تخصيص اپراتور با در نظرگيري اثر يادگيري و فراموشي در يك سيستم توليد سلولي در شرايط عدم قطعيت: مطالعه موردي (شركت سايپا)

Operator Learning-Forgetting Uncertainty Consideration in Cellular Manufacturing System: a Case Study from Saipa Car Manufacturing Company

يكي از مهمترين مسائل در سيستم توليد سلولي مبحث تخصيص منابع به خصوص نيروي انساني مي­باشد. نوآوري اين پژوهش نسبت به كارهاي انجام شده، در نظرگيري اثر يادگيري و فراموشي اپراتور ضمن خدمت است، مسئله ­اي كه مي­تواند در ميزان مهارت كسب شده­ي اپراتور در انتهاي دوره­ي برنامه­ ريزي و تخصيص فعاليت­ها در دوره­ي آتي موثر واقع شود. در اين مدل عواملي ديگر همچون استخدام و اخراج، حقوق و دستمزد، سطح­بندي مهارتي و جابه­جايي اپراتور پرداخته شده است و سعي در ارائه­ي مدلي جامع در مبحث تخصيص نيروي انساني شده است. در اين مطالعه يك رويكرد بهينه‌سازي استوار براي مدل‌سازي عدم قطعيت در سيستم توليد سلولي ارائه شده است. استواري مدل ارائه شده باعث شده است تا جواب بدست آمده به ازاي تمامي مقادير پارامتر‌هاي غيرقطعي، شدني بودن خود را حفظ نمايد و در اين محيط غير قطعي به دنبال يافتن جواب بهينه باشد. مدل ارائه شده با استفاده از تكنيك­هاي خطي­سازي به مدلي خطي تبديل شده­ است. پس از كدنويسي مدل ارائه شده، با استفاده از نرم‌افزار گمس به تحليل­هايي از جمله بررسي مقادير بهينه و زمان حل هر يك از مدل­هاي خطي و غيرخطي پرداخته شده است. همچنين يك مطالعه موردي از مركز ريخته گري شركت سايپا مورد بررسي قرار گرفته است. بر اساس نتايج بدست آمده هزينه استخدام اپراتور بيشترين تاثير را بر روي ميزان بهينه تابع هدف در شرايط عدم قطعيت مدل داشته است.

One of the most important issue in every manufacturing system is the operator management. In this paper the operator assignment problem has been studied within a cellular manufacturing system. The most important novelty of this research is to consider the operator learning, forgetting effects. Actually an operator skill level can be increased or decreased based on the time spending on a machine and with a specified too. Moreover, operator related issues like hiring, firing and salary have been regarded in the proposed model. Besides this, the model parameters uncertainty has been considered and a robust optimization approach has been developed to solve the model, efficiently. Using the proposed approach, the model solution remains feasible even optimal in all uncertain parameter level. In order to verify and validate the proposed model, some numerical examples are generated randomly and solved using the Gams optimization package. Also a case study taken from literature has been investigated. Data are taken from Saipa car manufacturing company in order to demonstrate the model performance. Finally the managerial insights, are discussed in details.