A framework for implementing dynamic scheduling in a stochastic flow-shop

Scheduling, as a decision-making process, plays a strategic role in manufacturing. It has to be considered a process: finding optimal or near-optimal schedules is not sufficient since most production systems work in dynamic environments where unavoidable unexpected events can result in non-optimality or infeasibilities of previously defined production schedules. Due to these reasons and to the lack of previous works on how to use scheduling models into practice, a gap resulted between theory and industrial practice in scheduling systems. This work of thesis aims at proposing and developing a framework for the implementation of dynamic scheduling on a real system. The framework objective is to bring scheduling models into practice handling disrupting events which characterize production both in a preventive and in a reactive way, through the merge of robust scheduling with reactive scheduling in the same model. A simulation model is built to handle production complexity with maximum flexibility and to introduce a simulation-integrated optimization in order to evaluate candidate solutions; then, the most promising optimization algorithms are selected and their parameters are tuned to maximize their performances. Those algorithms are tested in order to be compared for selecting the most efficient scheduling model for the system under analysis. In order to deal with disrupting events, stochasticity is introduced the simulation model; this can be done through statistical models of the nondeterministic processes and by the real-time update of the simulation model to the actual state of the system. Finally, tolerances for process parameters are defined on the previously selected schedule in order to provide with an automated decision-making for triggering reactive scheduling. The framework’s last phases are enabled by the introduction of Cyber Physical Systems, which lead to the connection and integration of the scheduling system with productive resources. In order to validate the proposal, the framework was tested on the I4.0 Lab line of the School of Management of Politecnico di Milano. Through the connection with the line, it was possible to feed the simulation model with real-time information about machines failure rates in order to generate robust schedules and to perform an online control of the system after the definition of tolerances on the time to repair for the optimized schedules. Results allow to optimize the algorithms and parameters on the application case, and to perform reactive scheduling keeping it in less than 10 minutes in case of unexpected events; connection to CPS is exploited to identify machine state so as to improve robust and reactive scheduling performances.

Lo scheduling, come processo decisionale, ha un ruolo strategico nel settore manifatturiero. Deve essere considerato un processo: generare piani di produzione ottimali o quasi ottimali non è sufficiente poiché la maggior parte dei sistemi produttivi opera in ambienti in cui eventi inaspettati e inevitabili possono comportare la non ottimalità o la non fattibilità di piani di produzione precedentemente definiti. Per queste ragioni e per la mancanza di conoscenza riguardo a come mettere in pratica i modelli di scheduling, è evidente un gap tra la teoria della schedulazione e la pratica in ambito industriale. Questo lavoro di tesi mira a proporre e sviluppare un framework per l’implementazione dello scheduling dinamico su un sistema reale. L’obiettivo del framework è di mettere in pratica i modelli di schedulazione tenendo in considerazione gli eventi che caratterizzano la produzione sia in modo preventivo sia in modo reattivo, attraverso l’unione di robust scheduling e reactive scheduling nello stesso modello. Un modello di simulazione viene creato per gestire la complessità dei processi produttivi con la massima flessibilità e per realizzare l’integrazione tra ottimizzazione e simulazione in modo da ottenere da quest’ultima la valutazione delle possibili soluzioni. Diversi algoritmi sono selezionati e ottimizzati per produrre le massime prestazioni sul sistema in esame. Questi algoritmi sono poi testati per essere confrontati e per selezionare il modello di schedulazione più efficiente. Per tenere in considerazione gli eventi che perturbano la produzione, la stocasticità è introdotta nel modello di simulazione; questo può essere fatto tramite analisi statistiche e per mezzo dell’aggiornamento in tempo reale dei parametri del modello. Infine, tolleranze per i parametri di processo sono definite sulla base del piano produttivo generato in precedenza per fornire un processo automatizzato di decisione in grado di attivare il reactive scheduling. Le ultime fasi del framework sono rese possibili dall’introduzione dei Cyber Physical Systems, che portano alla connessione e all’integrazione delle risorse produttive con il sistema di schedulazione. Il framework è stato testato sulla linea del laboratorio I4.0 Lab della School Of Management del Politecnico di Milano per validare la proposta. Attraverso la connessione con la linea, è stato possibile fornire al modello di simulazione informazioni in tempo reale relative al tasso di guasto per generare piani di produzione robusti ed effettuare un controllo del sistema in seguito alla definizione per i piani di produzione ottimizzati delle tolleranze relative al tempo di riparazione. I risultati permettono sia di ottimizzare l’algoritmo e i parametri sul caso applicativo sia di avere un reactive scheduling in tempi brevi dell’ordine di 10 minuti in caso di eventi inaspettati; la connessione dei CPS viene sfruttata per la lettura degli stati delle macchine per migliorare sia robust che reactive scheduling.