Neubacher, M. (2011). Simulation-based optimization methods for operative production control and scheduling, using discrete digital factory models : application in the field of plastic processing [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-57619
discrete simulation; simulation-based optimization; priority rules; production planning
en
Abstract:
Diese Diplomarbeit beschreibt simulationsbasierte Optimierung, bei der ein Simulator mit einem Optimierer gekoppelt wird. Die Arbeit wurde im Bereich der Plastik verarbeitenden Industrie durchgeführt und war Teil eines FFG (Österreichische Forschungs-förderungsgesellschaft) geförderten Projektes der Programmlinie "Fabrik der Zukunft". Der praktische Teil dieser Arbeit wurde im Rahmen einer Kooperation zwischen der Technischen Universität Wien und der Profactor GmbH in Steyr, Österreich durchgeführt. Aufbauend auf einer Prozess- und Datenanalyse wurde ein Simulationsmodell erstellt. Hierfür wurde die Simulationsbibliothek SiRO verwendet. Für die Optimierung wurde das HeuristicLab Framework für heuristische und evolutionäre Algorithmen verwendet. Unter Verwendung eines offspring selection genetic algorithm wurden komplexe Prioritätsregeln generiert, welche situativ für alle Entscheidungspunkte jedes Simulationslaufes angewandt werden.<br />Die von der Simulation gewonnenen Betriebsdaten werden an ein Bewertungsmodell als Kennzahlen übergeben, auf gemeinsame Einheit überführt und zu einem Fitnesswert zusammengeführt. Das Bewertungsmodell repräsentiert, durch die jeweilige Formulierung, die Unternehmensziele (Zielfunktion). Ein Rating Framework wurde entwickelt, um die Erstellung von Bewertungsmodellen zu vereinfachen. Nach Ausführen der Simulation und des Bewertungsprozesses wird der Fitnesswert an die Optimierung übergeben. Durch den Vergleich der Fitnesswerte verschiedener Prioritätsregeln kann auf die Qualität der erzeugten Regeln geschlossen werden. Basierend auf der besten gefundenen Prioritätsregel werden die erzeugten Arbeitspläne als Gantt chart bereitgestellt. Ein sehr interessantes Resultat dieser Studie zeigte, dass das gefühlte Stressniveau der Arbeiter mit dem jeweiligen Arbeitsrückstand korreliert.<br />
de
This thesis describes simulation-based optimization, where an optimizer is coupled with a simulator. The work presented here was performed in the field of the plastic processing industry and was part of a FFG (Austrian Research Promotion Agency) funded project within the program line "Factory of Tomorrow". The development of the practical part of this work was done in a co-operation between the Technical University of Vienna and the Profactor GmbH located in Steyr, Austria. Based on the process and data analyses, a simulation model was built using the simulation library SiRO. As optimization tool the HeuristicLab framework for heuristic and evolutionary algorithms was used. The optimization generates complex priority rules by using an offspring selection genetic algorithm. These complex priority rules are applied situationally for all decision points at each simulation replication. The simulation delivers indices of the operating data from each replication to a rating model, where these indices are transferred into a common unit and then merged into a fitness value. The formulation of the rating model represents the company objectives (objective function).<br />To construct a rating model, a rating framework was developed. After having performed the simulation and rating, the fitness value was delivered to the optimization. By comparing the different fitness values of different priority rules, it is possible to infer the quality of the generated rules. The best complex priority rule is obtained and based on this, a Gantt chart is provided to illustrate the obtained work schedules. A very interesting result of this study showed that the felt stress level of workers correlates with the backlog of work.<br />