مدلسازي رياضي تركيبي، جهت بهبود قابليت اطمينان سيستم‌هاي توليد فرآيندي (يك مدل بهبود يافته به همراه مطالعه موردي)

Mixed Mathematical Modeling to Increase Reliability in a Manufacturing System: An Improved Model Used in a Case Study

اين مقاله به ارايه‌ي نتايجي كه در خلال يك مطالعه‌ي كاربردي براي تبديل يك سيستم توليد فرآيندي به يك سيستم توليد سلولي بدست آمده است، مي پردازد. يك مدل برنامه ريزي عدد صحيح خطي به منظور پوشش اغلب سيستم‌هاي توليدي ارايه شده است كه باعث كاهش هزينه‌هاي توليد، بهبود كيفيت محصولات و بهبود قابليت اطمينان كليِ سيستمِ توليد مي‌گرد. هر قطعه براي توليد امكان انتخاب هر يك از مسيرهاي توليدي از پيش تعيين شده را دارد، به نحوي كه قابليت اطمينان كلي سيستم افزايش پيدا كند. از طرفي مدل به ارايه دسته بندي ماشين ها براي آرايش سلول هاي توليدي و كاهش هزينه‌هاي حمل و نقل مي‌پردازد به نحوي كه هر دو معيار قابليت اطمينان سيستم و هزينه ‌هاي توليدي بطورهمزمان بهبود پيدا كند. از ويژگي هاي اين مدلِ بهبود يافته، كاهش تلاش هاي محاسباتي، نزديكي به واقعيت و كاربردي بودن آن است بطوري كه از ساير مدلهاي موجود بهبود ملموس تري را ارايه ميكند. براي اثبات كارايي مدل ارايه شده، دو مساله اي كه نويسندگان در واقعيت با آن روبرو بودند بهمراه 11 مساله ي تصادفي ديگر كه بتواند تمام طيف مسايل كوچك تا بزرگ را پوشش دهد توسط نرم افزار لينگو حل شده و كيفيت پاسخ ها و زمان حل آنها با مدل هاي ديگر مقايسه شده اند.

This paper presents some of the results obtained for a case study on reliability in a job shop manufacturing. A mixed integer programming approach was used to present a linear objective function to form manufacturing cells which result in higher system reliability level, improved productions quality, less manufacturing costs, and some implicit consequences. Each part could choose one of the predetermined routings which leads to less transportation costs and less breakdowns. Stability of manufacturing system provides conditions to implement quality tools effectively. Two real case studies and 11 random problems in a wide spectrum have been solved by the proposed model and the results were compared against the existing model using lingo software. Results indicate that this model can be used to solve problems and reach global optima in lesser time and even solve large scale problems which could not be solved by the existing models in a reasonable time.