نشریه پژوهش های مهندسی صنایع در سیستم های تولید

نشریه پژوهش های مهندسی صنایع در سیستم های تولید

مدل‌سازی ریاضی و حل مسأله زمان‌بندی جریان کارگاهی در سیستم تولیدی با حمل‌ونقل قابل پیکربندی مجدد

نوع مقاله : مقاله پژوهشی

نویسندگان
سحر اخگر 1
پرویز فتاحی 2
بهدین واحدی نوری 3
عبدالرضا روشنی 4
1 دانشجوی دکتری مهندسی صنایع، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه الزهرا، تهران، ایران
2 استاد گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه الزهرا، تهران، ایران
3 استادیار گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه تهران، تهران، ایران
4 استادیار گروه تحلیل تجاری، دانشکده کسب و کار، دانشگاه سورری، گیلدفورد، انگلیس
10.22084/ier.2025.30818.2201
چکیده
برای باقی‌ماندن در رقابت بازار جدید و پویا که دارای نوسانات زیادی در تقاضای محصول است، شرکت‌های تولیدی باید از سیستم‌هایی استفاده کنند که نه‌تنها کالاهای خود را با بهره‌وری بالا تولید کنند، بلکه امکان پاسخ سریع به تغییرات بازار را نیز فراهم کنند. سیستم تولید قابل پیکربندی مجدد یک الگوی جدید تولیدی است که براساس پاسخ‌گویی و بهره‌وری عملکردی بالا شکل گرفته است. یکی از اجزای این نوع سیستم تولیدی، تجهیزات حمل‌ونقل مواد قابل پیکربندی مجدد مانند ربات‌ است. باوجود اهمیت بالای سیستم حمل‌ونقل قابل پیکربندی مجدد و نقش آن در برنامه‌ریزی یک سیستم تولید قابل پیکربندی مجدد، تا به‌حال مسأله زمان‌بندی در یک محیط تولیدی با قابلیت پیکربندی مجدد سیستم حمل‌ونقل مواد بررسی نشده است. در این پژوهش، با درنظر گرفتن ربات‌های قابل پیکربندی مجدد برای حمل‌ونقل مواد در یک سیستم تولیدی، به زمان‌بندی یک خط تولید جریان کارگاهی جایگشتی پرداخته می‌شود. بر این‌اساس، یک مدل برنامه‌ریزی عدد صحیح مختلط در یک محیط چندمحصولی برای کمینه کردن دوره ساخت محصول پیشنهاد شده است. مدل پیشنهادی در نرم‌افزار GAMS 33.2.0 با حل‌کننده سیپلکس حل شده است و عملکرد مدل پیشنهادی، بااستفاده از مسائل عددی مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که زمان حل به تعداد کارها نسبت‌به تعداد ماشین‌ها و ربات‌ها، وابستگی و حساسیت بیشتری دارد و با افزایش تعداد کارها، زمان حل به‌صورت نمایی رشد می‌کند به‌طوری‌که با افزایش تعداد کارها به 20 عدد، زمان حل مدل به بیش‌از 154000 ثانیه خواهد رسید. درنتیجه برای حل مسائل در اندازه‌های بزرگ نیازبه استفاده از الگوریتم‌های حل ابتکاری می‌باشد.
کلیدواژه‌ها
زمان‌بندی جریان کارگاهی
سیستم تولید قابل پیکربندی مجدد
سیستم حمل‌ونقل قابل پیکربندی مجدد
برنامه‌ریزی عدد صحیح مختلط
موضوعات

عنوان مقاله English

Mathematical Modeling and Solving Flow Shop Scheduling Problem in a Reconfigurable Material Handling System

نویسندگان English

Sahar Akhgar 1
Parviz Fattahi 2
Behdin Vahedi-Nouri 3
Abdolreza Roshani 4
1 PhD Student in Industrial Engineering, Department of Industrial Engineering, Faculty of Engineering Alzahra University, Tehran, Iran
2 Professor, Department of Industrial Engineering, Faculty of Engineering Alzahra University, Tehran, Iran
3 Assistant Professor, Department of Industrial Engineering, Faculty of Industrial Engineering, University of Tehran, Tehran, Iran
4 Assistant Professor, Business Analytics and Operations, Centre of Digital Economy, Surrey Business School, University of Surrey, Guildford, England
چکیده English

In response to significant fluctuations in product demand, manufacturing companies must adopt efficient systems that enable rapid market responsiveness. The reconfigurable manufacturing system (RMS) emerges as a novel paradigm, emphasizing both responsiveness and operational effectiveness. A critical component of this manufacturing approach is the integration of reconfigurable material handling equipment, such as robots. This research presents a mixed-integer linear programming (MILP) model for scheduling a permutation flow shop production line, specifically addressing the use of reconfigurable robots for material handling in a multi-product environment to minimize makespan (Cmax). The model has been implemented in GAMS 33.2.0 with the CPLEX solver, and its performance has been evaluated through numerical experiments.

کلیدواژه‌ها English

Flow Shop Scheduling
Reconfigurable Manufacturing System
Reconfigurable Material Handling System
Mixed Integer Linear Programming
  • Bortolini, M., F.G. Galizia, and C. Mora, (2018). Reconfigurable manufacturing systems: Literature review and research trend. Journal of Manufacturing Systems, 49: 93-106 https://doi.org/10.1016/j.jmsy.2018.09.005.
  • Mehrabi, M. G., A.G. Ulsoy, and Y. Koren, (2000). Reconfigurable manufacturing systems: Key to future manufacturing. Journal of Intelligent manufacturing, 11: 403-419. https://doi.org/10.1023/A:1008930403506
  • Kumar, G., K.K. Goyal, and N. Batra. (2019). Evolution, principles and recent trends in reconfigurable manufacturing system. in Journal of Physics: Conference Series.. IOP Publishing.https://doi.org/10.1088/17426596/1240/1/012161
  • Müller, R., et al., (2011). Reconfigurable handling system. Production Engineering, 5: 453-461. https://doi.org/10.1007/s11740-011-0321-2
  • Chen, Y., X. Dai, and Z. Meng. (2005) Modeling of reconfigurable material handling system consisting of multiple mobile robots. in IEEE International Conference Mechatronics and Automation, IEEE. https://doi.org/1109/ICMA.2005.1626820
  • My, C.A., et al., (2019). Novel robot arm design and implementation for hot forging press automation. International Journal of Production Research, 2019. 57(14): p. 4579-4593. https://doi.org/10.1080/00207543.2018.1521026
  • Müller, R., M. Esser, and M. Vette, (2013). Reconfigurable handling systems as an enabler for large components in mass customized production. Journal of Intelligent Manufacturing, 24: 977-990. https://doi.org/10.1007/s10845-012-0624-y
  • Toptal, A. and I. Sabuncuoglu, (2010). Distributed scheduling: a review of concepts and applications. International Journal of Production Research, 48(18): p. 5235-5262. https://doi.org/10.1080/00207540903121065
  • Brahimi, N., et al., (2019). A literature review of optimization problems for reconfigurable manufacturing systems. IFAC-PapersOnLine, 52(13): 433-438. https://doi.org/10.1016/j.ifacol.2019.11.097
  • Yu, J.-M., et al., (2013). Input sequencing and scheduling for a reconfigurable manufacturing system with a limited number of fixtures. The International Journal of Advanced Manufacturing Technology, 67(1): 157-169. https://doi.org/10.1007/s00170-013-4761-z
  • Ge, C. and Z. Yuan, (2021). Production scheduling for the reconfigurable modular pharmaceutical manufacturing processes. Computers & Chemical Engineering, 151: 107346. https://doi.org/10.1016/j.compchemeng.2021.107346
  • Azab, A. and Naderi, (2015). Modelling the Problem of Production Scheduling for Reconfigurable Manufacturing Systems. Procedia CIRP, 33: 76-80. https://doi.org/10.1016/j.procir.2015.06.015
  • Bhargav, A., C.N.V. Sridhar, and M.L.S. Deva Kumar, (2017). Study of Production Scheduling Problem for Reconfigurable Manufacturing System (RMS). Materials Today: Proceedings, 4(8): p. 7406-7412. https://doi.org/10.1016/j.matpr.2017.07.071
  • Huang, S. and Y. Yan, (2019). Part family grouping method for reconfigurable manufacturing system considering process time and capacity demand. Flexible Services and Manufacturing Journal, 31(2): p. 424-445. https://doi.org/10.1007/s10696-018-9322-1
  • Dou, J., C. Su, and X. Zhao, (2020). Mixed integer programming models for concurrent configuration design and scheduling in a reconfigurable manufacturing system. Concurrent Engineering, 28(1): p. 32-46. https://doi.org/10.1177/1063293X19898727
  • Dou, J., et , (2021). A multi-objective particle swarm optimisation for integrated configuration design and scheduling in reconfigurable manufacturing system. International Journal of Production Research, 59(13): 3975-3995. https://doi.org/10.1080/00207543.2020.1756507
  • Ghanei, S. and T. AlGeddawy, (2020). An integrated multi-period layout planning and scheduling model for sustainable reconfigurable manufacturing systems. Journal of Advanced Manufacturing Systems, 19(01): 31-64. https://doi.org/10.1142/S0219686720500031
  • Vahedi-Nouri, B., et al., (2022). Workforce planning and production scheduling in a reconfigurable manufacturing system facing the COVID-19 pandemic. Journal of Manufacturing Systems, 63: 563-574. https://doi.org/10.1016/j.jmsy.2022.04.018
  • Gao, S., (2023). Production planning for mass customization in a reconfigurable manufacturing system. Université de Technologie de Compiègne https://theses.hal.science/tel-04115995/
  • Yang, S. et al., (2023). Real-time and concurrent optimization of scheduling and reconfiguration for dynamic reconfigurable flow shop using deep reinforcement learning. CIRP Journal of Manufacturing Science and Technology, 40: 243-252. https://doi.org/10.1016/j.cirpj.2022.12.001
  • Rohaninejad, M., et al., (2024). An integrated lot-sizing and scheduling problem in a reconfigurable manufacturing system under workforce constraints. International Journal of Production Research, 62(11): 3994-4013. https://doi.org/10.1080/00207543.2023.2253311
  • Mahmoodjanloo, M., et al., (2020). Flexible job shop scheduling problem with reconfigurable machine tools: An improved differential evolution algorithm. Applied Soft Computing, 94: 106416. https://doi.org/10.1016/j.asoc.2020.106416
  • Diaz, C.A.B., T. Aslam, and A.H. Ng, (2021). Optimizing reconfigurable manufacturing systems for fluctuating production volumes: A simulation-based multi-objective approach. IEEE Access, 9: 144195-144210. https://doi.org/1109/ACCESS.2021.3122239
  • Rahmana, A., et al., (2022). An Optimization Approach for Predictive-Reactive Job Shop Scheduling of Reconfigurable Manufacturing Systems. EDITORIAL BOARD, 16(5): p. 793. https://pure.qub.ac.uk/en/publications/an-optimization-approach-for-predictive-reactive-job-shop-schedul
  • Behrendt, S., et al., (2023). Extended Production Planning of Reconfigurable Manufacturing Systems by Means of Simulation-based Optimization. ESSN: 2701-6277: 210-220. https://doi.org/10.15488/13440
  • Valente, A., A. Cataldo, and E. Carpanzano, (2017). A dispatching algorithm and software tool for managing the part flow of Reconfigurable Transportation System. Procedia CIRP, 3: 497-502. https://doi.org/10.1016/j.procir.2013.06.022
  • Terkaj, W., M. Urgo, and D. Andolfatto. (2017). Answer set programming for modeling and reasoning on modular and reconfigurable transportation systems. in 2017 Federated Conference on Computer Science and Information Systems (FedCSIS). IEEE. https://doi.org/15439/2017F154
  • مرادی، و.، م. یوسفی‌نژاد عطاری، ه. فاروقی، (2018). مدل برنامه‌ریزی کمینه‌سازی زمان سیکل در سلول‌های تولیدی رباتیک سه ماشین بافرض ‏وجود ‏تعویض ابزار. نشریه پژوهش‌های مهندسی صنایع در سیستم‌های تولید، 6 (12): 1-17. https://doi.org/22084/ier.2017.12669.1578
  • An, K., et al. (2011). Model-driven performance analysis of reconfigurable conveyor systems used in material handling applications. in 2011 IEEE/ACM Second International Conference on Cyber-Physical Systems. IEEE. https://doi.org/1109/ICCPS.2011.12
  • Rahman, A.A., et , (2017). A concept of physical reconfigurable conveyor system. Journal of Advanced Manufacturing Technology (JAMT), 11(1): p. 29-36. https://pure.qub.ac.uk/en/publications/a-concept-of-physical-reconfigurable-conveyor-system

Mohamad, N., et al., (2018). Architecture of reconfigurable conveyor system in manufacturing system. Journal of Advanced Manufacturing Technology (JAMT), 12(1 (2)): p. 117-128. https://pure.qub.ac.uk/en/publications/architecture-of-reconfigurable-conveyor-system-in-manufacturing-s

نشریه پژوهش های مهندسی صنایع در سیستم های تولید
دوره 12، شماره 25
اسفند 1403
صفحه 155-167