Tillverkningsföretag behöver ständigt utforska nya ledningsstrategier och nya metoder för att påskynda effektiviteten i sina produktionssystem och behålla sin konkurrenskraft. Av yttersta vikt är att utveckla nya flaskhalsanalysmetoder som kan identifierade faktorer som hindrar produktiviteten i produktionssystemen så att optimala förbättringsåtgärderna kan utföras. Många av de flaskhalsrelaterade forskningsmetoder som utvecklats under de senaste två decennierna syftar främst till att upptäcka flaskhalsen. På grund av avsaknaden av förebyggande förmåga är de mindre användbara för att utvärdera effekten av flaskhalsförbättringar.
En effektiv och korrekt metod för identifiering av korrekta förbättringsåtgärder, ordningen de ska utföras i samt dess effekt på produktionssystemets produktivitet är nödvändig. SCORE (simulation-based constraint removal) är en ny metod som möjliggör flaskhalsanalys genom användning av simuleringsbaserad flermålsoptimering. Genom att innovativt formulera flaskhalsanalys till ett flermålsoptimeringsproblem ochanvända simulering för att utvärdera effekterna av olika kombinationer av förbättringar, kan alla uppnåeliga maximala produktivitetsnivåer av produktionssystemet sökas i en enda optimering. Dessutom kan en frekvensanalys på Pareto-optimala lösningar från en sådan optimering generera en rangordning av de systemparameterar som behöver förbättras för att uppnå den önskade produktivitetsnivån. Dessa fördelar med SCORE kan dock endast uppnås med en mycket hög beräkningskostnad, speciellt när simuleringsmodellen är komplex och/eller består av ett stort antal beslutsvariabler. Dessutom innebär formuleringen av det simuleringsbaserade flermålsoptimeringsproblemet mycket manuellt och felbenäget arbete som kan begränsa användbarheten inom industrin, detta trots den enorma potential som metoden erbjuder. Dessutom har noggrannheten i SCORE, när det gäller konvergens i optimeringsteori och korrekthet att identifiera optimala förbättringsåtgärder, inte utvärderats vetenskapligt.
Syftet med denna avhandling är därför att med avstamp i tidigare forskning kring SCORE utveckla en effektiv, automatiserad och korrekt metod för flaskhalsidentifiering och förbättringsanalys som kan tillämpas inom industrin.
Bidrag från detta avhandlingsarbete inkluderar:
(1) implementering av en mångsidig optimeringsvariabel (multiple-choice set variabel) och därtill en reparationsstrategi i evolutionära flermålsoptimeringsalgoritmer(EA);
(2) introducera en ny teknik som baserat på information från en sekventiell screening initialiserar första populationen i en EA samt möjliggör skapandet av variabelvisa genetiska operatorer, båda med syftet att stödja en effektivare sökprocess;
(3) en automatiserad formulering av flermålsoptimeringsproblemet i SCORE för att bespara användarna den stora mängd manuellt och felbenäget arbete med optimeringsvariabler och mål som krävs;
(4) presentera hur upprepad användning av rankningsavstånd (mätetal som visar hur lika/olika två rankningar är varandra) kan användas för att kvantifiera och visualisera konvergens och korrekthet av flaskhalsrankningen genererad av SCORE.
Alla dessa bidrag har demonstrerats och utvärderats genom omfattande experiment på skalbara, benchmark-simuleringsmodeller samt på flera stora simuleringsmodeller som använts i förbättringsprojekt inom fordonsindustrin.
De framgångsrika resultaten har visat att förbättringarna av SCORE-metoden presenterade i detta arbete gör det möjligt för tillverkningsföretag att förvärva verkliga fördelar genom att optimera sina produktionssystem optimalt.