Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2021

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: analityka produkcji

Sortuj według:

Ogranicz wyniki do:

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

Laciuga Maria, Sęp Jarosław

Technologia i Automatyzacja Montażu

2021

nr 3

42--50

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.

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.