A production planning method for high-mix sequence-dependent setup micro-extrusion integrating quality and operator experience

In the dynamic landscape of biomedical manufacturing, characterized by the production of custom-made products to meet unique client demands, SMEs like ENKI face complex obstacles. This thesis delves into the heart of these challenges, focusing on the versatile process of micro-extrusion, responsible for crafting intricate polymer micro-tubes of various cross-sectional shapes. The fundamental obstacle in this journey is the scarcity of data. The continuous evolution of customer orders and, consequently, production mix make it arduous to accumulate substantial statistical samples for precise cycle time estimations. Beyond the challenges posed by limited data availability, it became evident that operator influence plays a critical role in Enki's production processes, which still involve manual control. By examining the operator's impact on both machine warm-up times and operational control, we adopted an operator-centric approach. This approach allowed us to develop a production plan that dynamically adjusts to the assigned operator, acknowledging their distinctive influence on machine performance. Within this data-constrained environment, the primary challenge was to predict production cycle times for individual product batches, recognizing their critical role in effective production planning. To forecast the duration of various phases within the micro-extrusion process, multiple regression methods were leveraged, and, whenever data availability allowed, the power of artificial neural networks was exploited. Armed with insights into cycle times and data analyses, the intricate journey of production planning optimization commenced, taking into account the nature of sequence-dependent set-up in ENKI's micro-extrusion stage. The optimization problem was formulated in the form of nonlinear programming (MINLP), facilitating the determination of an optimal production plan aligned with specific objective functions. Throughout this expedition, the overarching goal was clear: to optimize production planning under the ever-shifting tides of custom-made biomedical products. The result? A robust framework that adapts to data scarcity and operator dynamics, offering valuable insights into the intricate dance of production.

Nel dinamico contesto della produzione biomedicale, caratterizzato dalla realizzazione di prodotti personalizzati per soddisfare le mutevoli esigenze dei clienti, PMI come ENKI affrontano sfide complesse. Questa tesi va al cuore di queste sfide, concentrandosi sul versatile processo di micro-estrusione, responsabile della creazione di micro-tubi polimerici di varie forme trasversali. L'ostacolo fondamentale in questo percorso è la scarsità di dati. L'evoluzione continua degli ordini dei clienti e, di conseguenza, del mix di produzione rende difficile accumulare campioni statistici consistenti per precise stime delle tempistiche di lavoro. È emerso, inoltre, che, nei processi produttivi di ENKI, l'operatore riveste un ruolo critico, dato che le operazioni sono ancora controllate e svolte manualmente. Esaminando l'impatto dell'operatore sia sui tempi di warm-up delle macchine che sul controllo del processo, abbiamo adottato un approccio centrato sull'operatore. Ciò ci ha permesso di sviluppare un piano di produzione che si adatta dinamicamente all'operatore assegnato, riconoscendo la sua influenza sulle prestazioni della macchina. La sfida principale era prevedere i tempi del ciclo di produzione per singoli lotti di prodotti, dato il loro ruolo cruciale nella pianificazione della produzione efficace. Per prevedere la durata delle varie fasi del processo di micro-estrusione, sono stati impiegati metodi di regressione multipla e, quando la disponibilità di dati lo ha consentito, è stato sfruttato il potenziale delle reti neurali artificiali. Successivamente, è iniziato il percorso di ottimizzazione della pianificazione di produzione, tenendo conto della natura del processo di micro-estrusione di ENKI, il quale ha tempi di set-up dipendenti dalla sequenza di svolgimento delle lavorazioni. Il problema di ottimizzazione è stato formulato sfruttando la programmazione non lineare (MINLP), agevolando la determinazione di un piano di produzione allineato a specifiche funzioni obiettivo. L'obiettivo è chiaro: ottimizzare la pianificazione della produzione in questo mutevole contesto industriale. Il risultato? Una robusta metodologia di lavoro che si adatta alla scarsità di dati e alle dinamiche degli operatori, offrendo preziose informazioni e suggerimenti in questo intricato scenario di produzione.