Kitlesel İmalat Sistemlerinde Dijital İkiz Kullanılarak Gerçek Zamanlı Üretim Çizelgeleme ve Tekstil Sektöründe Bir Uygulama

Year 2022, Volume: 34 Issue: 2, 328 - 336, 30.06.2022

Alperen Bal Hilal Gevrek Sedefnur Demir

https://doi.org/10.7240/jeps.1068970

Abstract

Üretim ortamının dinamik yapısı planlanmayı güçleştirmektedir. Gelişen teknoloji ile birlikte dijital ikiz, üretim süreçlerine etkin çözümler sunabilmek amacıyla artan bir şekilde kullanılmaya başlanmıştır. Bu çalışmada, kitlesel imalat sistemlerinde üretimin planlanması amacıyla simülasyon temelli dijital ikiz ile bir çizelgeleme modeli önerilmiştir. Böylece çözümü zor olan üretim çizelgeleme problemlerine yenilikçi ve uygulanabilir bir yaklaşım önerilmesi amaçlanmıştır. Üretim hattının bir kopyası olan ve gerçek zamanlı veri ile entegre edilmiş model, hammadde stokları, üretim süreleri, hazırlık süreleri, vardiya değişimleri ve mola zamanları, bakım ve arıza kaynaklı duruşlar gibi birçok üretim parametresini dikkate almaktadır. Önerilen yaklaşımın gerçek hayat uygulamasını göstermek amacıyla, kumaş imalatı yapan bir tekstil işletmesinde üretim hattının dijital ikizi oluşturulmuş ve örgü makineleri için işlerin sıraları belirlenmiştir. Model ile her bir siparişin zamanında tamamlanma olasılığı belirlenerek risk analizi yapılabilmektedir. Böylece yüksek riske sahip siparişler yeniden çizelgelenerek olası gecikmelerden kaçınılabilmektedir.

Keywords

Dijital ikiz, kitlesel imalat, risk analizi, simülasyon, üretim çizelgeleme, tekstil

Supporting Institution

TÜBİTAK

Project Number

1139B412000737

Thanks

Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) bu çalışmayı 2209-B Üniversite Öğrencileri Sanayiye Yönelik Araştırma Projeleri Desteği Programı kapsamında 1139B412000737 başvuru numaralı proje ile desteklemiştir.

Real Time Production Scheduling with Digital Twin in Mass Production Systems and An Application in Textile Industry

Abstract

The dynamic nature of production environment makes planning activities difficult. In parallel with the technological advancements, digital twin has been increasingly used in order to offer effective solutions to production processes. This study proposes a simulation-based digital twin scheduling model for production planning in mass production systems. Thus, we aim to propose an innovative and practical approach to production scheduling which is hard to implement on the shop floor. The model is the digital counterpart of the production line and is integrated with real time production data. It considers many production parameters such as raw material stocks, production cycle times, setup times, shifts and break times, maintenance and downtimes. We provide a novel approach by combining process planning and scheduling together. To elaborate how to apply the proposed approach to reality, we present detailed implementation process of the digital twin in a fabric manufacturer textile company and determine production sequences of the jobs for knitting machines. The model makes risk analysis by considering the risk of not delivering the orders on due dates. Thus, potential delays can be avoided by rescheduling high-risk tasks.

Keywords

Digital twin, mass production, production scheduling, risk analysis, simulation, textile

Project Number

1139B412000737

References

• [1] E. KUMAŞ ve S. EROL. (2021). Endüstri 4.0’da anahtar teknoloji olarak dijital ikizler. POLİTEKNİK DERGİSİ J. Polytech., vol. 24, no. 2, pp. 691–701.
• [2] C. Zhuang, J. Liu, ve H. Xiong. (2018) Digital twin-based smart production management and control framework for the complex product assembly shop-floor. Int. J. Adv. Manuf. Technol., vol. 96, no. 1–4, pp. 1149–1163. doi: 10.1007/s00170-018-1617-6.
• [3] Deloitte Research Center for Energy And Industrial Group. (2019). Deloitte and MAPI Smart Factory Study. Deloitte Insights MAPI, Deloitte, USA.
• [4] F. Tao, M. Zhang, Y. Liu, and A. Y. C. Nee. (2018). Digital twin driven prognostics and health management for complex equipment. CIRP Ann., vol. 67, no. 1, pp. 169–172. doi: 10.1016/j.cirp.2018.04.055.
• [5] F. Tao, H. Zhang, A. Liu, and A. Y. C. Nee. (2019). Digital Twin in Industry: State-of-the-Art. IEEE Trans. Ind. Informatics, vol. 15, no. 4, pp. 2405–2415. doi: 10.1109/TII.2018.2873186.
• [6] F. Tao, M. Zhang ve A. Y. C. Nee. (2019). Digital Twin Driven Smart Manufacturing. Academic Press.
• [7] Y. Lu ve X. Xu. (2018). Resource virtualization: A core technology for developing cyber-physical production systems. J. Manuf. Syst., vol. 47, pp. 128–140. doi: 10.1016/j.jmsy.2018.05.003.
• [8] P. D. Urbina Coronado, R. Lynn, W. Louhichi, M. Parto, E. Wescoat ve T. Kurfess. (2018). Part data integration in the Shop Floor Digital Twin: Mobile and cloud technologies to enable a manufacturing execution system. J. Manuf. Syst., vol. 48, pp. 25–33. doi: 10.1016/j.jmsy.2018.02.002.
• [9] M. Schluse, M. Priggemeyer, L. Atorf ve J. Rossmann. (2018). Experimentable Digital Twins-Streamlining Simulation-Based Systems Engineering for Industry 4.0. IEEE Trans. Ind. Informatics, vol. 14, no. 4, pp. 1722–1731. doi: 10.1109/TII.2018.2804917.
• [10] T. Saraç, K. Erten ve E. YILMAZ. (2018). Kaynak Makinelerinin Vardiya Bazında Çizelgelenmesi Problemi İçin İki Aşamalı Bir Çözüm Yaklaşımı. Endüstri Mühendisliği, vol. 29, no. 1–2, pp. 2–14.
• [11] T. Eren ve E. Güner. (2002). Tek ve paralel makinali problemlerde çok ölçütlü çizelgeleme problemleri için bir literatür taraması. J. Fac. Eng. Archit. Gazi Univ., vol. 17, no. 4, pp. 37–69.
• [12] M. L. Pinedo. (2016). Scheduling: theory, algorithms, and systems. 5-th ed. Cham. Springer.
• [13] W. Ji ve L. Wang. (2017). Big data analytics based fault prediction for shop floor scheduling. J. Manuf. Syst., vol. 43, pp. 187–194. doi: 10.1016/j.jmsy.2017.03.008.
• [14] A. S. Manne. (1960) On the Job-Shop Scheduling Problem. Oper. Res., vol. 8, no. 2, pp. 219–223. doi: 10.1287/opre.8.2.219.
• [15] A. Sipahioglu ve T. Saraç. (2008) The performance of the modified subgradient algorithm on solving the 0-1 quadratic knapsack problem. 20th Int. Conf. EURO Mini Conf. "Continuous Optim. Knowledge-Based Technol. Eur., vol. 20, no. 2, pp. 381–385, 2008. doi: 10.15388/informatica.2009.251.
• [16] E. AKYOL ÖZER ve T. Saraç. (2012). Plastik parçalar üreten bir fabrikanın montaj hatlarının çizelgelenmesi. Endüstri Mühendisliği, vol. 23, no. 2, pp. 28–41.
• [17] S. KASIMOĞLU, G. DEMİR, B. P. YAZ ve D. H. UTKU. (2021). An Application: A Model with Sequence Dependent Setup Times for Parallel Machines for the Die House Station in a White Goods Manufacturing Company. Osmaniye Korkut Ata Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 4, no. 1, pp. 33–44.
• [18] S. Kaya ve N. Fığlalı. (2013). Multi Objective Flexible Job Shop Scheduling Problems. Sigma, vol. 31, no. 4, pp. 605–623. [Online]. Available: http://eds.yildiz.edu.tr/ArticleContent/Journal/sigma/Volumes/2013/Issues/Regular-4/YTUJENS-2013-31-4.485.pdf.
• [19] S. Kaya ve N. Fığlalı. (2016). Esnek atölye tipi çizelgeleme problemlerinin meta sezgisel yöntemler ile çözümüne yönelik bir inceleme. SAÜ Fen Bilim. Enstitüsü Derg., vol. 20, no. 2, p. 223, , doi: 10.16984/saufenbilder.12029.
• [20] E. Moradi, S. M. T. Fatemi Ghomi ve M. Zandieh. (2011). Bi-objective optimization research on integrated fixed time interval preventive maintenance and production for scheduling flexible job-shop problem. Expert Syst. Appl., vol. 38, no. 6, pp. 7169–7178, 2011, doi: 10.1016/j.eswa.2010.12.043.
• [21] O. F. Yilmaz ve M. B. Durmusoglu. (2019). Multi-objective scheduling problem for hybrid manufacturing systems with walking workers. Int. J. Ind. Eng. Theory Appl. Pract., vol. 26, no. 5, pp. 625–650.
• [22] M. SAĞIR ve H. D. OKUL. (2020). Restricted Enumeration And Machine Grouping Based Approach for Hybrid Flexible Flow Shop Scheduling Problems With Sequence-Dependent Setup Times. Ind. Eng. (Turkish Chamb. vol. 31, no. 3.
• [23] Y. Zhang, G. Q. Huang, S. Sun ve T. Yang. (2014). Multi-agent based real-time production scheduling method for radio frequency identification enabled ubiquitous shopfloor environment. Comput. Ind. Eng., vol. 76, no. 1, pp. 89–97. doi: 10.1016/j.cie.2014.07.011.
• [24] M. Freitag ve T. Hildebrandt. (2016). Automatic design of scheduling rules for complex manufacturing systems by multi-objective simulation-based optimization. CIRP Ann. - Manuf. Technol., vol. 65, no. 1, pp. 433–436. doi: 10.1016/j.cirp.2016.04.066.
• [25] C. Kan, H. Yang ve S. Kumara. (2018). Parallel computing and network analytics for fast Industrial Internet-of-Things (IIoT) machine information processing and condition monitoring. J. Manuf. Syst., vol. 46, pp. 282–293. doi: 10.1016/j.jmsy.2018.01.010.
• [26] A. K. Turker, A. Aktepe, A. F. Inal, O. O. Ersoz, G. S. Das ve B. Birgoren. (2019). A decision support system for dynamic job-shop scheduling using real-time data with simulation. Mathematics, vol. 7, no. 3, p. 278. doi: 10.3390/math7030278.
• [27] M. Zhang, F. Tao ve A. Y. C. Nee. (2021). Digital Twin Enhanced Dynamic Job-Shop Scheduling. J. Manuf. Syst., vol. 58, pp. 146–156. doi: 10.1016/j.jmsy.2020.04.008.