Optimierung der Reihenfolgeplanung
-
Michael Schlecht
Michael Schlecht, M. Eng., ist Wissenschaftlicher Mitarbeiter im Labor Virtual Engineering an der Hochschule Offenburg und forscht in der Forschungsgruppe CSIP am Institut national des sciences appliquées de Strasbourg.
,
Sebastian Berger
Sebastian Berger, B. Eng., ist Wissenschaftlicher Mitarbeiter im Labor Virtual Engineering an der Hochschule Offenburg.
David Wussler, B. Eng., ist Wissenschaftlicher Mitarbeiter im Labor Virtual Engineering an der Hochschule Offenburg.
Matthias Haun, PhD, ist Professor an der Hochschule Offenburg, dem Polytechnikum Zagreb sowie der Vietnam National University und forscht im Bereich Kognitive Kybernetik und Philosophie der Kognitionswissenschaften.
Dr. Jürgen Köbler ist Professor sowie Leiter des Labor Virtual Engineering an der Hochschule Offenburg und forscht in den Bereichen Fertigungstechnik, Digitale Fabrik, Fertigungsorganisation und Produktionsplanung.
Abstract
Die Optimierung der Auftragsterminierung und Einsteuerungsreihenfolge hat großen Einfluss auf die Produktivität von Fertigungssystemen. Genetische Algorithmen und Simulation sind verbreitete Werkzeuge zur Optimierung. Dieser Beitrag beschreibt einen neuen Ansatz zur Optimierung durch einen genetischen Algorithmus und der Simulation in dynamischen Modellen. Eine illustrative Fallstudie validiert den Ansatz und zeigt das Potenzial zur ganzheitlichen Verbesserung von Fertigungssystemen auf.
Abstract
The optimization of the order scheduling and sequencing have big influence on the productivity of manufacturing systems. Genetic algorithms and simulation are common tools for optimization. This article describes a new approach to optimization based on the simulation in dynamic models and a genetic algorithm. An illustrative case study validates the approach and shows the potential for holistic improvement of manufacturing systems.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Funding statement: Dieser Beitrag entstand im Rahmen von VIRTfac. VIRTfac wird als Exzellenzprojekt durch die Wissenschaftsoffensive und über das Programm INTERREG Oberrhein durch die EU gefördert.
About the authors
Michael Schlecht, M. Eng., ist Wissenschaftlicher Mitarbeiter im Labor Virtual Engineering an der Hochschule Offenburg und forscht in der Forschungsgruppe CSIP am Institut national des sciences appliquées de Strasbourg.
Sebastian Berger, B. Eng., ist Wissenschaftlicher Mitarbeiter im Labor Virtual Engineering an der Hochschule Offenburg.
David Wussler, B. Eng., ist Wissenschaftlicher Mitarbeiter im Labor Virtual Engineering an der Hochschule Offenburg.
Matthias Haun, PhD, ist Professor an der Hochschule Offenburg, dem Polytechnikum Zagreb sowie der Vietnam National University und forscht im Bereich Kognitive Kybernetik und Philosophie der Kognitionswissenschaften.
Dr. Jürgen Köbler ist Professor sowie Leiter des Labor Virtual Engineering an der Hochschule Offenburg und forscht in den Bereichen Fertigungstechnik, Digitale Fabrik, Fertigungsorganisation und Produktionsplanung.
Literatur
1 Kellner, F.; Lienland, B.; Lukesch, M.: Produktionswirtschaft: Planung, Steuerung und Industrie 4.0. 2. Aufl., Springer-Gabler-Verlag, Wiesbaden 2020 DOI: 10.1007/978-3-662-61446-410.1007/978-3-662-61446-4Suche in Google Scholar
2 Zelewski, S.; Hohmann, S.; Hügens, T.: Produktionsplanungs- und -steuerungssysteme: Konzepte und exemplarische Implementierungen mithilfe von SAP R/3. Oldenbourg Verlag, München 2008 DOI: 10.1524/978348659986210.1524/9783486599862Suche in Google Scholar
3 Straßburger, S.; Bergmann, S.; Müller-Sommer, H.: Modellgenerierung im Kontext der Digitalen Fabrik - Stand der Technik und Herausforderungen. In: Proceedings der 14. ASIM-Fachtagung Simulation in Produktion und Logistik, 2010, S. 39-44Suche in Google Scholar
4 Kroll, A.: Computational Intelligence - Eine Einführung in Probleme, Methoden und technische Anwendungen. Oldenbourg Verlag, München 2013 DOI: 10.1524/978348673742410.1524/9783486737424Suche in Google Scholar
5 Nissen, V.: Einführung in evolutionäre Algorithmen: Optimierung nach dem Vorbild der Evolution. Vieweg-Teubner-Verlag, Braunschweig 1997 DOI: 10.1007/978-3-322-93861-910.1007/978-3-322-93861-9Suche in Google Scholar
6 März, L.; Krug, W.; Rose, O.; Weigert, G. (Hrsg.): Simulation und Optimierung in Produktion und Logistik. Springer-Verlag, Berlin, Heidelberg 2011 DOI: 10.1007/978-3-642-14536-010.1007/978-3-642-14536-0Suche in Google Scholar
7 Li, H.; Li, Z.; Li, L. X.; Hu, B.: A Production Rescheduling Expert Simulation System. European Journal of Operational Research 124 (2000) 2, S. 283-293 DOI: 10.1016/S0377-2217(99)00381-110.1016/S0377-2217(99)00381-1Suche in Google Scholar
8 Yano, C. A.; Lee, H. F.; Srinivasan, M. M.: Design and Scheduling of Flexible Assembly Systems for Large Products: A Simulation Study. Journal of Manufacturing Systems 10 (1991) 1, S. 54-66 DOI: 10.1016/0278-6125(91)90047-610.1016/0278-6125(91)90047-6Suche in Google Scholar
9 Lin, J. T.; Chen, C.-M.: Simulation Optimization Approach for Hybrid Flow Shop Scheduling Problem in Semiconductor Back-end Manufacturing. Simulation Modelling Practice and Theory 51 (2015) 2, S. 100-114 DOI: 10.1016/j.simpat.2014.10.00810.1016/j.simpat.2014.10.008Suche in Google Scholar
10 Robinson, S.; Nance, R. E.; Paul, R. J.; Pidd, M.; Taylor, S. J. E.: Simulation Model Reuse: Definitions, Benefits and Obstacles. Simulation Modelling Practice and Theory 12 (2004) 7-8, S. 479-494 DOI: 10.1016/j.simpat.2003.11.00610.1016/j.simpat.2003.11.006Suche in Google Scholar
11 Thomas, A.; Charpentier, P.: Reducing Simulation Models for Scheduling Manufacturing Facilities. European Journal of Operational Research 161 (2005) 1, S. 111-125 DOI: 10.1016/j.ejor.2003.08.04210.1016/j.ejor.2003.08.042Suche in Google Scholar
12 Rudtsch, V.; Bauer, F.; Gausemeier, J.: Approach for the Conceptual Design Validation of Production Systems Using Automated Simulation-Model Generation. Procedia Computer Science 16 (2013), S. 69-78 DOI: 10.1016/j.procs.2013.01.00810.1016/j.procs.2013.01.008Suche in Google Scholar
13 Reinhardt, H.; Weber, M.; Putz, M.: A Survey on Automatic Model Generation for Material Flow Simulation in Discrete Manufacturing. Procedia CIRP 81 (2019), S. 121-126 DOI: 10.1016/j.procir.2019.03.02210.1016/j.procir.2019.03.022Suche in Google Scholar
14 Schlecht, M.; Köbler, J.: Entwicklung eines digitalen, echtzeitfähigen Fabrikmodells. Forschung im Fokus 24 (2021), S. 4Suche in Google Scholar
15 Ting, C.-K.; Su, C.-H.; Lee, C.-N.: Multiparent Extension of Partially Mapped Crossover for Combinatorial Optimization Problems. Expert Systems with Applications 37 (2010) 3, S. 1879-1886 DOI: 10.1016/j.eswa.2009.07.08210.1016/j.eswa.2009.07.082Suche in Google Scholar
16 Acker, I. J.: Methoden zur mehrstufigen Ablaufplanung in der Halbleiterindustrie. 1. Aufl., Gabler Verlag, Wiesbaden 201110.1007/978-3-8349-6731-2Suche in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston
Artikel in diesem Heft
- Inhalt
- Editorial
- Mit Innovationskraft aus der Krise
- Produktion
- Z-Production – Ein revolutionäres Produktionsparadigma
- Optimierung der Reihenfolgeplanung
- Lernfabrik
- Weg zur intelligenten Fabrik
- Fabrik der Zukunft
- Elemente der „Fabrik der Zukunft“
- Innovative Zerspanung
- Prozessparallele Bahnanpassung für die 3-Achs-Fräsbearbeitung
- Additive Fertigung
- Praxisorientierte Konstruktion in der additiven Fertigung
- Energieeffizienz
- Wie die Gleichstromfabrik real wird
- Ökologie
- Transdisziplinäre End-of-Life-Analyse von Windenergieanlagen
- Ambidextrie
- Agiles Prozessmanagement mittels Ambidextrie
- Ambidextriemanagement in der Produktion
- Ortungssysteme
- Potenzialanalyse eines Standards für Ortungssysteme zum Einsatz in der Produktion und Logistik
- Obsoleszenz
- Ganzheitliches Obsoleszenzmanagement-Modell
- Digitalisierung
- Bauteilbezogene Speicherung prozessrelevanter Daten
- Digitaler Zwilling
- Überwindung struktureller Unsicherheit mit der Simulation Digitaler Zwillinge
- Der digitale Wertstromzwilling
- Maschinelles Lernen
- Transfer Learning in der Zerspanung
- 5G-Technologie
- Anforderungen für den Einsatz von 5G in Produktionsumgebungen
- 5G-Nutzenbewertung
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Mit Innovationskraft aus der Krise
- Produktion
- Z-Production – Ein revolutionäres Produktionsparadigma
- Optimierung der Reihenfolgeplanung
- Lernfabrik
- Weg zur intelligenten Fabrik
- Fabrik der Zukunft
- Elemente der „Fabrik der Zukunft“
- Innovative Zerspanung
- Prozessparallele Bahnanpassung für die 3-Achs-Fräsbearbeitung
- Additive Fertigung
- Praxisorientierte Konstruktion in der additiven Fertigung
- Energieeffizienz
- Wie die Gleichstromfabrik real wird
- Ökologie
- Transdisziplinäre End-of-Life-Analyse von Windenergieanlagen
- Ambidextrie
- Agiles Prozessmanagement mittels Ambidextrie
- Ambidextriemanagement in der Produktion
- Ortungssysteme
- Potenzialanalyse eines Standards für Ortungssysteme zum Einsatz in der Produktion und Logistik
- Obsoleszenz
- Ganzheitliches Obsoleszenzmanagement-Modell
- Digitalisierung
- Bauteilbezogene Speicherung prozessrelevanter Daten
- Digitaler Zwilling
- Überwindung struktureller Unsicherheit mit der Simulation Digitaler Zwillinge
- Der digitale Wertstromzwilling
- Maschinelles Lernen
- Transfer Learning in der Zerspanung
- 5G-Technologie
- Anforderungen für den Einsatz von 5G in Produktionsumgebungen
- 5G-Nutzenbewertung
- Vorschau
- Vorschau
