Giriş: Bulut Bilişim ve Akış Dükkanının Intersection of Cloud Computing and Flow Shop Scheduling

Modern üretim ortamları, verimliliği artırmak için sürekli baskıyla karşı karşıya kalır, maliyetleri azaltır ve piyasa taleplerini hızla değiştirmeye adapte olur. Akışkanlık mağazası planlama, temel bir üretim planlama sorunu, özellikle de sabit bir şekilde bir dizi makine aracılığıyla iş sırasını belirler.For on yıllardır, üreticiler neredeyse sınırsız hesaplama gücüne, depolamaya ve gelişmiş yazılım araçlarına erişim sağlar.Bu makale, özellikle de bilgisayar korsanlığı planlamalarında esneklik sağlar.

Akış Mağazasını Derinlikte Anlamak

Akış mağazası planlama, iş makine kombinasyonuna bağlı olarak, her aşamada (toplam tamamlanma süresi) gibi bir performans ölçütünün belirlenmesi gerektiği klasik bir operasyon araştırma problemidir.Her bir iş, makine başına veya işlem süresinden oluşur.Tüm makinelere bağlı olarak iş makineli kombinasyonlar yapılır; birincil amaç, her aşamadaki bir performans ölçütünü belirlemektir.

Sorun, çoğu hedef için NP-hard, iki makine sayısı aştığında, en iyi çözümlerin büyük örnekler için hesaplamalı olarak yetersiz hale gelmesi anlamına gelir. Bu nedenle, araştırmacılar ve uygulayıcılar genellikle belirli kısıtlamalara bağlıdır - genetik algoritmaları, örneğin ekleme, ve parçacık yığınlama optimizasyonu - bu yöntemlerle bile, hesaplama çaba önemli olabilir, önemli işleme süresi ve hafıza gerektirir.

Flow Shop Scheduling

  • [FONT:0)Makespan (Cmax): [Dönetici: 1) Son işin tamamlanma süresini ayır.
  • [0]Toprak Zamanı:[Dönemli Zamanlar:[Dönemli Zamanlar) Tamamlanan süreyi tamamlamak.
  • [FONT:0)Maximum Tardiness:[DÜT:1) Tarihten dolayı en kötü gecikme süresine uymaktadır.
  • [FONT:0]Number of Tardy Jobs:) Onlarca tarihlerden sonra tamamlanmış iş saymalarına izin verin.
  • [FONT:0)Kaynak Utilizasyon: [Dönetici: [Dönetici:0] Max, boş zaman zaman alırken makine kullanımını azaltın.

Her hedef farklı bir algoritmak yaklaşım gerektirir ve seçilen yöntem, üretim planlama ufukta sonuçları sunmak için yeterli hesaplama kaynakları ile uygulanmalıdır. Geleneksel on-premis sistemler genellikle maliyet ve performans dengelemek için mücadele eder.

Geleneksel Scheduling Yaklaşımları

Bulut bilişiminden önce, üreticiler yerel sunuculara veya belirli iş istasyonlarına programlamayı planlamak için güveniyorlardı. Bu ayarlar, kısıtlanmış esneklik ve duyarlılığa yol açan birkaç sınırlamaya izin verdi.

Sınırlı C ⁇ Güç ve Scalability

Çoğu üretim şirketi sonlu BT bütçeleriyle çalışır.In-premises donanım, yüksek talep için boyutlandırılmalıdır, ancak çok fazla cihaz nadiren gerçekleşir.Normal operasyon sırasında, aşırı kapasite boş kalır; büyüme sırasında (örneğin, büyük kümeler veya gelişmiş optimizasyon algoritmaları) birçok çekirdekten veya dağıtılmıştır, gecikmelere yol açan.Daha fazla sunucu eklemek pahalı ve zaman alıcı olabilir.

Değişime Uyum Edilmesi

Üretim ortamları dinamiktir. Makine arızaları, acil müşteri siparişleri, malzeme sıkıntısı ve operatör yetersizlik tüm planlı bir programı bozar. Geleneksel sistemler genellikle manuel yeniden-optimizasyon gerektirir veya toplu işleri yeniden başlatma, önemli ölçüde azaltılabilirlik sağlar.

Yüksek Sermaye Açıklama ve Bakım Maliyetleri

Satın almak, yüklemek ve sunucular, ağ dişlisi ve yazılım lisansları önemli bir sermaye kesintisini temsil eder. Ek olarak, IT personeli güncellemeleri, güvenlik yamalarını yönetmek ve sorun gidermeleri gerekir. Küçük ve orta ölçekli üreticiler bu maliyetleri yasaklayabilir, erişimlerini ileri planlama araçlarına sınırlandırabilir.

Data Silos ve Fragmented Information

On-premises zamanlama sistemleri genellikle ERP, MES ve IoT platformları gibi diğer işletme sistemlerinden izolasyonda çalışır. Gerçek zamanlı veriler besleme olmadan, programlar eski veya yanlış bilgiye dayanmaktadır. Bu entegrasyon eksikliği gerçek zamanlı olaylara cevap verme yeteneğimizi engeller.

Bulut Bilişim: Esnek bir altyapı altyapısının enabling a Flex Scheduling Infrastructure

Bulut bilişimi, bilgisayar kaynaklarını bir fayda olarak sunarak bir paradigma değişikliği sağlar. Donanım yerine, üreticiler Amazon Web Services (AWS), Microsoft Azure veya Google Cloud Platform gibi sağlayıcıların sanal makineleri, depolama ve hizmetlerini kiralar.

Elastiklik ve Scalability

Bulut platformları, birkaç veya binlerce sanal makineyi dakika içinde teslim edebilir. Bir üretici karmaşık bir zamanlama problemini çözmek için büyük bir kümeyi geri döndürebilir, ancak 1000'den fazla kişiye ödeme yapıldığından, bu elastiklik, birden fazla optimizasyonun paralel olarak (örneğin, farklı algoritmaları veya parametre ayarları) en iyi çözümü hızlıca bulabilmesine olanak sağlar. Örneğin, 50 iş ve 10 makine ile bir iş mağazası 1000'den fazla insanın popülasyonu ile genetik bir algoritmayı çalıştırabilir; bu elastiklik, birkaç saat boyunca, birkaç saat sürebilir.

Gerçek Zamanlı Veri Entegrasyonu ve İşleme

Bulut tabanlı planlama sistemleri IoT sensörleri, RFID okuyucuları ve MES sistemleri gerçek zamanlı olarak kullanılabilir. AWS Kinesis veya Azure Stream Analytics process verileri gibi algılama, istisnalar gerçekleştiğinde yeniden dengeleyici olayları tetikleyebilir.Bu sıkı entegrasyon dinamik reschedu-ling-her kesintiden sonra programı optimize eder - sonuç olarak, periyodik toplu taşımaya güvenerek- gerçek üretim koşulları ile uyumlu kalır.

Maliyet Verimliliği ve Pay-as-You-Go Model

Operasyonel harcama (Tamam) bulut bilişim modeli büyük donanım yatırımlarını ortadan kaldırır. Üreticiler gerekli olan mütevazı bir yapılandırma ve ölçek ile başlayabilir. Ek olarak, rezerv örnekleri ve nokta örnekleri öngörülebilir veya hata amaçlı iş yükleri için daha fazla maliyet azaltır. Küçük üreticiler büyük işletmeler olarak aynı hesaplama gücüne erişim kazanırlar, gelişmiş planlama yetenekleri ile demokratikleştirebilir.

Gelişmiş Analytics ve Machine Learning

Bulut platformları makine öğrenimi, optimizasyon ve simülasyon için yönetilen hizmetler sunar. Örneğin, AWS, Amazon SageMaker'ı tahmin edici modeller oluşturmak için sunar ve Google Cloud, operasyonları araştırma problemlerini çözme için optimizasyon AI sunar. Üreticiler bu hizmetleri makine hataları, tahmin işleme süreleri veya planlama politikaları önerebilir.

Yüksek erişilebilirlik ve Afet Kurtarma

Bulut sağlayıcıları coğrafi olarak dağıtılan veri merkezleri aracılığıyla zaman garanti eder. Bir bölge başarısız olursa, zamanlama uygulaması minimum downtime ile başka bir bölgeye devretebilir.Bu güvenilirlik, tüm fabrikaları durdurabilecek üretim ortamları için kritiktir.

Bulut tabanlı Scheduling için Mimari Yaklaşımlar

Bulutta akış depolama çözümleri dağıtmak için çeşitli mimari kalıpları var.

Bir Servis Olarak Yazılım (SaaS) Scheduling Platforms

Bazı satıcılar bulutta barındırılan hazır zamanlama uygulamaları sunar. Bu platformlar genellikle bir SaaS çözümü için bir web arayüzü sağlar, tedarikçinin altyapısında çalışan optimizasyon motorları ve API'leri ERP sistemleri ile entegrasyonlar. Örnekler Asprova Cloud, PlanetTogether Cloud ve Preactor (kendi Siemens tarafından sahip).

Özel Optimizasyon ile bir Hizmet Olarak Altyapı (IaaS)

Benzersiz planlama gereksinimleri olan üreticiler için, özel optimizasyon algoritmaları sanal makineler veya konteynerler üzerinde konuşlanabilir (örneğin, Kubernetes'te Docker). Bu yaklaşım, hesaplama ortamını kontrol eder, çözümleyicilerini yükler (örneğin, IBM ILOG CPLEX, Gurobi, veya açık kaynak kütüphane) ve toplu iş için maliyetleri azaltır. Spot örnekleri, maksimum esneklik sunar, ancak daha teknik uzmanlık gerektirir.

Hybrid Cloud ve Edge Computing

Düşük gecikmenin gerekli olduğu senaryolarda (örneğin, gerçek zamanlı yeniden planlayıcılar tarafından tetiklenen bir algoritma), bir hibrit mimarlık, Endüstri 4.0 uygulamalarında en iyi trenddir.

Vaka Çalışmaları ve Gerçek Dünya Uygulamaları

Çeşitli endüstrilerdeki üreticiler, esnekliği geliştirmek için bulut tabanlı bir zamanlama benimsemiştir.

Otomotiv Parçalar Üretici

Büyük bir tier-1 otomotiv tedarikçisi, makine arızaları ve acele siparişleri nedeniyle sık sık sık sık sık zamanlama gecikmeleriyle karşı karşıya kaldı.Onlar sadece günlük toplu güncellemelerini idare edebilir, şişe makinelerinde% 15'e kadar gecikmeler ve makine kullanımında% 12'ye kadar bir artış bildirdiler.

Elektronik Santral Bitki Bitki Bitkileri

Birden fazla montaj hattında seriye bağlı olarak kurulum süresini optimize etmek için yüksek ürün karışımı olan bir elektronik sözleşme üreticisi, Azure Kubernetes Servisi'nde özel bir genetik algoritmayı dağıtmışlardı ve bulut çözümü, en iyi üç farklı zamanlama heuristics'i karşılaştırmak için onlara olanak sağladı.

İlaç üretimi

İlaç üretiminde, düzenleyici kısıtlamalar ve katı kalite gereksinimleri karmaşık bir şekilde planlamayı zorlar. orta büyüklükte olmayan bir ilaç üreticisi, farklı zamanlarda ekipman temizlik döngüleri ve malzeme kullanılabilirliği üzerindeki farklı programların etkisini simüle etmek için bulut tabanlı bir dijital ikiz kullandı. Google Cloud'da 10.000 simülasyon senaryosu çalıştırarak, uyumluluk devam ederken genel olarak temizlik süresini% 18 oranında azaltan bir program belirlediler.

Dış kaynaklar: Üretim zamanlamasında bulut bilişim kullanımı hakkında daha fazla okuma için, [[Ücretsizlik Sistemlerinin [20) [Üyetim Sisteminin [20) [Üyetim: 1) ve uygulama kağıtı [Üyetim:2).Gazete/Üyetim:2).

Güvenlik ve Veri Gizlilik Değerlendirmeleri

Yararlılara rağmen, bulut kabulü veri güvenliği ve entelektüel mülk koruması hakkında meşru endişeler ortaya koyar. Üretim programları genellikle ürün hacimleri, süreç süreleri ve müşteri siparişleri hakkında hassas bilgiler içerir. Bazı üreticiler özel bulut sağlayıcılarına sağlam şifreleme (iki ve transit geçişte), erişim kontrolleri ve uyumluluk sertifikaları (örneğin, havacılık, savunma), veri kartlarının kullanılması veya yerel güvenlik modellerini azaltması gerekir. Bazı üreticiler özel bulut sağlayıcıların belirli bulutları için ayarlamalarını sağlar.

Endüstri 4.0 ve IoT ile entegrasyon

Bulut bilişimi, Endüstri 4.0'ın temel bir ayağıdır. Akıllı bir fabrikada, IoT sensörlerinden gerçek zamanlı veriler (örneğin, sıcaklık, döngü süreleri) bulut tabanlı analitik motorlara doğru akışlar. Bu veriler, daha yüksek verimlilikte işlem süreleri optimize etmek için kullanılabilir. (OEE) ayrıca dijital ikizlerin dijital dönüşümleri bozduğuna dair bir sensöre izin verir.

Future Perspectives ve Gelişen Trendler

Bulut bilişiminin evrimi, akış mağaza planlama esnekliği için yeni olasılıkları açmaya devam ediyor.

AI-Driven Tahmin Edici Scheduling

Tarihsel veriler üzerinde eğitilmiş makine öğrenme modelleri, statik tahminlerden daha yüksek doğrulukla işlem süresini tahmin edebilir. Bulut tabanlı çözücülerle entegre edildiğinde, bu tahminler belirsizlik için sağlam programlama algoritmalarına beslenir.Finans öğrenme öğrenme, online olarak değişen koşullara adapte etmek için planlama politikaları oluşturmak için de araştırılır.

için Serverless

Serverless mimariler (örneğin, AWS Lambda, Azure Functions) sipariş edilen sunuculara yanıt vermek için kod uygular. zamanlama için, sunucusuz bir işlev, yeni bir iş geldiğinde hızlı bir heuristic çalıştırabilir.

Kuantum Bulutu

Hala erken aşamalarda, kuantum hesaplama bir bulut hizmeti olarak sunulan (örneğin, Amazon Frent, Azure Quantum) sonunda klasik algoritmaların üst düzeye doğru belirli zamanlama problemlerini çözmüş olabilir. Pilot çalışmalar küçük akış alışveriş örnekleri için söz verdi; kuantum donanım olgunları olarak, bulut tabanlı kuantum çözücüler üreticiler için düzenli bir araç haline gelebilir.

Edge-Cloud Continuum

Uzak düğümlerin orta hesaplama gücü ile artan erişilebilirliği (örneğin, NVIDIA Jetson, Azure Stack Edge), mağaza zeminine daha yakın bir şekilde dağıtmayı sağlar.Bir hierarchical yaklaşım: kenar cihazları milisan- seviye kararlarını ele alırken, bulut kompleksi küresel optimizasyon sağlar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Bulut bilişim temel olarak hesaplama şişeleri kaldırarak akış mağazasında esneklik geliştirir, gerçek zamanlı veri entegrasyonu sağlar ve ölçeklenebilir, maliyet etkin kaynaklar sağlar.Sistemlerini buluta taşıma yeteneğinin hızla bozulmasına yardımcı olur, donanım kısıtlamaları olmadan gelişmiş optimizasyon boşlukları çalıştırın ve sürekli olarak güvenlik ve entegrasyon sorunlarının devam etmesi gerekir, trend nettir: bulut etkin bir şekilde planlama sistemleri, çevik üretime yönelik standart bir bileşen haline gelir. AI olarak, bilgisayar ve hatta kuantum bulut hizmetleri olgunlaşarak, geleneksel ve bulut tabanlı planlamacılar arasındaki esneklik boşluğun sadece genişleştirilmesi gerekir.

Bulut tabanlı üretim zamanlamasının kapsamlı bir incelemesi için, okuyucular [FONTD:0)IEEE Access article "Cloud Manufacturing Scheduling: A Review" (2020) (2020) ve pratik bir vaka çalışması [FONTD:2AMB] [FONTD][FONT][FONT][FONT=TR][FONT=TR][FONT=TR][/FONT=TR][/FONT=3][/FONT=2|STR][/FONT=3][/FONT=3][/FONT][/TR][/FONT=3][/TRNT=3][/TRNT=