Έξυπνη χρήση της χωρητικότητας του εργοστασίου ως κριτικός παράγοντας επιτυχίας για μια μικρή παραγωγική μονάδα μίας πολυεθνικής εταιρείας

Smart utilization of factory capacity as a critical success factor for a small manufacturing unit of a multinational corporation (english)

  1. MSc thesis
  2. Sotiropoulos, Ektor
  3. Διοίκηση Επιχειρήσεων (MBA)
  4. 08 September 2019 [2019-09-08]
  5. Αγγλικά
  6. 80
  7. Papadimitriou, Dimitra
  8. Papadimitriou, Dimitra | Papadopoulos, Georgios
  9. production planning | make-to-stock | make-to-order | demand forecast | regression
  10. 29
  11. Figure 3.1.1 ABB's four divisions 24 Figure 3.1.2 Power grids' BUs 24 Figure 3.1.3 HV Products' Product groups 25 Figure 3.1.4 HV Components' Product Lines 25 Figure 3.1.5 Structure of ABB Surge Arresters (ABB, 2018) 26 Figure 3.2.1 Example of MV-Surge arresters from ABB (ABB, 2018) 29 Figure 3.2.2 Orders received for Product 1, 2 and 3 from 2015 to 2017 30 Figure 3.2.3 Total monthly demand of product type vs. cumulative demand of products 1,2 and 3 31 Figure 3.2.4 Cumulative quarterly demand of products 1,2 and 3 (2015-17) 31 Figure 3.2.5 3-, 6- and 12-month Moving average of OR for Product 1 32 Figure 3.2.6 3-, 6- and 12-month Moving average of OR for Product 2 32 Figure 3.2.7 3-, 6- and 12-month Moving average of OR for Product 3 33 Figure 3.2.8 Example of injection moulding machine with similar principles as in this study, (Tradeindia.com, 2018) 34 Figure 3.3.1 Fast Fourier Transform on Product 1 37 Figure 3.3.2 Fast Fourier Transform on Product 2 38 Figure 3.3.3 Fast Fourier Transform on Product 3 38 Figure 4.1.1 In-sample forecast model for Product 1 45 Figure 4.1.2 In-sample forecast model for Product 2 46 Figure 4.1.3 In-sample forecast model for Product 3 46 Figure 4.1.4 In-sample residuals for Product 1 47 Figure 4.1.5 In-sample residuals for Product 2 47 Figure 4.1.6 In-sample residuals for Product 3 48 Figure 4.1.7 Histogram of Product 1 residuals 48 Figure 4.1.8 Histogram of Product 2 residuals 48 Figure 4.1.9 Histogram of Product 3 residuals 49 Figure 4.1.10 Product 1 2017 Demand forecast 51 Figure 4.1.11 Product 2 2017 Demand forecast 52 Figure 4.1.12 Product 3 2017 Demand forecast 52 Figure 4.1.13 Corrected Product 3 2017 Demand forecast 53 Figure 4.1.14 2017 Forecast model residuals for Product 1 54 Figure 4.1.15 2017 Forecast model residuals for Product 2 54 Figure 4.1.16 2017 Forecast model residuals for Product 3 55 Figure 4.1.17 Corrected 2017 Forecast model residuals for Product 3 55 Figure 4.2.1 Optimization maps for Q1-2017 58 Figure 4.2.2 Optimization maps for Q2-2017 58 Figure 4.2.3 Optimization maps for Q3-2017 59 Figure 4.2.4 Optimization maps for Q4-2017 59 Figure 4.2.5 Production planning result summary in column graph 61 Table 3.2.1 Monthly average demand and std for Products 1, 2, 3 and Product type for the periods 2015-16 and 15-17 30 Table 3.2.2 Summary of production constraints 35 Table 3.2.3 Cost parameters 36 Table 4.1.1 In-sample forecast parameter evaluation for Product 1 49 Table 4.1.2 In-sample forecast parameter evaluation for Product 2 50 Table 4.1.3 In-sample forecast parameter evaluation for Product 3 50 Table 4.2.1 Operating cost for the Make-to-order concepts 56 Table 4.2.2 Simple make-to-stock lot size and safety stock for all products in 2017 57 Table 4.2.3 Lots per month for simple make-to-stock in 2017 57 Table 4.2.4 Make-to-stock with prediction and optimization lot size and safety stock for all products in 2017 58 Table 4.2.5 Lots per month for make-to-stock with prediction and optimization in 2017 59 Table 4.2.6 Production planning result summary 60
    • Οι περιορισμοί και οι προκλήσεις των διαφορετικών μοντέλων προγραμματισμού παραγωγής αναλύονται στο πλαίσιο μιας μελέτης περίπτωσης (case study). Στόχος είναι η αξιοποίηση της υφιστάμενης παραγωγικής δυνατότητας με τον βέλτιστο δυνατό τρόπο σε περιβάλλον αβεβαιότητας της ζήτησης, ώστε να αυξηθεί η αξία του πελάτη. Για να επιτευχθεί αυτό, εισάγεται ένα μοντέλο πρόβλεψης ζήτησης χρησιμοποιώντας πολλαπλή γραμμική παλινδρόμηση και εφαρμόζεται σε διαφορετικές μεθόδους προγραμματισμού της παραγωγής. Η προσαρμογή του μοντέλου έγινε με αναδρομικό τρόπο και η δοκιμή απόδοσής του εκτός δείγματος. Η εκμετάλλευση της διαθέσιμης παραγωγικής ικανότητας σε περίπτωση χαμηλής ζήτησης, προκειμένου να αποφευχθούν συμφορήσεις σε περιόδους υψηλής ζήτησης αποτελεί μια θεμελιώδη πρόκληση για τον προγραμματισμό της παραγωγής. Με βάση το μοντέλο πρόβλεψης μπόρεσαν να συγκριθούν διαφορετικές μέθοδοι προγραμματισμού παραγωγής (παραγωγή για αποθήκευση, παραγωγή κατά παραγγελία) σε στατικά και δυναμικά περιβάλλοντα. Η δυνατότητα βελτιστοποίησης της λειτουργίας του εργοστασίου μπόρεσε να αναλυθεί περεταίρω χάρη στην σύγκριση των μεθόδων.
    • The limitations and challenges of production planning concepts are analysed in the framework of a case study. Goal is to utilise the existing manufacturing capacity in a demand uncertain environment in an optimal way in order to increase customer value. To achieve that, a demand forecast model is introduced using multiple linear regression and applied on different planning concepts. Retrospective calibration and out of sample testing of the model was performed. A fundamental challenge for the production planning is how to exploit available capacity during low-demand periods in order to avoid bottlenecks during high ones. The forecast model was used as input to different production planning techniques (make-to-stock, make-to-order) in static and dynamic environments. The different concepts are compared in order to identify optimization potential in the operation of the factory.
  13. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.