Analysis and comparison of different scheduling and dispatching methods and development of a multiobjective green genetic algorithm to pursue energy efficiency in a manufacturing environment

The energy consumption problem is becoming a critical issue for our society: the world’s energetic demand has doubled in the last 40 years and it is estimated do double again by 2030; the manufacturing sector is responsible for 33% of this total consumption and can be accounted for more than 38% of the CO2 emissions. It is therefore our duty to try to reduce this energetic consumption, by means of energy efficient measures, both for economic and environmental reasons. The thesis work lies in the green manufacturing framework, focusing on the production scheduling function of a job-shop environment. This function has been thoroughly researched through the years from the productivity point of view, but has not been tackled yet from the energetic point of view if not in a very superficial way. The thesis therefore intends to investigate more deeply on this subject: first of all by assessing which energetic states of a generic machine tool could be considered relevant from the production scheduling point of view and then calculating their power requests. Then by developing a series of different policies with the aim to govern the behavior of the machine tools in the operative idle state, deciding the energetic state they should be switched to. Hence a new Green Genetic Algorithm, which is able to consider objectives related to the productivity and to the energy consumption is developed, giving as a result a series of different Pareto-front solutions which allow the possibility to assess the energetic consumption of different literature test problems with respect to the different policies. Finally the GGA is used on a specifically developed case study in order to test the relationship between different energetic and productive key performance indicators of the manufacturing system with respect to the variation of the number of jobs in the production batch.

Il consumo energetico sta diventando un problema cruciale per la nostra società: la domanda energetica mondiale è raddoppiata negli ultimi 40 anni e si stima che raddoppierà ancora entro il 2030; il settore manifatturiero è responsabile per il 33% del consumo totale e per più del 38% delle emissioni di CO2. È quindi doveroso cercare di ridurre questo consumo energetico, per mezzo di interventi di efficienza energetica, per ragioni di carattere sia economico sia ambientale. Il lavoro di tesi si inserisce nel contesto del green manufacturing, concentrandosi sulla funzione di programmazione della produzione in un ambiente di tipo job-shop. Questa funzione è stata oggetto di moltissime ricerche negli anni dal punto di vista della produttività, ma non è ancora stata affrontata dal punto di vista energetico se non in maniera molto superficiale. La tesi si pone quindi l’obiettivo di investigare più a fondo in quest’area: prima di tutto valutando quali stati energetici di una generica macchina utensile possano essere considerati rilevanti dal punto di vista della programmazione della produzione e quindi calcolandone le richieste energetiche. Quindi sviluppando una serie di differenti politiche con l’intento di controllare il comportamento delle macchine utensili nello stato operativo idle, decidendo in quale stato energetico debbano essere poste. Poi è stato sviluppato un nuovo Algoritmo Genetico “Verde”, capace di considerare obiettivi sia di carattere produttivo sia energetico e di restituire una serie di soluzioni di Pareto, che hanno permesso di valutare il consumo energetico di diversi problemi standard trovati in letteratura rispetto alle differenti politiche. Infine il GGA è utilizzato su un caso di studio appositamente sviluppato per testare le relazioni fra i diversi indicatori di performance energetici e produttivi al variare del numero di job nel lotto di produzione.