Due date prediction using artificial neural networks : a simulation study

One of the major problem of production companies is how to quote an achievable and realistic due date for client order. It is considered as an important factor in scheduling for shop floor. There are variety of prediction methods proposed to improve due date (DD) assignment, unfortunately not all show best results under all circumstances. In literature, there are different due date approaches highlighted. In most models of due date assignment, due date is the characteristic of order or job and consist on flow time prediction for that respective order. It comprises of order evaluation on bases of estimated flow along with some performance measures The artificial neural network (ANN) has been used for prediction in multiple areas such as: finances and accounting (i.e predicting failures in bank), medicine (i.e sick patient ratio), manufacturing (i.e stock level predictions). Previous studies have shown that use of artificial neural network as a flow time predictor through ANN can perform better than conventional due date assignment rules and can be put to further experimentation. This research extends in two steps, first is on the Due date assignment by using an artificial neural network model: Regression model for predicting flow time and utilizing it in due date prediction, second is comparing it to pure flow shop, uniform distribution due date assignment. Immediate Release (IM) from the Order release rule (ORR) was chosen initially to design and study performance of ANN. Furthermore, different Order release rule such as Workload Control (WL) and Periodic release (PR) were taken into consideration and performance aspects were seen for the designed artificial neural network. The generation of data, in order to feed the neural network was part of simulation model for uniform distribution model. Furthermore, the due date output result from uniform distribution assignment for highlighted release rule and from artificial neural network model were evaluated in terms of mean tardiness (MT) and percentage of tardiness (PT). The results indicate that the artificial neural network is performing better than uniform distribution assignment rule in the mentioned case

Uno dei maggiori problemi delle aziende di produzione è come citare una data di scadenza realizzabile e realistica per l'ordine del cliente. È considerato un fattore importante nella pianificazione dell'officina. Esistono vari metodi di previsione proposti per migliorare l'assegnazione della data di scadenza (DD), sfortunatamente non tutti mostrano i migliori risultati in tutte le circostanze. In letteratura sono evidenziati diversi approcci alla data di scadenza. Nella maggior parte dei modelli di assegnazione della data di scadenza, la data di scadenza è la caratteristica dell'ordine o del lavoro e consiste nella previsione del tempo di flusso per quel rispettivo ordine. Comprende la valutazione dell'ordine sulla base del flusso stimato insieme ad alcune misure di performance La rete neurale artificiale (ANN) è stata utilizzata per la previsione in più aree come: finanza e contabilità (ovvero previsione di fallimenti in banca), medicina (cioè rapporto tra pazienti malati), produzione (cioè previsioni del livello delle scorte). Precedenti studi hanno dimostrato che l'uso della rete neurale artificiale come predittore del tempo di flusso attraverso la ANN può funzionare meglio delle regole convenzionali di assegnazione della data di scadenza e può essere sottoposto a ulteriori sperimentazioni. Questa ricerca si estende in due fasi, la prima riguarda l'assegnazione della data di scadenza utilizzando un modello di rete neurale artificiale: modello di regressione per prevedere il tempo di flusso e utilizzarlo nella previsione della data di scadenza, la seconda è confrontarlo con il negozio di flusso puro, l'assegnazione della data di scadenza della distribuzione uniforme . Il rilascio immediato (IM) dalla regola di rilascio dell'ordine (ORR) è stato scelto inizialmente per progettare e studiare le prestazioni della ANN. Inoltre, sono state prese in considerazione diverse regole di rilascio dell'ordine come il controllo del carico di lavoro (WL) e il rilascio periodico (PR) e sono stati osservati gli aspetti delle prestazioni per la rete neurale artificiale progettata. La generazione di dati, al fine di alimentare la rete neurale, faceva parte del modello di simulazione per il modello di distribuzione uniforme. Inoltre, l'output della data di scadenza risulta dall'assegnazione uniforme della distribuzione per la regola di rilascio evidenziata e dal modello di rete neurale artificiale sono stati valutati in termini di ritardo medio (MT) e percentuale di ritardo (PT). I risultati indicano che la rete neurale artificiale sta funzionando meglio della regola di assegnazione della distribuzione uniforme nel caso menzionato