Geri Dön

Kapasite ihtiyaç planlaması ve sonlu çizelgeleme

Capacity requirements planning and finite scheduling

  1. Tez No: 100895
  2. Yazar: CÜNEYT DEĞERTEKİN
  3. Danışmanlar: DOÇ.DR. SEMRA BİRGÜN BARLA
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 1999
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 71

Özet

Kapasite İhtiyaç Planlaması ve Sonlu Çizelgeleme ÖZET Tüm üretim sistemleri temelide şu dört soruya yanıt arar; hangi üründen, ne kadar üreteceğiz?, bunları üretmek için nelere ihtiyaç var?, elimizde neyden, ne kadar bulunmakta?, Bunları nasıl ve ne zaman temin edeceğiz?. Adam Smith'e kadar götürülebilecek bu arayış sonucunda üretim yönetimi sistemlerinin evrimi gerçekleşmiştir, tik olarak 1946'larda üretimde bilgisayar uygulamaları başlamış ve bilgi işlem maliyetlerinin düşmesi ile hızla gelişmiş ve yaygdaşmıştır. MRP sistemleri ile başlayan uygulamalar, kapalı-çevrim MRP'ler, ERP uygulamalıma doğru gelişimini sürdürmüştür. 1980'lerde tam zamanında üretim sistemlerinin ve OPT gibi alternatif planlama yaklaşımlarım ortaya çıkmasıyla gelişim yem boyutlar kazanmıştır. Üretim yönetimi sistemleri arasında ilk olarka Malzeme İhtiyaç Planlama (MRP) uygulamaları ortaya çıkmıştır. MRP yaklaşımı, planlamaya nihai ürünlerin bitirilmesi gereken tarihten başlayarak ve ürün ağacı üzerinden geriye doğru gider ve envanter verilerim de kullanarak bağımlı talebi olan parçaların sipariş zamanlarım ve sipariş miktarlarını bulur. MRP sistemlerinin en önemli eksiği kapasiteyi gözönüne almamaları olarak ortaya çıkmıştır. CRP sistemleri MRP'lerin bu açığım kapatmak üzere ortaya çıkmışlardır. Daha sonra bu sistemler daha da genişletilerek kurumların tüm faaliyetlerim entegre şekilde planlamayı amaçlayan uygulamalar haline gelerek ERP sistemlerini oluşturmuşlardır. Genel anlamda kapasite planlaması, üretimi gerçekleştirebilmek için ne kadar insan, makine ve fiziksel kaynak gerekli olacağım belirleme olarak tanımlanabilir. Kapasite planlaması dört düzeyde ele alınabilir (Tablo 1). ıxTablo 1. Kapasite planlama düzeyleri Atölye düzeyinde kontrol için temelde iki yaklaşımdan bahsedilebilir: Sonlu ve Sonsuz çizelgeleme. Kapasite İhtiyaç Planlaması yaklaşımı MRP sistemini tamamlayan ve geri bildirim sağlayan bir sistemdir. Kapasite İhtiyaç Planlaması, açık ve planlanmış iş emirlerini değerlendirerek her iş merkezine yüklenen iş miktarını hesaplar. Daha sonra bu iş yükünü planlama ufkundaki her periyot için iş merkezinin kullanılabilir kapasitesi ile karşılaştırır. CRP, gelecekteki açıklan kapatmak için Planlı Siparişler açan MRP'den farklı olarak hiçbir sipariş açmaz, siparişleri yemden çizelgelemez veya silmez. Bunun yerine bir geri besleme aracı olarak güçlü bir simülasyon olanağı sunar. Kapasite İhtiyaç Planlaması birçok yönden gerçekten kuvvetli bir simülasyon aracı olmasına rağmen en önemli kısıü kapasiteyi sınırsız kabul etmesidir. Bir fabrikaya işi kapasite kısıtını göz önüne almadan yüklemek gerçekçi olmanın uzağmdadır. Böyle bir durumda çoğu zaman üretilen çizelgeler ve planlar geçersiz olmaktadır. Bunun önüne geçmek için CRP sistemleri tekrar eden Ana Üretim Çizelgesi düzeltmelerine dayanan iteratif bir teknik kullanmaktadır. Sonlu İleri Çizelgeleme APICS sözlüğüne göre;“başlangıç periyodunda son periyoda kadar sıralı olarak kapasite limitlerim göz önüne alarak ilerleyerek çizelge oluşturan bir çizelgeleme tekniğidir.”Sonlu çizelgeleme gerçek kaynak kapasitelerine dayalı bir çizelge oluşturmayı amaçlar. Referans noktası malzeme olan MRP tabanlı sistemlerden farklı olarak, sonlu çizelgeleme sistemleri konuya üretim kaynaklan açısından yaklaşır. Sonlu çizelgeleme yaklaşımım zorlaştıran en önemli etken kombinasyonel patlamadır. Tek makinalı veya iki makinalı durumlar için optimal çözüm garanti edilebiliyor olmasına rağmen; 'm' makina 'n' iş sözkonusu olduğunda muhtemel çizelge sayısı (n!)m tane olmaktadır. Bu kadar geniş bir çözüm kümesi için optimum sonucu veren bir algoritma ise yoktur. Bu sebeple çözüm algoritmaları optimal çözüme ulaşmak yerine, muhtemel optimal çözüm kümeleri aramaktadır. Hiç bir algoritma optimalliği garanti edememekte fakat optimale yaklaşım sağlamaya çalışmaktadır. Çözüm için kullanılan yöntemler temelde 4 sımfa ayrılabilir.. Matematiksel Programlama. Höristik Metotlar. Genetik Algoritmaları. Yapay Zeka Uygulamaları Sonlu 'n' iş, 'm' makine çizelgeleme problemlerinin çözümünde matematiksel programlama algoritmaları sıklıkla kullanılmaktadırlar. Bu algoritmalar klasik yöneylem araştırması metotlannı içerir. Bunların arasında Simplex metodu ve Gauss Eliminasyonu gibi en temel yöntemlerin yaraşıra, Tamsayı Programlama ve Karmaşık Programlama gibi daha gelişkin yöntemler yeralırlar. Matematiksel Programlama teknikleri aşağıda bahsedilecek Sezgisel Yöntemlerden farklı olarak hiçbir olası durumu arama uzayı dışında bırakmaz. Bu ise çok büyük bir hesaplama gücü ihtiyacı anlamına gelmektedir. Matematiksel programlamaya dayalı çözümler çok büyük bir işlem yükü getirirler. Bu etkiden kurtulmak için Sezgisel çözüm yaklaşımları geliştirilmiştir. Burada amaç bazı ön varsayımlar kullanarak hesaplama karmaşıklığından kurtulak ve matematiksel programlamanın boyutunu küçültmektir. Sezgisel metodlar çizelgeleme xıiçin belirli bir karar kuralını veya bu kuralların bir bileşimini kullanırlar. Bu kural veya kurallar bileşimi ile çizelge hazırlanır ve etkinliği ölçülür. Genetik Algoritmalar John Holland tarafından 1975'te ilk olarak ortaya konmuşlardır. Temel olarak evrim ve tabii seçim felsefesine dayalıdırlar. Yaklaşım kromozomun yapısını örnek alır. Temel olarak, problemi string veri yapılarına dökmeyi amaçlar. Algoritma belirli miktarda başlangıç bireyi ile başlar ve bunların genetik operatörlerle türetilmesiyle ilerler. Elde ettiği her çocuk bireyi belirlenmiş kriterler ile değerlendirir ve bir sonraki nesili oluşturacak bireyler için bu kritere bağlı olarak ağırlıklandırma yapar. Genetik Algoritmalar değişkenler yerine kombinasyonlarla uğraşır. Başlangıç bilgisine ihtiyaç duymaz ve ön bilgiden bağımsızdır. Geleneksel algoritmalar seçimde nedensel bir yol izlerken, genetik algoritmalar olasılıksal bir yol izler. Bilgisayar teknolojisinin gelişmesi ile, yapay zeka gelecek vadeden bir alan haline gelmiştir. Şu anda uzman sistemlerin yetenekleri sınırlı ve geliştirilmeleri pahalı görünmektedirler. Öte yandan nöral network programlama ve öğrenen sistemler de j yapay zekanın bir dalıdır ve bu tekniklerin çizelgelemede kullanılması için birçok çalışma yapılmaktadır. Genel olarak kapasite ihtiyaç planlamasının içerdiği sonsuz çizelgelemenin en önemli dezavantajı geçersiz ve uygulanamaz çizelgeler üretmesidir. Sonlu çizelgeleme yaklaşımının en önemli avantajı ürettiği çizelgelerin gerçekçi olmasıdır. Fakat bu yaklaşım kapasite eksikliği problemlerini gİzleyebilmektedir. Ülkemizde ise ne yazık ki klasik Kapasite İhtiyaç Planlaması yaklaşımlarını bile uygulayabilen firma sayısı çok azdır. Sonlu çizelgeleme programları ülkemizde de son zamanlarda yavaş yavaş da olsa (ve dünyaya oranla oldukça geç) sesini duyurmaya başlamıştır. xıı

Özet (Çeviri)

Capacity Requirements Planning and Finite Scheduling SUMMARY All production systems searches answer for those four questions; how many of what will we produce?, what is needed to produce them?, how much of what do we have?, how and when will we supply them? Evaluation of production systems beginning with Adam Smith took place as a result of this study. Computer applications in production systems first emerges in 1946 and rapidly gets complicated and widely used as the data processing costs decreases. Industrial applications starting with MRP systems continued their developement towards closed-loop MRP systems and ERP applications. Developement in production system had new dimensions introduced in 1980's with the Just in Time and OPT systems. Material Requirements Planning systems (MRP) are the first applications developed in production control systems. MRP approach starts planning from the due dates of final products, computes back through the bill of materials and so determines the order times and quantities of the parts which have dependent demand. The most important thing lacks in MRP systems is has been not evaluating the capacity. CRP systems are developed to cover this deficit of MRP systems. These systems are developed more to be used to integrate and plan all activities of the enterprises and become the base of the ERP systems. In general capacity planning can be defined as determining the human, machine and physical resources needed to realize the planned production. Capacity planning may be studied in four levels (Table 1). xniTable 1. Levels of capacity planning Two basic approaches exist in shop-floor control: Finite and Infinite Scheduling.. Capacity Requirements Planning approach is a system that supports MRP system and provides feed-back. Capacity Requirements Planning calculates the load on each work center by processing the open and planned orders. Then compares this loads with the usable capacities of these work centers for each period in planning horizon. CRP distincts from MRP as it never opens any order, reschedule or delete orders where MRP opens new orders for deficits in the future. Instead of this CRP provides a powerful simulation opportunity as a feed-back tool. Despite being a powerful simulation tool the most important contraint of CRP system is assumption of infinite capacity. In a factory loading jobs without concerning capacity contraints is far beyond being realistic. In such cases schedules and o-plans produced are become invalid. To prevents this, Capacity Requirements Planning systems uses and iterative technic consists of repetitive Master Production Schedule revisions. According to the APICS dictionary Finite Forward Scheduling is;“a scheduling technique that builds a schedule by proceeding sequentially from the initial period to the final period while observing capacity limitations.”Finite scheduling aims to prepare a schedule based on real resource capacities. Finite scheduling approaches the subject from resource capacities side where MRP based system takes the material as the referance point. \ XIVCombinational explosion is the most important obstacle in front of the Finite Scheduling techics. Although it is possible to guarantee an optimal solution for single machine or two machined cases; when cases include 'm' machines and 'n' jobs number of the probable schedules become (n!)m. There is no alghrith that always finds the optimal solution for such a large solution set. Because of that solution alghorithms searches for optimal solution sets instead of finding the optimal solution. None of the alghorithms guarantee the optimal solution. They only tries to get close to the optimal solution. Solution technics can be seperated to four categories:. Mathematical Programming. Heuristic Methods. Genetic Alghorithms. Artificial Intelligence Applications Mathematical programming alghorithms are often used in solving finite 'm' machine, 'n' job scheduling problems. These alghorithms includes classic operations research methods. As well as very basic methods like Simplex and Gauss Elimination, more comlex methods like Integer Programming or Complex Programming are among these methods. Unlike the heuristic methods, mathematical programming tools does not exclude and probable situation from the solution space. But this requiers really big computational capacity. Heuristic methods are developed to get rid of the huge computational capacity mathematical programming tools needs. They aim to simplify the mathematical programming problem by using some pre-assumptions. Heuristic methods uses spesific decision rules or a combination of decision rules to simplify the problem. Schedule is prepared using these rule or rules and its effectiveness is measured. Genetic Alghoritms are first put forwarded by John Holland in 1975. They are based on evaluation and natural selectio philosophy. Approach uses the structure of chromosomes. Basicly, it aims to express the problem in string data structures. xvAlghorithm begins with some starting individuals and continues by reproducşng them using genetic operators. Every new individual is evaluated by pre-defined criterias and determines the individuals which will form next generation. Genetic Alghorithms concern with combinations, not variables. They need no starting information and they are not dependent to pre-information. Genetic alghorithms follows a probablistic path searching the solution where conventional alghorithms follows a casual path. Artifial intelligence applications has become a promising area by the advances in computer technology. At present capabilities of experts system s seems restricted and their development seems expensive. On the other side neural networks and self learning systems are also a branch of artificial intelligence area and researches are continues to apply these thecnics in sheduling problems. In general the most important disadvantage of infinite scheduling included in capacity requirements approach is generating invalid and nonappliable schedules. On the contrary generating realistic schedules is the most important advantage of finite scheduling systems. But this approach may hide capacity insufficiency problems. Even the number of firms that uses classical CRP approaches is very low in our country. Finite scheduling applications are beginned to be used in Turkey also. xvi

Benzer Tezler

  1. Tez No

    292014

    Çorap imalatında paralel makine çizelgeleme metodu ve iş akışında darboğaz yönetimi

    Parallel machine scheduling method in sock production and bottleneck management in work flow

    ERDAL ALTIPARMAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    Tekstil ve Tekstil Mühendisliğiİstanbul Teknik Üniversitesi

    Tekstil Bilimleri Ana Bilim Dalı

    PROF. DR. ALİ DEMİR

  2. Tez No

    112268

    Üretim çizelgeleme ve sonlu kapasite çizelgeleme sistemiyle bir uygulama

    Production scheduling and a practice of finite capacity sheduling system

    CENGİZ TOLUNBİKE

    Yüksek Lisans

    Türkçe

    Türkçe

    2001

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    PROF. DR. BÜLENT DURMUŞOĞLU

  3. Tez No

    117048

    Sonlu kapasite planlama faaliyetlerinin bir yazılıma uyarlanması ve üretim çizelgeleme algoritmasının tasarımı

    Implementation of finite capacity planning to a software and designing scheduling algorithm

    BORA PİLAVCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2002

    İşletmeDokuz Eylül Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. ÜZEYME DOĞAN

  4. Tez No

    151225

    Finite capacity planning problem with lotsizing decisions in an MRP environment

    Başlık çevirisi yok

    ÖZGÜR CENGİZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2004

    Endüstri ve Endüstri MühendisliğiDokuz Eylül Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    Y.DOÇ.DR. ARSLAN ÖRNEK

  5. Tez No

    35425

    Design and analysis of lot sizing techniques for an mrp systems

    Malzeme ihtiyaç planlama sisteminde kafile büyüklerini belirleyen tekniklerin analizi ve tasarımı

    SEDAT ZENCİRCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    1994

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ADNAN YAZICI

Geri Dön