دانلود رایگان ترجمه مقاله برنامه ریزی تولید ترکیبی و زمان های نصب خانواده وابسته به توالی – الزویر ۲۰۱۱

elsevier

دانلود رایگان مقاله انگلیسی برنامه ریزی تولید ترکیبی و زمان های نصب خانواده وابسته به توالی به همراه ترجمه فارسی

 

عنوان فارسی مقاله: برنامه ریزی تولید ترکیبی و زمان های نصب خانواده وابسته به توالی
عنوان انگلیسی مقاله: Integrated production planning with sequence-dependent family setup times
رشته های مرتبط: مهندسی صنایع، بهینه سازی سیستم ها
فرمت مقالات رایگان مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF میباشند
کیفیت ترجمه کیفیت ترجمه این مقاله پایین میباشد 
توضیحات ترجمه به صورت کمی خلاصه انجام شده است
نشریه نشریه الزویر (Elsevier)
مجله مجله بین المللی اقتصاد تولید – International Journal of Production Economics
کد محصول F100

مقاله انگلیسی رایگان

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان 

دانلود رایگان ترجمه مقاله
جستجوی ترجمه مقالات جستجوی ترجمه مقالات مهندسی صنایع

 

بخشی از ترجمه فارسی:

چکیده
این مقاله یک مدل بهینه سازی تلفیقی از برنامه ریزی تولید ادغامی، برنامه ریزی افتراقی خانواده و برنامه های زمان بندی خانواده در سیستم های برنامه ریزی تولید سلسله مراتبی HPP با در نظر گرفتن دفعات نصب خانواده وابسته به توالی ارایه می کند. این مدل برنامه تولید بهینه را برای هر نوع محصول و خانواده محصول در هر دوره بدست می اورد. که همراه با توالی تولید بهینه جهانی خانواده های محصول در همه دوره های برنامه ریزی است. مدل پیشنهادی با داده های آزمایشی تصادفا تولید شده با آن چه که در صنعت تولید غالب است تست شده و نتایج آن با نتایج مدل های سنتی HPP مقایسه می شود. نتایج ما نشان می دهد که مدل ترکیبی صرفه جویی بیشتری را در هزینه باعث می شود.
لغات کلیدی:
برنامه ریزی تولید، برنامه ریزی تولید سلسله مراتبی، برنامه ریزی تولید ادغامی، زمان های نصب خانواده وابسته به توالی، بهینه سازی جهانی
۱- مقدمه
مسائل برنامه ریزی تولید به طور کلی به یکی از دو روش ذیل فرموله می شوند:یکپارچه و سلسله مراتبی. رویکرد یکپارچه (Manne, 1958; Lasdon and Terjung, 1971) مسئله را به عنوان یک مدل برنامه نویسی خطی یکپارچه برای همه ایتم ها فرموله سازی می کند. با این حال این سطح از جزییات در فرمولاسیون مسئله مستلزم داده های تقاضا است که پیش بینی صحیح آن سخت بوده و اجرای آن هزینه بردار است( بیتران و همکاران ۱۹۸۱).
از سوی دیگر، رویکرد سلسله مراتبی،( هاکس و میل ۱۹۷۵) مسئله را به چندین لایه زیر مسئله متناظر با ساختار های مختلف از جمله APP برای نوع محصول، برنامه ریزی افتراقی خانواده برای خانواده های محصول و برنامه ریزی افتراقی ایتم برای ایتم تفکیک می شود. انواع محصول، گروه هایی از ایتم ها با هزینه های واحد، هزینه های مستقیم، هزینه های نگه داری در هر دوره، بهره وری و مهارت ها می باشند. اگرچه خانواده های محصول گروه هایی از ایتم های مربوطه به نوع یکسان با شرایط نصب مشابه می باشد( بیتران و همکاران ۱۹۸۱). از آن جا که زیر مسئله ها را می توان حل کرد، رویکرد سلسله مراتبی می تواند نیاز های مدیران را برای حل سریع تر نسبت به روش یکپارچه براورده کند. به علاوه، حقیقت این است که یک تعداد اندکی از انواع وجود دارند که استفاده از روش های پیش بینی پیشرفته را توجیه می کند که استفاده از هزاران ایتم هزینه بردار است( بیتران و همکاران ۱۹۸۱).
۳ مدل HPP سنتی
ازاد مر و همکاران ۱۹۹۸ یک سیستم پشتیبانی تصمیم گیری سلسله مراتبی را برای برنامه ریزی تولید، در بر گیرنده برنامه ریزی ادغامی و افتراق خانواده قبل از در نظر گرفتن افتراق ایتم نهایی و زمان بندی ایتم ارایه کردند. بر اساس منطق تصمیم گیری سلسله مراتبی، مدل APP برای طرح های بهینه تولید از همه نوع در افق برنامه ریزی حل شد. سپس، طرح ادغام در نخستین دوره توسط مدل افتراق خانواده تجزیه شد.
۳-۱ مدل APP
پارامتر ها و متغیر ها برای مدل APP عمومی در جد ول ۱ نشان داده شده اند.
در هر سطح، مدل APP تصمیمات میان مدت نظیر تولید، انوانتوری، قرار داد و سطوح پس از سفارش، زمان های منظم و طرح های استخدام و اخراج را در نظر می گیرد. مدل APP به صورت ذیل فرموله می شود.

در این مدل، هدف کمینه سازی هزینه های کل در افق برنامه ریزی است. عوامل محدود کننده ۲ همان معادلات انوانتوری تولید هستند. عوامل ۳ محدودیت های ظرفیتی می باشند. در انواع ۴، ظرفیت کل مصرف شده توسط هر نوع در هر دوره تعریف می شود. نوع ۵ این اطمینان را به ما می دهد که اضافه کار ی در هر دوره بیش از اضافه کاری در دوره موجود نخواهد بود.که به صورت نسبت از پیش تعیین شده زمان کار منظم تعریف می شود. و محدودیت های ۶ و ۷ آستانه های ظرفیتی قرار دادی و پس از فروش می باشند. محدودیت های ۸ شامل معادلات بیلان نیروی کار و ۹ شامل محدودیت های فضای ذخیره انوانتوری هستند.
۳-۲ مدل تجزیه خانواده
هدف این مدل کمینه سازی هزینه های نصی تحت مقدار کل اختصاص داده شده به همه خانواده ها برابر با کمیت مقدار تعیین شده در طرح ادغام در دوره فعلی است. مفاهیم مربوطه برای مدل تجزیه خانواده در جدول ۲ نشان داده شده و مدل حاصله به شکل ذیل است:

سیستم HPP فوق کاربرد زیادی در بسیاری از زمینه های صنعتی نظیر کاشی سازی((Liberatore and Miller, 1985),، فایبرگلاس(Aull and Burch, 1990) و تولید فولاد (Qiu et al., 2001; Neureuther et al., 2004). دارد.
۴ مدل ترکیبی
مدل زمان بندی و برنامه ریزی تجزیه خانواده که هزینه ها و زمان های نصب وابسته به توالی را در نظر می گیرد، به مدل APP برای اطمینان از ثبات، امکان پذیری و بهینه بودن طرح های تولیدی افزوده می شود. در این مدل ، هزینه های نصب خانواده به طور جهانی در افق برنامه ریزی برای اطمینان از بهینه سازی زمان بندی بهینه می شوند. محدودیت های اساسی تحمیل شده بر مدل تجزیه خانواده موجب پیوستکی فرایند های تجزیه می شود. زمان های نصب خانواده بهینه به محدودیت های ظرفیت تولید در اطمینان از امکان سنجی همه لایه های طرح مهم است. طرح های تولید حاصله بر اساس افق های میان مدت طراحی می شوند.
هم چنین مدل ترکیبی می تواند بسیاری از عناصر کلیدی درون وابستکی سلسله مراتبی را شامل می شود.( شیونس ۱۹۹۵).پیش بینی و واکنش با در نظر گرفتن هزینه ها و دفعات نصب در تابع هدف و محدودیت های ظرفیت تولید بدست می آیند این در حالی است که دستور العمل ها با احمیل محدودیت های سطح نوع در سطح خانواده حاصل می شوند.از آن جا که دو لایه مدل در خصوص زمان رسیدن به راه حل بهینه هم خوانی دارند، آن ها بر روی یک سیستم اجرا می شوند. عناصر بازخورد از طریق افق نورد تعیین می شوند.
مدل ترکیبی فرض می کند که ۱- داده های تقاضای دقیق به طور کافی برای همه دوره های برنامه ریزی وجود دارند. ۲- موارد ایمنی در نظر گرفته می شوند.و ۳- مقدار تولید هر خانواده در هر دوره برنامه ریزی مثبت است. فرض ۳ به دلایل ذیل معنی دار است: اول تقاضا برای هر خانواده تنها با انوانتوری رفع نمی شود زیرا تفاضای کل برای محصولاتی در قالب خانواده و فضای ذخیره ای محدود برای هر خانواده وجود دارد. دوما، انوانتوری مازاد برای خانواده باید اجتناب شود طوری که موجب مصرف منابع شده و موجب کاهش میزان برکشت انوانتوری می شود. در نهایت، تولید می تواند هزینه های انوانتوری مازاد و هزینه های ذخیره ای ناشی از انوانتور یکم تر را متعادل کند.
۴-۱ مفاهیم
علاوه بر مفاهیم بخش ۳، مفاهیم ویژه برای مدل ترکیبی در جدول ۳ نشان داده شده است.

بخشی از مقاله انگلیسی:

abstract

This paper proposes an integrated optimization model of aggregate production planning (APP), family disaggregation planning, and family scheduling problems in hierarchical production planning (HPP) systems considering sequence-dependent family setup times. The model obtains the optimal production plan for each product type and product family in each period, together with the globally optimal production sequence of product families in all planning periods. The proposed model is tested with randomly generated experimental data consistent with what is prevalent in the manufacturing industry and its results are compared with those of the traditional HPP models. Our results show that the integrated model realizes greater cost savings.

۱٫ Introduction

Production planning problems are generally formulated in one of two ways: monolithic and hierarchical. The monolithic approach (Manne, 1958; Lasdon and Terjung, 1971) formulates the problem as a mixed integer linear programming model for all items. However, this level of detail in the formulation of the problem requires demand data that is difficult to forecast accurately and is expensive to implement (Bitran et al., 1981). On the other hand, the hierarchical approach (Hax and Meal, 1975) decomposes the problem into several layers of sub-problems corresponding to different product structures, including APP for product type, family disaggregation planning for product families, and item disaggregation planning for items. Product types are groups of items having similar unit costs, direct costs (excluding labor), holding costs per unit per period, productivities, and seasonalities, while product families are groups of items pertaining to the same type and sharing similar setups (Bitran et al., 1981). Since the sub-problems can be solved much more easily, the hierarchical approach may meet managers’ needs for a quick solution than a monolithic approach. Moreover, the fact that there are usually a small number of types justifies the use of sophisticated forecasting techniques that may be expensive to employ for thousands of items (Bitran et al., 1981). However, the hierarchical planning approach suffers from several weaknesses. First, its hierarchical sub-problems should correspond to the organizational and decision-making echelons in the firm, resulting in increased interaction between the planning system and the decision-makers at each level (Graves, 1982). But organizational structures are becoming increasingly flatter, calling into question the utility of HPP models with rigid structures. Second, the family setup costs and times, determined at the second level family disaggregation models but influencing the top level models, are not taken into account in the aggregate decisions. Consequently, the resulting production plans are not necessarily optimal and susceptible to loss of cost savings opportunities, since a near-optimal aggregate plan may lead to much lower setup costs than an optimal one. Also the obtained production plans may be infeasible because the family setup times in the family disaggregation model inevitably consume the production capacity, which should have been assigned to produce the types in APP decisions. Therefore, when family setup costs and times are not trivial (Qiu et al., 2001; Yalcin and Boucher, 2004; Omar and Teo, 2007; Pastor et al., 2009) as in some manufacturing industries, their influences on the optimality and feasibility of the aggregate plans, and consistency when the aggregate plans are disaggregated, have to be considered. Third, the total family setup time in the planning horizon, usually calculated by summing up the optimal setup time in each period, is not necessarily globally optimal when the sequence dependencies between different families are considered. Due to the sequence dependency, the optimal schedule in the planning horizon is not only determined by the families produced in each period, but by the initial machine status in each period. To alleviate these weaknesses we propose a model that integrates APP problem and family disaggregation planning and scheduling problems with sequence dependent setup times and costs, and considers the global family scheduling optimization in the planning horizon. First, the model is robust enough to fit different organizational structures, providing flexibility for the decision maker. This is because it cannot only plan the production and scheduling of types for top-level managers, but also decompose the aggregate plans into detailed production plans of families for mid-level managers, and even provide scheduling information for the scheduling staff on the shop floor. When the organizational structures become flatter, managers at each layer can easily extract the relevant information (production plans of types or families) they need from the model. Second, the infeasibility of aggregate plans due to capacity consumption by family setup times can be eliminated. The model also maintains consistency when aggregate plans are disaggregated, and ensures the optimality of the production plans and schedules, or as close to optimal as possible. Third, the globally optimal family schedules in all periods of the planning horizon are concatenated to form an optimal schedule, rather than optimizing them period by period. The latter sequential family scheduling is more likely to be trapped in a local optimum, since the schedule in one period may result in an inferior schedule in the subsequent period. The remainder of this paper is organized as follows. In Section 2, the related literature is reviewed. In Section 3 a representative traditional HPP system by Ozdamar et al. (1998) is presented. Section 4 formulates the proposed integrated model. In Section 5, the corresponding benchmark problems of the proposed integrated approach are presented. The performance of the integrated model is validated with randomly generated experimental data in Section 6, together with some managerial implications of the study. We discuss the conclusions and future research directions in Section 7.

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *