תזמון חנות זרימה הוא אבן הפינה של מערכות ייצור וייצור שבו מקומות עבודה חייבים לעבור דרך סדרה של מכונות בסדר קבוע.המטרה היא רצף עבודות כדי למזער מדדים כגון הגרלות, זמן השלמת הכולל, או איחורים. בתיאוריה, בעיה זו היא מובן היטב, ואלגוריתמים רבים מציעים פתרונות ניהול אופטימליים או קרובים להגדרות מכריעות.

מאמר זה מציג קבוצה מקיפה של אסטרטגיות עבור אי הוודאות בתזמון קניות.We לבחון את המקורות ואת סוגי אי הוודאות, לחקור הן גישות תגובתיות ויזום, ופרט את היישום הטוב ביותר.עד הסוף, מנהלי הייצור וחוקרים המבצעים יהיה מסגרת מעשית לבניית לוחות זמנים שהם גמישים, הסתגלות ומסוגלים לספק ביצועים עקביים למרות האופי הבלתי צפוי של ייצור מודרני.

הבנה של Unquity בחנות Flow Scheduling

אי-וודאות בחנות זרימה יכולה להתעורר כמעט מכל חלק במערכת.הכרה במקורות אלה היא הצעד הראשון לקראת תכנון אמצעי נגד יעילים.

סוגים של חוסר ודאות

(ב) מהירויות של זמן פנויות (FLT:0) הוא אולי המקור הנפוץ ביותר למהירויות מכונה עשוי להשתנות עקב מיומנות המפעילה, איכות חומרית גולמית, עיכובים או תנאים סביבתיים.אפילו עם ציוד בעל איכות גבוהה, גורמים אנושיים והפרעות קלות יכולים לגרום לשינויים קלים של 6 עד 7.10.

השפעה של חוסר ודאות על ביצועים

ההשלכות של אי הוודאות הבלתי-מעובדת דרך חנות זרימה. Makespan יכולות להגדיל באופן דרמטי ככל שהזמן המזויף מצטבר, זמני ההמתנה גדלים, ורצף הופכים להיות תת-אופטימיים.עלות עולות עקב זמן רב יותר, משלוחים מופרעים, וקיבולת מבוזבזת של שביעות רצון הלקוחות כאשר תאריכי הלידה מפספסים או חייבים להיות מחוסנים במקרים חמורים, הפרעה אחת יכולה לגרום לעיכובים של תגובה לא יעילה (אפקטים) כגון אפקט רטיבית (relictions) אשר עלולים של יעילות (rection to Recontial) אשר עלולים (recerecerecerecerecereception) אשר עלולים) אשר עלולים על ידי שינוי במקרים חמורים.

אסטרטגיות ליבה לניהול אי-וודאות

אסטרטגיות להתמודדות עם אי ודאות נופלות לשתי קטגוריות רחבות: גישות יזום (רובוסט או חיזוי) אשר לבנות עמידות לתוך לוח הזמנים לפני ביצוע, וגישות תגובתיות (אדפטיות) אשר מגיבות לשיבושים לאחר התרחשותם.

1 גמישות של גילוח ודינמיקה

גמישות היא היכולת לשנות לוח זמנים בזמן אמת עם הפרעה מינימלית לתכנית הכוללת.אחד הטכניקות הנפוצות ביותר הוא FLT:0דינמית reschedulingofFLT:1, שבו לוח הזמנים הוא reputed במרווחים מסוימים או מופעל על ידי אירועים ספציפיים.הרולינג אופקים ניגשת באופן זמני למתן מחדש לוח זמנים קצר תוך שמירה על תוכנית לטווח ארוך יותר כמו הפניה מכוונת להגדרה מיידית או מענה מחדש של שיבושים.

(FLT:0)Buffer זמן ההחדרה של 1FLT) היא אסטרטגיה גמישה נוספת.על ידי הוספת slack (זמן חד פעמי) בין מקומות עבודה או בנקודות קריטיות, לוח הזמנים מרוויח כמה ניתוק לספוג עיכובים קטנים ללא קלסר.מודלים מתמטיים לעזור לקבוע גדלים אופטימליים buffer המבוססים על הפצת קיבולת varis. בעוד ש-buffers להגדיל את הנייר, לעתים קרובות להפחית את סך הכל על ידי ביצוע פעולות בפועל על ידי מניעת שיבושים משמעותיים של ייצור זה נחשב ל-outreperreperreperretretexitreperretretretretretremeretretretretretretreme.

(FLT:0) גמישות מחלחלת ל- 1FLT) ניתן למנף גם אם מכונה נכשלת, ניתן למקם מחדש עבודה למכונה חלופית המבצעת את אותה הפעולה, בתנאי פריסת רצפת החנות ורשיון כוח העבודה.אם מפעילי ניהול הצלב מגבירים עוד יותר גמישות על ידי כך שאפשרו לעובדים לנוע בין תחנות לפי הצורך.

2. Robust Scheduling Algorithms

במקום להגיב לאי ודאות לאחר לוח הזמנים מוגדר, לוח זמנים חזק משלב באופן מפורש את יכולת האופטימיזציה לתוך תהליך אופטימיזציה.המטרה היא לייצר לוח זמנים נשאר "מספיק טוב" על פני מגוון של תרחישים עתידיים אפשריים, גם אם זה לא אופטימלי עבור כל אחד.

(FLT:0)Stochastic ProgrammingFLT:1 מודלים עיבוד פעמים כמו משתנים אקראיים עם התפלגות ידועה. הפונקציה האובייקטיבית היא אז הערך הצפוי של מדד הביצועים (למשל, צפוי להפוך את תוחלת) בעוד אינטנסיבית, דו-שלבית, שתי-בבבבב ותכניות מרובות-שלב סטוצ'י יכול להביא פתרונות אמינים הרבה יותר מאשר מכריעים.

(FLT:0) לוגיקה לוגיקה לוגיקה FLT:1 מציע אלטרנטיבה שבה התפלגות מדויקת לא ידועה.במקום, זמני עיבוד מתוארים כמספרים מרופדים (למשל, כ-20 דקות, אולי נמוך כמו 18 וגבוהה כמו 25) אלגוריתמים תזמון פוזי לאחר מכן אופטימיזציה על בסיס תורת אפשרות, וכתוצאה מכך לוחות זמנים שהם פחות רגישים לערכים מדויקים.

(FLT:0 אלגוריתמים מיטאותיים של אלגוריתמים גנטיים (GA), אופטימיזציה של חלקיקים (PSO), או סימולציה של annealing (SA) ניתן להתאים לתזמון חנות זרימה חזק על ידי הערכת לוחות הזמנים של מועמדים תחת תרחישים מרובים מדגם.לדוגמה, GA חזקה עשויה ליצור סט של לוחות זמנים ולבחור את אחד עם הביצועים הגרועים ביותר על פני הרבה הפרעות "מכאן" מבטיח אפילו במצב גרוע יותר.

מחקרים הראו כי לוחות זמנים חזקים לעתים קרובות לקבוע את אלה בסביבות ייצור אמיתי.מחקר שפורסם ב 8% (FLT:0EE עסקאות על מדע אוטומציה והנדסהFLT:1 הוכיחו כי אלגוריתם חזק מופחת ממוצע אורך על ידי יותר מ 8% בהשוואה לאלגוריתם דטרמיניניסטי כאשר עיבוד פעמים שונות על ידי 20%.

מניות בטיחות ו-Buff Management

בעוד לעתים קרובות קשור לניהול מלאי, מלאי בטיחות ו buffers הם חלים באותה מידה על מנת לייעל את תזמון החנות. "מניה בטוחה" של זמן (זמן חיפר) או מלאי (עבודה-in-progress) יכול להגן על התהליכים במורד הזרם מחוסמת upstream variability.

(FLT:0)Time buffersalFLT:1 הם פערים מכוונת מוכנס לפני מקומות עבודה קריטיים או בין תחנות.תיאוריה של Constraints (TOC) תומכים הצבת מטאטאי זמן במבצע (Bottleneck) כדי להבטיח כי זה לא כוכבות רמות אפילו לא טבוליות יכול להפיק תועלת מ buffers קטנים כדי לספוג גשמים סטטיסטיים.

(FLT:0) inventory buffersFLT:1 (WIP) בין מכונות לפעול כ decouplers.אם מכונה עולה מטה הזרם למטה, מכונת מטה הזרם יכול להמשיך לעבוד מהמח לתקופה מוגבלת.ה- CONWIP (constant Work-in-inמעבד) שומרת על רמה קבועה של WIP, ומתאים אוטומטית את שערי המערכת היציבה של כרטיסי בקרה דיגיטליים אחרים.

מדריך מעשי של מכון Lean Enterprise מציין כי "חשיבה חיץ היא חיונית לניהול ריקנות בכל מערכת ייצור, אפילו אלה הטוענים להיות 'נקי' (לעבור FLT:0Lean.org - BufferFLT:1 לפרטים נוספים על מושגים של buffer).

תחזוקה חיזויית ובדיקה בזמן אמת

אי-וודאות מהתמוטטות מכונה יכולה להיות מופחתת באמצעות אסטרטגיות תחזוקה יזום במקום לחכות לכישלון. תחזוקה מוקדמת FLT:1 משתמשת בנתונים חיישן, דפוסי כשל היסטוריים, ולמידה מכונה כדי לחזות כאשר מכונה צפויה להיכשל.תחזוקה מתוכננת לאחר מכן במהלך תקופות תחזוקה אחרות, צמצום הסיכוי להתמוטטות בלתי צפויה במהלך הייצור.

(FLT:0) ניטור בזמן אמת מערכות איסוף נתונים על זמני עיבוד, מעמד מכונה, אורך תור וביצועים המפעילים.הנתונים האלה מזינים לוחות נתונים המספקים אזהרות מוקדמות של אי הוודאות המתעוררת.לדוגמה, אם זמן העיבוד של המכונה מתחיל מגמת עלייה, המערכת יכולה לדגל אותו לפני שהיא גורמת לעיכוב משמעותי.

יישום ופרקטיקה הטובה ביותר

אימוץ אסטרטגיות ניהול אי ודאות דורש יותר מאשר בחירת האלגוריתם הנכון.היישום יעיל תלוי בגורמים תרבותיים, ארגוניים וטכנולוגיים.

איסוף נתונים וניתוח

כל שיטה חזקה מסתמכת על הערכות מדויקות של זמינות.ללא נתונים היסטוריים על זמני עיבוד, תדרים התמוטטות או זמני אספקת עופרת, אפילו האלגוריתם הטוב ביותר יניב תוצאות גרועות. ארגונים צריכים להתחיל על ידי איסוף נתונים גרפיים מכל עבודה ומכונה. שיטות פשוטות כמו טבלאות לוח זמנים ו- histograms יכול לחשוף דפוסים מתקדמים יותר כמו ניתוח סדרת זמן או מכונה יכול לזהות קורלציה לחזות בכל עת.

ניהול והחלפת צוות

כלים חדשים ותהליכים יעילים רק אם האנשים המשתמשים בהם מבינים את ההיגיון והמגבלות שלהם. המפעילים, לוח הזמנים ומנהלי ההפקה צריכים הכשרה על ממשקים מפוזרים דינמיים, על הרציונלי שמאחורי הציצים, ועל החשיבות של דיוק נתונים. נפילה נפוצה מטפלת בתזמון חזק כמו "קופסא שחורה" - מפעילי פרויקטים מתעלמים מההמלצות שלה כי הם לא בוטחים בסגל הקדמי בשלב זה, מסבירים את גודל הפיילוט או להפעיל מחדש של החברה שלהם.

שיפור מתמיד ו-KPI Tracking

ניהול בלתי-וודאות אינו תיקון חד פעמי של מוצרים, תהליכים ושרשראות אספקה מתפתחים, האסטרטגיות האופטימליות משתנות גם.ייסו מחזור ביקורת קבוע (למשל, חודשי או רבעון) שבו אינדיקטורים ביצועי מפתח (KPIs) הקשורים לאי-ודאות נבדקים: יציבות לוח זמנים (גיל העבודה הושלם בזמן ללא שינויים), שיעורי השימוש ב-buffer, תדירות, וביצועי משלוח נמוך (p) ל-pcrep-p) להפחתה של אלגוריתם (p-p-p-p-p-p-p-p-p-p-p) יכול להיות מופחתים (לדוגמה, לדוגמה, לדוגמה, אלגוריתם (p) כדי להתאים את ה-p) ל-p-p) ל-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-p-מחדש של שימוש מוגבל, אם הוא אלגוריתם (מחדש של שימוש מוגבל של שימוש מוגבל ל-p-p-p-p-מתאים ל-p-p-p-p-p-מתאים ל-p-p-p-p-מתאים-

(ב) מסגרת מעשית לשיפור מתמשך בתזמון מסופקת על ידי מילון ה-DEF:0APICS המילון 1Felot (FLT:1 ו-FLT:2ppply Chain Council's SCORFLT 3: (ראה:5 for more on תזמון ו- metrics).

טכנולוגיות השקעות

הטמעת אלגוריתמים דינמיים ואלגוריתמים חזקים לעתים קרובות דורש תוכנה מעבר לגליונות אלקטרוניים בסיסיים או מערכות ERP מתקדמות. מערכות תכנון ותזמון מתקדמים (APS) נועדו להתמודד עם מגבלות מורכבות, מטרות מרובות, ונתונים בזמן אמת.פלטפורמות מסחריות רבות כוללות כעת מודולים לתזמון חזק, אילו ניתוח, ושילוב עם חיישנים בקוד פתוח כמו FLT:0OptlanPharnbers יכול להיות אינטגרציה מהירה של מערכות הפעלה של יכולת שימושית, כאשר ניתן יהיה לשילוב עם קיבולת מוגבלת של למערכות ERP.

פתרונות מבוססי ענן מציעים גמישות והורדת עלות למעלה.עם זאת, שקיפות בנתונים יכולה להיות דאגה לחזרה בזמן אמת. Edge מחשוב, שבו לוגיקה לוחמת פועל בשרתים מקומיים במפעל, עשוי להיות מועדפים להחלטות רגישות לזמן. להעריך את הצרכים הספציפיים שלך: חנות קטנה עם מעט אי-וודאויות עשויה ליהנות מגליון פשוט עם מכופרים ידניים, בעוד גבוה, בינוני עם מתקן תכוף לעתים קרובות עם הפרעות.

דוגמה: שילוב אסטרטגיות בקו של האסיפה הרכב

כדי להמחיש כיצד אסטרטגיות אלה פועלות יחד, לשקול ספק רכב בינוני המפעיל חנות זרימה עם חמש תחנות.היסטורית, הם השתמשו לוחות זמנים חקוניים המבוססים על זמני עיבוד ממוצעים. התמוטטות מכונות (ממוצע של שבועיים בשבוע) והיעדרים בלתי צפויים גרמו לשיפוץ תכופים תכופים, מה שמוביל ל-28% מההזמנות שנשלחות מאוחר.החברה החליטה ליישם גישה רב-סטרטג'י:

  • (FLT:0) איסוף נתונים: אנדרט 1 (ראה: ⁇ ) הם התקין חיישנים על כל מכונה כדי לפקח על זמני עיבוד בפועל ואירועים בזמן השבתה.לאחר שישה חודשים, היו להם נתונים חזקים הראו כי זמני עיבוד מגוונים על ידי ±15% על שלוש מחמש המכונות, ומכונה אחת הייתה נוטה במיוחד לכישלונות.
  • (FLT:0) הכנסתו של ה-Buffer: FLT:1 הם הוסיפו את זמן ה- 10% מהזמן לעיבוד הכולל בתחנת צוואר הבקבוק (מכונת הכשל) ו-5% בתחנות אחרות.
  • רובוסט תזמון: 1FLT [ה] הם עברו לאלגוריתם גנטי שהעריכו לוחות זמנים תחת 100 תרחישים מדומים שמקורם בנתונים של החוסן ההיסטורי.האלגוריתם נקבע למזער את תוחלת התמחור הגרועה ביותר (במבט על פי רוב).
  • (FLT:0) הדהדו מחדש של ה-APS: ⁇ 1 (APS) ,ה- APS שיעד מחדש את לוח הזמנים כל ארבע שעות ובכל פעם שכישלון מכונה נמשך יותר מ-15 דקות.
  • (FLT:0) תחזוקה מוקדמת: 1FLT 1 וחיישנים טמפרטורה על המכונה הכושלת האכיל מודל למידה מכונה חזו התמוטטות של שש שעות מראש.תחזוקה נקבעה במהלך משמרות לילה או הפסקות צהריים.

בתוך שישה חודשים, משלוחים מאוחרים ירדו ל-9%, ניכויים של קיבולת התוספת של 40%, ועלויות נוספות ירדו ב- 15%.המפתח היה השילוב של אלגוריתם פעיל (חפירות, אלגוריתם חזק, תחזוקה חיזוי) ופעולות תגובתיות (דינמית rescheduling), נתמך על ידי נתונים אמינים והעובדים קונים-בדוגמה זו מדגיש כי אין אסטרטגיה אחת מספיקה - התוצאות הטובות ביותר מגיעות מטכניקות ממותמותמותמות.

מגמות עתידיות בניהול בלתי-וודאי

תחום תזמון חנות זרימת זרימת זרימת הדם מתפתח במהירות, מונע על ידי התקדמות באינטליגנציה מלאכותית, עיבוד נתונים בזמן אמת ושילוב שרשרת האספקה.

(FLT:0) מערכות תזמון למידה למידה (Telf-learning system) משתמשות בחיזוק הלמידה כדי לשפר את החלטות התזמון באופן רציף בהתבסס על תוצאות בפועל.Over time, המערכת לומדת מיגדלי חיץ, חידוש תדרים, וקביעת כללים עובד טוב ביותר עבור דינמיקת המפעל הספציפית באוניברסיטת קיימברידג' הראה כי למידה חיזוק יכול להפחית עד 12% בהשוואה לשיטות סטטיות (Finment for innovation for innovation for the Current Power for the Development for the Development for the University of Cambridge).

(FLT:0) תאומים של אגמים (FLT:1) של חנויות זרימה מאפשרים למנהלים לדמות תרחישים של אי ודאות במראה וירטואלי של המפעל הפיזי.לפני יישום לוח זמנים, הם יכולים לבחון את האינטנסיביות שלו תחת מאות הפרעות מאופיינות.התאום הדיגיטלי יכול לשמש גם כדי לייעל את גודלי החיץ ולעצב מחדש מדיניות ללא הפרעה של ייצור בפועל.

(FLT:0Blockchain וחוזים חכמים FLT:1) מתחילים להופיע בתזמון שרשרת האספקה.כאשר המשלוח של הספק מתעכב, חוזה חכם גורם להפחתה אוטומטית של פעולות חנות זרימה מושפעת, צמצום התערבות ידנית.

(FLT:0 Human-centricתזמוןFLT:1) מאשר כי גורמים אנושיים הם מקור עיקרי של אי ודאות.מערכות עתידיות משלבות עייפות של מפעיל, רמות מיומנות והעדפות להחלטות תזמון, ובכך להפחית את הרגישות מהיסוד האנושי.

מגמות אלה מצביעות על עתיד שבו אי הוודאות לא רק מנוהלת אלא צפויה ומנצלת לשיפור מתמשך.המפעלים שמשקיעים בתזמון חזק ומתאמת היום יהיו ממוקמים הטוב ביותר לשגשג בעולם בלתי צפוי יותר ויותר.

מסקנה

אי-וודאות היא חלק מהותי של תזמון קניות, אבל זה לא צריך להיות מקור של חוסר יציבות כרוני.על ידי הבנת הסוגים וההשפעות של אי הוודאות, ועל ידי יישום מערך מאוזן של אסטרטגיות יזום ותגובה - תזמון גמיש עם מבולנים, אלגוריתמים חזקים, תחזוקה חיזוייתולטיבית, ו ניטור בזמן אמתי אמיתי - יצרנים יכולים לשמור על יעילות גבוהה וסיפוק לקוחות אפילו בתנאים תנודתיים.