(18.204.2.190) 您好!臺灣時間:2021/04/22 08:36
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:扈偉中
研究生(外文):Wei-Chung Hu
論文名稱:應用整合型多目標基因演算法於看板張數最佳化之研究
論文名稱(外文):An Integrated MOGA Approach to Determine the Optimal Kanban Number for a JIT System
指導教授:侯東旭侯東旭引用關係
指導教授(外文):Tung-Hsu Hou
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:工業工程與管理研究所碩士班
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:100
中文關鍵詞:精實生產看板JIT豐田生產系統GPSIFF多目標基因演算法
外文關鍵詞:MOGATPSJITLean ProductionKanbanGPSIFF
相關次數:
  • 被引用被引用:9
  • 點閱點閱:513
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:207
  • 收藏至我的研究室書目清單書目收藏:0
豐田生產系統的兩大支柱為「自働化」與「及時化」。及時化(Just-in-time, JIT)生產藉由「看板」作為物料需求與生產資訊傳導的媒介,達到在必要時間,生產必要數量的必要物品,且剛好到達生產現場,以快速滿足顧客需求及有效控制製程中的庫存數量。然而在建構看板生產流程時,工程間的「看板」總張數會影響生產績效優劣,因此如何設定看板數量,成為現場管理人員的重要課題。目前業界普遍使用經驗法則或公式計算看板張數,但往往僅考慮在製品存貨量最小化之目標。研究文獻有多篇發展出滿足多個目標績效最佳化之下看板張數配置方法,然而這些研究都利用數學轉換函數將多目標簡化為單一績效指標問題,或將多個單一目標函數主觀給予不同權重,加總合併為單一目標值。這些研究無法有效求出多組近似最佳解,提供決策者在不同績效重要性考量下進行選擇。
本研究中提出一整合型的多目標基因演法來決定看板張數,並以國內某家已導入及時化生產方式之製造廠為例來驗證方法之可行性與改善績效。整合系統中首先使用系統模擬建立個案公司生產系統模型,以實驗配置及模擬系統探討生產線不同看板組合下多目標績效,再將模擬數據經反應曲面法配適為迴歸模型後,作為基因演算法下各染色體之各績效評估函數,最後以多目標基因演算法(MOGA)及generalized Pareto-based scale independent fitness function (GPSIFF)之適合度函數,以找出滿足最大化平均產出率(Mean throughput rate)與最小化平均總在製品存貨(Mean total work-in-process inventory)為目標績效下具有pareto-optimal front特性的看板張數配置方案。
經由整合系統所得之六組新看板張數配置與個案公司現行看板張數配置比較,9組看板張數柏拉圖最佳解之中,有6組同時在最大化平均產出率與最小化平均總在製品存貨優於現行看板張數績效,最低改善幅度分別為6.9%、11.3%,而9組配置之間沒有任一組同時在平均產出率與平均總在製品存貨數上優於另一組配置,符合柏拉圖最佳解特性。
Two of the major pillars of TPS are “autonomation” and “just-in-time (JIT)”. Kanbans are information tools in a JIT system to control the production of the necessary products in the necessary quantities at the necessary time. The number of Kanbans represents the inventory quantity of work-in-process (WIP) or purchasing parts. It is an important issue to determine the optimal Kanban number. The shop floor engineer usually uses empirical rules or simple equations to determine the Kanban number. However, these rules or equations only take the WIP as the only objective into consideration. Some researches have taken multiple objectives into consideration to determine the Kanban number. However, these researches usually combine multiple objectives into one objective by using a transfer function or giving different weights for different objectives. These researches could not generate Pareto-optimal Kanban number for managers to make decisions.
In this research, an integrated multiple objective genetic algorithm (MOGA) will be developed to determine the Pareto-optimal Kanban number, and be applied in a TPS-oriented manufacturing company to demonstrate its feasibility. First of all, a simulation model will be created to simulate the multi-stage JIT production system of the company. After an experiment layout of different Kanban number for different production stages being applied to test the production performances, regression models will be built based on the experiment design and simulation results. The regression models will be used to represent the relationships between the Kanban numbers of different production stages and the production performance, and will be used in genetic algorithms to generate the performance for chromosomes. Finally, the MOGA, by using the generalized Parato-based scale independent fitness function (GPSIFF) as the fitness function to evaluate the multiple objectives for chromosomes, will be used to find the Pareto-optimal Kanban number for multiple objectives, i.e., maximizing mean throughput rate and minimizing mean total WIP inventory.
Four Kanban number combinations of the Pareto-optimal front have better production performances at both objectives than current Kanban number. The results of the proposed integrated approach show at least 6.9% improvement comparing with current mean throughput rate, and at least 5.5% improvement comparing with current mean total WIP inventory. However, there are no solutions better then each other when the both production performances are considered at the same time, which makes these Kanban numbers satisfy Pareto-optimal solutions.
中文摘要 I
英文摘要 III
誌謝 V
目錄 VI
表目錄 IX
圖目錄 XI
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究範圍與限制 4
1.4 研究流程 4
第二章 文獻探討 7
2.1 豐田生產系統與及時化 7
2.2 看板生產方式 8
2.3看板張數決策問題 12
2.3.1 績效衡量指標 12
2.3.2 以公式計算看板張數 13
2.3.3 建構數學模型於看板張數決策 15
2.3.4 系統模擬應用於看板張數決策 16
2.4 反應曲面法配適迴歸模型 19
2.4.1 反應曲面法簡介 19
2.4.2 反應曲面法執行過程 19
2.5多目標基因演算法 22
2.5.1 基因演算法 22
2.5.2 多目標最佳化 26
2.5.3 基因演算法於多目標最佳化問題的演進 29
第三章 研究方法 36
3.1 方法流程 36
3.2 系統模擬模型建構 36
3.2.1 個案現況 37
3.2.2績效衡量指標定義 40
3.2.3模擬模型驗證 41
3.3 反應曲面法配適迴歸模型 41
3.4 多目標基因演算法演算流程 46
3.5 多目標基因演算法參數設定 51
3.5.1 MOGA相關參數 52
3.5.2 使用田口實驗設計法進行MOGA參數最佳化配置 53
第四章 生產系統模擬模式 56
4.1 生產模擬系統之限制與參數設置 56
4.2 生產模擬系統描述 57
4.3 生產模擬系統驗證 63
第五章 結果分析 65
5.1 反應曲面法配適績效指標迴歸模式結果分析 65
5.2 多目標基因演算法搜尋看板張數柏拉圖最佳解 71
5.2.1 多目標基因演算法程式說明 71
5.2.2 多目標基因演算法參數最佳化設計 72
5.2.3 多目標基因演算法搜尋看板張數柏拉圖最佳解與比較 78
第六章 結論與建議 81
6.1 結論 81
6.2 建議 82
參考文獻 83
1.大野耐一 (2001)。豐田生產方式(國瑞協力會TPS自主研究會譯)。台北市:中衛發展中心。
2.王治元 (2004)。智慧型基因演算法於多目標排程之發展與應用-以PCB鑽孔作業為例。碩士論文,元智大學工業工程與管理研究所,桃園縣。
3.江瑞坤、大野義男、侯東旭(2007)。豐田的三位一體生產系統。台北市:中衛發展中心。
4.江瑞坤、大野義男、侯東旭(2007)。豐田的三位一體生產系統(頁378-379)。台北市:中衛發展中心(轉載自豐田生產系統及現場改善手冊(2001),AISIN精機株式會社)。
5.阮永漢 (2002)。系統模擬與基因演算法於完全相同機台排程之應用。碩士論文,元智大學工業工程與管理研究所,桃園縣。
6.李自強 (2005)。在混合生產線看板系統與計劃性系統應用的探討-以汽車業及其協力體系為例。碩士論文,元智大學工業工程與管理研究所,桃園縣。
7.林宏澤、林清泉 (2001)。系統模擬。台北縣:高立圖書有限公司。
8.林嘉瑜 (2002)。反應曲面法之改良研究-權重平滑搜尋方向與實驗區域改變規則之探討。碩士論文,國立成功大學,台南市。
9.若松義人、近藤哲夫 (2004)。豐田式生產力(TPS研究小組譯)。桃園縣:和昌。
10.許家豐 (2005)。結合基因演算法與反應曲面法於多重品質特性製程參數最佳化問題之研究。碩士論文,國立雲林科技大學工業工程與管理研究所,雲林縣。
11.張鴻志 (2005)。整合人工免疫系統與類神經網路於製程參數最佳化之研究。碩士論文,國立雲林科技大學工業工程與管理研究所,雲林縣。
12.曾珞萍 (2000)。以反應曲面法尋找多目標模擬模式之最佳解-以半導體封裝廠印字區為例。碩士論文,國立成功大學製造工程研究所,台南市。
13.楊程光(2007)。JIT系統多目標績效下看板張數之研究。碩士論文,國立雲林科技大學工業工程與管理研究所,雲林縣。
14.Alabas, C., Altiparmak, F. & Dengiz, B. (2000). The optimization of number of kanbans with genetic algorithms, simulated annealing and tabu search. Evolutionary Computation, 1, 580-585.
15.Andijani, A. A. (1998). A multi-criterion approach for kanban allocations. Omega, 26(4), 483-493.
16.Chan, F.T.S (2001). Effect of kanban size on just-in-time manufacturing systems. Journal of Materials Processing Technology, 116, 146-160.
17.Deb, K. (1999). Multi-objective genetic algorithms problem-difficulties and construction of test problems. Evolutionary Computation Journal, 7(3), 205-230.
18.Duri, C., Frein, Y. & Di Mascolo, M. (1995). Performance Evaluation Of Kanban Multiple-Product Production Systems. Emerging Technologies and Factory Automation, 3, 557-566.
19.Grefenstette, J. J. (1986). Optimization of control parameters for genetic algorithms. Systems, Mens and Cybernetics, IEEE Transactions, 16(1), 122-128.
20.Ho, S. Y., Shu L. S., Chen J. H. (2004). Intelligent evolutionary algorithms for large parameter optimization problems. Evolutionary Computation, IEEE Transactions, 8(6), 522-541.
21.Köchel, P. & Nieländer, U. (2002). Kanban optimization by simulation and evolution. Production Planning & Control, 13(8), 725-734.
22.Liker, J. K. (2004)。豐田模式精實標竿企業的14大管理原則(The Toyota Way: 14 management principles from the world’s greatest manufacturer)(李芳齡譯)。台北市:麥格羅希爾。
23.Mao, J., Hirasawa, K., Hu, J. & Murata, J. (2001). Genetic symbiosis algorithm for multiobjective optimization problem. Transactions of the Society of Instrument and Control Engineering, 37(9), 894-901.
24.Markham, I. S., Mathieu, R. G. & Wary, B. A. (1998). A rule induction approach for determining the number of kanbans in a just-in-time production system. Computers ind. Engng, 34(4), 717-727.
25.Monden, Y. (1993). Toyota Production System: An integrated approach to Just-in-time. Industrial Engineering and Management Press(2nd Edition), 279-290.
26.Montgomery, D. C. (2004). Design and Analysis of Experiments. Hoboken: Wiley.
27.Murata, T. & Ishibuchi, H. (1994). Performance evolution of genetic algorithms for flowshop scheduling problems. IEEE International Conference on Evolutionary Computation, 1, 812-817.
28.Murata, T. & Ishibuchi, H. & Tanaka H.(1996). Genetic algorithm for flowshop scheduling problem. International Journal of Computers and Industrial Engineering, 30, 1061-1071.
29.Nori, V. S. & Sarker, B. R. (1998). Optimum number of kanbans between two adjacent stations. Production Planning & Control, 9(1), 60-65.
30.Savsar, M. & Al-Jawini, A. (1995). Simulation analysis of just-in-time production systems. Int. J. Production Economics, 42, 67-48.
31.Shahabudeen, P., Gopinath, R. & Krishnaiah, k. (2002). Design of bi-criteria kanban system using simulated annealing technique. Computers and Industrial Engineering, 41, 355-370.
32.Tardif, V. & Maaseidvaag, L. (2001). An adaptive approach to controlling kanban systems. European Journal of Operational Research, 132, 411-424.
33.Wang, S. & Sarker, B.R. (2006). Optimal models for a multi-stage supply chain system controlled by kanban under just-in-time philosophy. European Journal of Operational Research, 172, 179-200.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊
 
系統版面圖檔 系統版面圖檔