Integrated optimization of production planning and scheduling in uncertain re-entrance environment for fixed-position assembly workshops

For the fixed-position assembly workshop, the integrated optimization problem of production planning and scheduling in the uncertain re-entrance environment is studied. Based on the situation of aircraft assembly workshops, the characteristics of fixed-position assembly workshop with uncertain re-entrance are abstracted. As the re-entrance repetition obeys some type of probability distribution, the expected value is used to describe the repetition, and a bi-level stochastic expected value programming model of integrated production planning and scheduling is constructed. Recursive expressions for start time and completion time of assembly classes and teams are confirmed. And the relation between the decision variable in the lower-level model of scheduling and the overtime and earliness of assembly classes and teams in the upper-level model of production planning is identified. Addressing the characteristics of bi-level programming model, an alternate iteration method based on Improved Genetic Algorithm (AI-IGA) is proposed to solve the models. Elite Genetic Algorithm (EGA) is introduced for the upper-level model of production planning, and Genetic Simulated Annealing Algorithm based on Stochastic Simulation Technique (SS-GSAA) is developed for the lower-level model of scheduling. Results from our experiments demonstrate that the proposed method is feasible for production planning and optimization of the fixed-position assembly workshop with uncertain re-entrance. And algorithm comparison verifies the effectiveness of the proposed algorithm.

The Application of Manufacturing Execution System in Virtual Manufacturing

Compaired with mart manufacturing and digital manufacturing, virtual manufacturing is a more advanced mode, which is more flexible, more inexpensive and more suitable for modern competitive society. No matter what type of manufacturing, Manufacturing Execution System (MES) is necessary and plays a key role. So this paper focuses on the MES in virtual manufacturing. MES serves as a bridge to connect the upper planning layer and the control layer of the factory. It has at least 8 functions, including data collection, production process management, human resource management, workpieces tracking, production planning and scheduling, quality control, documentation system and maintenance management. As a typical virtual manufacturing enterprise, the company A is chosen to be introduced, including the background, composition of MES and implementation of MES.

A Surrogate Model to Predict Production Performance in Digital Twin based Smart Manufacturing

With the dynamic arrival of production orders and unforeseen changes in shop-floor conditions within a production system, production scheduling presents a challenge for manufacturing firms to ensure production demands are met with high productivity and low operating cost. Before a production schedule is generated to process the incoming production orders, production planning is performed. Given the large number of input parameters involved in production planning, it poses the challenge on how to systematically and accurately predict and evaluate the production performance. Hence, it is important to understand the interactions of the input parameters between production planning and scheduling. This is to ensure that the production planning and scheduling are coordinated and can be performed to achieve the optimal production performance such as minimizing cost effectively and efficiently. Digital twin presents an opportunity to mirror the real-time production status and analyze the input parameters affecting the production performance in smart manufacturing. In this paper, using the capabilities of real-time synchronization of production data in digital twin, we propose an approach to develop a surrogate model to predict the production performance using input parameters from a production plan. Multivariate adaptive regression spline (MARS) is applied to construct the surrogate model based on three categories of input parameters, such as current production system load, machine-based and product-based parameters. The effectiveness of the proposed MARS model is demonstrated using an industrial case study of a wafer fabrication production based on random sampling of varying numbers of training data set.

Prediction of Production Performance in Smart Manufacturing Using Multivariate Adaptive Regression Spline

With the dynamic arrival of production orders and ever-changing shop-floor conditions within a production system, production scheduling presents a challenge for manufacturing firms to ensure production demands that are met with high productivity and low operating cost. Before a production schedule is generated to process the incoming production orders, the production planning stage must take place. Given the large number of input parameters involved in production planning, it is important to understand the interactions of input parameters between production planning and scheduling. This is to ensure that production planning and scheduling could be determined effectively and efficiently in achieving the best or optimal production performance with minimizing cost. In this study, by utilizing the capabilities of data pervasiveness in smart manufacturing setting, we propose an approach to develop a surrogate model to predict the production performance using the input parameters from a production plan. Based on three categories of input parameters, namely current production system load, machine-based and product-based parameters, the prediction is performed by developing a surrogate model using multivariate adaptive regression spline (MARS). The effectiveness of the proposed MARS model is demonstrated using an industrial case study of a wafer fabrication production through the random sampling of varying numbers of training data set.

Optimal production planning and scheduling of mixed batch and continuous industrial processes

Το ερευνητικό έργο που παρουσιάζεται σε αυτή τη διδακτορική διατριβή πραγματεύεται την ανάπτυξη μαθηματικών μοντέλων μεικτού ακέραιου γραμμικού προγραμματισμού (MILP) και αποδοτικών μεθόδων επίλυσης σύνθετων προβλημάτων βελτιστοποίησης που αφορούν θέματα i) χρονοπρογραμματισμού παραγωγής, ii) ενοποιημένου χρονοπρογραμματισμού και σχεδιασμού παραγωγής και iii) σχεδιασμού και λειτουργίας δικτύων εφοδιαστικών αλυσίδων εμβολίων COVID-19. Ο χρονοπρογραμματισμός παραγωγής αποτελεί τη διαδικασία λήψης αποφάσεων κατά την οποία κατανέμονται οι διαθέσιμοι πόροι μιας βιομηχανικής εγκατάστασης στις διάφορες διεργασίες που είναι απαραίτητες για την παραγωγή των τελικών προϊόντων. Οι πόροι αυτοί μπορεί να περιλαμβάνουν τον εξοπλισμό επεξεργασίας, αποθήκευσης και μεταφοράς υλικών, το ανθρώπινο δυναμικό και τις βοηθητικές παροχές, π.χ. ηλεκτρισμό, νερό, κ.α. Ο σχεδιασμός παραγωγής αποτελεί μια άλλη διαδικασία λήψης αποφάσεων, η οποία αφορά επίσης την κατανομή των διαθέσιμων πόρων και η οποία προηγείται του χρονοπρογραμματισμού παραγωγής, με την έννοια ότι οι αποφάσεις που λαμβάνονται κατά τον σχεδιασμό αποτελούν είσοδο του χρονοπρογραμματισμού παραγωγής. Οι διαφορές ανάμεσα σε χρονοπρογραμματισμό και σχεδιασμό παραγωγής έγκειται στον υπό μελέτη χρονικό ορίζοντα (μέρες-εβδομάδα για χρονοπρογραμματισμό και εβδομάδες-μήνες για σχεδιασμό) και στην λεπτομέρεια των αποφάσεων (πιο λεπτομερείς κατά τον χρονοπρογραμματισμό). Στην πράξη τα δύο αυτά στάδια αποφάσεων μελετώνται ξεχωριστά, ωστόσο εκτενείς έρευνες έχουν δείξει ότι η ενοποιημένη μελέτη του χρονοπρογραμματισμού και του σχεδιασμού παραγωγής οδηγεί σε σημαντική αύξηση της αποδοτικότητας μιας βιομηχανικής μονάδας. Tα ρεαλιστικά προβλήματα χρονοπρογραμματισμού παρουσιάζουν εξαιρετικά υψηλή υπολογιστική πολυπλοκότητα, με αποτέλεσμα να μην μπορούν να επιλυθούν σε χρόνους αποδεκτούς από την βιομηχανία. Επομένως, κρίνεται αναγκαία η ανάπτυξη νέων υπολογιστικών τεχνικών, οι οποίες θα συνδυάζουν αποτελεσματικότητα, απόδοση και ταχύτητα, έτσι ώστε να υποστηρίξουν τις διοικήσεις των επιχειρήσεων στη διαδικασία λήψης αποφάσεων. Προς αυτή την κατεύθυνση, στην παρούσα διατριβή πραγματοποιείται τόσο η ανάπτυξη νέων μαθηματικών μοντέλων, λαμβάνοντας υπόψη ρεαλιστικά χαρακτηριστικά, όσο και η ανάπτυξη νέων αλγορίθμων για την επίλυση των προβλημάτων σε σύντομο υπολογιστικό χρόνο. Στο τελευταίο τμήμα του διδακτορικού, εφαρμόστηκε η τεχνογνωσία που είχε αποκτηθεί στον τομέα της μαθηματικής μοντελοποίησης, στο πρόβλημα βέλτιστης λειτουργίας και σχεδιασμού μιας εφοδιαστικής αλυσίδας για την διανομή των εμβολίων COVID-19. Το πρόβλημα αυτό αφορά κυρίως τον καθορισμό των μεταφερόμενων και αποθηκευμένων ποσοτήτων αλλά και τον προγραμματισμό των εμβολιασμών στα εμβολιαστικά κέντρα. Ο συγκεκριμένος τύπος εφοδιαστικής αλυσίδας εμφανίζει χαρακτηριστικά τα οποία δυσχεραίνουν την εύρυθμη λειτουργία του, κυρίως λόγω των ιδιαιτεροτήτων των εμβολίων τύπου mRNA, συγκεκριμένα τον περιορισμένο χρόνο ζωής των εμβολίων και τις ανάγκες αποθήκευσης σε βαθιά κατάψυξη. Η βιβλιογραφία για τη βελτιστοποίηση ιατρικών εφοδιαστικών αλυσίδων περιορίζεται κυρίως σε φάρμακα και βρίσκονται ελάχιστες μελέτες για την εφοδιαστική αλυσίδα εμβολίων, οι οποίες αφορούν κυρίως την διανομή εμβολίων σε χώρες του τρίτου κόσμου. Επίσης δεν βρίσκεται μελέτη στη βιβλιογραφία για εφοδιαστικές αλυσίδες εμβολίων για την αντιμετώπιση πανδημίας, καθώς και για εμβόλια mRNA. Τα παραπάνω δημιουργούν ένα ερευνητικό κενό μεγάλου ενδιαφέροντος ιδιαιτέρως λόγω των τελευταίων εξελίξεων. Για τους παραπάνω λόγους αναπτύχθηκαν νέα μοντέλα και αλγόριθμοι επίλυσης για την βελτιστοποίηση των αποφάσεων που αφορούν την εφοδιαστική αλυσίδα εμβολίων COVID-19. Επιπλέον ορίζεται ένα νέο πρόβλημα, στο οποίο καθορίζεται ταυτόχρονα και το πρόγραμμα εμβολιασμών σε κάθε εμβολιαστικό κέντρο, μέσω της ενσωμάτωσης αποφάσεων που αφορούν τις ανάγκες σε υγειονομικό προσωπικό.

Developing a Multi-Stage Production Planning and Scheduling Model for a Small-Size Food and Beverage Company

A great deal of research has been undertaken in recent years related to facility capacity expansion and production planning problems under deterministic and stochastic constraints in the literature. However, only a small portion of this work directly addresses the issues faced by the food and beverage industry, especially in small-sized enterprises. In this study, a Mixed-Integer Linear Programming model (MILP) is developed for production planning and scheduling decisions for a small-size company producing syrup and jam products. The main constraint is that the multiple syrup and jam production lines in the model share the same limited-capacity module designed for inventory planning. To this end, the present model offers an efficient solution for executing a multi-product, multi-period production line by finding the most satisfactory strategy to match the right product with the useable capacity leading to profit maximization. The present approach is capable of coping with varying demands by offering a detailed costing procedure and implementing an effective inventory model.