Содержание к диссертации
Введение
Глава 1. Анализ технологий, методов и средств автоматизации бизнес процессов планирования для промышленных предприятий 11
1.1. Место задач планирования в деятельности предприятия 11
1.2. Иерархия задач планирования на производственном предприятии 13
1.3. Различные подходы к планированию: методологии MRPII, SCM,JIT 15
1.3.1. Стандарт MRP II 15
1.3.2. Планирование цепочек поставок. 33
1.4. Программные средства и инструменты производственного планирования 37
1.4.1. Системы класса ERP и MRPII 37
1.4.2. Системы усовершенствованного планирования производства APS 40
1.4.3. Производственные исполнительные системы-MES 45
1.5. Некоторые тенденции развития систем производственного планирования на предприятиях 48
1.6. Проблемы внедрения и промышленного использования информационных систем планирования на предприятиях 51
1.7. Формулировка цели и задач диссертационной работы 55
1.8. Выводы к главе 1 57
Глава 2. Формализация задачи оперативного планирования Анализ методов решения 58
2.1. Теория расписаний — основа оперативного планирования 58
2.2. Объекты и элементы задач теории расписаний 60
2.3. Классификация задач построения расписаний 65
2.4. Классические задачи теории расписаний 68
2.5. Формулировка задачи составления производственного расписания в поточном машиностроении 73
2.6. Подходы к решению задач теории расписаний 78
2.7. Выводы к главе 2 90
Глава 3. Разработка метода оперативного планирования на основе технологии программных агентов и теории адаптивного поведения 91
3.1. Оперативное планирование как адаптивная система 91
3.2. Классификация видов адаптации 95
3.3. Компоненты адаптивной системы агентов 99
3.4. Разработка модифицированного генетического алгоритма для построения производственного расписания 110
3.4.1. Схема кодирования решения 111
3.4.2. Генетические операторы 115
3.4.3. Расчет целевой функции 123
3.4.4. Условия останова алгоритма 125
3.5. Интеграция алгоритмов генетического и адаптивного поиска 127
3.6. Выводы к главе 3 129
Глава 4. Архитектура и исследование гибридной модели оперативного планирования 130
4.1. Программная реализация предложенных алгоритмов 130
4.2. Исследования алгоритмов адаптивного и генетического поиска 131
4.2.1. Оценка сходимости алгоритмов 131
4.2.2. Исследование направленности поиска алгоритмов 134
4.3. Бизнес-процесс оперативного планирования производства 137
4.3.1. Шаг: Контроль незавершенного производства 140
4.3.2. Шаг: Расчет потребности в выпуске продукции 140
4.3.3. Шаг: Корректировки потребности в выпуске продукции 144
4.3.4. Шаг: Расчет производственного расписания 145
4.3.5. Шаг: Оценка качества расписания .149
4.4. Техническая и функциональная архитектуры предложенного решения 150
4.5. Выводы к главе 4 153
Основные выводы и результаты 154
Литература 156
Приложения 171
III: Об объектах автоматизации 171
Диаграмма бизнес процесса 173
П2: Экранные формы и отчеты 174
Форма НзП 174
Форма корректировки потребности в выпуске 175
Формы контроля оперативного плана производства 176
- Стандарт MRP II
- Подходы к решению задач теории расписаний
- Генетические операторы
- Шаг: Расчет потребности в выпуске продукции
Введение к работе
Актуальность. Планирование является неотъемлемой частью организации современного машиностроительного производства. Здесь наблюдаются две противоположные тенденции: с одной стороны для массового производства характерна некоторая предопределенность, выраженная узкой специализацией и крупными партиями выпускаемых изделий, а с другой стороны, в условиях труднопредсказуемого рынка и изменчивости спроса, наблюдается индивидуализация требований заказчиков и снижение объемов заказываемых партий. Наиболее остро это противоречие выражается на уровне оперативного планирования производства, которое должно обеспечивать эффективное управление в динамичных условиях. Таким образом, сотрудникам планово-диспетчерских служб, осуществляющим разработку оперативных планов, становится все труднее исполнять свои обязанности. Средством решения этих проблем является использование информационных систем. Среди них наибольшую популярность приобрели системы MRP/ERP, охватывающие существенный объем задач планирования и управления ресурсами производственного предприятия. Кроме того используются специализированные приложения, такие как производственные исполнительные системы MES (Manufacturing Execution System) и системы оптимизированного (синхронного) планирования APS (Advanced Planning & Scheduling). Сегодня широко освещены примеры успешного внедрения этих систем на площадках массовых производств различных отраслей. Однако опыт показывает, что далеко не всегда можно применить существующее на рынке тиражное решение в реальной жизни. Прежде всего, проблемы, связанные с внедрением того или иного программного приложения, обусловлены производственной спецификой отрасли, а подчас и особенностями конкретного предприятия. Игнорирование этих особенностей или же заведомое упрощение модели процесса приводит к формированию плана, невыполнимого в реальных производственных условиях, что в свою очередь сводит на нет результаты, полученные при помощи средств автоматизации. В целом, уровень оперативного планирования играет ключевую роль в организации производства, непосредственно определяя сценарий работы производящих цехов.
Таким образом, разработка методов и средств автоматизированного планирования массовых производств остается весьма актуальной проблемой. В диссертационной работе предложено новое решение задачи оперативного планирования производства на основе современных интеллектуальных технологий.
Объектом исследования являются сложные производственные системы оперативного планирования, рассматриваемые в плане сокращения времени подготовки плана и повышения его качества.
Предмет исследования составляют методы и модели планирования производства с учетом ограничений, разрабатываемые на основе теории коллективной адаптации и многоагентных технологий.
Целью работы является повышение эффективности оперативного планирования производства за счет разработки моделей, алгоритмов и программных средств автоматизированного планирования.
Для достижения поставленной цели в диссертации решаются следующие основные задачи:
-
Обзор существующих подходов к производственному планированию в современных информационных системах класса ERP, MES, APS. Определение проблем их промышленного использования.
-
Анализ типовых формулировок задач оперативного планирования производства.
-
Математическая постановка задачи построения и оптимизации производственного расписания. Обзор методов ее решения.
-
Формализация задачи детального планирования, как системы адаптации программных агентов. Разработка методов взаимодействия агентов.
-
Разработка гибридного алгоритма эвристического поиска в пространстве состояний на основе предложенной многоагентной модели и модифицированного генетического алгоритма.
-
Программная реализация разработанных алгоритмов.
-
Оценка эффективности использования разработанных методов для прикладной задачи планирования поточных линий в промышленных условиях.
Методы исследования. При выполнении диссертации использованы методы системного анализа и исследования операций, математического программирования и теории расписаний, теории алгоритмов и теории графов, теории программных агентов и многоагентных систем, теории адаптации и коллективного поведения, эволюционного моделирования и генетического поиска, аппарат теории вероятностей и нечетких множеств.
Среди работ в области исследования операций, планирования производства и теории расписаний следует отметить основополагающие труды таких ученых как: Х.Ахьюджа, Г.Вагнер, Д.Джонсон, М.Гэри, Дж.Р.Джексон, М.Н.Захаров, Р..Конвей, АКофман, ААКолобов, БАЛагоша, ААЛазарев, В.Г.Митрофанов, И.Н.Омельченко, М.Л.Пинедо, Г.С.Поспелов, ДАЛоспелов, Л.И.Смоляр, В.Л.Сосонкин, В.С.Танаев, Е.Б.Фролов, Е.КХоботов, В.В.Шкурба, С.Элмаграби. При разработке методов и алгоритмов планирования на основе подходов искусственного интеллекта автор опирался на публикации ведущих отечественных и зарубежных специалистов по эволюционному моделированию и генетическим алгоритмам (Дж.Холланд, Л.Дэйвис, Д.Голдберг, Д.Фогель, Д.И.Батищев, И.Л.Букатова, В.В.Емельянов, В.М.Курейчик, Б.К.Лебедев, И.П.Норенков), труды родоначальников теории искусственных агентов, коллективного поведения и многоагентных систем (К.Хьюитт, М.Л.Цетлин) и работы других известных ученых в этой области (М.Вулдридж, В.И.Городецкий, И.Демазо, Н.Дженнингс, К.Лэнгтон, К.Маэс, Ж.Фербе, В.Г.Редько, Р.Саттон, П.О.Скобелев, ЛА.Станкевич, В.Б.Тарасов, В.Ф.Хорошевский).
Научная новизна исследования определяется в первую очередь разработкой методов и моделей, расширяющих возможности систем планирования в контексте формализации экспертных правил, позволяющих учитывать специфику технологических и производственных процессов, на основе технологии программных агентов и методов их обучения. Предложен и разработан оригинальный метод адаптивного планирования загрузки поточных
линий, обеспечивающий формирование производственного расписания при удовлетворении различных технологических требований. Метод обучения с подкреплением применен для коллектива искусственных агентов, реализованных с использованием концепции анимата. Разработана схема каскадного разрешения ресурсных конфликтов и нарушений ограничений в процессе адаптивного поиска. Введены и реализованы специализированные операторы генетического поиска, учитывающие специфику задачи планирования. Предложен гибридный алгоритм, сочетающий подходы многоагентных технологий и генетического поиска, на основе которого построена система организационного управления, реализующая принцип упреждения потенциальных срывов исполнения запланированных заданий.
Результаты работы получены в ходе выполнения проектов РФФИ №03-07-90012, 07-07-00418, 08-07-00337, 08-07-00337, 11-07-00780, 11-07-13165-офи-м-2011-РЖД.
Практическая ценность. Предложенные методы и модели реализованы в виде программ на ЭВМ на языке программирования ANSI C++ с использованием библиотеки STL. Разработанные методы позволяют формировать оперативный план производства с учетом цеховых ограничений. Созданный программный инструментарий позволяет существенно сократить время составления плана, а также обеспечивает возможность его быстрой корректировки. Реализованный программный комплекс интегрирован с ERP-системой ORACLE e-Business Suite, с информационной системой 1С 7.7 и использован при автоматизации бизнес-процессов оперативного планирования производства. Архитектура предложенного решения поддерживает большинство промышленных платформ: UNIX, Linux, WIN NT, а также позволяет осуществлять интеграцию с прочими информационными системами.
Внедрение и реализация результатов. Результаты исследований, проведенных в диссертационной работе, были внедрены на отечественных предприятиях ОАО «Лебедянский», ЗАО НПО «Тяжпромарматура» и ЗАО «ФМРус», а также использованы в учебном процессе кафедры «Компьютерные системы автоматизации производства» МГТУ им. Н.Э.Баумана.
Достоверность научных положений и выводов диссертации подтверждается результатами вычислительных экспериментов на тестовых и практических задачах, а также актами о внедрении.
Апробация работы. Основные результаты работы докладывались на: Международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (Москва, 2002г.), Научной сессии МИФИ-2002 (Москва, 2002г.), П-м Международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2003г.), Международных научно-технических конференциях IEEE AIS'03 и CAD-2003 (Дивноморское, 2003г.), Международных научно-технических конференциях IEEE AIS'04 и CAD-2004 (Дивноморское, 2004г.), Ш-м Международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте». (Коломна, 2005г.), практическом семинаре «Решения ORACLE для пищевой промышленности» (Москва, 2007г.), IV—й Международной научно-практической конференции
«Интегрированные модели и мягкие вычисления в искусственном интеллекте». (Коломна, 2007г.), Vl-й Международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте». (Коломна, 2011г.), а также на Всероссийской конференции «Эффективные методы автоматизации технологической подготовки и планирования производства» (Москва, 2011г.)
Публикации. По теме диссертации автором опубликовано 15 работ, из них 3 - в изданиях, рекомендованных ВАК РФ.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 161 наименование, и 2 приложений. Объем основного текста работы составляет 155 страниц, включая 34 рисунка и 14 таблиц. Полный объем диссертации составляет 181 страницу. На защиту выносятся:
-
Модель адаптивного планирования, позволяющая учитывать цеховые ограничения в процессе формирования оперативного плана производства.
-
Схема каскадного разрешения ресурсных конфликтов и нарушения ограничений в ходе адаптивного построения производственного расписания.
-
Модифицированные генетические операторы кроссинговера и мутации, снабженные экспертными правилами, которые обеспечивают удовлетворение организационно-технологических ограничений.
-
Гибридный алгоритм оперативного планирования, сочетающий подходы многоагентных технологий и эволюционного поиска.
Стандарт MRP II
Обзор бизнес-процессов планирования промышленного предприятия, начнем- с одной из наиболее- распространенных в мире методологий управления производством - стандарта MRPII (см.[21]). Стандарт MRPII (Manufacturing Resource Planning) разработан в, США HJ поддерживается-американским, обществом» по управлению производством и запасами, -American Production-and Inventory Control4 Society (APICS). Оно регулярно1 издает документ, «MRP II Standart System», в котором описываются основные требования к информационным производственным системам: Стандарт MRPII — это наборпроверенных на,практике принципов, моделей и процедур управления, и контроля,, служащих для- повышения эффективности деятельности предприятия. С накоплением опыта моделирования производственных и непроизводственных операций эти понятия постоянно уточняются, постепенно охватывая все большее число функций. В своем развитии стандарт М Ппрошел несколько этапов:
1960-1970-е- годы — планирование потребностей в материалах на основании данных о запасах на складе и состава изделий (Material Requirement Planning)
1970-1980-е годы — планирование потребностей в материалах по замкнутому циклу (Cloosed Loop Material Requirement Planning), включающее составление производственной программы и ее контроль на цеховом уровне,
конец 1980-х-1990-е годы — на основе данных, полученных от поставщиков и потребителей, ведение прогнозирования, планирования и управления производством,
1990-е годы — планирование потребностей в распределении ограничений и ресурсов на уровне предприятия — Enterprise Resource Planning и Distributed Requirements Planning.
В основу MRP II положена идея иерархии планов (рис. 1.3).
Планы нижних уровней зависят от планов более высоких уровней, т.е. план высшего уровня предоставляет входные данные, намечаемые показатели и/или какие-то ограничительные рамки для планов низшего уровня. Кроме того, эти планы связаны между собой таким образом, что результаты планов нижнего уровня оказывают обратное воздействие на планы высшего уровня. Если результаты плана нереалистичны, то этот план или планы высшего уровня должны быть пересмотрены.. Таким образом, можно проводить координацию планируемых потребностей с располагаемыми возможностями между различными уровнями планирования.
Термин «Стратегическое планирование» охватывает планы верхнего уровня, связанные с долгосрочным, перспективным планированием. Здесь план обычно составляется на срок от одного до пяти лет. Стратегическое планирование основано на макроэкономических показателях, таких как тенденции развития экономики, изменение технологий, состояние рынка и конкуренции. Стратегическое планирование обычно распространяется на каждый год пятилетки и представляет собой плановые показатели (цели) высшего уровня. Бизнес-план - это план, который также составляется на ежегодной основе. Иногда он неоднократно пересматривается в течение года. Как правило, бизнес-план является результатом совещания управленческого состава, на котором сводятся планы продаж, инвестиций, развития основных средств и потребности в капитале и бюджетировании. Эта информация подается в денежном выражении и определяет плановые показатели по объемам продаж и производства [66]. Согласно стандарту MRPII, стратегическое и бизнес-планирование являются специфическими видами планирования, которые связаны скорее с экономическими факторами бизнеса, позиционированием компании на рынке и.т.д. Это планирование достаточно сложно подвести под какие-либо рамки или стандарты, и, как правило, эти уровни не рассматривают в рамках концепции MRPIL В, Таблица 1 представлены уровни планирования , охватываемые рамками MRPII, а также приведены их основные характеристики.
Планы, разрабатываемые- на различных представленных уровнях, различаются по объектам планирования, горизонту планирования, интервалу планирования и периодичности оценки степени выполнения.плана. Конечно, представленные характеристики не отражают всех возможных ситуаций, однако они характеризуют обычный диапазон значений, в рамках которых вышеуказанные характеристики встречаются наиболее часто. При движении по иерархии планов сверху вниз мы рассматриваем все более и более детальные планы, которые, с одной стороны, уточняют укрупненные планы при: приближении горизонта планирования к настоящему времени, а с другой стороны, являются основанием для оценки более высокоуровневых планов на основе; данных их фактического выполнения: Стандартом MRPII предусматривается оценка ресурсного обеспечения плана на каждом уровне иерархии.
Далее в работе приводится; характеристика каждого из; уровней планирования. Основное внимание уделяется именно стороне ресурсного планирования? [13 7, 149].
Подходы к решению задач теории расписаний
При решении задач ТР выполняется поиск оптимального или близкого к оптимальному расписания. Традиционно поисковый процесс осуществляется с помощью одного из четырех подходов:
1) математическое программирование;
2) комбинаторный подход;
3) эвристический подход;
4) статистический (вероятностный) подход.
Классификация методов оптимизации представлена ниже на рис.2.3. Далее предлагается последовательно рассмотреть каждый из подходов и соответствующие им методы решения оптимизационных задач.
Математическое программирование
Математическое программирование — это математическая дисциплина, в которой разрабатываются методы отыскания экстремальных значений целевой функции среди множества ее возможных значений, определяемых ограничениями. В зависимости от свойств целевой функции и функции ограничений все задачи математического программирования делятся на два основных класса: задачи линейного программирования (ЛП); задачи нелинейного программирования (НЛП). Если целевая функция и функции ограничений - линейные функции, то соответствующая задача поиска экстремума является задачей линейного программирования.
Если хотя бы одна из указанных функций нелинейна, то соответствующая задача поиска экстремума является задачей нелинейного программирования.
Конечно, ЛП есть наиболее подробно изученный раздел математического программирования.
В рамках нелинейного программирования отдельно выделяют [3]: выпуклое программирование, квадратичное программирование, целочисленное программирование, стохастическое программирование, динамическое программирование и др.
Задачи выпуклого программирования - это задачи, в которых определяется минимум выпуклой функции (или максимум вогнутой), заданной на выпуклом замкнутом множестве. Эти задачи в НЛП являются наиболее изученными. Среди задач выпуклого программирования более подробно изучены задачи квадратичного программирования. В этих задачах целевая функция — квадратична, а ограничения - линейны.
В задачах целочисленного программирования неизвестные параметры могут принимать только целочисленные значения.
В задачах стохастического программирования в целевой функции или в функциях ограничений содержатся случайные величины, которые подчиняются законам теории вероятностей.
В задачах динамического программирования ограничения содержат параметр «время» и при этом описываются дифференциальными уравнениями. Процесс нахождения, решений в задачах динамического программирования является многоэтапным.
Задачи нелинейного программирования, классифицируются по ряду признаков [3, 24, 64, 82, 100-102, 109]:
По количеству локальных критериев в целевой функции методы нелинейного программирования делятся на однокритериальные и многокритериальные. По длине вектора переменных выделятся:
однопараметрические или одномерные задачи;
многопараметрические или многомерные задачи. По наличию ограничений:
без ограничений (безусловная оптимизация);
с ограничениями (условная оптимизация).
По типу информации, используемой в алгоритме поиска экстремума:
методы прямого поиска, т.е. методы, в которых при поиске экстремума целевой функции используются только ее значения;
градиентные методы 1-го и 2-го порядков, в которых, при поиске экстремума функции используются соответственно значения ее первых и вторых производных. Так как большинство задачи ТР относятся к категории целочисленного программирования, а наибольшее распространение получили разновидности симплекс-метода, то приведем формулировку общей задачи составления расписания в терминах линейного целочисленного программирования:
Пусть имеется П заданий и YYI машин. Каждое задание состоит из одной операции. Таким образом, каждое задание определяется:
/ — номером задания;
к— номером машины, на которой оно выполняется.
Ограничения на время и порядок выполнения заданий на машинах таковы:
каждая машина выполняет одновременно не более одного задания;
задания выполняются с учетом индивидуального директивного срока.
Для упрощения принимаем, что каждое задание может быть выполнено на любой машине.
Генетические операторы
В рамках рассматриваемой задачи предлагается использовать следующие генетические операторы:
оператор селекции;
оператор репродукции;
оператор кроссинговера;
оператор мутации;
оператор миграции.
Селекция
Этот оператор моделирует фильтрацию илиотбор решений (особей); для дальнейшей работы алгоритма. : Натуральная5 селекция -это процесс, посредством которого хромосомы; имеющие; более высокое значение ЦФ (с сильными признаками), получают большую возможность для репродукции; чем слабые хромосомы. Существует большое число методові селекции; которые можно условно классифицировать нагтри группы: вероятностные, детерминированные и комбинированные методы [25].
В нашей задаче в качестве метода селекции предлагается? использовать селекцию на основе рулетки (рис.3.10). Это самый! простой и наиболее используемый метод. Каждому элементу в популяции соответствует зона на колесе рулетки; пропорционально соразмерная с величиной- ЦФ. Тогда при повороте колеса рулетки; каждый элемент имеет некоторую вероятность выбора для селекции, причем элемент с большим значением? ЦФ имеет большую вероятность для выбора;
Оператор репродукции
После проведения селекции осуществляется выполнение репродукции -процесса, в котором хромосомы копируются с вероятностью, пропорциональной их ЦФ. Копирование хромосом с «лучшим» значением ЦФ имеет большую вероятность для попадания в следующую генерацию. Для этого осуществляется генерация псевдослучайной, равномерно распределенной величины //є[0;Ф], которая представляет собой значение ЦФ. Далее определяется интервал, в который попало сгенерированное значение и особь, которой соответствует данный интервал. Эта особь переносится в следующее поколение. Количество таких генераций равно мощности популяции.
Оператор кроссинговера
Следующим оператором является оператор кроссинговера (ОК). Основная функция ОК - создавать хромосомы потомков на основе различного скрещивания родителей. Существует огромное число ОК (одноточечный, многоточечный, циклический, порядковый и.т.д.), так как их структура в основном и определяет эффективность ГА. Кратко рассмотрим основные ОК и их модификации.
Универсальный ОК. В настоящее время он популярен для решения различных задач теории расписаний. Вместо использования разрезающей точки (точек) здесь определяют двоичную маску, длина которой равна длине заданных хромосом. Получение потомков выполняется на основе правил сложения булевой алгебры соответствующих генов родителей и маски. Для каждого элемента в prIf рг2 гены меняются; как показано на следующем примере
Маска обычно выбирается случайно с заданной вероятностью или на основе генератора случайных чисел. При этом чередование 0 и 1 в маске происходит с вероятностью -0.5 (т.е. приблизительно в 50% случаев). В некоторых случаях используются параметризированный универсальный ОК, где маска может выбираться с вероятностью для 1 или 0 выше, чем 0.5. Такой вид маски эффективен, когда хромосомы кодируются в двоичном алфавите. Модифицированный ОК.
В большинстве случаев специфика решаемой задачи закладывается в штрафные функции, используемые при расчете ЦФ особи. Помимо использования штрафных функций предлагается модифицировать логику базовых операторов генетического поиска. Идея модификации сводится к применению правил, которыми руководствуются предметные эксперты в процессе построения расписания. Суть этих правил состоит в направленной корректировке отдельных параметров производственных заданий, с целью разрешения коллизий, возникающих при нарушении ограничений, обусловленных спецификой задачи. Модификация предполагает изменить базовые операторы мутации и кроссинговера.
В частности для оператора кроссинговера применяется специализированное правило выбора аллелей при реализации скрещивания хромосом. Для визуализации модифицированной логики представлен упрощенный пример, в рамках которого рассматриваются 5 работ, 3 альтернативные производственные линии. Выбраны 2 хромосомы, представляющие собой различные решения, а именно варианты назначения и последовательность исполнения работ производственными линиями. Каждый прямоугольник помечен индексом соответствующей работы. Прямоугольники расположены по горизонтали вдоль линий, определяющих ту или иную производственную линию. Таким образом, получаем вариацию диаграммы Гантта, зачастую используемую для визуализации расписаний (рис.3.11).
Шаг: Расчет потребности в выпуске продукции
Назначение шага - Определение потребности производства на период оперативного планирования. В рамках шага необходимо определить:
потребность производства готовой продукции (ГП), на основании:
наличного количества продукции на складе ГП; о показателей среднесуточных отгрузок, рассчитанных согласно транзакциям расхода продукции со склада ГП завода, или актуального 3-х месячного плана производства;
незавершенного и уже запланированного производства (отложенные и НзП задания);
задаваемого пользователем количества дней на воспроизводство продукта;
параметров страховых запасов, выраженных в днях продаж.
общее количество производственных заданий по каждой ГП на период оперативного, планирования, считая объем одного выпуска равного кратности производственной партии. Кратность партии определяется как произведение количества часов непрерывной работы производственной линии и усредненной производительности линий по типоразмеру;
базовые интервалы между выпусками по одной позиции ГП, с точностью до дня, (период- воспроизводства). Определяется согласно, входящему параметру «Кол-во дней продаж до момента воспроизводства»; Формула расчета потребности: Р, = 5, (Dwork + D reserve )- Q, - Wi, где: i = 1....N, N— общее число номенклатуры готовой продукции; таким образом, рассматривается вся продукция;
Р, - общий- объем производства z -ой продукции за период- оперативного планирования (шт.); Q, - остаток г-ой продукции» на складе на начало периода оперативного
Определение количества производственных заданий и базовых интервалов.
Определение моментов выпуска: t0 — начало периода оперативного планирования. Формулы, определяющие объемы и количество дней до запуска каждого j-ого ПЗ по і-ой продукции в течение периода оперативного планирования (без учета плановых сервисов и поломок): объем j-ого выпуска для і-ой позиции: Р., =
Причем объем последнего задания определяется разностью между общей потребностью Pt и объемами предшествующих выпусков, равных
Момент j-ого выпуска для і-ой позиции: t Qresen, = presen, _ СТрахоВой запас в натуральном выражении. Полученные моменты выпуска определяется с точностью до дня: tJt = round_up(tJt), т.е. если tu 1 = tu = 1;.
Таким образом: течение оперативного периода; t2l = —— —L - момент 2-ого выпуска по і-ому продукту в течение оперативного периода, расчет выпусков продолжается пока у є [1,ZJ.
Подход к расчету объемов и временных моментов выпусков представлен на диаграмме рис.4.4.
Для наглядности дан пример расчета ожидаемых выпусков для одной номенклатуры готовой продукции.
Общая потребность производства некоторой позиции ГП 200 000 шт. Текущий остаток =75 000 шт. Среднесуточные продажи 25 000 шт. в день Количество дней на воспроизводство = 2 дн. Страховой запас = 2 дн. 25 000 шт. в дн. = 50 000 шт.
Позиция класса ресурса 1_PRISMA, находим усредненную производительность линий данного класса = 6750 шт./ч. Время непрерывного розлива позиции = 20ч.
Объем производственной партии — 6 750 шт./ч. 20ч. = 135 000 шт. Количество выпусков round_up(200 000 /135 000) = 2. Далее определяем объемы и даты выпусков. Момент 1-го выпуска = round_up((75 000 - 50 000 + (0) 135 000)/ 25 000) = 1.
Объем 1-ого выпуска, рассчитываем величину непокрытой потребности 200 000 - (1-1) 135 000 = 200 000 135 000, таким образом, объем 1-ого выпуска равен величине производственной партии 135 000 шт. Для 2-го выпуска = round_up((75 000 - 50 000 + (2-1) 135 000)/25 000) = 7. Объем 2-ого выпуска, рассчитываем величину непокрытой потребности 200 000 - (2-1) 135 000 = 65 000 135 000, т.е. объем 2-ого выпуска равен величине остатка, т.е. объема непокрытой потребности 65 000 шт. На рис.4.5. приведена диаграмма ожидаемого изменения запасов.
Назначение шага: необходимо проанализировать рассчитанную потребность в выпуске продукции и по необходимости выполнить ручную корректировку. Необходимость корректировки может быть продиктована объективными обстоятельствами ситуаций, лежащих вне рамок системы OeBS. Например, необходимость наработки продукции, ввиду грядущего останова линий по данному формату, ожидаемые изменения рыночной ситуации, прочие факторы. Шаг реализуется при работе с экранной формой корректировки потребности в выпуске, вид которой представлен в приложении 2.
