Adaptive scheduling in structural steel manufacturing enabled by production monitoring
Due to the massive growth in available data to consider, decision making within the factory setting has become ever more complex. Also the increasing market demands concerning product quality and timely delivery have further hindered the ability of having critical judgement and being decisive when d...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | English |
Έκδοση: |
2019
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/12814 |
id |
nemertes-10889-12814 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-128142022-09-05T11:17:03Z Adaptive scheduling in structural steel manufacturing enabled by production monitoring Προσαρμοστικός χρονοπρογραμματισμός συστημάτων παραγωγής : εφαρμογή σε βιομηχανία μεταλλικών κατασκευών Γάργαλλης, Αντώνιος Μούρτζης, Δημήτριος Μούρτζης, Δημήτριος Σταυρόπουλος, Παναγιώτης Δέντσορας, Αργύριος Gargallis, Antonios Production scheduling Production monitoring Industry 4.0 Decision support tools Χρονοπρογραμματισμός παραγωγής Παρακολούθηση παραγωγής Βιομηχανία 4.0 Εργαλεία υποστήριξης αποφάσεων Due to the massive growth in available data to consider, decision making within the factory setting has become ever more complex. Also the increasing market demands concerning product quality and timely delivery have further hindered the ability of having critical judgement and being decisive when dealing with manufacturing problems. Thus using only human resources to form decisions and achieve manufacturing goals has become insufficient. New emerging technologies like the Internet of Things (IoT) and Cyber-Physical systems (CPS), which exist in the core of Industry 4.0 enabled factories, can help achieve decision making goals. The use of Industry 4.0 technologies in order to extract and handle useful data can be used to support human decision making. This can enable insight of the current and future status of a given production system, resulting in more accurate predictions and enhanced critical decisions. Production scheduling is one of the main problems production engineers have to tackle. The decisions taken considering production scheduling can greatly affect the whole production process. Industry 4.0 enabled decision support tools can help making production scheduling effective, while considering more data and parameters than ever before. As such this thesis proposes a methodology for production scheduling, based on historical and near real time data for checking resource and task status. The developed framework aims at providing useful insight to production engineers, assisting them in the decision-making process. Finally, the applicability of the framework was tested in a real-life case study of a structural steel manufacturing industry. Λόγω της μεγάλης αύξησης των διαθέσιμων δεδομένων που πρέπει να ληφθούν υπόψη, η λήψη αποφάσεων στο πλαίσιο του εργοστασιακού περιβάλλοντος έχει γίνει όλο και πιο πολύπλοκη. Επίσης, οι αυξανόμενες απαιτήσεις της αγοράς σχετικά με την ποιότητα των προϊόντων και την έγκαιρη παράδοση εμπoδίζουν περαιτέρω την ύπαρξη κριτικής λήψης αποφάσεων στην επίλυση προβλημάτων παραγωγής. Η χρήση μόνο ανθρώπινων πόρων για την λήψη αποφάσεων και την επίτευξη στόχων στην παραγωγή έχει γίνει ανεπαρκής. Η χρήση τεχνολογιών τέταρτης βιομηχανικής επανάστασης για την εκμαίευση και τη διαχείριση δεδομένων μπορεί να χρησιμοποιηθεί για τη στήριξη της λήψης αποφάσεων από τον άνθρωπο. Αυτό μπορεί να επιτρέψει την κατανόηση της τρέχουσας και μελλοντικής κατάστασης ενός δεδομένου συστήματος παραγωγής, με αποτέλεσμα πιο ακριβείς προβλέψεις και ενισχυμένες αποφάσεις. Ο προγραμματισμός παραγωγής είναι ένα από τα βασικά προβλήματα που πρέπει να αντιμετωπίσουν οι μηχανικοί παραγωγής. Οι αποφάσεις που λαμβάνονται σχετικά με τον προγραμματισμό της παραγωγής μπορούν να επηρεάσουν σε μεγάλο βαθμό όλη τη διαδικασία παραγωγής. Τα εργαλεία υποστήριξης αποφάσεων μπορούν να βοηθήσουν στον αποτελεσματικό προγραμματισμό της παραγωγής, λαμβάνοντας υπόψη περισσότερα δεδομένα και παραμέτρους από ποτέ. Προς το σκοπό αυτό, αυτή η εργασία προτείνει μια μέθοδο προγραμματισμού παραγωγής με τη χρήση ενός συστήματος που χρησιμοποιεί εργοστασιακά παρελθόντα δεδομένα και δεδομένα πραγματικού χρόνου για να ελέγξει την κατάσταση των πόρων και των εργασιών και παρέχει γνώση στους μηχανικούς παραγωγής για την λήψη αποφάσεων. 2019-11-03T13:19:38Z 2019-11-03T13:19:38Z 2019-10-17 Thesis Working Paper http://hdl.handle.net/10889/12814 en 0 application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
English |
topic |
Production scheduling Production monitoring Industry 4.0 Decision support tools Χρονοπρογραμματισμός παραγωγής Παρακολούθηση παραγωγής Βιομηχανία 4.0 Εργαλεία υποστήριξης αποφάσεων |
spellingShingle |
Production scheduling Production monitoring Industry 4.0 Decision support tools Χρονοπρογραμματισμός παραγωγής Παρακολούθηση παραγωγής Βιομηχανία 4.0 Εργαλεία υποστήριξης αποφάσεων Γάργαλλης, Αντώνιος Adaptive scheduling in structural steel manufacturing enabled by production monitoring |
description |
Due to the massive growth in available data to consider, decision making within the factory setting has become ever more complex. Also the increasing market demands concerning product quality and timely delivery have further hindered the ability of having critical judgement and being decisive when dealing with manufacturing problems. Thus using only human resources to form decisions and achieve manufacturing goals has become insufficient. New emerging technologies like the Internet of Things (IoT) and Cyber-Physical systems (CPS), which exist in the core of Industry 4.0 enabled factories, can help achieve decision making goals. The use of Industry 4.0 technologies in order to extract and handle useful data can be used to support human decision making. This can enable insight of the current and future status of a given production system, resulting in more accurate predictions and enhanced critical decisions. Production scheduling is one of the main problems production engineers have to tackle. The decisions taken considering production scheduling can greatly affect the whole production process. Industry 4.0 enabled decision support tools can help making production scheduling effective, while considering more data and parameters than ever before. As such this thesis proposes a methodology for production scheduling, based on historical and near real time data for checking resource and task status. The developed framework aims at providing useful insight to production engineers, assisting them in the decision-making process. Finally, the applicability of the framework was tested in a real-life case study of a structural steel manufacturing industry. |
author2 |
Μούρτζης, Δημήτριος |
author_facet |
Μούρτζης, Δημήτριος Γάργαλλης, Αντώνιος |
format |
Thesis |
author |
Γάργαλλης, Αντώνιος |
author_sort |
Γάργαλλης, Αντώνιος |
title |
Adaptive scheduling in structural steel manufacturing enabled by production monitoring |
title_short |
Adaptive scheduling in structural steel manufacturing enabled by production monitoring |
title_full |
Adaptive scheduling in structural steel manufacturing enabled by production monitoring |
title_fullStr |
Adaptive scheduling in structural steel manufacturing enabled by production monitoring |
title_full_unstemmed |
Adaptive scheduling in structural steel manufacturing enabled by production monitoring |
title_sort |
adaptive scheduling in structural steel manufacturing enabled by production monitoring |
publishDate |
2019 |
url |
http://hdl.handle.net/10889/12814 |
work_keys_str_mv |
AT gargallēsantōnios adaptiveschedulinginstructuralsteelmanufacturingenabledbyproductionmonitoring AT gargallēsantōnios prosarmostikoschronoprogrammatismossystēmatōnparagōgēsepharmogēsebiomēchaniametallikōnkataskeuōn |
_version_ |
1771297212416917504 |