Analytic optimization framework for resilient manufacturing production and supply planning in Industry 4.0 context-buffer stock allocation - case study

• Autorzy: Laciuga Maria , Sęp Jarosław

Identyfikatory

DOI

10.15199/160.2021.3.5

Warianty tytułu

PL

Optymalizacja planowania produkcji oraz zakupów w środowisku analitycznym dla elastycznej i odpornej organizacji produkcyjnej w kontekście Industry 4.0 - studium alokacji buforów

• Języki publikacji: EN

Abstrakty

EN

Advanced components assembly planning and related manufacturing production planning and scheduling (PPS) and supply planningare key elements responsible for deliveries and cost aspects as a resources workload and inventory driver. Industry 4.0 systems broaden science for improving system performance and decision making.Industry site environment because of material flow network, interrelated multi-variable, multilevel production becomes very complex what is challenged by a strong focus on operational excellence. Demand uncertainty requires additional attention and integration with Supply Chain. This paper presents an extended framework for analytics solutions in assembly, production and supply planning for manufacturing company. Risk related to violable customers demand is mitigated by buffer management. Buffer levels relay on a prediction from simulation model using computational methods based on machine learning algorithm using Neutral Networks to guarantee on-time deliveries and rational costs. Actual challenges and requirements for new use cases in data-driven intelligence are presented. The proposed models and the actual state will be comparably discussed with results analyses.

PL

Planowanie montażu zespołów i wynikające z niego planowanie i harmonogramowanie produkcji (PPS) oraz planowanie zakupu surowców są kluczowymi elementami odpowiedzialnymi za dostawy na czas oraz aspekt kosztowy poprzez odpowiednie obciążenie zasobów oraz nośnik zapasów. Systemy klasy Industry 4.0 poszerzają wiedzę i możliwości dla podniesienia wydajności systemu oraz usprawniają podejmowanie decyzji. Środowisko produkcyjne z uwagi na sieć strumieni wartości, mnogość zmiennych, wielopoziomowe struktury materiałowe staje się bardzo złożone co jest dodatkowo wzmacniane przez nacisk na doskonałość operacyjną. Niepewność zapotrzebowań wymaga dodatkowej atencji oraz integracji z łańcuchem dostaw. W pracy zaprezentowano rozbudowane środowisko dla rozwiązań analitycznych wspierających narzędzia planowania montażu, produkcji oraz zakupów. Ryzyko związane z zmiennymi planami klienta oraz zmiennością dostawców jest ograniczane poprzez zarządzanie buforami. Poziom bufora zależy od predykcji na bazie modelu symulacyjnego opartego na mechanizmach uczenia maszynowego z wykorzystaniem sieci neuronowych w celu zagwarantowania dostaw na czas oraz w oczekiwanym koszcie. Aktualne wyzwania i oczekiwania w obszarze inteligencji opartej na danych zostały zaprezentowane. Rezultaty zaproponowanego modelu zostały szczegółowo porównane ze stanem obecnym.

Słowa kluczowe

EN

manufacturing data analytics; resilient manufacturing; production planning; buffer management

PL

analityka produkcji; produkcja elastyczna; produkcja odporna; planowanie produkcji; zarządzanie buforami

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej ; Sieć Badawcza Łukasiewicz - Warszawski Instytut Technologiczny
• Czasopismo: Technologia i Automatyzacja Montażu
• Rocznik: 2021
• Tom: nr 3
• Strony: 42--50
• Opis fizyczny: Bibliogr. 25 poz., il. kolor., wykr.

Twórcy

autor

Laciuga Maria

• Doctoral School of Engineering and Technical Sciences at the Rzeszow University of Technology, Rzeszow University of Technology. Al, Powstańców Warszawy 12, 35-309 Rzeszów, Poland

• https://orcid.org/0000-0003-4472-2710

autor

Sęp Jarosław

• Rzeszow University of Technology, Al Powstańców Warszawy 12, 35-309 Rzeszów, Poland

• https://orcid.org/0000-0003-2544-2211

Bibliografia

• [1] Aissani, N., Bekrar, A., Trentesaux, D. and Beldjilali, B. 2012.“Dynamic scheduling for multi-site companies: A decisional approach based on reinforcement multi-agent learning”. Journal of Intelligent Manufacturing 23(6): 2513-2529.
• [2] Aleotti M., L.O.,Qassim, R.Y. 1998. “Minimum cost safety stocks for frequently delivery manufacturing”. International Journal of Production Economics 62(3): 233-236.
• [3] Altaf, M. S., Bouferguene, A., Liu, H., Al-Hussein, M. and Yu, H..2018 .”Integrated production planning and control system for a panelized home prefabrication facility using simulation and RFID”. Automation in Construction 85: 369-383.
• [4] Alzubaidi, L., Zhang, J., Humaidi, A.J. et al . 2021.“Review of deep learning: concepts, CNN architectures, challenges, applications, future directions”, J Big Data 8: 53
• [5] Amirjabbari, B., Bhuiyan, N.. 2014. Determining supply chain safety stock level and location. Journal of Industrial Engineering and Management 10. 10.3926/jiem.543.
• [6] Bergmann, S., Feldkamp, N. and Strassburger, S. 2015.“Approximation of dispatching rules for manufacturing simulation using data mining methods”. Winter Simulation Conference. Huntington Beach, USA, 2329-2340.
• [7] Carvajal Soto, J. A., Tavakolizadeh, F. and Gyulai, D. 2019. “An online machine learning framework for early detection of product failures in an Industry 4.0 context”.. International Journal of Computer Integrated Manufacturing 32: 1-14.
• [8] -
• [9] Dolgui, A. ,Prodhon, C.. 2007.“Supply planning under uncertainties in MRP environments: a state of the art.” Annual Reviews in Control 31 (2): 269-279.
• [10] Hosseini, S., Barker, K.,2016.”A Bayesian network model for resilience-based supplier selection”. International Journal of Production Economics 180: 68-87.
• [11] Hosseini, S., Ivanov, D., 2019. “ A new resilience measure for supply networks with the ripple effect considerations: a Bayesian network approach”. Annals of Operations Research. Springer US.
• [12] Hosseini, S., Ivanov, D. ,Dolgui, A., 2019. “Review of quantitative methods for supply chain resilience analysis”. Transportation Research Part E: Logistics and Transportation Review 125, 285-307.
• [13] Daniyan, I., Bello, E.,Ogedengbe, T., Mpofu, K.. 2020. “Use of Central Composite Design and Artificial Neural Network for Predicting the Yield of Biodiesel”. Procedia CIRP. 89. 59-67. 10.1016/j.procir.2020.05.119.
• [14] Daniyan, I.,Muvunzi, R.,Mpofu, K. 2021.” Artificial intelligence system for enhancing product’s performance during its life cycle in a railcar industry”. Procedia CIRP. 98. 482-487. 10.1016/j.procir.2021.01.138.
• [15] Kunnumkal, S., Topaloglu, H. 2008. “Price discounts in exchange for reduced customer demand variability and applications to advance demand information acquisition”. International Journal of Production Economics 111 (2): 543-561.
• [16] Karaesmen, F.,. 2003. “ Inventory systems with advance demand information and random replenishment times” Proceedings of the fourth Aegean international conference on analysis of manufacturing systems, 1-4 July Samos Island, Greece, 151-160. Karaesmen, F., Liberopoulos, G., and Dallery, Y., 2004. The value of advance demand information in production/inventory systems. Annals of Operations Research, 126 (1-4), 135-157
• [17] Li, Q.Y., Li, S.J. 2009.“A dynamic model of the safety stock under VMI”. Proceedings of the Eighth International Conference on Machine Learning and Cybernetics, 1304-1308.
• [18] Hedvall, L.,Wikner, J.,Hilletofth, P. 2017. “Introducing Buffer Management in a Manufacturing Planning and Control Framework”. 366-373. 10.1007/978-3-319-66926-7_42.
• [19] Massmann, M., Meyer, Maurice,F.M., von Enzberg, S.,Kühn, A.,Dumitrescu, R. 2020. “Framework for Data Analytics in Data-Driven Product Planning”. Procedia Manufacturing 52. 10.1016/j.promfg.2020.11.058.
• [20] Nagorny, K., Monteiro, P., Barata, J., Colombo, A.. 2017. “Big Data Analysis in Smart Manufacturing: A Review”. International Journal of Communications, Network and System Sciences 10. 31-58. 10.4236/ijcns.2017.103003.
• [21] O. T., Adesina, T., Jamiru, I. A., Daniyan, E. R., Sadiku, O. F., Ogunbiyi, O. S., Adesina & L. W. Beneke.2020.” Mechanical property prediction of SPS processed GNP/PLA polymer nanocomposite using Artificial Neural Network”. Cogent Engineering 7(1720894):1-17.
• [22] Partha S.Ghosal, Ashok K.Gupta. 2016.” Enhanced efficiency of ANN using non-linear regression for modelling adsorptive removal of fluoride by calcined Ca-Al-(NO3)-LDH“. Journal of Molecular Liquids 222: 564-570
• [23] Rahman, Md.A., Karim, M.2021.”Designing a Modelto Study Data Mining in Distributed Environment”. Journal of Data Analysis and Information Processing 9: 23-29.
• [24] van Kampen, T. J., van Donk, Dirk P., van der Zee, Durk-Jouke. 2010. “Safety stock or safety lead time: coping with unreliability in demand and supply”. International Journal of Production Research 48: 24, 7463 —7481
• [25] Y. H. Ali, 2018, “Artificial Intelligence application in machine monitoring and fault diagnosis”. Intech Open, Artificial Intelligence - Emerging Trends and Applications: 276-291.

Uwagi

Błąd w bibliografii - brak poz. nr 8.

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).