بهبود برنامه ریزی تولید با یادگیری ماشین

مقاله با عنوان "بهبود برنامه ریزی تولید با یادگیری ماشین" توسط میثم برداره، محمد حسین حسنی و امید خیری نوشته شده است. این مقاله در چهارمین همایش بین المللی دستاوردهای نوین علوم مدیریت و حسابداری در ایران و جهان ارائه شده است.

چکیده:

در زمینه برنامه‌ریزی و کنترل تولید (PPC)، سه حوزه تحقیقاتی قابل شناسایی هستند: برنامه‌ریزی تولید، زمان‌بندی تولید و کنترل تولید. این موضوعات اخیراً توسط محققان مختلف از دیدگاه‌های متفاوت بررسی شده‌اند. با این حال، ارتباط و تعامل این حوزه‌ها در عصر سیستم‌های تولید فیزیکی-سایبری (CPPS) کمتر مورد توجه جامعه پژوهشی قرار گرفته است. هدف این مقاله مرور وضعیت فعلی این زمینه‌ها، بررسی امکان ارتباط احتمالی با توجه به راه‌حل‌های مختلف هوش مصنوعی توسعه‌یافته برای حوزه‌های جداگانه، و ارائه چشم‌اندازی در مورد فعالیت‌های تحقیقاتی آینده در PPC در زمینه صنعت ۴.۰ است.

واژه‌های کلیدی:

برنامه‌ریزی و زمان‌بندی تولید، هوش ماشین، یادگیری.

مقدمه:

یکی از بزرگترین چالش‌های سیستم‌های برنامه‌ریزی تولید امروزی در عصر صنعت ۴.۰ و CPPS، انعطاف‌پذیری و انطباق در عین قدرتمندی، انعطاف‌پذیری و کارآمد بودن است. این چالش در تمام سطوح سیستم برنامه‌ریزی تولید وجود دارد. برنامه‌ریزی تولید میان‌مدت شامل زمان‌بندی سفارش تولید، محاسبه اندازه Lot و برنامه‌ریزی ظرفیت است. اصطلاح زمان‌بندی تولید به برنامه‌ریزی زمانی توالی (ترکیبی) و مسیریابی محصولات اشاره دارد. کنترل تولید تمام اقداماتی را که برای هدایت یک سفارش تولید از طریق سیستم تولید پس از انتشار آن لازم است، در نظر می‌گیرد. در طول اجرای برنامه تولید، چندین اختلال پیش‌بینی‌نشده مانند خرابی ماشین‌آلات و بیماری کارکنان ممکن است رخ دهد که می‌تواند منجر به اختلاف بین برنامه‌ریزی و واقعیت شود.

در سال‌های اخیر، چندین موضوع جدید در زمینه برنامه‌ریزی و کنترل تولید (PPC) پدیدار شده است، از جمله تنوع بالای انواع محصولات که منجر به سیستم‌های پیچیده می‌شود. به دلیل انعطاف‌پذیری سیستم تولید، هزینه‌ها در حال افزایش است. سیستم‌های تولید امروزی دیگر توسط انسان قابل تجارت نیستند.

نتایج مرتبط:

در این بخش، آخرین نتایج بدست آمده در سه حوزه تحقیقاتی PPC ارائه می‌شود.

برنامه‌ریزی تولید میان‌مدت:

در ، نویسندگان استحکام یک برنامه تولید را با مقایسه شاخص‌های عملکرد سیستم تولید به دست آمده و شاخص‌های مورد انتظار طبق برنامه‌ریزی تعریف می‌کنند. یادگیری ماشین (ML) امکانی برای یادگیری از نوسانات تصادفی ناشی از عوامل تأثیرگذار مختلف است و بنابراین یک رویکرد رایج برای مقابله با عدم قطعیت‌ها است. اخیراً ML به طور فزاینده‌ای در زمینه تولید مورد توجه قرار گرفته است.

زمان‌بندی مبتنی بر شرایط:

نظارت وضعیت (CM) اندازه‌گیری سلامت ماشین‌آلات و ابزارها موضوعی است که عمدتاً در زمینه تعمیر و نگهداری مورد بحث قرار می‌گیرد. با این حال، اطلاعات CM نیز عامل مهمی در PPC است. این امر به ویژه در تولید صادق است زیرا شرایط تجهیزات بر توانایی آن در تولید محصولات با کیفیت تأثیر می‌گذارد.

کنترل تولید با عوامل تطبیقی و خود بهینه‌ساز:

رویکردهای مختلف مبتنی بر عامل و رویداد محور در PPC به منظور پاسخ به چالش‌های توسعه فناوری در سال‌های اخیر به کار گرفته شده‌اند. به نظر می‌رسد یادگیری تقویتی (RL) روش مطمئنی برای کنترل تولید خود بهینه‌ساز و تطبیقی است. RL در کنار یادگیری تحت نظارت و بدون نظارت، یکی از گونه‌های ML است.

بحث و بررسی:

همان‌طور که می‌توان از بررسی پیشینه تحقیق متوجه شد، تاکنون چندین روش برای مقابله با چالش‌های موجود در صنایع تولیدی مورد تحقیق و بررسی قرار گرفته‌اند. این روش‌ها از ML، AI، سیستم‌های مبتنی بر عامل و روش‌های تحقیق در عملیات سنتی استفاده می‌کنند. اما این روش‌ها از یک سو به صورت جداگانه بررسی شده‌اند و از سوی دیگر فقط تا حد معینی مورد بررسی قرار گرفتند. بنابراین فقط راه‌حل‌های جداگانه وجود دارد. طبق نظر محققان، دیدگاه جدیدی درباره PPC نیاز است تا به چالش‌های PPC برای استفاده کامل از پتانسیل CPPSها در آینده نزدیک پاسخ دهد.

نتیجه‌گیری:

بدیهی است که PPC تحت تأثیر صنعت ۴.۰ قرار خواهد گرفت. در نتیجه، مدل مرجع فعلی PPC (مدل Aachen PPC) برای تغییرات مورد نیاز مناسب نیست. در این مقاله برخی از سوالات کلیدی که برای تحقیقات آینده در حوزه برنامه‌ریزی تولید در CPPS بیان شده است، نشان داده شد که راه‌حل‌های جداگانه متفاوتی برای برنامه‌ریزی میان‌مدت، زمان‌بندی تولید و کنترل تولید وجود دارد.