Optimization of improvement actions' sequencing in multi-stage manufacturing systems

The manufacturing system's flexibility and reconfigurability to meet frequent demand changes in the market demand have become a quantifiable performance of the system. Increasing the efficiency and effectiveness of the multi-stage manufacturing systems is a way to cope with the market variances. Strategic choices for the improvement of the manufacturing system include risks. Risks can be mitigated by careful decision-making by finding an optimal plan for sequencing the improvement actions. It is not possible to detect every item affected by the improvement. Therefore, the performance evaluation models are developed to comprehensively reflect the real-life manufacturing systems. Performance evaluation models can be established with analytical methods or numerical methods such as Discrete Event Simulation to foresee the effects of changes in the system. Improvement actions can be identified according to the constraint on the budget and available time. In the continuation, the challenge is to identify an optimal plan or a sequence for an objective function which is generally throughput maximization, profit maximization, or cost minimization. With the available data, the correlation between system-level parameters and machine parameters can be estimated. Therefore, the effect of an improvement on one machine can be observed at the system level. To measure these effects, a stochastic analytical method is used for the performance evaluation of the referred system. This work represents two different methodologies for optimizing the sequence of improvement actions in multi-stage manufacturing systems. Firstly, the dynamic programming method is utilized as an exact approach to find an optimal path and to show its effectiveness. Secondly, a genetic algorithm is utilized as a metaheuristic approach to compare the results of different approaches. An experimental campaign is conducted to represent the need for optimization. With small numbers of improvement actions such as up to twenty, dynamic programming can efficiently find the optimal path, and genetic algorithms can provide a fast solution that is always better than the bottleneck release sequence.

La flessibilità e la riconfigurabilità del sistema di produzione per soddisfare i frequenti cambiamenti della domanda nella domanda del mercato sono diventate una prestazione quantificabile del sistema. Aumentare l'efficienza e l'efficacia dei sistemi di produzione multifase è un modo per far fronte alle variazioni del mercato. Le scelte strategiche per il miglioramento del sistema produttivo comportano dei rischi. I rischi possono essere mitigati da un attento processo decisionale trovando un piano ottimale per sequenza delle azioni di miglioramento. Non è possibile rilevare tutti gli elementi interessati dal miglioramento. Pertanto, i modelli di valutazione delle prestazioni sono sviluppati per riflettere in modo completo i sistemi di produzione della vita reale. I modelli di valutazione delle prestazioni possono essere stabiliti con metodi analitici o metodi numerici come la simulazione di eventi discreti per prevedere gli effetti dei cambiamenti nel sistema. Le azioni di miglioramento possono essere individuate in base al vincolo del budget e del tempo a disposizione. Nella continuazione, la sfida è identificare un piano ottimale o una sequenza per una funzione obiettivo che è generalmente la massimizzazione del throughput, la massimizzazione del profitto o la minimizzazione dei costi. Con i dati disponibili, è possibile stimare la correlazione tra parametri a livello di sistema e parametri macchina. Pertanto, l'effetto di un miglioramento su una macchina può essere osservato a livello di sistema. Per misurare questi effetti, viene utilizzato un metodo analitico stocastico per il valutazione delle prestazioni del sistema di riferimento. Questo lavoro rappresenta due diverse metodologie per ottimizzare la sequenza delle azioni di miglioramento nei sistemi di produzione multifase. In primo luogo, il metodo di programmazione dinamica viene utilizzato come approccio esatto per trovare un percorso ottimale e mostrarne l'efficacia. In secondo luogo, un algoritmo genetico viene utilizzato come approccio metaeuristico per confrontare i risultati di diversi approcci. Viene condotta una campagna sperimentale per rappresentare la necessità di ottimizzazione. Con un numero ridotto di azioni di miglioramento, ad esempio fino a venti, la programmazione dinamica può trovare in modo efficiente il percorso ottimale e gli algoritmi genetici possono fornire una soluzione rapida che è sempre migliore della sequenza di rilascio del collo di bottiglia.