Optimization techniques for production scheduling in flexible industrial processes

Abstract

In today’s era of rapid technological advancement, the industrial landscape is characterized by high uncertainty due to increased competition, limited profit margins and continuous market changes. At the same time, two of the main challenges in dynamic industrial environments include the efficient response to unforeseen production disruptions and the absence of specific production data. Consequently, effective production scheduling and rescheduling have emerged as key success factors. The above challenges of modern dynamic environments cannot be addressed using traditional methods whose required computational time increases significantly for larger problems. This thesis aims to address the existing research gap by developing practical solutions that enhance offline and real-time decision-making in complex, large-scale industrial environments. It leverages Artificial Intelligence (AI) techniques alongside mathematical optimization for rapid problem-solving. First, the lot-sizing and production scheduling problem of a real-life beverage industry is addressed. The plant produces numerous intermediate and final products through multiple production stages. The production process involves unique aspects, including the potential temporary storage of intermediate products and the employment of overtime shifts. A multi-bucket immediate precedence Mixed-Integer Linear Programming (MILP) framework is developed to address the problem while minimizing the plant’s operating time. Additionally, the mathematical model is extended to accommodate a new production layout including intermediate storage vessels. A comparative analysis between the two layouts is conducted, revealing significant productivity improvements which can be achieved through simple retrofit design options. Next, a novel solution framework is developed integrating Machine Learning (ML) techniques with MILP to address the optimization of production scheduling in multi-product manufacturing industries with parallel production lines. The main goal is the rapid schedule generation to address unexpected events and frequent changeover operations. The proposed framework compiles a representation space in which distances between products correspond to changeover times. Then, constrained clustering is employed to group products according to the available packing lines, minimizing changeover times within each cluster and the derived allocation is inserted into an MILP-based scheduling model to reduce its computational complexity. Furthermore, a ML model is trained to predict unknown product changeover times. An evaluation study based on a construction materials plant is conducted and it is shown that the proposed approach achieves accurate solutions rapidly, reduces downtime and facilitates the integration of new products into the production process. Finally, a hybrid framework combining Neural Networks (NNs) and MILP is presented to enhance production rescheduling in single-stage, multi-line dynamic manufacturing facilities. The integration of NNs is examined as an alternative solution to further speed up the decision-making processes. Specifically, the embedding and forecasting steps are realized through two NNs, whose outputs are used to improve the computational performance of the MILP scheduling model. The proposed approaches are evaluated against other standard methods and several cases concerning a real-life plant are considered, including a weekly production horizon with daily disruptions. Results show that the proposed method achieves better production schedules in significantly faster solution times. The outcomes highlight the flexibility and robustness of the proposed approaches, making them promising tools for decision-making in complex production environments.

Στη σημερινή εποχή ραγδαίας τεχνολογικής προόδου, το βιομηχανικό τοπίο χαρακτηρίζεται από μεγάλη αβεβαιότητα λόγω αυξημένου ανταγωνισμού, περιορισμένων περιθωρίων κέρδους και συνεχών αλλαγών στην αγορά. Δύο βασικές προκλήσεις στα δυναμικά βιομηχανικά περιβάλλοντα αποτελούν η ανταπόκριση σε απρόβλεπτες διαταραχές της παραγωγής και η έλλειψη ορισμένων δεδομένων. Συνεπώς, ο αποτελεσματικός προγραμματισμός και επαναπρογραμματισμός παραγωγής αναδεικνύονται ως καθοριστικοί παράγοντες επιτυχίας. Οι παραπάνω προκλήσεις δεν μπορούν να αντιμετωπιστούν αποτελεσματικά με παραδοσιακές μεθόδους, καθώς αυτές απαιτούν αυξημένους υπολογιστικούς πόρους για μεγαλύτερα προβλήματα. Η παρούσα διατριβή στοχεύει στην ανάπτυξη αποτελεσματικών λύσεων για την ενίσχυση της διαδικασία λήψης αποφάσεων σε σύνθετα βιομηχανικά περιβάλλοντα. Έμφαση δίνεται στο συνδυασμό τεχνικών τεχνητής νοημοσύνης και μαθηματικής βελτιστοποίησης, για ταχεία επίλυση των προβλημάτων. Αρχικά, εξετάζεται το πρόβλημα του χρονοπρογραμματισμού παραγωγής μιας βιομηχανίας ποτών. Το εργοστάσιο παράγει ένα μεγάλο αριθμό ενδιάμεσων και τελικών προϊόντων μέσω πολλαπλών συσκευών και σταδίων παραγωγής. Η παραγωγική διαδικασία ενσωματώνει ορισμένα ιδιαίτερα χαρακτηριστικά, όπως η προσωρινή αποθήκευση ενδιάμεσων προϊόντων και η αξιοποίηση υπερωριακών βαρδιών. Για την αποτύπωση του προβλήματος, αναπτύσσεται ένα μοντέλο μικτού ακέραιου γραμμικού προγραμματισμού άμεσης προτεραιότητας, με στόχο την ελαχιστοποίηση του συνολικού χρόνου λειτουργίας του εργοστασίου. Παράλληλα, το μαθηματικό μοντέλο επεκτείνεται ώστε να εξυπηρετεί και μια νέα διάταξη της παραγωγής με ενδιάμεσα δοχεία αποθήκευσης μεταξύ των σταδίων. Τα αποτελέσματα αποκαλύπτουν τη δυνατότητα σημαντικής βελτίωσης της παραγωγικότητας, μέσω απλών επιλογών ανασχεδιασμού. Στη συνέχεια, προτείνεται μία καινοτόμα τεχνική επίλυσης που ενσωματώνει τεχνικές μηχανικής μάθησης με μαθηματική βελτιστοποίηση για την αντιμετώπιση του προβλήματος του χρονοπρογραμματισμού παραγωγής σε βιομηχανίες με πολλαπλά προϊόντα και παράλληλες γραμμές παραγωγής. Κύριο στόχο αποτελεί η επίτευξη άμεσου επαναπρογραμματισμού της παραγωγής προκειμένου να αντιμετωπιστούν απρόβλεπτα γεγονότα και χρονοβόρες διαδικασίες εναλλαγής προϊόντων. Το προτεινόμενο πλαίσιο δημιουργεί ένα νέο χώρο αναπαράστασης των προϊόντων, όπου οι αποστάσεις αντιστοιχούν σε χρόνους εναλλαγής. Αυτό επιτρέπει το διαχωρισμό τους σε ομάδες που αντιστοιχούν στις διαθέσιμες γραμμές παραγωγής. Στη συνέχεια, η προκύπτουσα κατανομή χρησιμοποιείται για τον περιορισμό του χώρου των λύσεων ενός μοντέλου χρονοπρογραμματισμού. Επιπλέον, εκπαιδεύεται ένα μοντέλο για την πρόβλεψη των άγνωστων χρόνων εναλλαγής προϊόντων. Το προτεινόμενο πλαίσιο εφαρμόζεται σε ένα πραγματικό εργοστάσιο οικοδομικών υλικών και αποδεικνύεται ότι επιτυγχάνει γρήγορες, ακριβείς λύσεις, ενώ μειώνει τους χρόνους αδράνειας και διευκολύνει την ομαλή ενσωμάτωση νέων προϊόντων στην παραγωγή. Τέλος, παρουσιάζεται ένα υβριδικό πλαίσιο που συνδυάζει νευρωνικά δίκτυα και μικτό ακέραιο γραμμικό προγραμματισμό για τον αποτελεσματικό επαναπρογραμματισμό παραγωγής σε δυναμικές βιομηχανικές εγκαταστάσεις ενός σταδίου με πολλαπλές γραμμές παραγωγής. Η ενσωμάτωση των νευρωνικών δικτύων εξετάζεται ως εναλλακτική λύση για την περαιτέρω επιτάχυνση της διαδικασίας λήψης αποφάσεων. Συγκεκριμένα, οι διαδικασίες της απεικόνισης των προϊόντων στο νέο χώρο και της πρόβλεψης των αγνώστων χρόνων εναλλαγής υλοποιούνται μέσω νευρωνικών δικτύων. Τα παραγόμενα αποτελέσματα εισάγονται στο μοντέλο χρονοπρογραμματισμού παραγωγής, βελτιώνοντας την υπολογιστική του απόδοση. Οι προτεινόμενες προσεγγίσεις αξιολογούνται σε σύγκριση με άλλες παραδοσιακές μεθόδους, μέσω μιας σειράς μελετών περίπτωσης βασισμένες σε πραγματική βιομηχανία, συμπεριλαμβανομένου κι ενός εβδομαδιαίου ορίζοντα με καθημερινές διαταραχές της παραγωγής. Συμπεραίνεται ότι η προτεινόμενη προσέγγιση επιτυγχάνει βελτιωμένα προγράμματα παραγωγής σε σημαντικά ταχύτερους χρόνους επίλυσης. Τα αποτελέσματα φανερώνουν ότι οι προτεινόμενες προσεγγίσεις προσφέρουν σημαντική ευελιξία, καθιστώντας τες υποσχόμενα εργαλεία για τη λήψη αποφάσεων σε σύνθετα βιομηχανικά περιβάλλοντα.