Analysis of Production Systems with Data Acquisition Capability and Advanced Transport Devices

Abstract

The rapid progress of monitoring and automation technologies has driven recent advancements in production systems. The Internet of Things (IoT) now allows for the collection of real-time operational data from various components within these systems. Automated production machines are becoming increasingly common, and transportation systems that move products between machines have gained numerous functions. These developments enable continuous improvements of production systems, allowing managers to create mathematical models from large datasets, analyze production systems, and improve systems in various ways, extending beyond merely upgrading equipment. However, several challenges can arise during the improvement of production systems using mathematical models, even when the necessary infrastructure is in place. This dissertation explores these potential issues and offers solutions to address them. The first problem concerns estimating the parameters of a machine for which operational data is unavailable. The estimation uses data from surrounding machines and buffers instead of direct measurements from the machine. This method is called ‘indirect estimation’ because the reliability parameter is not directly estimated from the operation data. This approach allows for continuous model updates without human intervention. We apply this method to the Bernoulli reliability model. The second problem involves analyzing production systems with machines that exhibit high variability in up- and downtime. Assuming that up- and downtime follow a Weibull distribution, an artificial neural network is utilized to approximate the throughput of the production system. To determine the most effective structure for approximating the throughput, four neural network architectures are compared: Multilayer Perceptron (MLP), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU). Training data for the neural networks is generated through discrete-event simulation with a wide range of parameters. Our results show that the LSTM model provides better approximation performance, leading to bottleneck identification using this model. Finally, we propose a buffer parameter optimization method for advanced transportation devices with the ability to control the speed of individual products. The buffer parameters subject to optimization include buffer length (distance between machines) and transfer speed. Two optimization algorithms are constructed for each parameter individually. The buffer length optimization problem is constrained by the available physical space, while network resources and hardware performance limit the transfer speed.|최근에 이루어지는 생산 시스템의 발전은 모니터링 및 자동화 기술을 포함한다. 사물인터넷(IoT)을 통해 생산 시스템 각 부분의 실시간 운영 데이터 수집이 가능해지고, 자동화된 생산 기계가 점점 보편화되고 있으며, 기계 간 제품을 운송하는 시스템도 발전하고 있다. 이러한 발전은 생산 시스템의 체계적인 개선을 가능하게 한다. 생산 시스템의 관리자는 방대한 양의 데이터를 기반으로 수학적 모델링을 구축하고, 생산 라인을 분석하며, 단순한 장비 개선을 넘는 다양한 방법으로 생산 시스템을 개선할 수 있다.

본 논문은 생산시스템의 체계적 개선에서 발생할 수 있는 문제를 다룬다. 생산시스템이 체계적인 개선을 위한 인프라를 갖추고 있더라도 실제 생산 시스템의 개선 과정에서는 여러 문제가 발생할 수 있기에. 개선의 각 단계에서 발생할 수 있는 이러한 문제점을 제시하고 해결방안을 제시한다.

첫 번째 문제는 작동 데이터를 이용할 수 없는 기계의 파라미터를 추정하는 것이다. 기계의 파라미터는 주변 기계의 작동 데이터와 버퍼 관련 데이터를 사용하여 추정된다. 이러한 추정 방법을 사용하면 사람이 직접 작동 데이터를 측정하지 않고도 모델을 지속적으로 업데이트할 수 있다. 이 방법은 직접 수동 측정과 대비하여 간접 추정으로 불린다. 이 논문에서는 베르누이 신뢰 특성을 갖는 동기식 직렬 생산 라인에 대상으로 연구를 진행한다.

두 번째 문제는 가동 시간과 가동 중지 시간의 변동성이 큰 기계가 포함된 생산 시스템을 분석하는 것이다. Weibull 분포를 따르는 가동 및 가동 중지 시간을 가정하여 생산 시스템의 생산량을 인공신경망을 이용하여 근사한다. 4가지 신경망 구조(MLP, RNN, LSTM, GRU)를 비교하여 생산량 근사에 가장 효과적인 구조를 결정한다. 인공 신경망의 훈련 데이터는 넓은 범위의 파라미터를 이용한 이산 사건 시뮬레이션을 통해 얻는다. 훈련 결과 LSTM 모델이 다른 구조보다 생산량 근사 성능이 뛰어났기에 LSTM 모델을 사용하여 병목 식별 및 생산 시스템의 지속적인 개선 시나리오를 제시한다.

마지막으로, 개별 제품의 속도를 제어할 수 있는 기능을 갖춘 차세대 운송 장치에 대한 버퍼 파라미터 최적화 방법을 제안한다. 최적화의 대상이 되는 버퍼 파라미터는 버퍼 길이(기계 간 거리)와 전송 속도이다. 버퍼 파라미터 최적화 알고리즘은 각 파라미터에 대하여 최적화 문제를 개별적으로 구성하고 해결한다. 버퍼 길이 최적화 문제는 생산 시스템에 할당된 공간의 제약을 받으며, 전송 속도 최적화 문제는 네트워크 자원의 제약과 하드웨어 성능 한계의 제약을 받는다. 제안된 알고리즘은 생산 시스템의 성능을 분석적으로 평가하기 위해 PSE의 생산 시스템 분석 방법을 사용한다.