Προγραμματισμός Παραγωγής | Production Scheduling | Μία Μηχανή | Single Machine | Χρόνοι Εναλλαγής Εξαρτώμενοι από την Αλληλουχία | Sequence-dependent setup times | Πρόσθετο Επίλυσης Excel | Excel Solver | Γενετικός Αλγόριθμος | Genetic Algorithms
4
40
List of Figures
Figure 1.1 Information flow diagram in a manufacturing system 3
Figure 2.1 Schematic diagram of scheduling models (Sule, 2008) 9
Figure 2.2 Graphic representation of the job parameters 10
Figure 2.3 Evolutionary Algorithm as a flowchart 16
Figure 2.4 Evolutionary algoritm general scheme pseudocode 17
Figure 2.5 Algorithm outline of an Evolutionary Algorithm (Bäck and Schwefel, 1993) 18
Figure 2.6 An example of crossover operation for a single machine scheduling 20
Figure 2.7 Outline of canonical GA 21
Figure 3.1 Pharmaceutical supply chain flowchart 23
Figure 3.2 Flow diagram of the manufacturing site 24
Figure 3.3 Information flow diagram in Packaging Department scheduling 29
Figure 3.4 A typical OML model structure 35
Figure 3.5 VLOOKUP structure 37
Figure 3.6 INDEX MATCH structure 38
Figure 3.7 Solver parameters input dialog box 41
Figure 3.8 Gantt chart for 1rj,sghCmax, Indicative solution No. 1 43
Figure 3.9 Gantt chart for 1rj,dj,sghTtotal, Indicative solution No. 2 45
List of Tables
Table 2.1 Sequence-dependent setup times example 12
Table 2.2 Notational conventions common to all Evolutionary Algorithms described, as introduced by Bäck and Schwefel (1993) 17
Table 3.1 Packaging Department open orders – “JobData” 35
Table 3.2 Job “master data” in job sequence table 37
Table 3.3 Job “master data” VLOOKUP functions 37
Table 3.4 Sequence dependent setup time values 38
Table 3.5 Sequence dependent setup time INDEX and MATCH functions 38
Table 3.6 Start time (Sj), Completion time (Cj), Lateness (Lj) and Tardiness (Tj) functions 39
Table 3.7 Objective value functions 39
Table 3.8 Solver parameters 40
Table 3.9 Indicative solution results for 1rj,sghCmax 42
Table 3.10 Indicative solution results for 1rj,dj,sghTtotal 44
Table 3.11 Performance of the 1rj,sghCmax model for 50 random instances 45
Table 3.12 Performance of the 1rj,sghCmax model for 70 random instances 46
Η ταχύρρυθμη και κεφαλαιοβόρα φαρμακευτική βιομηχανία, απαιτεί ολοένα και πιο ευέλικτες και εύρωστες παραγωγικές διαδικασίες, για την παραγωγή αξιόπιστων και υψηλής ποιότητας προϊόντων. Ο προγραμματισμός παραγωγής είναι μια βασική διαδικασία λήψης αποφάσεων στους τομείς της μεταποίησης και της μηχανικής, και αποτελεί έναν κυρίαρχο παράγοντα με ιδιαίτερο αντίκτυπο στην παραγωγικότητα και την αποτελεσματικότητα μιας παραγωγικής μονάδας. Ειδικά σε μονάδες όπου ακολουθούνται σύνθετες παραγωγικές διεργασίες, και όπου το εύρος των προϊόντων είναι μεγάλο και διαφοροποιημένο, η διαδικασία του προγραμματισμού της παραγωγής αποτελούσε ανέκαθεν μια πρόκληση για τους επιχειρησιακούς διαχειριστές. Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να διερευνήσει μοντέλα προγραμματισμού και αλγορίθμους εξεύρεσης λύσεων, που θα μπορούσαν να εφαρμοστούν για την βελτίωση της υπάρχουσας, μη-αυτοματοποιημένης, διαδικασίας προγραμματισμού παραγωγής στο τμήμα συσκευασίας μιας φαρμακευτικής βιομηχανίας. Κρίσιμοι περιορισμοί στον προγραμματισμό της παραγωγής, συμπεριλαμβανομένων των χρόνων αποδέσμευσης των εργασιών και των χρόνων εναλλαγής εργασιών εξαρτώμενων από την αλληλουχία, λαμβάνονται υπόψη. Παρουσιάζεται μια σύντομη βιβλιογραφική ανασκόπηση γύρω από τον προγραμματισμό της παραγωγής, μέσω της οποίας εντοπίζονται και εφαρμόζονται μαθηματικά μοντέλα και μετα-ευρετικοί αλγόριθμοι προκειμένου να δοθεί μια πρακτική λύση στο παραπάνω πρόβλημα. Η πρόταση αφορά τη χρήση Γενετικών Αλγορίθμων και το μοντέλο υλοποιείται στο Microsoft Excel με τη χρήση του ενσωματωμένου Πρόσθετου Επίλυσης. Το μοντέλο πρόκειται να εφαρμοστεί για τη βελτίωση υπάρχον, μη-αυτοματοποιημένου συστήματος προγραμματισμού παραγωγής.
The pharmaceutical industry, being fast-paced and capital intensive, increasingly requires flexible and robust manufacturing processes, to deliver reliable and high-quality products. Scheduling is a key decision-making process for manufacturing and engineering, and a key factor with major impact on the productivity and the efficiency of a manufacturing site. Especially in sites with complex production process and a wide and diversified range of products, scheduling process has always been a challenge for operations managers. The scope of this dissertation is to investigate scheduling models and solution algorithms that can be used for the optimization of a, currently manual, scheduling process in the Packaging Department of a pharmaceutical company. Critical production scheduling restrictions, including job release dates and sequence dependent setup times, are considered. An overview of the production scheduling literature is presented, through which mathematical models and metaheuristic algorithms are identified and applied in order to realize a practical solution to the problem. The use of Genetic Algorithms is suggested, and the model is realized in Microsoft Excel utilizing the Solver add-in. The model will be applied to optimize the existing, manual production scheduling system.
Προγραμματισμός παραγωγής: Μελέτη περίπτωσης στη Φαρμακευτική Βιομηχανία