عنوان مقاله:
طراحی و توسعه سیستم های کنترل و برنامه ریزی تولید هوشمند در عصر انقلاب صنعتی چهارم: یک روش شناسی و مورد مطالعه
Designing and developing smart production planning and control systems in the industry 4.0 era: a methodology and case study
سال انتشار: 2022
رشته: مهندسی صنایع - مدیریت
گرایش: برنامه ریزی و تحلیل سیستم ها - تولید صنعتی - مدیریت صنعتی
دانلود رایگان این مقاله:
دانلود مقاله برنامه ریزی تولید هوشمند
مشاهده سایر مقالات جدید:
Production planning and control theory and the limitations of classical PPC systems
Fundamentally, PPC is tasked with the problem of managing uncertainty in production systems, either through stabilizing the system (common with lean approaches) or through predicting and reacting efectively and speedily to events and changes in state of the production system. The latter requires few or frequent rescheduling depending on the kind of operation and the stability of the production environment (Vieira et al., 2003). In achieving these goals, various process logics and methods have been developed at diferent levels of detail and time (hierarchical systems) and at different domains, for example, algorithmic research, strategic selection of PPC systems and implementation challenges and limitations. This diversity of topics and issues have led to diferent streams of research. One stream of research has focused on investigating the efectiveness of enterprise resource planning (ERP) systems for PPC in diferent industrial environments, e.g., in dynamic market environments (Tenhiälä & Helkiö, 2015), in maketo-order manufacturing environments (Aslan et al., 2012, 2015), in small and medium enterprises (Ahmad & Cuenca, 2013), etc. The research within this stream has often been triggered by perceived limitations and inadequacies of ERP systems in supporting manufacturing planning and control activities. The most frequently mentioned limitation of ERP systems is generating unrealistic or infeasible production schedules due to infnite capacity scheduling . Meanwhile, these limitations of ERP systems have paved way for the second research stream, which concerns auxiliary planning and control systems such as MES and APS. Consequently, the infeasibility of production schedules generated by ERP systems and the inability to tightly control operations have led to some large manufacturers using APS systems for planning and MES for production control respectively (Saenz de Ugarte et al., 2009; Steger-Jensen et al., 2011). While MES and APS systems can address some limitations of ERP systems, these planning and control systems are known to have their own limitations. The processes within these systems have remained simplistic or too rigid, which limits the factors that can be considered within production planning and control decisions. Adjustment to schedules based on real-time or near-real-time data is infeasible and commonly avoided by production planners. It is also expensive to integrate additional software (called ‘add-ons’) with the large, monolithic systems, often making it difcult to adapt to changing business needs and leading many manufacturing managers and planners to build simpler, easier to manage, but disparate tools outside their PPC systems (Carvalho et al., 2014; Shaikh et al., 2011). Consequently, another stream of research has looked at the development of complementary decision support systems for addressing some of the challenges being faced by companies implementing ERP, APS and MES systems. Indeed, it is commonly reported that planners and supervisors, in many instances, tend to prefer simpler and more fexible tools and are more likely to avoid more complex, albeit theoretically performance-improved methods for addressing many of the production planning and control needs (de Man & Strandhagen, 2018; Tenhiälä, 2011). Therefore, while enterprise planning systems inhibited high efciency for PPC processes by being unwieldy and not including additional real-time system data, fexible approaches have been limited in that they are often very manual, dependent on the availability of specifc people and also not holistic.
Choosing an appropriate machine learning algorithm
As there are several ML tools and algorithms in the public domain currently, it can be a daunting task in fnding one appropriate for a PPC use case. Within each of the three general categories of machine learning that is, supervised, unsupervised, and reinforcement–new and more efcient algorithms and hybrids are being created continually, encouraged by the deluge of data, geometric reduction in computing cost that cloud computing brought about in the last decade, and advances in algorithm development and transference across multiple domains . Supervised learning concerns the approximation of a function based on a given set of input–output pairs. In this learning paradigm, the learning algorithm is provided (training) data which provides both, input values and output values, and the algorithm approximates the function that relates the inputs to the outputs. The approximated function can then be used to predict the outputs, given a set of inputs from outside the training set. The second machine learning paradigm, i.e., unsupervised learning is more exploratory in nature. Unlike supervised learning, there is no requirement for predefned input–output relationships in the training data that is used in unsupervised learning. Instead, the learning algorithm explores the data to fnd patterns and structures in the dataset, revealing which data-elements can be used as predictors of other elements. The third paradigm, i.e., reinforcement learning involves the use of iterative trial-anderror logic to train an algorithm to generate responses to inputs, that are expected to yield the highest reward (Monostori et al., 1996). Some use cases for the diferent machine learning types are presented in the following paragraphs and a summary in Table 1.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
تئوری برنامه ریزی و کنترل تولید و محدودیت های سیستم های PPC کلاسیک
اساساً، PPC وظیفه مدیریت عدم قطعیت در سیستم های تولید را دارد، چه از طریق تثبیت سیستم (مشترک با رویکردهای ناب) و چه از طریق پیش بینی و واکنش موثر و سریع به رویدادها و تغییرات در وضعیت سیستم تولید. مورد دوم بسته به نوع عملیات و پایداری محیط تولید به زمان‌بندی مجدد کمی یا مکرر نیاز دارد (Vieira et al., 2003). در دستیابی به این اهداف، منطق‌ها و روش‌های فرآیندی مختلفی در سطوح مختلف جزئیات و زمان (سیستم‌های سلسله مراتبی) و در حوزه‌های مختلف، به عنوان مثال، تحقیقات الگوریتمی، انتخاب استراتژیک سیستم‌های PPC و چالش‌ها و محدودیت‌های پیاده‌سازی توسعه یافته‌اند. این تنوع موضوعات و موضوعات منجر به جریان های مختلفی از تحقیقات شده است. یک جریان از تحقیقات بر بررسی اثربخشی سیستم های برنامه ریزی منابع سازمانی (ERP) برای PPC در محیط های صنعتی مختلف، به عنوان مثال، در محیط های بازار پویا (Tenhiälä & Helkiö، 2015)، در محیط های تولید سفارشی متمرکز شده است (Aslan et al. ، 2012، 2015)، در شرکت های کوچک و متوسط (احمد و کوئنکا، 2013)، و غیره. تحقیقات در این جریان اغلب به دلیل محدودیت ها و نارسایی های درک شده سیستم های ERP در حمایت از فعالیت های برنامه ریزی و کنترل تولید آغاز شده است. بیشترین محدودیت سیستم های ERP ایجاد برنامه های تولید غیرواقعی یا غیرقابل اجرا به دلیل زمان بندی ظرفیت بی نهایت است. در همین حال، این محدودیت‌های سیستم‌های ERP راه را برای دومین جریان تحقیقاتی هموار کرده است که مربوط به سیستم‌های برنامه‌ریزی و کنترل کمکی مانند MES و APS است. در نتیجه، غیرممکن بودن برنامه‌های تولید تولید شده توسط سیستم‌های ERP و ناتوانی در کنترل دقیق عملیات باعث شده است که برخی از تولیدکنندگان بزرگ از سیستم‌های APS برای برنامه‌ریزی و MES برای کنترل تولید استفاده کنند (Saenz de Ugarte و همکاران، 2009؛ Steger-Jensen et al. .، 2011). در حالی که سیستم های MES و APS می توانند برخی از محدودیت های سیستم های ERP را برطرف کنند، این سیستم های برنامه ریزی و کنترل دارای محدودیت های خاص خود هستند. فرآیندهای درون این سیستم‌ها ساده یا بیش از حد سفت و سخت باقی مانده‌اند، که عواملی را که می‌توان در تصمیمات برنامه‌ریزی و کنترل تولید در نظر گرفت، محدود می‌کند. تنظیم برنامه‌ها بر اساس داده‌های زمان واقعی یا تقریباً واقعی غیرممکن است و معمولاً توسط برنامه‌ریزان تولید اجتناب می‌شود. همچنین ادغام نرم‌افزارهای اضافی (به نام «افزونه‌ها») با سیستم‌های بزرگ و یکپارچه پرهزینه است، که اغلب سازگاری با نیازهای در حال تغییر کسب‌وکار را دشوار می‌کند و بسیاری از مدیران و برنامه‌ریزان تولید را به سمت ساخت ساده‌تر، مدیریت آسان‌تر، اما متفاوت سوق می‌دهد. ابزارهای خارج از سیستم PPC آنها (کاروالهو و همکاران، 2014؛ شیخ و همکاران، 2011). در نتیجه، جریان دیگری از تحقیقات به توسعه سیستم‌های پشتیبانی تصمیم تکمیلی برای رسیدگی به برخی از چالش‌های پیش روی شرکت‌های پیاده‌سازی سیستم‌های ERP، APS و MES پرداخته است. در واقع، معمولاً گزارش شده است که برنامه‌ریزان و سرپرستان، در بسیاری از موارد، تمایل دارند ابزارهای ساده‌تر و انعطاف‌پذیرتر را ترجیح دهند و به احتمال زیاد از روش‌های پیچیده‌تر، هرچند از لحاظ نظری بهبود یافته از نظر عملکرد برای رسیدگی به بسیاری از نیازهای برنامه‌ریزی و کنترل اجتناب می‌کنند. Man & Strandhagen، 2018؛ Tenhiälä، 2011). بنابراین، در حالی که سیستم‌های برنامه‌ریزی سازمانی با ناکارآمد بودن و عدم گنجاندن داده‌های سیستم بلادرنگ اضافی، از راندمان بالا برای فرآیندهای PPC جلوگیری می‌کنند، رویکردهای انعطاف‌پذیر به این دلیل محدود شده‌اند که اغلب بسیار دستی هستند، وابسته به در دسترس بودن افراد خاص و همچنین جامع نیستند.
انتخاب الگوریتم یادگیری ماشین مناسب
از آنجایی که در حال حاضر چندین ابزار و الگوریتم ML در حوزه عمومی وجود دارد، یافتن یک مورد مناسب برای یک مورد استفاده PPC می‌تواند کار دلهره‌آوری باشد. در هر یک از سه دسته کلی یادگیری ماشینی، یعنی تحت نظارت، بدون نظارت و تقویت، الگوریتم‌ها و ترکیب‌های جدید و کارآمدتر به‌طور مداوم ایجاد می‌شوند که با سیل داده‌ها، کاهش هندسی در هزینه‌های محاسباتی که محاسبات ابری ایجاد کرده است، ایجاد می‌شوند. دهه گذشته، و پیشرفت در توسعه الگوریتم و انتقال در دامنه های متعدد. یادگیری نظارت شده به تقریب یک تابع بر اساس مجموعه معینی از جفت ورودی-خروجی مربوط می شود. در این الگوریتم یادگیری، الگوریتم یادگیری داده‌های (آموزشی) ارائه می‌کند که هم مقادیر ورودی و هم مقادیر خروجی را ارائه می‌دهد و الگوریتم تابعی را که ورودی‌ها را به خروجی‌ها مرتبط می‌کند، تقریب می‌زند. سپس تابع تقریبی را می توان برای پیش بینی خروجی ها با توجه به مجموعه ای از ورودی های خارج از مجموعه آموزشی استفاده کرد. پارادایم دوم یادگیری ماشین، یعنی یادگیری بدون نظارت، ماهیت اکتشافی بیشتری دارد. برخلاف یادگیری تحت نظارت، هیچ نیازی به روابط ورودی-خروجی از پیش تعریف شده در داده های آموزشی که در یادگیری بدون نظارت استفاده می شود وجود ندارد. در عوض، الگوریتم یادگیری مانند داده ها را برای یافتن الگوها و ساختارها در مجموعه داده جستجو می کند و نشان می دهد که کدام عناصر داده را می توان به عنوان پیش بینی عناصر دیگر استفاده کرد. پارادایم سوم، یعنی یادگیری تقویتی شامل استفاده از منطق تکراری آزمون و خطا برای آموزش الگوریتمی برای تولید پاسخ‌هایی به ورودی‌ها است که انتظار می‌رود بالاترین پاداش را به همراه داشته باشد (مونوستوری و همکاران، 1996). برخی از موارد استفاده برای انواع مختلف یادگیری ماشین در پاراگراف های زیر و خلاصه ای در جدول 1 ارائه شده است.
