,c),1,c)*Label([OrderSize],Last(c)), If(Att(4,c)>1,setrank(1,last(c))), setcell(att(4,c),1,0,c), setstatus(5,c), openoc(att(4,c),c) ), do( Inc(att(4,c)), If(>(Att(4,c),nRows(c)), CreateEvent(0,c,2), CreateEvent(0,c,1) ) ) ),

{2: destroy original atom and start over} do(destroyatom(first(c)),OpenAllIC(c),setstatus(1,c)) )

2. OnEntered do( c.icok:=1,

if(AND(Nric(c)>1,NrIC(c)=nRows(BomTable),Repeat(NrIC(c),c.icok:=c.icok*IcConnected(c ount,c))),setLabel([ordertype],ic(c) ,i)), c.icok:=0, SetLabel([in],Time,i), setatt(4,0,c),

219/274

Appendix G

setstatus(2,c), CloseAllIC, att(2,c), setcell(1,1,1,c), repeat(nRows(c)-1,setcell(Count+1,1,cell(BOMRow,Count+1,BOMTable),c)), repeat(nRows(c),if(and(=(att(4,c),0),>(cell(Count,1,c),0)),setatt(4,Count,c))), if(>(att(4,c),0),createevent(att(1,c),c,1),createevent(att(1,c),c,2)) )

3. OnExited do( If(oc=1, Do( Label(concat([avgLT-],String(Label([Ordertype],i))),c):=(Label(concat([avgLT],String(Label([Ordertype],i))),c)*(Label([Ordernr],i)-1)+(TimeLabel([in],i)))/Label([Ordernr],i), If(write2excel,ExcelWrite(Label([Ordernr],i)+1,Excelcol,(TimeLabel([in],i))/Power(10,14))), Label([in],i):=0 ) ), closealloc(c), if(=(cell(att(4,c),1,c),0),inc(att(4,c))), att(3,c), If(>(Att(4,c),nRows(c)), CreateEvent(0,c,2), CreateEvent(0,c,1) ) )

4. OnCreation Do( AutoConnect, If(TextAtt([BOMTable],c)=[none], If(Or(Not(IcConnected(1,c)),TextAtt([BOMTable],in(1,c))), Do( selectatom(model,first(model),Concat([Select a BOM for ],Name(c))), setcs(a), SetExprAtt([BOMTable],Concat([AtomByName(],sbo,Name(cs),sbc,[,Model)]),c)

220/274

Appendix G

), SetExprAtt([BomTable],TextAtt([BomTable],in(1,c)),c) ) ), If(And(AtomExists(Att([BOMTable],c)),AtomID(Att([BOMTable],c))<>AtomID(c)), Do( SetChannels(1,nCols(Att([BOMTable],c)),c), SetTable(nCols(Att([BOMTable],c)),2,c), Cell(1,0,c):=[Assemblyorder], Cell(1,1,c):=1, Repeat(nRows(c)-1, Do( Cell(Count+1,0):=Concat([RM ],String(Count)),

Cell(Count+1,1):=Concat([Cell(BOMRow,],String(Count+1),[,Att([BOMTable],c))]) ) ) ), msg([Bill of Material not initialised!]) ) )

5. OnReset do( CleanLabels(c), setstatus(1,c), closealloc(c), If(write2excel,ExceltxWrite(1,excelcol,Concat([LT ],Name(c)))), If(AtomExists(Att([BOMTable],c)), Do( SetChannels(NrIC(c),nCols(Att([BOMTable],c)),c), SetTable(nCols(Att([BOMTable],c)),2,c), Cell(1,0,c):=[Assemblyorder], Cell(1,1,c):=1, Repeat(nRows(c)-1, Do( Cell(Count+1,0):=Concat([RM ],String(Count)),

Cell(Count+1,1):=Concat([Cell(BOMRow,],String(Count+1),[,Att([BOMTable],c))])

221/274

Appendix G

) ) ), Do( selectatom(model,first(model),Concat([Select a BOM for ],TextAtt([Name],c))), setcs(a),

SetExprAtt([Att([BOMTable],c)],Concat([AtomByName(],sbo,Name(cs),sbc,[,Model)]),c) ) ) )

6. OnUser if(not(doubleclick), do( settable(nroc(c),2,c), edittable(c) ), edit( standardeditstyle, ef([atomname]), ef([atomicon]), ef([attbool],7,[],[Draw infoarrows],[Tick to draw VSM productarrows]), ef([attbool],8,[],[Write LT to Excel]), ef([attval],9,[],[Excel Column]), ef([skip]), Ef([BOM]), ef([OrderLeadTime]), Ef([skip]), ef([entrytrigger]), ef([exittrigger]), ef([T009-Splitter_namerule]) ) )

7. OnOCReady moverequest(first(c),att(4,c))

222/274

Appendix G

8. On2DDraw Do( DrawText(0,0,xSize(c),ySize(c)*3/4,Name(c),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_CENTER), {DrawText(0,ySize(c),xSize(c),1,Concat([Output ],String(Output(c))),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_CENTER),} If(InfoArrow, Repeat(NrOC, If(AtomExists(out(Count,c)), If(yloc(c)+ySize(c)+1
DrawElinfo(0.5*xSize(c),1.3*ySize(c),xLoc(out(Count,c))+xSize(Out(Count,c))/2xloc(c),yLoc(Out(count,c))-yloc(c)), DrawElinfo(00.1*xSize(c),0.5*ySize(c),xLoc(out(Count,c))+1.1*xSize(Out(Count,c))xloc(c),yLoc(Out(count,c))+ySize(out(1,c))/2-yloc(c)) ) ) ) ) )

9. OnInit Do( RegisterEditField( [OrderLeadTime], [Order Lead Time], [TextAtt([LeadTime])], [SetExprAtt([LeadTime],&)], FieldListBoxSyntax( 15, [NegExp(90) /Erlang(90, 2) /LogNormal(90, 2) /Bernoulli(50, 80, 90) /Max(0, Normal(90, 1)) /Beta(90, 1, 1) /Gamma(90, 2) /Max(0, Logistic( 90, 1)) /LogNormal(90, 1) /Uniform(70, 90) /Triangular(85, 80, 90) /Weibull(90, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time needed to produce 1 item] ), registereditfield(

223/274

Appendix G

[T009-Splitter_namerule], [Naming Rule], [att(5)], [setatt(5,&)], fieldlistbox(4, concat( [No special name adding/], [Add channel no. to name/], [Add batch sequence no. to name/], [Add channel no. plus sequence no. to name] )), [Select a naming rule. You can also define specific names in the table] ), RegisterEditField( [BOM], [Bill-of-Material], [TextAtt([BOMTable])], [SetExprAtt([BomTable], &)], FieldScript(0,100), [Select a Bill-of-Material] ) )

E. VSM Factory 1. OnEvent case( eventcode, {Event 1: check if changeover needs to be made} If(Label([Ordertype],c)=Label([Ordertype],i), Do( Label([Ordertype],c):=Label([Ordertype],i), CreateEvent(0,c,2) ), Do( Label([Ordertype],c):=Label([Ordertype],i), CreateEvent(Att([ChangeOver],c),c,2) ) ),

224/274

Appendix G

{Event 2: change to other channel input mode} do( repeat(-(nrows(c),1), if(>(cell(+(count,1),1,c),0),openic(+(count,1),c)) ) ), {Event 3: cycletime is finished, and it's ready to exit} do( setstatus(5,c), icon(First(c)):=3, repeat(-(content(c),1),destroyatom(last(c))), OpenAllOC(c), setstatus(24,c) ) )

2. OnEntered do(

SetLoc(0.1*xSize(c)+(Content(c)-1),0.7*ySize,1,i), if(ic(c),EntryTrigger,In2Trigger), setstatus(22,c), inc(Label(concat([Left-],string(ic(c))),c),Label([OrderSize],i)), if(ic(c) = 1,{coming from channel 1} do( {order comes in from channel 1} c.ocok:=1,

if(AND(NrOC(c)=nRows(BomTable),Repeat(NrOC(c),c.ocok:=c.ocok*ocConnected(count,c) )),setatt([sendto],Label([Ordertype],i) ,c),setatt([sendto],1,c)), c.ocok:=0, SetLabel([in],Time,i),

if(AND(Not(nRows(Att([BOMTable],c))=1),or(>(Label([Ordertype],i),nRows(Att([BOMTabl e],c))),<=(Label([Ordertype],i),0))), msg(concat(name(c),[: A non valid product code has been specified])) ), closeic(1,c),

225/274

Appendix G

Repeat(NrIC(c)-1,Cell(Count+1,1,c):=Cell(BOMRow,Count+1,Att([BOMTable],c))), {Repeat(NrIC(c)1,Cell(Count+1,1,c):=Cell(Label([Ordertype],i),Count+1,Att([BOMTable],c))),} finishquant := sum(nrows(c),If(cell(count,1,c)>0,1,0)), createevent(0,c,1) ), {else: Raw material comes in from another channel} do( if(Label(concat([t-],string(ic(c))),c)>=(Cell(ic(c),1,c)*Label([t-1],c)),closeic(ic(c),c)), SetLabel([InProd],Max(Label([InProd],i),Label([InProd],first(c))),first(c)), If(Label([InProd],c)=Label([InProd],i),Label([SupID],First(c)):=Label([SupID],i)) ) ), {check for all products} if(>=(content(c),finishquant), do( setstatus(2,c), SetLabel([Transport],Transport,i), Label([avgTransport],c):=(Label([avgTransport],c)*(Label([Ordernr],i)1)+(Label([Transport],i)))/Label([Ordernr],i), createevent(LeadTime+Label([Transport],i),c,3) ) ) )

3. OnExited if(oc(c)>0, do( c.throughput:=3600*Output(c)/Time, Label(concat([avgLT-],String(Label([Ordertype],i))),c):=(Label(concat([avgLT],String(Label([Ordertype],i))),c)*(Label([Ordernr],i)-1)+(Time-Label([in],i)Label([Transport],i)))/Label([Ordernr],i), Label([avgLT],c):=Maximum(nRows(BOMTable),Label(Concat([avgLT],String(Count)),c)), If(Write2Excel, Do( ExcelWrite(Label([Ordernr],i)+1,Excelcol,Time-Label([in],i)-Label([Transport],i)) )

226/274

Appendix G

), Label([in],i):=0, Label([Transport],i):=0, closealloc(c), att(3,c), repeat(nrows(c), sddb(concat([t-],string(count)),0,c) ), if(=(content(c),0), do( openic(1,c), setstatus(1,c) ), openalloc(c) ) ) )

4. OnCreation Do( if(not(IcConnected(1,c)),ConnectIC(1,AtomByName([VSM

Production

Control],Library),1,c)), If(Not(AtomExists(Atombyname(Att([ParTable],c),Model))), {If Parameter Table does not exist, create & declare it} Do( Setcs(CreateAtom(AtomByName([Table],Library),Model,Att([ParTable],c))), Set( On2DDraw(cs), [ Do( draw2dicon(3), DrawText(0,0,xSize(c),ySize(c),[Factory Parameters],ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_CENTER) ) ] ), SetTextAtt(1,Att([ParTable],c),cs),

227/274

Appendix G

c.Counter:=if(AtomExists(AtomByName([Master BOM],Model)),nRows(AtomByName([Master BOM],Model)),InputNum(1,[Enter number of product types in the value stream],1,100,0)), nCols(cs):=2*c.Counter, SetAtt(6,nCols(cs),cs), Repeat(nCols(cs),if(Mod(Count,2)=0,SetCell(0,Count,Concat([Type ],String(Ceil(Count/2)),[ Max]),cs),SetCell(0,Count,Concat([Type ],String(Ceil(Count/2)),[ Min]),cs))) ) ), SetExprAtt([ParRef],Concat([AtomByName(],sbo,Att([ParTable],c),sbc,[,Model)]),c), If(AND(IcConnected(1,c),AtomExists(Att([BOMTable],c))), Do( SetChannels(nCols(Att([BOMTable],c)),1,c), SetTable(nCols(Att([BOMTable],c)),1,c), Repeat(nRows(c)-1,Cell(Count+1,0,c):=Concat([RM ],String(Count))) ) ), ParRow:=1,

LoopUntil(Or(cell(Count,0,ParRef)=Count,cell(Count,0,ParRef)=Name(c)),ParRow:=Count+ 1,nRows(ParRef)), if(Not(cell(ParRow,0,ParRef)=ParRow), Do( nRows(ParRef):=nRows(ParRef)+1, ParRow:=nRows(ParRef) ) ), SetCell(ParRow,0,Name(c),ParRef), nRows(ParRef):=ParRow, SetAtt(5,ParRow,ParRef), EditTable(ParRef) )

5. OnDestruction If(nRows(ParRef=1),DestroyAtom(ParRef),DeleteRow(ParRow,ParRef))

6. OnReset do(

228/274

Appendix G

CleanLabels(c), If(write2excel,ExceltxWrite(1,excelcol,Concat([LT ],Name(c)))), setstatus(1,c), repeat(-(nric(c),1),closeic(+(count,1),c)), closealloc(c), repeat(nrows(c), sddb(concat([t-],string(count)),0,c)), {After Reset,fill new BOM} SetChannels(nCols(BOMTable),nroc(c),c), SetTable(nCols(BOMTable),1,c), Repeat(nRows(c)-1,Cell(Count+1,0,c):=Concat([RM ],String(Count))), SetCell(0,1,[Quantity],c), SetCell(1,0,[Assemblyorder],c), SetCell(1,1,1,c), Setcell(ParRow,0,Name(c),ParRef) )

7. OnUser if(not(doubleclick), do( edittable(c) ), Do( edit( standardeditstyle, ef([atomname]), ef([atomicon]), ef([attbool],10,[],[Draw Productarrow],[Tick to draw a VSM productarrow]), ef([attbool],14,[],[Write LT to Excel]), ef([attval],15,[],[Excel Column]), Ef([BOM]), ef([skip]), ef([ProductLT]), ef([ProductEPE]), ef([LeadTime]), ef([Changeover]), ef([Defects]), ef([Transport]), ef([skip]),

229/274

Appendix G

ef([sendto]), ef([entrytrigger],2,[],[Trigger on entry channel 1],[Enter 4DScript code to be executed when this atom is entered through channels 1]), ef([t-entrytrigger2]), ef([exittrigger],3), ef([skip]) ) ) )

8. OnOCReady do( if(content(c)>0, moverequest(first(c),att(4,c)) ) )

9. On2DDraw Do( DrawText(0,0,xSize(c),ySize(c),Name(c),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE

+

HA_CENTER), Repeat(NrOC, If(And(OcConnected(Count,c),ProductArrow), DrawProdArrow(1.1*xSize(c),ySize(c)/2,xLoc(Out(Count,c))1.04*xloc(c),ySize(Out(Count,c))/2+yLoc(Out(Count,c))-yloc(c),0,0)) ) )

10.

OnInit

Do( registereditfield( [t-entrytrigger2], [Trigger on entry channel 2...n], [textatt([In2Trigger])], [setexpratt([In2Trigger],&)],

fieldlistboxsyntax(10,[setlabel([?],?,i)/set(name(i),[?])/set(icon(i),?)/set(icon(i),iconbyname([?

230/274

Appendix G

]))/set(color(i),colorpurple)/setsize(?,?,?,i)/setloc(?,?,?,i)/if(=(?,?),?,?)/if(=(label([?],i),?),?,?)/if (comparetext(name(i),[?]),?,?)]), [Enter 4DScript code to be executed when this atom is entered through channels 2..n] ), RegisterEditField( [ProductLT], [Product LT], [TextAtt([ProductLT])], [SetExprAtt([ProductLT],&)], FieldListBoxSyntax( 15, [NegExp(90) /Erlang(90, 2) /LogNormal(90, 2) /Bernoulli(50, 80, 90) /Max(0, Normal(90, 1)) /Beta(90, 1, 1) /Gamma(90, 2) /Max(0, Logistic( 90, 1)) /LogNormal(90, 1) /Uniform(70, 90) /Triangular(85, 80, 90) /Weibull(90, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time needed to produce 1 item (without changeover)] ), RegisterEditField( [ProductEPE], [Product EPE], [TextAtt([ProductEPE])], [SetExprAtt([ProductEPE],&)], FieldListBoxSyntax( 15, [NegExp(10) /Erlang(10, 2) /LogNormal(10, 2) /Bernoulli(50, 5, 15) /Max(0, Normal(10, 1)) /Beta(10, 1, 1) /Gamma(10, 2) /Max(0, Logistic( 10, 1)) /LogNormal(10, 1) /Uniform(5, 15) /Triangular(10, 5, 15) /Weibull(10, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time between finishing of 2 items] ), RegisterEditField( [Leadtime], [LeadTime], [TextAtt([LeadTime])], [SetExprAtt([LeadTime],&)], FieldSmartList( 7, Concat(

231/274

Appendix G

[ triangular(divide(Cell(Att([ParRow],c),2*Label([Ordertype],i),Att([ParRef],c))+Cell(Att([Par Row],c),2*Label([Ordertype],i)1,Att([ParRef],c)),2),Cell(Att([ParRow],c),2*Label([Ordertype],i)1,Att([ParRef],c)),Cell(Att([ParRow],c),2*Label([Ordertype],i),Att([ParRef],c))) |1. Based on Triangular Distribution with values from parameter table /], [ sum(Label([OrderSize],i),Triangular(divide(Cell(Att([ParRow],c),2*Label([Ordertype],i),Att( [ParRef],c))+Cell(Att([ParRow],c),2*Label([Ordertype],i)1,Att([ParRef],c)),2),Cell(Att([ParRow],c),2*Label([Ordertype],i)1,Att([ParRef],c)),Cell(Att([ParRow],c),2*Label([Ordertype],i),Att([ParRef],c)))) |2. Based on Triangular Distribution with values from parameter table and ordersize /], [ sum(Label([OrderSize],i)-1,Att([EPE],c))+Att([LT],c) |3. Based on both EPE and LT /], [ sum(Label([OrderSize],i),Att([LT],c)) |4. Serial Production based only on LT (LT*Ordersize) /], [ sum(Label([OrderSize],i),Att([EPE],c)) |5. Production based only on EPE (EPE*Ordersize) /], [ Max(0,Normal(~1, ~2)) |6. Independant of ordersize, based on Normal(~1~, ~2~) /], [ NegExp(~1) |7. Independant of ordersize, based on NegExp(~1~) ] ) ), [Enter total leadtime of an order] ), RegisterEditField( [Defects], [Defects (ppm)], [Att([Defects])*10000], [SetAtt([Defects],&/10000)], FieldValue(0,1000000,0), [Enter the number of defects per million] ), RegisterEditField( [Transport], [Transporttime], [TextAtt([Transport])], [SetExprAtt([Transport],&)], FieldListBoxSyntax( 15,

232/274

Appendix G

[NegExp(10) /Erlang(10, 2) /LogNormal(10, 2) /Bernoulli(50, 5, 15) /Max(0, Normal(10, 1)) /Beta(10, 1, 1) /Gamma(10, 2) /Max(0, Logistic( 10, 1)) /LogNormal(10, 1) /Uniform(5, 15) /Triangular(10, 5, 15) /Weibull(10, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter transport time to next stage] ), RegisterEditField( [Changeover], [Changeover time], [TextAtt([Changeover])], [SetExprAtt([Changeover],&)], FieldListBoxSyntax( 15, [NegExp(10) /Erlang(10, 2) /LogNormal(10, 2) /Bernoulli(50, 5, 15) /Max(0, Normal(10, 1)) /Beta(10, 1, 1) /Gamma(10, 2) /Max(0, Logistic( 10, 1)) /LogNormal(10, 1) /Uniform(5, 15) /Triangular(10, 5, 15) /Weibull(10, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time to prepare production for other producttype] ) )

F. VSM Warehouse 1. OnEvent Case(EventCode, {Event 1: Check if ordered units are instore} Do( If(Bernoulli(Att([Service Level],c),1,0), CreateEvent(LeadTime,c,2,0,i), CreateEvent(0,c,5,0,i) ) ), {Event 2: Ordered units instore and prepared for shipment, check on defects} Do( Label([Defects],i):=Binomial(Label([Ordersize],i),Defects), Inc(c.Defects,Label([Defects],i)), If(c.Defects=0,

233/274

Appendix G

CreateEvent(0,c,3,0,i), CreateEvent(LeadTime,c,3,0,i) ) ), {Event 3: Order checked on defects, ship products} Do( SetLabel([Transport],Transport,i), Label([avgTransport],c):=(Label([avgTransport],c)*(Label([Ordernr],i)1)+(Label([Transport],i)))/Label([Ordernr],i), CreateEvent(Transport,c,4,0,i), SetLabel([Transport],0,i) ), {Event 4: Order delivered} Do( OpenOC(1,c) ), {Event 5: At time of ordering, stockout prompted} Do( CreateAtomCopy(First(c),c,concat(Name(First(c)),[ order])), Label([OrderSize],Last(c)):=Label([Ordersize],i), SetRank(1,Last(c)), OpenOC(2,c) ) )

2. OnEntered Do( CloseAllIC(c), Case(ic(c), {Order enters through channel 1} Do( CreateEvent(0,c,1,0,i) ), {Ordered products entering channel 2} Do( Label([InProd],first(c)):=Label([InProd],i), Label([SupID],first(c)):=Label([SupID],i), CreateEvent(LeadTime,c,3,0,first(c)), DestroyAtom(i)

234/274

Appendix G

) ), EntryTrigger )

3.

OnExited

Do( If(oc=1, Do( Inc(c.output,Label([Ordersize],i)), If(write2Excel,ExcelWrite(Label([Ordernr],i)+1,excelcol,Time-Label([in],i)Label([Transport],i))) ) ), CloseAllOC(c), OpenIC(oc(c)), Exittrigger )

4. OnCreation Do( {Try to autoconnect to the channels} If(not(IcConnected(1,c)),ConnectIC(0,AtomByName([VSM

Production

Control],Library),1,c)), if(not(OcConnected(1,c)),ConnectOC(1,c,0,AtomByName([VSM Factory],Library))) )

5. OnReset do( CleanLabels(c), CloseAllOC, CloseIC(2,c) )

6. OnUser If(DoubleClick, edit(

235/274

Appendix G

standardeditstyle, ef([atomname]), ef([atomicon]), ef([attbool],6,[],[Draw Productarrow],[Tick to draw a VSM productarrow]), ef([attbool],10,[],[Write LT to Excel]), ef([attval],11,[],[Excel Column]), ef([skip]), ef([Service]), ef([OrderLeadTime]), ef([Defects]), ef([Transport]), ef([skip]), ef([entrytrigger],[],[],[Trigger on entry],[Enter 4DScript code to be executed when an atom has entered]), ef([exittrigger],[],[],[Trigger on exit],[Enter 4DScript code to be executed when an atom has exited]), ef([skip]) ) )

7. OnOCReady Do( If(Content(c)>0,MoveRequest(first(c),oc(c))) )

8. On2DDraw Do(

DrawText(0,ySize(c)*0.1,xSize(c),1,Name(c),ColorBlack,0.5,[Arial],0,0,0,HA_CENTER+V A_MIDDLE), {DrawText(0,ySize(c),xSize(c),1,Concat([Defects ],String(c.Totaldefects)),ColorBlack,0.5,[Arial],0,0,0,HA_CENTER+VA_MIDDLE), DrawText(0,ySize(c),xSize(c),1,Concat([Finished

products

],String(c.Output)),ColorBlack,0.5,[Arial],0,0,0,HA_CENTER+VA_MIDDLE),}

If(And(Occonnected(1,c),ProductArrow),DrawProdArrow(1.1*xSize(c),ySize(c)/2,xLoc(Out( 1,c))-1.04*xloc(c),ySize(Out(1,c))/2+yLoc(Out(1,c))-yloc(c),0,0)) )

236/274

Appendix G

9. OnInit Do( RegisterEditField( [Service], [Service Level], [Att(1,c)], [Setatt(1,&,c)], FieldValue(0,100,0), [Percentage of orders in stock] ), RegisterEditField( [OrderLeadTime], [Lead Time], [TextAtt([LeadTime])], [SetExprAtt([LeadTime],&)], FieldListBoxSyntax( 15, [NegExp(90) /Erlang(90, 2) /LogNormal(90, 2) /Bernoulli(50, 80, 90) /Max(0, Normal(90, 1)) /Beta(90, 1, 1) /Gamma(90, 2) /Max(0, Logistic( 90, 1)) /LogNormal(90, 1) /Uniform(70, 90) /Triangular(85, 80, 90) /Weibull(90, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time needed to produce 1 item] ), RegisterEditField( [Transport], [Transporttime], [TextAtt([Transport])], [SetExprAtt([Transport],&)], FieldListBoxSyntax( 15, [NegExp(10) /Erlang(10, 2) /LogNormal(10, 2) /Bernoulli(50, 5, 15) /Max(0, Normal(10, 1)) /Beta(10, 1, 1) /Gamma(10, 2) /Max(0, Logistic( 10, 1)) /LogNormal(10, 1) /Uniform(5, 15) /Triangular(10, 5, 15) /Weibull(10, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter transport time to next stage] ), RegisterEditField( [Defects],

237/274

Appendix G

[Defects (ppm)], [Att([Defects])*10000], [SetAtt([Defects],&/10000)], FieldValue(0,1000000,0), [Enter the number of defects per million] ) )

G. Raw Material Supplier 1. OnEvent Case(EventCode, {Event 1: Order Completed, check on defects} Do( Icon(i):=3, Label([Defects],i):=Binomial(Label([OrderSize],i),Defects), If(Label([Defects],i)=0, CreateEvent(0,c,2,0,i), Do( Inc(c.TotalDefects,Label([Defects],i)), CreateEvent(DefectsCT,c,2,0,i), Label([Defects],i):=0 ) ) ), {Event 2: Order checked on defects, shipment of order} Do( SetStatus(1,c), SetLabel([Transport],Transport,i), Label([avgTransport],c):=(Label([avgTransport],c)*(Label([Ordernr],i)1)+(Label([Transport],i)))/Label([Ordernr],i), CreateEvent(Label([Transport],i),c,3), Label([Transport],i):=0 ), {Event 3: Order arrived at customer, check on defects} Do( Label([Defects],i):=Binomial(Label([OrderSize],i),TransportDefects), If(Label([Defects],i)=0, CreateEvent(0,c,5),

238/274

Appendix G

Do( SetStatus(2,c), Inc(c.TransportDefects,Label([Defects],i)), CreateEvent(DefectsCT,c,4,0,i), Label([Defects],i):=0 ) ) ), {Event 4: Transport of replaced units} Do( SetStatus(1,c), CreateEvent(c.Transport,c,5) ), {Event 5: Delivery of order} Do( OpenAllOC(c) ) )

2. OnEntered Do( SetStatus(2,c), SetLoc(0.1*xSize(c)+(Content(c)-1),0.7*ySize,1,i), SetLabel([Inprod],Time,c), CreateEvent(LeadTime,c,1,0,i), EntryTrigger )

3. OnExited Do( CloseAllOC(c), c.AvgLT:=AvgStay(c), inc(c.Output,Label([OrderSize],i)), Exittrigger )

4. OnReset Do(

239/274

Appendix G

CloseAllOC(c), CleanLabels(c), SetStatus(1,c) )

5. OnUser If(DoubleClick, edit( standardeditstyle, ef([atomname]), ef([atomicon]), ef([attbool],4,[],[Draw Productarrow],[Tick to draw a VSM productarrow]), ef([attbool],8,[],[Write LT to Excel]), ef([attval],9,[],[Excel Column]), ef([skip]), ef([ProductLT]), ef([ProductEPE]), ef([Ordercomplete]), ef([Defects]), ef([Transport]), ef([TransportDefects]), ef([skip]), ef([entrytrigger],[],[],[Trigger on entry],[Enter 4DScript code to be executed when an atom has entered]), ef([exittrigger],[],[],[Trigger on exit],[Enter 4DScript code to be executed when an atom has exited]), ef([skip]) ) )

6. OnOCReady If(Content(c)>0,MoveRequest(First(c),1))

7. On2DDraw Do( DrawText(0,0,xSize(c),ySize(c),Name(c),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE HA_CENTER),

240/274

Appendix G

+

{DrawText(0,ySize(c),xSize(c),1,String(c.Output),ColorBlack,0.5,[Arial],0,0,0,HA_CENTER +VA_MIDDLE), DrawText(0,ySize(c)+1,xSize(c),1,Concat([Defects ],String(c.TotalDefects)),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_CENTER),}

If(And(AtomExists(Out(1,c)),ProductArrow),DrawProdArrow(1.1*xSize(c),ySize(c)/2,xLoc( Out(1,c))-xloc(c),ySize(Out(1,c))/2+yLoc(Out(1,c))-yloc(c),0,0)) )

8. OnInit Do( RegisterEditField( [ProductLT], [ProductLT], [TextAtt([ProductLT])], [SetExprAtt([ProductLT],&)], FieldListBoxSyntax( 15, [NegExp(90) /Erlang(90, 2) /LogNormal(90, 2) /Bernoulli(50, 80, 90) /Max(0, Normal(90, 1)) /Beta(90, 1, 1) /Gamma(90, 2) /Max(0, Logistic( 90, 1)) /LogNormal(90, 1) /Uniform(70, 90) /Triangular(85, 80, 90) /Weibull(90, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time needed to produce 1 item] ), RegisterEditField( [Transport], [Transporttime], [TextAtt([Transport])], [SetExprAtt([Transport],&)], FieldListBoxSyntax( 15, [NegExp(10) /Erlang(10, 2) /LogNormal(10, 2) /Bernoulli(50, 5, 15) /Max(0, Normal(10, 1)) /Beta(10, 1, 1) /Gamma(10, 2) /Max(0, Logistic( 10, 1)) /LogNormal(10, 1) /Uniform(5, 15) /Triangular(10, 5, 15) /Weibull(10, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter transport time to next stage]

241/274

Appendix G

), RegisterEditField( [ProductEPE], [ProductEPE], [TextAtt([ProductEPE])], [SetExprAtt([ProductEPE],&)], FieldListBoxSyntax( 15, [NegExp(10) /Erlang(10, 2) /LogNormal(10, 2) /Bernoulli(50, 5, 15) /Max(0, Normal(10, 1)) /Beta(10, 1, 1) /Gamma(10, 2) /Max(0, Logistic( 10, 1)) /LogNormal(10, 1) /Uniform(5, 15) /Triangular(10, 5, 15) /Weibull(10, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time between finishing of 2 items] ), RegisterEditField( [Ordercomplete], [LeadTime], [TextAtt([LeadTime])], [ Do( SetExprAtt([LeadTime],&),

SetExprAtt([DefectsCT],StringCopy(TextAtt([LeadTime],c),StringPos([.}],TextAtt([LeadTim e],c))+2,StringLength(TextAtt([LeadTime],c))),c), If(StringPos([OrderSize],Textatt([DefectsCT],c))>0,

SetExprAtt([DefectsCT],Concat(StringCopy(TextAtt([DefectsCT],c),0,StringPos([OrderSize], TextAtt([DefectsCT],c))1),[Defects],StringCopy(TextAtt([DefectsCT],c),StringPos([OrderSize],TextAtt([DefectsCT], c))+9,StringLength(TextAtt([DefectsCT],c))))) ) ) ], FieldSmartList( 5, Concat( [ sum(Label([OrderSize],i)-1,Att([EPE],c))+Att([LT],c) |1. Based on both EPE and LT /], [ Label([OrderSize],i)*Att([LT],c) |2. Based only on LT /],

242/274

Appendix G

[ Label([OrderSize],i)*Att([EPE],c) |3. Based only on EPE /], [ Max(0,Normal(~1, ~2)) |4. Independant of ordersize, based on Normal(~1~, ~2~) /], [ NegExp(~1) |5. Independant of ordersize, based on NegExp(~1~) ] ) ) ), RegisterEditField( [Defects], [Defects (ppm)], [Att([Defects])*10000], [SetAtt([Defects],&/10000)], FieldValue(0,1000000,0), [Enter the number of defects per million] ), RegisterEditField( [TransportDefects], [Transportdefects (ppm)], [Att([TransportDefects])*10000], [SetAtt([TransportDefects],&/10000)], FieldValue(0,1000000,0), [Enter the number of defects per million due to transport] ) )

H. VSM Distribution Centre 1. OnEvent DestroyAtom(i)

2. OnEntered Do( EntryTrigger, Label([LT],i):=Time-Label([Birth],i)+Att([LeadTime],c), if(And(Write2Excel,DDEReady), Do( ExcelWrite(Label([Ordernr],i)+1,3*c.SimRun,Label([LT],i)) )

243/274

Appendix G

), If(AtomExists(vtp(Graphpointer)),CreateEvent(0,vtp(Graphpointer),1,10,i)), Label([Birth],i):=0 )

3. OnCreation Do( AutoConnect, {* Ilde *} Status(c) := 1 )

4. OnReset If(Write2Excel, Do( c.SimRun:=1, LoopUntil(ExcelRead(2,3*c.SimRun)=0,Inc(c.SimRun)), If(not(DDEReady), do( DDEClose, DDEOpen([Excel],[System])) ), ExceltxWrite(1,3*c.SimRun,Concat([LT (Run ],String(c.SimRun),[)]) ) ) )

5. OnUser If(DoubleClick, Edit( StandardEditStyle, Ef([AtomName]), Ef([AtomIcon]), Ef([Skip]), ef([attbool],4,[],[Write LT to Excel]), ef([OrderLeadTime]), Ef([EntryTrigger]) ),

244/274

Appendix G

If(att([ordertype],vtp(graphpointer))=ncols(vtp(graphpointer)), Do( If(DDEReady, AutoFit(Input(c),ExcelRead(count+1,3*c.SimRun),0),msg([No DDELink with Excel!])) ), Do( ExcelSheet(concat([Raw Data - ],string(att([ordertype],vtp(graphpointer))))), If(DDEReady,

AutoFit(Label(concat([nrprod-

],string(att([ordertype],vtp(graphpointer)))),vtp(graphpointer)),ExcelRead(Count+1,3*c.SimR un),0),msg([No DDELink with Excel!])), ExcelSheet([Raw Data]) ) ) )

6. On2DDraw Do( DrawText(0,0,xSize(c),ySize(c),Name(c),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE

+

HA_CENTER), DrawText(0,ySize(c),xSize(c),1,Concat([In: ],String(Input)),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_CENTER) )

7. OnInit RegisterEditField( [OrderLeadTime], [Order Lead Time], [TextAtt([LeadTime])], [SetExprAtt([LeadTime],&)], FieldListBoxSyntax( 15, [NegExp(90) /Erlang(90, 2) /LogNormal(90, 2) /Bernoulli(50, 80, 90) /Max(0, Normal(90, 1)) /Beta(90, 1, 1) /Gamma(90, 2) /Max(0, Logistic( 90, 1)) /LogNormal(90, 1) /Uniform(70, 90) /Triangular(85, 80, 90) /Weibull(90, 2) /Label( [?], First(c)) /Label([?], c) /If(= (?, ?), ?, ?)] ), [Enter time needed to produce 1 item] )

245/274

Appendix G

I. LT Graph 1. OnEvent Case(EventCode, Do( inc(c.nrProd), Inc(Label(concat([nrProd-],String(Label([Ordertype],i))),c)), c.AvgLT:=c.AvgLT*(c.nrProd-1)/c.nrProd+Label([LT],i)/c.nrProd, c.AvgSQ:=c.AvgSQ*(c.nrProd-1)/c.nrProd+sqr(Label([LT],i))/c.nrProd, c.StDev:=sqrt(c.AvgSQ-sqr(c.AvgLT)), Label(concat([AvgLT-],String(Label([Ordertype],i))),c):=Label(concat([AvgLT],String(Label([Ordertype],i))),c)*(Label(concat([nrProd-],String(Label([Ordertype],i))),c)1)/Label(concat([nrProd],String(Label([Ordertype],i))),c)+Label([LT],i)/Label(concat([nrProd],String(Label([Ordertype],i))),c), Label(concat([AvgSQ-],String(Label([Ordertype],i))),c):=Label(concat([AvgSQ],String(Label([Ordertype],i))),c)*(Label(concat([nrProd-],String(Label([Ordertype],i))),c)1)/Label(concat([nrProd],String(Label([Ordertype],i))),c)+Sqr(Label([LT],i))/Label(concat([nrProd],String(Label([Ordertype],i))),c), Label(concat([StDev-],String(Label([Ordertype],i))),c):=sqrt(Label(concat([AvgSQ],String(Label([Ordertype],i))),c)-sqr(Label(concat([AvgLT],String(Label([Ordertype],i))),c))), c.MaxLT:=Max(c.MaxLT,Label([LT],i)), Label(concat([MaxLT-],String(Label([Ordertype],i))),c):=Max(Label(concat([MaxLT],String(Label([Ordertype],i))),c),Label([LT],i)), c.MinLT:=If(c.MinLT>0,Min(c.MinLT,Label([LT],i)),Label([LT],i)), Label(concat([MinLT-],String(Label([Ordertype],i))),c):=If(Label(concat([MinLT],String(Label([Ordertype],i))),c)>0,Min(Label(concat([MinLT],String(Label([Ordertype],i))),c),Label([LT],i)),Label([LT],i)),

LoopUntil(Cell(Count,nCols(c),c)=Maximum(nRows(c),Cell(Count,nCols(c),c)),c.Modus:=G raphmin+(Count+0.5)*ClassWidth),

LoopUntil(Cell(Count,Label([Ordertype],i),c)=Maximum(nRows(c),Cell(Count,Label([Ordert ype],i),c)),Label(concat([Modus],String(Label([Ordertype],i))),c):=Graphmin+Count*ClassWidth), c.counter:=1, LoopUntil(Label([LT],i)
246/274

Appendix G

Cell(c.counter,Label([OrderType],i),c):=Cell(c.counter,Label([OrderType],i),c)+1, Cell(c.counter,nCols(c),c):=Cell(c.counter,nCols(c),c)+1, CreateEvent(0,in(1,c),0,0,i) ), [] )

2. OnCreation Do( ConnectIC(1,AtomByName([VSM Distribution Centre],Library),1,c), If(Or(Not(Atomexists(BomTable)),ptv(c)=ptv(BomTable)), Do( selectatom(model,first(model),Concat([Select a BOM for],Name(c))), setcs(a), SetExprAtt([BOMTable],Concat([AtomByName(],sbo,Name(cs),sbc,[,Model)]),c) ) ), If(AtomExists(BOMTable),SetTable(Att([NrClasses],c),nRows(BOMTable)+1,c)) )

3. OnReset Do( CleanLabels(c), If(Not(IcConnected(1,c)), Msg([Atom not yet connected!]), Do( EmptyTable(c,nrClasses,nRows(BOMTable)+1), Att([Graphpointer],in(1,c)):=ptv(c) ) ) )

4. OnUser If(DoubleClick, Edit(StandardEditStyle, Ef([Atomname]), Ef([attbool],15,[],[Draw cumulative]), Ef([Level]),

247/274

Appendix G

Ef([skip]), Ef([Timescale]), ef([attval],19,[],[Precision]), Ef([skip]), Ef([Classes]), Ef([MinClas]), Ef([MaxClas]) ), Do( setlabel([popup],0,c), Ordertype:=popupmenu(mousex,mousey, Concat(Repeat(nCols(c)-1,c.popup:=Concat(c.popup,[Product

],String(Count),[/])),[/All

Products])), If(OR(Ordertype>=nCols(c),OrderType=0), Do( Ordertype:=nCols, SetExprAtt([MaxLT],[Label([MaxLT],c)],c), SetExprAtt([MinLT],[Label([MinLT],c)],c), SetExprAtt([AvgLT],[Label([AvgLT],c)],c), SetExprAtt([StDev],[Label([StDev],c)],c), SetExprAtt([Modus],[Label([Modus],c)],c), SetExprAtt([NrProd],[Label([NrProd],c)],c) ), Do( SetExprAtt([MaxLT],Concat([Label(],sbo,[MaxLT-],string(Ordertype),sbc,[,c)]),c), SetExprAtt([MinLT],Concat([Label(],sbo,[MinLT-],String(Ordertype),sbc,[,c)]),c), SetExprAtt([AvgLT],Concat([Label(],sbo,[AvgLT-],String(Ordertype),sbc,[,c)]),c), SetExprAtt([StDev],Concat([Label(],sbo,[StDev-],String(Ordertype),sbc,[,c)]),c), SetExprAtt([Modus],Concat([Label(],sbo,[Modus-],String(Ordertype),sbc,[,c)]),c), SetExprAtt([NrProd],Concat([Label(],sbo,[NrProd-],String(Ordertype),sbc,[,c)]),c) ) ) ) )

5. On2DDraw Do( DrawLine(0,0.9*ysize(c),xSize(c),0.9*ySize(c),ColorBlack,2), DrawLine(0,0.1*ySize(c),xSize(c),0.1*ySize(c),ColorBlack,0.5),

248/274

Appendix G

DrawLine(0,0.5*ySize(c),xSize(c),0.5*ySize(c),ColorBlack,0.5), DrawText(0,1,xSize(c),1,Graphindex,ColorBlack,0.7,[Arial],1,0,0,VA_MIDDLE+HA_CENTER), DrawText(0,ySize(c)+1.4,0.5*xSize(c),1,Concat([Average

LT:

],String(AvgLT,0,LTprecision)),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_LEFT), DrawText(0,ySize(c)+2.4,0.5*xSize(c),1,Concat([Minimum

LT:

],String(MinLT,0,LTprecision)),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_LEFT), DrawText(0,ySize(c)+3.4,0.5*xSize(c),1,Concat([Maximum

LT:

],String(MaxLT,0,LTprecision)),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_LEFT), DrawText(0.5*xSize(c),ySize(c)+1.4,0.5*xSize(c),1,Concat([St.

Dev.

],String(Att([StDev],c),0,LTprecision)),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE

LT: +

HA_LEFT), DrawText(0.5*xSize(c),ySize(c)+2.4,0.5*xSize(c),1,Concat([Modus

LT:

],String(Att([Modus],c),0,LTprecision)),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE

+

HA_LEFT), DrawText(0.5*xSize(c),ySize(c)+3.4,0.5*xSize(c),1,Concat([Median

LT:

],String(c.MedianLT,0,LTprecision)),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE

+

HA_LEFT), DrawText(0,ySize(c)+4.4,xSize(c),1,Concat(String(level*100),[ % of orders delivered in less

than

],String(c.LTLevel,0,LTprecision),[

time

units]),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_LEFT), Repeat(5, DrawText((Count-1)*xSize(c)/4,0.95*ySize(c),1,1,String(Graphmin+(Count1)*(Graphmax-Graphmin)/4),ColorBlack,0.5,[Arial],0,0,45,VA_MIDDLE + HA_LEFT) ),

DrawText(1.05*xSize(c),0.8*ySize(c),1,1,TimeScale,ColorBlack,0.5,[Arial],0,0,0,VA_MIDD LE + HA_LEFT), If(NrProd<>0, Do( c.BarMax:=Maximum(nRows,Cell(Count,Ordertype,c)), c.BarScale:=If(c.Barmax>0,0.8*ysize(c)/c.BarMax,1), DrawText(-(1.2),0,1,1,Concat(String(c.BarMax,0,LTprecision),[ Orders]),ColorBlack,0.5,[Arial],0,0,0,VA_MIDDLE + HA_RIGHT), Repeat(nRows(c), DrawRectangle((Count-1)*BarWidth,0.9*ySize(c),Count*BarWidth,0.9*ySizec.BarScale*Cell(Count,OrderType,c),ColorPurple,ColorPurple) ), If(Cumulative, Do(

249/274

Appendix G

c.p1x:=0, c.p1y:=0, c.p2y:=0, Repeat(NrClasses, Do( c.p2x:=(Count-0.5)*Barwidth, c.p2y:=c.p2y+Cell(Count,Ordertype,c)/NrProd, If(c.p2y<=0.5,c.MedianLT:=(Count-0.5)*ClassWidth+Graphmin), If(c.p2y<=Level,c.LTlevel:=(Count-0.5)*ClassWidth+Graphmin), DrawLine(c.p1x,0.9*ySize(c)-c.p1y*0.8*ysize(c),c.p2x,0.9*ySize(c)c.p2y*0.8*ysize(c),ColorBlue,0.5), c.p1x:=c.p2x, c.p1y:=c.p2y ) ) ) ) ) ) )

6. OnInit Do( RegisterEditField( [TimeScale], [Timescale], [Textatt([TimeScale],c)], [ Case(&, SetTextatt([TimeScale],[Months],c), SetTextatt([TimeScale],[Weeks],c), SetTextatt([TimeScale],[Days],c), SetTextatt([TimeScale],[Hours],c), SetTextatt([TimeScale],[Minutes],c), SetTextatt([TimeScale],[Seconds],c) ) ], FieldListBox( 6,

250/274

Appendix G

[Months/Weeks/Days/Hours/Minutes/Seconds] ), [Enter the timescale (has no effect on results)] ), RegisterEditField( [Classes], [Number of Classes], [Att(1,c)], [Setatt(1,&,c)], FieldValue(1,100,0), [Number of classes used in Histogram] ), RegisterEditField( [MinClas], [Lower Boundary], [Att(2,c)], [Setatt(2,&,c)], FieldValue(0,100000,0), [Lowest value of the histogram] ), RegisterEditField( [MaxClas], [Upper Boundary], [Att(3,c)], [Setatt(3,max(&,Att(2,c)),c)], FieldValue(0,100000,0), [Highest value of the histogram] ), RegisterEditField( [Level], [Level of delivered orders], [Att([Level],c)*100], [Setatt([Level],&/100,c)], FieldValue(0,100), [Enter the percentage of orders of entered from which a maximum LT is measured] ) )

251/274

Appendix G

J. Excel Link 1. OnEvent {****perform on reset****} do( {initialize constants} StartRow:=cell(eventcode,5,c), StartCol:=cell(eventcode,6,c), RowsToCopy:=cell(eventcode,7,c), ColsToCopy:=cell(eventcode,8,c), {connect to sheet} excelsheet(cell(eventcode,2,c,2)), {create the copy movement} if( ddeready, repeat( RowsToCopy, do( RowCntr:=count, repeat( ColsToCopy, do( ColCntr:=count, {if it is read or write} if( cell(eventcode,10,c)=1, setcell(RowCntr,ColCntr,exceltxread(StartRow+RowCntr-1,StartCol+ColCntr1),rank(eventcode,c)), exceltxwrite(StartRow+RowCntr-1,StartCol+ColCntr1,cell(RowCntr,ColCntr,rank(eventcode,c),2)) ) ) ) ) ) ) )

252/274

Appendix G

2. OnCreation LateInit([ do( Name(c):=[Excel Link], {check if there already is an other excel atom present in the model} v:=0, foratomtreeunder(model,v:=v+ddb([t-excel])),

{if no other excel atom is found} if( v=0, do( sddb([t-excel],1,c), set( oninit(c), [ lateinit( [ do( if(ddeready,excelclose), excelopen(FileName,1), excelsheet(SheetName) ) ] ) ] ) ), {if an other excel atom is found} do( destroyatom(c), msg( concat( [A model may contain only 1 Excel atom.],cr,lf,cr,lf, [Delete the existing Excel atom or link it to another workbook.] ), 1) ) ) )

253/274

Appendix G

])

3. OnDestruction do( if(ddeready,excelclose) )

4. OnReset {info} {column 1 name atom} {column 2 name sheet} {column 3 nr rows table} {column 4 nr cols table} {column 5 start row excel} {column 6 start col excel} {column 7 # rows from/to excel} {column 8 # cols from/to excel} {column 9 time to read or write} {column 10 read (1) or write (2)} {column 11 on reset (1) or on time (2)} {look for every table to perform the action directly or create the event to do so} repeat( nrows(c), do( TableCntr:=count, setcs(rank(TableCntr,c)), if( cell(TableCntr,11,c)=1,

{****perform on reset****} do( {initialize constants} StartRow:=cell(TableCntr,5,c), StartCol:=cell(TableCntr,6,c), RowsToCopy:=cell(TableCntr,7,c), ColsToCopy:=cell(TableCntr,8,c), {connect to sheet} excelsheet(cell(TableCntr,2,c,2)), {create the copy movement}

254/274

Appendix G

if( ddeready, repeat( RowsToCopy, do( RowCntr:=count, repeat( ColsToCopy, do( ColCntr:=count, {if it is read or write} if( cell(TableCntr,10,c)=1, setcell(RowCntr,ColCntr,exceltxread(StartRow+RowCntr-1,StartCol+ColCntr-1),cs), exceltxwrite(StartRow+RowCntr-1,StartCol+ColCntr-1,cell(RowCntr,ColCntr,cs,2)) ) ) ) ) ), do( msg(concat([The sheetname of tableno. ],string(TableCntr),[ is not correct!])), excelsheet(textatt([SheetName],c)) ) ) ), {****create the events****} createevent(execstring(cell(TableCntr,9,c,2)),c,TableCntr) ) ) )

5. OnUser if(DoubleClick, Do( GuiRegister( searchfile(pdir,[T082-Excel.gui],1,1 ),1), { create an instance, show it and set the guiatom} GuiCreate([Excel_DDE_Communicatie],[ExcelForm],0,c,0,1) ),

255/274

Appendix G

Do( c.action:=PopupMenu(MouseX,MouseY,[Generate normality/Generate seperate Anova sheets//

separate

Re-init DDE/

histograms//Check

Erase Raw Datasheet from

Excel/ Erase All Calculated Sheets from Excel]), Case(c.action, If(DDEReady, Do( ExcelMacro([Histograms]), Label([Histograms],main):=1, DDEClose, DDEOpen([excel],sheetname) ), Msg([DDE link not ready]) ), [], If(DDEReady, Do( ExcelMacro([Normality]), DDEClose, DDEOpen([excel],sheetname) ), Msg([DDE link not ready]) ), If(DDEReady, Do( ExcelMacro([Anova]), DDEClose, DDEOpen([excel],sheetname) ), Msg([DDE link not ready]) ), [], do( ddeclose, if(ddeopen([excel],sheetname),msg([re-init succesfull]),msg([re-init succesfull])) ), If(AND(confirm([Sure

to

erase

Raw

Data?]),DDEReady),Do(ExcelMacro([RawDataErase]),Label([Histograms],main):=0)), If(AND(confirm([Sure

to

erase

Calculated

Sheets?]),DDEReady),Do(ExcelMacro([DeleteWorksheets]),Label([Histograms],main):=0))

256/274

Appendix G

] ) )

APPENDIX H: ANALYSE MACROCODE MICROSOFT EXCEL

Dim splitsheets As New Collection Dim graphsheets As New Collection Dim Anovasheets As New Collection

Private Function SelectSheet(sheetname As String) As Worksheet Dim sheetexist As Boolean For Each ws In Worksheets If ws.Name = sheetname Then sheetexist = True Exit For Else sheetexist = False End If Next ws If Not (sheetexist) Then Worksheets.Add After:=Worksheets(Worksheets.Count) Worksheets(Worksheets.Count).Name = sheetname splitsheets.Add Item:=Worksheets(sheetname), key:=CStr(splitsheets.Count + 1) Worksheets("Raw Data").Range("1:1").Copy Destination:=Worksheets(sheetname).Range("A1") Worksheets.Add After:=Worksheets(Worksheets.Count) Worksheets(Worksheets.Count).Name = "Graph - " & Right(sheetname, 1) graphsheets.Add Item:=Worksheets(Worksheets.Count), key:=CStr(graphsheets.Count + 1) End If Set SelectSheet = Worksheets(sheetname) End Function

Private Function SelectSheetAnova(sheetname As String) As Worksheet Dim sheetexist As Boolean For Each ws In Worksheets If ws.Name = sheetname Then sheetexist = True Exit For Else sheetexist = False End If Next ws If Not (sheetexist) Then Worksheets.Add After:=Worksheets(Worksheets.Count)

260/274

Appendix H

Worksheets(Worksheets.Count).Name = sheetname Anovasheets.Add Item:=Worksheets(sheetname), key:=CStr(Anovasheets.Count + 1) End If Set SelectSheetAnova = Worksheets(sheetname) End Function Private Function EndRow(wsend As Worksheet, colnr As Integer) As Integer Dim rownr As Integer rownr = 1 Do rownr = rownr + 1 Loop Until wsend.Cells(rownr, colnr) = "" EndRow = rownr End Function Private Function EndCol(wsend As Worksheet) As Integer Dim colnr As Integer colnr = 1 Do colnr = colnr + 1 Loop Until wsend.Cells(2, colnr) = "" EndCol = colnr

End Function

Sub RawDataErase() ' ' RawDataErase Macro ' De macro is opgenomen op 8/05/2004 door Nick. '

' Worksheets("Raw Data").Cells.ClearContents Range("A1").Select Call DeleteWorkSheets End Sub Sub Anova() Dim ws As Worksheet Dim cw As Integer Dim siglevel As Single '

261/274

Appendix H

' Anova Macro ' De macro is opgenomen op 8/05/2004 door Nick. ' ' siglevel = 0.05 Application.Cursor = xlWait AppActivate "Microsoft Excel" Sheets("Raw Data").Select 'Delete existing Anova sheets Application.DisplayAlerts = False For Each ws In Worksheets If InStr(ws.Name, "Anova -") > 0 Then ws.Delete End If Next ws Application.DisplayAlerts = True 'Generate ANOVA for general data (first two runs only) Worksheets.Add After:=Worksheets(Worksheets.Count) Worksheets(Worksheets.Count).Name = "Anova - General" Worksheets("Raw Data").Range("C:C,F:F").Copy Destination:=Worksheets("Anova General").Range("A1") Workbooks.Open(Filename:="C:\Program Files\Microsoft Office\OFFICE11\Biblio\Analysis\ATPVBAEN.XLA").RunAutoMacros Which:=xlAutoOpen ThisWorkbook.Activate Worksheets("Anova - General").Select Application.run "ATPVBAEN.XLA!Anova1", ActiveSheet.Range("A1:B1", Range("A1:B1").End(xlDown)), _ ActiveSheet.Range("$D$5"), "C", True, siglevel Cells(5, 4) = Cells(5, 4) & " (significantieniveau " & CStr(siglevel * 100) & "%)" If Cells(15, 8) > Cells(15, 10) Then Cells(20, 4) = "De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren verschillen significant" Else Cells(20, 4) = "De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk" End If Cells(20, 4).Font.Bold = True Columns("A:A").ColumnWidth = 10.43 Columns("B:B").ColumnWidth = 10.29 Columns("D:D").ColumnWidth = 14.14

262/274

Appendix H

Columns("E:E").ColumnWidth = 12.29 Columns("F:F").ColumnWidth = 12.57 Columns("G:G").ColumnWidth = 18.14 Columns("I:I").ColumnWidth = 8.29 Columns("J:J").ColumnWidth = 28.14 With Range("$D$5:$J$18").Interior .ColorIndex = 15 .Pattern = xlSolid .PatternColorIndex = xlAutomatic End With Range("D5:J5").Select With Selection.Font .Name = "Arial" .FontStyle = "Standaard" .Size = 10 .Bold = True .Strikethrough = False .Superscript = False .Subscript = False .OutlineFont = False .Shadow = False .Underline = xlUnderlineStyleNone .ColorIndex = 2 End With With Selection.Interior .ColorIndex = 16 .Pattern = xlSolid .PatternColorIndex = xlAutomatic End With 'Generate ANOVA for seperate data (first two runs only) For rw = 2 To EndRow(Worksheets("Raw Data"), 1) - 1 For cw = 1 To 2 Set ws = SelectSheetAnova("Anova - " & CStr(Worksheets("Raw Data").Cells(rw, 3 * cw - 2))) temprow = EndRow(ws, cw) ws.Cells(temprow, cw).Value = Worksheets("Raw Data").Cells(rw, 3 * cw).Value Next cw Next rw For Each ws In Anovasheets

263/274

Appendix H

Worksheets("Anova - General").Range("$A$1", "$B$1").Copy Destination:=ws.Range("A1") ws.Activate Application.run "ATPVBAEN.XLA!Anova1", ActiveSheet.Range("A1:B1", Range("A1:B1").End(xlDown)), _ ActiveSheet.Range("$D$5"), "C", True, siglevel Cells(5, 4) = Cells(5, 4) & " (significantieniveau " & CStr(siglevel * 100) & "%)" If Cells(15, 8) > Cells(15, 10) Then Cells(20, 4) = "e gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren verschillen significant" Else Cells(20, 4) = "De gemiddelde van de doorlooptijdverdelingen waartoe beide runs behoren zijn gelijk" End If Cells(20, 4).Font.Bold = True Columns("A:A").ColumnWidth = 10.43 Columns("B:B").ColumnWidth = 10.29 Columns("D:D").ColumnWidth = 14.14 Columns("E:E").ColumnWidth = 12.29 Columns("F:F").ColumnWidth = 12.57 Columns("G:G").ColumnWidth = 18.14 Columns("I:I").ColumnWidth = 8.29 Columns("J:J").ColumnWidth = 28.14 With Range("$D$5:$J$18").Interior .ColorIndex = 15 .Pattern = xlSolid .PatternColorIndex = xlAutomatic End With Range("D5:J5").Select With Selection.Font .Name = "Arial" .FontStyle = "Standaard" .Size = 10 .Bold = True .Strikethrough = False .Superscript = False .Subscript = False .OutlineFont = False .Shadow = False .Underline = xlUnderlineStyleNone

264/274

Appendix H

.ColorIndex = 2 End With With Selection.Interior .ColorIndex = 16 .Pattern = xlSolid .PatternColorIndex = xlAutomatic End With Next ws Worksheets("Anova - General").Select Application.Cursor = xlDefault End End Sub Sub DeleteWorkSheets() Application.DisplayAlerts = False For Each ws In Worksheets If Not (ws.Name = "Raw Data") Then ws.Delete End If Next ws Application.DisplayAlerts = True End Sub Sub Histograms() Dim ws As Worksheet Dim temprow As String Dim counter, cw, mc As Integer Dim Datarange, Graphrange As Range Dim Modusfreq As Integer

' ' SortTables Macro ' De macro is opgenomen op 12/05/2004 door Nick ' ' Application.Cursor = xlWait 'Delete existing histograms Application.DisplayAlerts = False For Each ws In Worksheets If InStr(ws.Name, "Raw Data -") > 0 Or InStr(ws.Name, "Graph -") > 0 Then ws.Delete End If

265/274

Appendix H

Next ws Application.DisplayAlerts = True AppActivate "Microsoft Excel" Workbooks.Open(Filename:="C:\Program Files\Microsoft Office\OFFICE11\Biblio\Analysis\ATPVBAEN.XLA").RunAutoMacros Which:=xlAutoOpen ThisWorkbook.Activate 'Create general graphs Worksheets.Add After:=Worksheets(Worksheets.Count) Worksheets(Worksheets.Count).Name = "Graph - General" With Worksheets(Worksheets.Count) .Columns(3).ColumnWidth = 3 .Columns(4).ColumnWidth = 11 .Columns(7).ColumnWidth = 3 End With For cw = 1 To (EndCol(Worksheets("Raw Data")) - 1) / 3 Worksheets("Raw Data").Activate Set Datarange = ActiveSheet.Range(Cells(1, 3 * cw), Range(Cells(1, 3 * cw), Cells(2, 3 * cw)).End(xlDown)) Set Graphrange = Worksheets(Worksheets.Count).Cells(40 * (cw - 1) + 1, 4) Application.run "ATPVBAEN.XLA!Histogram", Datarange _ , Graphrange, , False, True, True, True ActiveSheet.Shapes(cw).ScaleHeight 3.3, msoFalse, msoScaleFromTopLeft ActiveSheet.Shapes(cw).ScaleWidth 1.5, msoFalse, msoScaleFromTopLeft ActiveSheet.ChartObjects(cw).Activate ActiveChart.Legend.Delete ActiveChart.ChartTitle.Text = "Globale histogram run " & CStr(cw) Sheets("Raw Data").Select Set Graphrange = Worksheets(Worksheets.Count).Cells(40 * (cw - 1) + 1, 1) Application.run "ATPVBAEN.XLA!Descr", Datarange, _ Graphrange, "C", True, True, , , 95 Worksheets(Worksheets.Count).Activate Modusfreq = Application.WorksheetFunction.Max(Range(Cells(40 * (cw - 1) + 1, 5), Cells(40 * (cw - 1) + 1, 5).End(xlDown))) mc = 40 * (cw - 1) + 1 While Not (Cells(counter + 1, 5) = Modusfreq) counter = counter + 1 Wend Cells(40 * (cw - 1) + 6, 2) = (Cells(counter, 4) + Cells(counter + 1, 4)) / 2 Next cw Worksheets("Raw Data").Activate

266/274

Appendix H

'Filter Data on producttype For rw = 2 To EndRow(Worksheets("Raw Data"), 1) - 1 For cw = 1 To (EndCol(Worksheets("Raw Data")) - 1) / 3 Set ws = SelectSheet("Raw Data - " & CStr(Worksheets("Raw Data").Cells(rw, 3 * cw - 2))) temprow = EndRow(ws, 3 * cw - 2) ws.Cells(temprow, 3 * cw - 2).Value = Worksheets("Raw Data").Cells(rw, 3 * cw 2).Value ws.Cells(temprow, 3 * cw - 1).Value = Worksheets("Raw Data").Cells(rw, 3 * cw 1).Value ws.Cells(temprow, 3 * cw).Value = Worksheets("Raw Data").Cells(rw, 3 * cw).Value Next cw Next rw 'Create as much Graphs as there are simulation runs For counter = 1 To graphsheets.Count With graphsheets(counter) .Columns(3).ColumnWidth = 3 .Columns(4).ColumnWidth = 11 .Columns(7).ColumnWidth = 3 End With Worksheets(1).Activate For cw = 1 To (EndCol(Worksheets("Raw Data")) - 1) / 3 splitsheets.Item(counter).Activate Set Datarange = ActiveSheet.Range(Cells(1, 3 * cw), Range(Cells(1, 3 * cw), Cells(2, 3 * cw)).End(xlDown)) Set Graphrange = graphsheets.Item(counter).Cells(22 * (cw - 1) + 1, 4) Application.run "ATPVBAEN.XLA!Histogram", Datarange _ , Graphrange, , False, True, True, True ActiveSheet.Shapes(cw).ScaleHeight 2, msoFalse, msoScaleFromTopLeft ActiveSheet.Shapes(cw).ScaleWidth 1.5, msoFalse, msoScaleFromTopLeft ActiveSheet.ChartObjects(cw).Activate ActiveChart.Legend.Delete ActiveChart.ChartTitle.Text = "Histogram producttype " & CStr(counter) & " - run " & CStr(cw) splitsheets.Item(counter).Activate Sheets("Raw Data").Select Set Graphrange = graphsheets.Item(counter).Cells(22 * (cw - 1) + 1, 1) Application.run "ATPVBAEN.XLA!Descr", Datarange, _ Graphrange, "C", True, True, , , 95 graphsheets.Item(counter).Activate

267/274

Appendix H

Modusfreq = Application.WorksheetFunction.Max(Range(Cells(22 * (cw - 1) + 1, 5), Cells(22 * (cw - 1) + 1, 5).End(xlDown))) mc = 22 * (cw - 1) + 1 While Not (Cells(mc + 1, 5) = Modusfreq) mc = mc + 1 Wend Cells(22 * (cw - 1) + 6, 2) = (Cells(mc, 4) + Cells(mc + 1, 4)) / 2

Next cw Next counter For Each ws In Worksheets ws.Cells.NumberFormat = "0.00" Next ws Worksheets("Graph - General").Select Application.Cursor = xlDefault End End Sub Private Sub AgostinoCalc(datasheet As Worksheet, calcsheet As Worksheet) Dim n, cw As Integer Dim Avg, Stdev, Varcoef, Sterr, L, U, siglevel, Skew, Kurto, Zg1, Zg2, Chi² As Single Dim t(1 To 13) As Single siglevel = 0.05 calcsheet.Activate Cells(1, 1) = "D'Agostino-Pearson chi-square test for normality" With Range("1:1").Font .Name = "Arial" .FontStyle = "Vet" .Size = 10 .Strikethrough = False .Superscript = False .Subscript = False .OutlineFont = False .Shadow = False .Underline = xlUnderlineStyleNone .ColorIndex = 2 End With With Range("1:1").Interior .ColorIndex = 1 .Pattern = xlSolid .PatternColorIndex = xlAutomatic

268/274

Appendix H

End With Columns(1).ColumnWidth = 19 Columns(4).ColumnWidth = 11 cw = 1 For cw = 1 To (EndCol(datasheet) - 1) / 3 Cells(16 * (cw - 1) + 3, 1) = "Simulation Run " & CStr(cw) Cells(16 * (cw - 1) + 3, 1).Font.Bold = True With Range(Cells(16 * (cw - 1) + 3, 1), Cells(16 * (cw - 1) + 3, 5)).Interior .ColorIndex = 48 .Pattern = xlSolid .PatternColorIndex = xlAutomatic End With Range(Cells(16 * (cw - 1) + 3, 1), Cells(16 * (cw - 1) + 3, 5)).Font.ColorIndex = 2 Cells(16 * (cw - 1) + 4, 1) = "n" n = datasheet.Cells(3 * cw).End(xlDown).row - 1 Cells(16 * (cw - 1) + 4, 2) = n Cells(16 * (cw - 1) + 5, 1) = "Average" Avg = Application.WorksheetFunction.Average(datasheet.Columns(3 * cw)) Cells(16 * (cw - 1) + 5, 2) = Avg Cells(16 * (cw - 1) + 6, 1) = "Standard Deviation" Stdev = Application.WorksheetFunction.Stdev(datasheet.Columns(3 * cw)) Cells(16 * (cw - 1) + 6, 2) = Stdev Cells(16 * (cw - 1) + 7, 1) = "Coëfficiënt of Variation" Varcoef = Stdev / Avg Cells(16 * (cw - 1) + 7, 2) = Varcoef Cells(16 * (cw - 1) + 8, 1) = "Standard Error" Sterr = Stdev / n ^ (1 / 2) Cells(16 * (cw - 1) + 8, 2) = Sterr Cells(16 * (cw - 1) + 9, 1) = CStr((1 - siglevel) * 100) & "% Upper Limit" U = Application.WorksheetFunction.TInv(siglevel, n - 1) * Sterr + Avg Cells(16 * (cw - 1) + 9, 2) = U Cells(16 * (cw - 1) + 10, 1) = CStr((1 - siglevel) * 100) & "% Lower Limit" L = Avg - Application.WorksheetFunction.TInv(siglevel, n - 1) * Sterr Cells(16 * (cw - 1) + 10, 2) = L Cells(16 * (cw - 1) + 4, 4) = "Skewness" Skew = Application.WorksheetFunction.Skew(datasheet.Columns(3 * cw)) Cells(16 * (cw - 1) + 4, 5) = Skew Cells(16 * (cw - 1) + 5, 4) = "Kurtosis" Kurto = Application.WorksheetFunction.Kurt(datasheet.Columns(3 * cw)) Cells(16 * (cw - 1) + 5, 5) = Kurto

269/274

Appendix H

Cells(16 * (cw - 1) + 6, 4) = "Kurtosis" Kurto = Application.WorksheetFunction.Kurt(datasheet.Columns(3 * cw)) Cells(16 * (cw - 1) + 6, 5) = Kurto t(1) = (n - 2) * Skew / (n * (n - 1)) ^ (1 / 2) t(2) = t(1) * ((n + 1) * (n + 3) / (6 * (n - 2))) ^ (1 / 2) t(3) = 3 * (n ^ 2 + 27 * n - 70) * (n + 1) * (n + 3) / ((n - 2) * (n + 5) * (n + 7) * (n + 9)) t(4) = (2 * (t(3) - 1)) ^ (1 / 2) - 1 t(5) = t(4) ^ (1 / 2) t(6) = 1 / (Application.WorksheetFunction.Ln(t(5))) ^ (1 / 2) t(7) = t(2) / (2 / (t(4) - 1)) ^ (1 / 2) t(8) = 24 * n * (n - 2) * (n - 3) / ((n + 1) ^ 2 * (n + 3) * (n + 5)) t(9) = (n - 2) * (n - 3) * Abs(Kurto) / ((n + 1) * (n - 1) * t(8) ^ (1 / 2)) t(10) = 6 * (n ^ 2 - 5 * n + 2) / ((n + 7) * (n + 9)) t(11) = t(10) * (6 * (n + 3) * (n + 5) / (n * (n - 2) * (n - 3))) ^ (1 / 2) t(12) = 6 + 8 / t(11) * (2 / t(11) + (1 + 4 / t(11) ^ 2) ^ (1 / 2)) t(13) = (1 - 2 / t(12)) / (1 + t(9) * (2 / (t(12) - 4)) ^ (1 / 2)) Cells(16 * (cw - 1) + 7, 4) = "Zg1" Zg1 = t(6) * Application.WorksheetFunction.Ln(t(7) + (t(7) ^ 2 + 1) ^ (1 / 2)) Cells(16 * (cw - 1) + 7, 5) = Zg1 Cells(16 * (cw - 1) + 8, 4) = "Zg2" Zg2 = (1 - 2 / (9 * t(12)) - t(13) ^ (1 / 3)) / (2 / (9 * t(12))) ^ (1 / 2) Cells(16 * (cw - 1) + 8, 5) = Zg2 Cells(16 * (cw - 1) + 9, 4) = "Chi²-variable" Chi² = Zg1 ^ 2 + Zg2 ^ 2 Cells(16 * (cw - 1) + 9, 5) = Chi² Cells(16 * (cw - 1) + 10, 4) = "p" p = Application.WorksheetFunction.ChiDist(Chi², 2) Cells(16 * (cw - 1) + 10, 5) = p Cells(16 * (cw - 1) + 11, 4) = "sign. level" p = Application.WorksheetFunction.ChiDist(Chi², 2) Cells(16 * (cw - 1) + 11, 5) = siglevel If p < siglevel Then Cells(16 * (cw - 1) + 13, 1) = "Data from simulationrun is not normally distributed (sign. level " & CStr(siglevel) & ")" Else Cells(16 * (cw - 1) + 13, 1) = "Data from simulationrun is normally distributed (sign. level " & CStr(siglevel) & ")" End If Cells(16 * (cw - 1) + 13, 1).Font.Bold = True Next cw

270/274

Appendix H

End Sub Sub Normality() Dim ws As Worksheet Dim historun As Boolean

' ' Normality Macro ' De macro is opgenomen op 12/05/2004 door Nick ' '

'Normality general data

Application.Cursor = xlWait AppActivate "Microsoft Excel" ThisWorkbook.Activate Application.DisplayAlerts = False historun = True For Each ws In Worksheets If InStr(ws.Name, "Normality -") > 0 Then ws.Delete ElseIf InStr(ws.Name, "Raw Data -") > 0 Then historun = False End If Next ws Application.DisplayAlerts = True If historun Then MsgBox "First calculate histograms!", vbExclamation, "Fout" Application.Cursor = xlDefault End End If Worksheets.Add After:=Worksheets(Worksheets.Count) Worksheets(Worksheets.Count).Name = "Normality - General" AgostinoCalc Worksheets("Raw Data"), Worksheets("Normality - General") For Each ws In Worksheets If InStr(ws.Name, "Raw Data -") > 0 Then Worksheets.Add After:=Worksheets(Worksheets.Count) Worksheets(Worksheets.Count).Name = "Normality - " & Right(ws.Name, 1) AgostinoCalc ws, Worksheets(Worksheets.Count) End If

271/274

Appendix H

Next ws Application.Cursor = xlDefault End Sub

272/274

Appendix H

Bibliografische Referenties [1] D. SIMCHY-LEVI, P. KAMINSKY, ‘Designing and Managing the Supply Chain’, Internationals Edition 2000, McGraw-Hill, 2000, 274 pg.

[2] A. GUNASEKARAN, C. PATEL, ‘Performance Measures and Metrics in a Supply Chain Environment’, International Journal of Operations & Production Management, Vol. 21, nr. ½, 2001, pg. 71-78

[3]

M. ROTHER, J. SHOOK, ‘Learning to See’, Version 1.1, The Lean Enterprise Institute, 1998, 94 pg.

[4]

P. HINES, R. LAMMING, ‘Value Stream Management’, Pearson Education Ltd., 2000, 440 pg.

[5]

D. JONES, J. WOMACK, ‘Seeing the Whole’, The Lean Enterprise Institute, 2002, 81 pg.

[6]

K. LAUDON, J. LAUDON, ‘Essentials of Management Information Systems’, 5e druk, Pearson Education Ltd., 2003, 509 pg.

[7]

R. VAN LANDEGHEM, ‘Experiments with Mistral, a supply chain simulator’

[8]

E. GOLDRATT, ‘The Goal’, Spectrum, 1999, 262 pg.

[9]

L. TAERWE, Syllabus ‘Waarschijnlijkheidsrekening en Statistiek’, 2002

[10]

R. VAN LANDEGHEM, ‘The Belgian Metal Factory, Operations Management Case’, 1996, 2003

[11]

R. VAN LANDEGHEM, ‘Electro Belgium Generatorenfabriek, Integrale Logistiek: een Gevalstudie’, 2000

Als achtergrond werd nog volgende literatuur gebruikt:

[12]

D. AAKER, V. KUMAR, ‘Marketing Research’, 5e editie, New York: John Wily, 1995, 737 pg.

[13]

IN CONTROL, Help file of Enterprise Dynamics v. 6, 2003

[14]

R. VAN LANDEGHEM, Syllabus ‘Productie- en Voorraadbeheer’, 2003

[15]

R. VAN LANDEGHEM, M. DE BUF, ‘Supply Chain Characterisation through Monte Carlo Simulation’, in proceedings of the Production Economics Conference, Göteborg, 1997