wersja pdf - Konferencja IPB

PRZEGLĄD ZAAWANSOWANYCH METOD HARMONOGRAMOWANIA
NA WIELOPRODUKTOWYCH LINIACH PRODUKCYJNYCH
Adrian Knapczyk(1), Sławomir Francik(1)
(1) Katedra Inżynierii Mechanicznej i Agrofizyki
Uniwersytet Rolniczy w Krakowie
WSTĘP I CEL PRACY
Wieloproduktowe systemy produkcyjne stanowią istotny element współczesnych linii produkcyjnych. Poprzez
swą elastyczność i duże wykorzystanie maszyn coraz więcej przedsiębiorstw decyduje się na ich wdrażanie. Mimo
wielu zalet, główną wadą tego typu produkcji jest problem z jego organizacją. Mnogość produktów wytwarzanych
na jednej linii produkcyjnej wymusza częste przezbrajanie, a to wydłuża czas pracy. Największym problemem jest
jednak zaszeregowanie zadań na linii produkcyjnej wg optymalnej kolejności. Klasyczne metody szeregowania
zadań opierają się głównie na regułach priorytetowych (jedno- i wieloatrybutowych). W przypadku bardziej
skomplikowanych zadań, bądź zwiększonej ich ilości, wykazują się małą efektywnością.
Celem pracy było pokazanie zaawansowanych metod harmonogramowania, które zostały wybrane, aby
rozwiązać problem ze sterowaniem na wieloproduktowych liniach produkcyjnych. Metody te wykorzystują
zaawansowane modele matematyczne, a przez to są bardziej efektywne.
Algorytmy mrówkowe
Jest to algorytm, który powstał na drodze bezpośredniej inspiracji światem owadów.
Kolonia wirtualnych mrówek stopniowo generuje najkrótszą drogą. Jest to proces
wieloetapowy. Metoda może być zastosowana do poszukiwania nowych rozwiązań.
Algorytmy rozmyte
Idealne rozwiązanie do wprowadzania nowych produktów, dla
których nie posiadamy zbyt dużej ilości danych historycznych.
Dzięki ‘rozmywaniu’ zbioru, następuje uogólnienie problemu,
a przez to łatwiejszego jego rozwiązanie.
Źródło: drekarin.wordpress.com
Źródło:
http://warsztatywww.wiki
dot.com/
Algorytmy genetyczne
Metoda ta odwołuje się do natury. Poprzez dziedziczenie potomstwa,
w każdym kolejnym pokoleniu algorytm zbliża się do rozwiązania.
Głównym celem jest utrzymanie dopasowania do optymalnego
rozwiązania.
Źródło: www.mm.pl
Sztuczne Sieci Neuronowe
Metoda ta doskonale nadaje się do symulacji problemów produkcyjnych. Dzięki
zdolności sieci do uczenia się można je wykorzystać do tworzenia
harmonogramów znanych produktów. Wadą jest konieczność posiadania dużej
ilości danych historycznych.
Źródło: wikipedia.org
PODSUMOWANIE
W licznych badaniach wykazano, że wybrane metody doskonale sprawdzają się we współczesnej inżynierii
produkcji. Zastosowanie ich do rozwiązania problemu szeregowania zadań na wieloproduktowej linii
produkcyjnej może przynieść oczekiwane rezultaty.. Bez przeprowadzenia oceny wielokryterialnej, bądź
wykonania szeregu eksperymentów nie jest możliwe wybranie najbardziej optymalnej metody. Największym
minusem wybranych metod jest potrzebna duża moc obliczeniowa. Koszty generowania harmonogramu
często nie odpowiadają zyską.