Ανάπτυξη μεθόδου για την εκτίμηση της ευελιξίας συστημάτων παραγωγής

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΟΛΟΓΩΝ ΚΑΙ ΑΕΡΟΝΑΥΠΗΓΩΝ ΜΗΧΑΝΙΚΩΝ ∆Ι∆ΑΚΤΟΡΙΚΗ ∆ΙΑΤΡΙΒΗ Ανάπτυξη Μεθόδου για την Εκτίµηση της Ευελιξίας Συστηµάτων Παραγωγής ΚΟΣΜΑΣ Ν. ΑΛΕΞΟΠΟΥΛΟΣ ∆ιπλ. Μηχανικός Η/Υ και Πληροφορικής ΠΑΤΡΑ ΙΟΥΛΙΟΣ 2006 2 Η παρούσα ∆ιδακτορική ∆ιατριβή εγκρίθηκε οµόφωνα µε βαθµό «ΑΡΙΣΤΑ» στις 27 Ιουλίου 2006, από την επταµελή εξεταστική επιτροπή η οποία ορίσθηκε από τη Γενική Συνέλευση µε Ειδική Σύνθεση του Τµήµατος Μηχανολόγων και Αεροναυπηγών Μηχανικών της Πολυτεχνικής Σχολής του Πανεπιστηµίου Πατρών, στην υπ’ αριθµόν 6/9-5-2006 συνεδρίασή της, σύµφωνα µε το άρθρο 36 Ν. 1268/82 και το άρθρο 13 Ν. 2083/92, µετά από σχετική εισήγηση της τριµελούς συµβουλευτικής επιτροπής. Τα µέλη της Επταµελούς Εξεταστικής Επιτροπής ήταν: 1. Χρυσολούρης Γεώργιος (Επιβλέπων) Καθηγητής Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών 2. Ανυφαντής Νικόλαος Καθηγητής Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών 3. Παπαθεοδώρου Θεόδωρος Καθηγητής Τµήµατος Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής του Πανεπιστηµίου Πατρών 4. Καρακαπιλίδης Νικόλαος Αναπλ. Καθηγητής Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών 5. Αδαµίδης Εµµανουήλ Επικ. Καθηγητής Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών 6. Μούρτζης ∆ηµήτριος Λέκτορας Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών 7. Γούτσος Σταύρος Λέκτορας Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών 3 στους παππούδες µου Κώστα και Κώστα 4 Θα ήθελα να ευχαριστήσω τους ανθρώπους που βοήθησαν είτε έµµεσα είτε άµεσα όλα αυτά τα χρόνια της αφοσίωσης στην έρευνα. Εµπνευστής και καθοδηγητής της εργασίας αυτής υπήρξε ο Καθηγητής κ. Γεώργιος Χρυσολούρης, χωρίς την αµέριστη συµπαράσταση του οποίου θα ήταν αδύνατη η ολοκλήρωσή της. Επιπλέον θα ήθελα να ευχαριστήσω τα µέλη της τριµελούς επιτροπής κ. Νικόλαο Ανυφαντή Καθηγητή του Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών και κ. Εµµανουήλ Αδαµίδη Επίκουρο Καθηγητή του Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών για την εποικοδοµητική συµβολή τους στην βελτίωση και ολοκλήρωση της αρχικής έκδοσης της διατριβής. Ευχαριστώ επίσης τα µέλη της επταµελούς επιτροπής κ. Θεόδωρο Παπαθεοδώρου Καθηγητή του Τµήµατος Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής του Πανεπιστηµίου Πατρών, κ. Νικόλαο Καρακαπιλίδη Αναπληρωτή Καθηγητή του Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών, κ. ∆ηµήτριο Μούρτζη Λέκτορα του Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών και κ. Σταύρο Γούτσο, Λέκτορα του Τµήµατος Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών, για την συµβολή της στην τελική διαµόρφωση της εργασίας. Πολύτιµοι συµπαραστάτες και φίλοι όλο αυτό τον καιρό στάθηκαν οι συνεργάτες µου στο Εργαστήριο Συστηµάτων Παραγωγής και Αυτοµατισµού του Τµήµατος Μηχανολόγων και Αεροναυπηγών Μηχανικών του Πανεπιστηµίου Πατρών, ∆ρ. Βασιλική Καραµπάτσου, ∆ρ. Σωτήρης Μακρής, ∆ρ. Νικόλαος Παπακώστας, κ. Μενέλαος Παππάς, κ. Βαγγέλης Ξανθάκης και κ. Ορέστης Μάρκου. Επιπρόσθετα θα ήθελα να ευχαριστήσω τις γραµµατείς του Εργαστηρίου κα. Άντζελα Σµπαρούνη και κα. Βάσω Βελαώρα. Τέλος, θα ήθελα να ευχαριστήσω την οικογένειά µου, τον πατέρα µου Νίκο, την µητέρα µου Μαρία και την αδερφή µου Έλενα, τους φίλους µου και την Μαρία για την υποµονή και την κατανόηση που έδειξαν καθώς ο χρόνος µου µαζί τους κατά την περίοδο εκπόνησης της εργασίας είχε περιοριστεί σηµαντικά. Πάτρα, Ιούλιος 2006 5 ΠΕΡΙΛΗΨΗ Τα σύγχρονα συστήµατα παραγωγής πρέπει να λειτουργούν αποδοτικά σε ένα δυναµικά µεταβαλλόµενο περιβάλλον. Ένα βασικό χαρακτηριστικό που πρέπει να λάβουν υπόψη τους οι µηχανικοί στη βιοµηχανία είναι η ευελιξία των συστηµάτων παραγωγής. Η ευελιξία αναφέρεται στην ικανότητα ενός συστήµατος παραγωγής να ανταποκρίνεται και να προσαρµόζεται στις αλλαγές του περιβάλλοντος στο οποίο λειτουργεί. Αλλά η ευελιξία είναι δύσκολο να συµπεριληφθεί στη διαδικασία λήψης αποφάσεων κατά τον σχεδιασµό ή την λειτουργία ενός συστήµατος, αν δεν έχει περιγραφεί ποσοτικά.. Ο σκοπός αυτής της διατριβής είναι να αναπτύξει και να επιδείξει µια µέθοδο για την εκτίµηση και ποσοτικοποίηση της ευελιξίας. Η µέθοδος µπορεί να χρησιµοποιηθεί σε πραγµατικά προβλήµατα στην βιοµηχανία και να βοηθήσει στην λήψη αποφάσεων σχετικά µε το απαραίτητο βαθµό της ευελιξίας που πρέπει να έχει ένα σύστηµα παραγωγής ειδικά στην περίπτωση που υπάρχει αβεβαιότητα και είναι δύσκολο να γίνουν αξιόπιστες προβλέψεις σχετικά µε τις απαιτήσεις της αγοράς. Στην διεθνή επιστηµονική βιβλιογραφία έχουν καταγραφεί αρκετές εργασίες που προσεγγίζουν το πρόβληµα της εκτίµησης της ευελιξίας ενός συστήµατος παραγωγής. Οι περισσότερες όµως από τις εργασίες αντιµετωπίζουν µεµονωµένα προβλήµατα, κάτω από ειδικές συνθήκες, που τις περισσότερες φορές αναφέρονται και σε συγκεκριµένους τύπους συστηµάτων παραγωγής. Η προτεινόµενη µέθοδος στηρίζεται στην θεώρηση ότι η ευελιξία ενός συστήµατος παραγωγής καθορίζεται από την ευαισθησία του στις αλλαγές. Όσο λιγότερο ευαίσθητο ένα σύστηµα είναι στις αλλαγές του περιβάλλοντος στο οποίο λειτουργεί τόσο περισσότερο ευέλικτο είναι. Η βασική αυτή θεώρηση εφαρµόζεται µέσω της µέτρησης του εύρους των διαφορετικών τιµών του συνολικού κόστους ενός συστήµατος παραγωγής. Οι τιµές του συνολικού κόστους υπολογίζονται για καθένα σενάριο από ένα µεγάλο αριθµό πιθανών σεναρίων αγοράς. Στην συνέχεια µε στατιστική ανάλυση στις τιµές του συνολικού κόστους οδηγούµαστε σε συµπεράσµατα για την ευαισθησία ενός συστήµατος παραγωγής σε ένα αβέβαιο περιβάλλον λειτουργίας. Ο υπολογισµός του συνολικού κόστους λαµβάνει υπόψη του διάφορες φάσεις του συστήµατος παραγωγής στον κύκλο ζωής του όπως την αρχική επένδυση και τον κόστος των αλλαγών. Επιπλέον για να µπορούν οι διαφορετικές τιµές του κόστους να είναι συγκρίσιµες θα πρέπει να υπολογιστούν µε 6 βάση κάποιον κανόνα. Η εργασία αυτή προτείνει ένα τρόπο για την εύρεση του ελάχιστου κόστους στον κύκλο ζωής ενός συστήµατος παραγωγής. Η προτεινόµενη µέθοδος εφαρµόζεται σε µια περίπτωση µελέτης στην αυτοκινητοβιοµηχανία και τέλος περιγράφεται ένα λογισµικό που υλοποιεί την προτεινόµενη µέθοδο καθώς και η UML (Unified Modelling Language) περιγραφή των βασικών οντοτήτων. 7 ABSTRACT Modern manufacturing firms must learn to operate effectively in very dynamic environments. One key aspect that firms must consider is manufacturing flexibility. Manufacturing flexibility refers to the ability of a manufacturing system to accommodate uncertainty in the production environment. But flexibility cannot be considered in the decision making process if it is not assessed in quantifiable terms. The goal of this dissertation is to develop and demonstrate a practical method to assist manufacturers in managing environmental uncertainty and in determining the appropriate level of flexibility in their production systems. A number of research efforts have been published in the literature that deal with the scientific issue of flexibility assessment. However, most of the published research work deals with case specific engineering problems, under certain circumstances, and in most of the cases they are applicable to specific types of production system. The approach suggested by this dissertation considers that manufacturing flexibility is determined by its sensitivity to changes. The less flexible a manufacturing system is the more flexible it should be considered. We consider flexibility during the lifecycle of a system, from initial investment to major reconfiguration. A large number of market scenarios are being considered and the lifecycle cost of the system for all scenarios is calculated. Following, statistical analysis on the lifecycle cost results provides results on the sensitivity of the system to the uncertainty of the market environment. Furthermore, in order to make the lifecycle cost values comparable amongst the different production systems, their minimum value is calculated at a minimum level with the help of a specially developed optimization algorithm. The proposed method is applied in a case study in the automotive industry. Finally, a web-based software package that implements the proposed method along with the UML (Unified Modelling Language) description of the main entities is also being described. 8 ΠΕΡΙΕΧΟΜΕΝΑ 1. 2. Εισαγωγή .............................................................................................................11 1.1. Η ευελιξία στα συστήµατα παραγωγής .......................................................11 1.2. Ορισµός του προβλήµατος: Η µετρηση της ευελιξίας................................12 1.3. Συµβολή της παρούσας εργασίας στην επίλυση του προβλήµατος.............13 1.4. ∆οµή της διατριβής ......................................................................................14 Ευελιξία των συστηµάτων παραγωγής: Ανασκόπηση της Επιστηµονικής Βιβλιογραφίας..............................................................................................................15 3. 2.1. Εισαγωγη .....................................................................................................15 2.2. Αίτιες της ευελιξίας .....................................................................................16 2.3. Ορισµός της ευελιξίας .................................................................................17 2.4. Τύποι ευελιξίας ............................................................................................20 2.5. Μέθοδοι µέτρησης της ευελιξίας.................................................................27 2.6. Τεχνολογίες υλοποίησης της ευελιξίας........................................................46 2.6.1. Flexible Manufacturing Systems (FMS)..........................................47 2.6.2. Reconfigurable Manufacturing Systems (RMS)..............................49 Η προτεινόµενη µέθοδος......................................................................................52 3.1. Εισαγωγή - Περίληψη..................................................................................52 3.2. Συνολική περιγραφή της µεθόδου ...............................................................53 3.3. Γλωσσάριο ...................................................................................................55 3.4. Σύστηµα παραγωγής και περιβάλλον λειτουργίας ......................................56 3.4.1. Περιγραφή της ζήτησης από την αγορά ..........................................56 3.4.2. Περιγραφή συστήµατος παραγωγής ................................................59 3.4.3. ∆είκτης επαναδιάταξης (reconfigurability index)............................64 3.5. Προσαρµογή στις µεταβολές της αγοράς ....................................................65 3.6. Προγραµµατισµός του συστήµατος παραγωγής..........................................66 3.6.1. 3.7. Απλοί κανόνες ανάθεσης .................................................................67 Μεθόδος υπολογισµού της ευελιξίας...........................................................67 3.7.1. Περιορισµοί .....................................................................................75 3.7.2. Εκπλήρωση της ζήτησης..................................................................75 3.7.3. Προκαθορισµένες διαµορφώσεις σε περιόδους...............................76 9 4. 5. 3.7.4. Περιορισµός στις εργατοώρες .........................................................76 3.7.5. Συγκέντρωση γνώσης (Learning by doing) .....................................76 3.7.6. Επέκταση του DESYMA-Opt..........................................................77 Εφαρµογή στην αυτοκινητοβιοµηχανία...............................................................79 4.1. Εισαγωγή .....................................................................................................79 4.2. Πρώτη περίπτωση µελέτης ..........................................................................81 4.3. ∆εύτερη περίπτωση µελέτης ........................................................................86 Λογισµικό για µέτρηση ευελιξίας και τον προγραµµατισµό των αλλαγών – DESYMA SP ...............................................................................................................89 6. 5.1. Εισαγωγή .....................................................................................................89 5.2. Αρχιτεκτονική του λογισµικού DESYMA-SP ............................................89 5.3. Σύντοµο εγχειρίδιο χρήσης του DESYMA-SP............................................90 5.3.1. Είσοδος στο DESYMA-SP ..............................................................91 5.3.2. Σελίδα υποδοχής ..............................................................................91 5.3.3. Εισαγωγή και εύρεση των απαιτήσεων της αγοράς.........................92 5.3.4. Βασική σχεδιαστική λύση – Baseline solution ................................93 5.3.5. ∆ιαµόρφωση ....................................................................................94 5.3.6. Μηχανή ............................................................................................95 5.3.7. Προγραµµατισµός της παραγωγής ..................................................97 5.3.8. Αξιολόγηση ευελιξίας......................................................................98 Συµπεράσµατα και µελλοντική έρευνα .............................................................100 6.1. Περίληψη και συµπεράσµατα....................................................................100 6.2. Μελλοντική έρευνα....................................................................................101 Bιβλιογραφια .............................................................................................................103 ΠΑΡΑΡΤΗΜΑ A.......................................................................................................113 Συναρτήσεις για τον υπολογισµό του ελάχιστου NPC. .........................................113 ΠΑΡΑΡΤΗΜΑ Β .......................................................................................................117 ∆ιαγράµµα Use case της εφαρµογής DESYMA-Sp ..............................................117 ∆ιαγράµµατα κλάσεων του DESYMA-SP ............................................................119 ∆ιάγραµµα βάσης δεδοµένων του DESYMA-SP..................................................124 10 Παράρτηµα Γ - Λίστα Σχηµάτων...............................................................................125 Παράρτηµα ∆ - Λίστα Πινάκων ................................................................................127 Σύντοµο βιογραφικό σηµειώµα .................................................................................128 ∆ηµοσιεύσεις .............................................................................................................129 Κεφάλαιο 1 - Εισαγωγή 11 1. ΕΙΣΑΓΩΓΗ "Στην φύση δεν επιβιώνουν ούτε οι πιο δυνατοί ούτε οι πιο έξυπνοι. Επιβιώνουν αυτοί που προσαρµόζονται καλύτερα στις αλλαγές " Κάρολος ∆αρβίνος 1.1. Η ΕΥΕΛΙΞΙΑ ΣΤΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΑΓΩΓΗΣ Αυτή η διατριβή επικεντρώνεται στην µελέτη της ευελιξίας των συστηµάτων παραγωγής. Τα συστήµατα παραγωγής είναι µηχανολογικές, κυρίως, διατάξεις που συνήθως κοστίζουν ακριβά, χρειάζονται αρκετό χρόνο για να σχεδιαστούν, να υλοποιηθούν και τελικά να ξεκινήσουν την παραγωγή προϊόντων. Παρόλα αυτά, κατά την διάρκεια του κύκλου ζωής (lifecycle) ενός τέτοιου συστήµατος, πολλά χρήµατα δαπανώνται για να µεταβληθεί το σύστηµα και να προσαρµοστεί στις διαρκώς µεταβαλλόµενες συνθήκες του περιβάλλοντος στο οποίο λειτουργεί. Νέα προϊόντα εισέρχονται στην αγορά, σχεδιαστικές αλλαγές σε προϊόντα που ήδη υπάρχουν, διακυµάνσεις στην ζήτηση, είναι µερικές από τις αλλαγές που συµβαίνουν. Η ύπαρξη ευελιξίας µπορεί να βοηθήσει ώστε το σύστηµα παραγωγής να προσαρµόζεται εύκολα στις διάφορες µεταβολές. Εποµένως η ευελιξία συµβάλλει στην αποδοτικότητα των επενδύσεων καθώς επιτρέπει την παραγωγή περισσότερων τύπων προϊόντων µε λιγότερο εξοπλισµό, αυξάνει το εύρος της χωρητικότητας ενός συστήµατος καθώς το σύστηµα είναι ποιο εύκολο να επεκταθεί ή να συρρικνωθεί και αυξάνει την ανοχή του συστήµατος σε εσωτερικές δυσλειτουργίες όπως οι βλάβες των µηχανών. Για αυτό το λόγο, η ευελιξία πρέπει να µπορεί να λαµβάνεται υπόψη κατά την διάρκεια σχεδιασµού αλλά και της λειτουργίας ενός συστήµατος παραγωγής. Ο τρόπος µε τον οποίο ένα σύστηµα παραγωγής αλληλεπιδρά µε το περιβάλλον φαίνεται στο Σχήµα 1.1. Η βασική λειτουργία του συστήµατος είναι να επεξεργάζεται και να µεταµορφώνει την είσοδο του (π.χ. πρώτες ύλες, κοµµάτια από προµηθευτές κ.α.) σε έξοδο (π.χ. έτοιµα προς πώληση προϊόντα κ.α.) έτσι ώστε να καλυφθεί η ζήτηση και να επιτευχθούν διάφοροι στόχοι λειτουργίας (π.χ. µέγιστη χρησιµοποίηση του εξοπλισµού, αύξηση κερδοφορίας κ.α.). Επιπλέον ένα σύστηµα Κεφάλαιο 1 - Εισαγωγή 12 πρέπει να µπορεί να αποκρίνεται και να συνεχίζει να επιτυγχάνει τους στόχους του και στην περίπτωση που συµβαίνουν µεταβολές στο περιβάλλον (π.χ. µείωση της ζήτησης, ανάγκη για νέο προϊόν κ.α.) αλλά και διαταραχές εσωτερικά στο σύστηµα (π.χ. βλάβη στις µηχανές κ.α.). Η ευελιξία συµβάλλει κυρίως στην αποτελεσµατικότητα του συστήµατος να ανταποκρίνεται στις ποικίλες αλλαγές που συµβαίνουν και να συνεχίζει απρόσκοπτα την παραγωγή προϊόντων στην απαραίτητη ποιότητα και ποσότητα. Μεταβολές Είσοδος (Πρώτες ύλες, έτοιµα κοµµάτια, κλπ) Ζήτηση, στόχοι παραγωγής κ.α. ΠΕΡΙΒΑΛΛΟΝ Σύστηµα Παραγωγής Ροή υλικών Ροή πληροφορίας Έξοδος (Έτοιµα, ηµι-έτοιµα προϊόντα, απόβλητα, κλπ) Αναφορές, νέες πληροφορίες κ.α. Σχήµα 1.1: Σύστηµα παραγωγής και περιβάλλον λειτουργίας του 1.2. ΟΡΙΣΜΟΣ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ: Η ΜΕΤΡΗΣΗ ΤΗΣ ΕΥΕΛΙΞΙΑΣ Όµως η ευελιξία δεν είναι εύκολο να ληφθεί υπόψη στη φάση του σχεδιασµού αλλά και της λειτουργίας των συστηµάτων παραγωγής αν δεν µπορεί να εκτιµηθεί ποσοτικά. Η ποσοτική εκτίµηση της ευελιξίας αποτελεί αντικείµενο έρευνας τα τελευταία είκοσι χρόνια, κυρίως λόγω της αυξηµένης τάσης στην αγορά για µεγαλύτερη ποικιλία προϊόντων µε µεγαλύτερο βαθµό προσαρµογής στις απαιτήσεις του πελάτη (customization). Παρόλα αυτά, δεν έχει βρεθεί ένας τρόπος µέτρησης που να είναι γενικά αποδεκτός και να µπορεί να εφαρµοστεί σε πολλές και διαφορετικές περιπτώσεις. Εξαιτίας της πολυσήµαντης έννοιας της ευελιξίας, οι προτεινόµενες µετρήσεις διαφέρουν τόσο στον τρόπο υπολογισµού αλλά και στις µονάδες µέτρησης που χρησιµοποιούνται (κυρίως εµφανίζονται οικονοµικά µεγέθη, "καθαροί" αριθµοί ή µονάδες άλλων µεγεθών όπως χρόνοι, χωρητικότητα κ.α.). Παρόλο που έχουν προταθεί αρκετές µέθοδοι µέτρησης της ευελιξίας εντούτοις εµφανίζονται αρκετά προβλήµατα στην πρακτική εφαρµογή τους σε πραγµατικές συνθήκες. Ένα βασικό εµπόδιο οφείλεται στην δυσκολία εύρεσης ενός πλήρους ορισµού της ευελιξίας, γεγονός που έχει οδηγήσει σε ατελή και πολλές φορές διφορούµενους ορισµούς, και µεθόδους µέτρησης που δεν αντιστοιχούν πλήρως στους αντίστοιχους ορισµούς. Ένας δεύτερος λόγος είναι ότι σχεδόν κάθε σύστηµα Κεφάλαιο 1 - Εισαγωγή 13 παραγωγής είναι µε τον ένα ή τον άλλο τρόπο µοναδικό. Εποµένως δεν είναι πάντοτε σίγουρο ότι οι υποθέσεις στις οποίες βασίστηκαν κάποιες µέθοδοι µέτρησης θα µπορούν να εφαρµοστούν σε κάθε συγκεκριµένη περίπτωση. 1.3. ΣΥΜΒΟΛΗ ΤΗΣ ΠΑΡΟΥΣΑΣ ΕΡΓΑΣΙΑΣ ΣΤΗΝ ΕΠΙΛΥΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ Η διατριβή περιγράφει µια µέθοδο για την εκτίµηση της ευελιξίας σε συστήµατα παραγωγής. Η µέθοδος που προτείνεται υπολογίζει την ευελιξία ενός συστήµατος παραγωγής µε στατιστική ανάλυση του συνολικού κόστους (net cost) για έναν µεγάλο αριθµό από πιθανά σενάρια που περιγράφουν τις απαιτήσεις της αγοράς. Η προτεινόµενη µέθοδος ορίζει την ευελιξία ως την ανοχή (insensitivity) ενός συστήµατος στην µεταβλητότητα της αγοράς και την υπολογίζει µέσω του εύρους της διασποράς των διαφόρων τιµών του συνολικού κόστους. Αν και ορισµός της ευελιξίας µε αυτή την διατύπωση έχει γίνει στο παρελθόν από τους Chryssolouris και Lee (1992) εντούτοις η ευαισθησία ενός συστήµατος παραγωγής δεν έχει µετρηθεί µε τoν τρόπο που περιγράφεται στην παρούσα εργασία. Το γεγονός ότι η µέθοδος στηρίζεται σε στατιστική ανάλυση των τιµών εξαλείφει την ανάγκη για ύπαρξη συγκεκριµένων προβλέψεων για την αγορά που είναι συνήθως δύσκολο να οριστούν και η ακρίβεια τους είναι πολλές φορές αµφισβητήσιµη. Επιπλέον, στα πλαίσια αυτής της διατριβής παρουσιάζεται και ένας αλγόριθµος για τον προγραµµατισµό των αλλαγών που µπορούν να συµβούν σε ένα σύστηµα παραγωγής µέσα σε ένα χρονικό ορίζοντα µε σκοπό την ελαχιστοποίηση του συνολικού κόστους ενώ λαµβάνει υπόψη έναν αριθµό από πιθανούς περιορισµούς που ισχύουν στην βιοµηχανική πράξη. Για την επίδειξη της µεθόδου σε πραγµατικά προβλήµατα της βιοµηχανίας χρησιµοποιήθηκε µια περίπτωση µελέτης από την αυτοκινητοβιοµηχανία. Σε αυτή την µελέτη εµφανίστηκε ότι όταν ένα σύστηµα µπορεί εύκολα να αλλάζει (σε αυτή την περίπτωση η ευκολία αλλαγής αναφέρεται στο µικρό κόστος αλλαγής) και να λειτουργεί σε διαφορετικές διαµορφώσεις (configurations) τότε το σύστηµα αυτό µπορεί και να εµφανίσει και µικρότερη ευαισθησία στην µεταβλητότητα του περιβάλλοντος αγοράς. Κεφάλαιο 1 - Εισαγωγή 14 1.4. ∆ΟΜΗ ΤΗΣ ∆ΙΑΤΡΙΒΗΣ Αρχικά στο Κεφάλαιο 2 παρουσιάζεται η σχετική βιβλιογραφία για το επιστηµονικό πεδίο του ορισµού και του υπολογισµού της ευελιξίας καθώς επίσης και µια σύντοµη αναφορά στις τεχνολογίες που χρησιµοποιούνται για την υλοποίηση της ευελιξίας σε φυσικό επίπεδο (δηλαδή µηχανές και εξοπλισµός). Το Κεφάλαιο 3 περιγράφει την προτεινόµενη µέθοδο. Η περιγραφή της µεθόδου χωρίζεται σε τρία βασικά µέρη: i. Την περιγραφή των δεδοµένων εισόδου. Στα δεδοµένα εισόδου περιλαµβάνεται η περιγραφή των απαιτήσεων της αγοράς και η περιγραφή του συστήµατος παραγωγής. ii. Την περιγραφή της µεθόδου προγραµµατισµού του συστήµατος παραγωγής. iii. Την περιγραφή της αξιοποίησης των αποτελεσµάτων της φάσης του προγραµµατισµού µε σκοπό την διατύπωση συµπερασµάτων σχετικά µε την ευελιξία. Στο Κεφάλαιο 4 η προτεινόµενη µέθοδος εφαρµόζεται σε µια περίπτωση µελέτης στην αυτοκινητοβιοµηχανία. Σε αυτή την µελέτη, υπολογίζουµε την ευελιξία σε έναν αριθµό από προτεινόµενες λύσεις για την συγκόλληση ενός αυτοκινήτου. Από την διερεύνηση που γίνεται φαίνεται ότι οι λύσεις που εµφανίζουν µεγαλύτερη ικανότητα να αλλάζουν παρουσιάζουν και µικρότερη ευαισθησία στο συνολικό κόστος. Το Κεφάλαιο 5 παρουσιάζει ένα λογισµικό στο οποίο έχει υλοποιηθεί η προτεινόµενη µέθοδο. Το λογισµικό έχει αναπτυχθεί σε αντικειµενοστραφή γλώσσα προγραµµατισµού και τα σχετικά διαγράµµατα της περιγραφής των οντοτήτων (UML diagrams) του λογισµικού περιγράφονται σε αυτό το κεφάλαιο καθώς και παρουσιάζονται οι σχετικές εικόνες (screenshots) από το λογισµικό. Στο Κεφάλαιο 6 αναφέρονται τα συµπεράσµατα καθώς και πιθανές επεκτάσεις της προτεινόµενης µεθόδου. Τέλος αναφέρεται πως η µέθοδος µπορεί να συµπεριληφθεί και να ενσωµατωθεί σε υπάρχοντα πληροφοριακά συστήµατα στην βιοµηχανία. Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 15 2. ΕΥΕΛΙΞΙΑ ΤΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΑΡΑΓΩΓΗΣ: ΑΝΑΣΚΟΠΗΣΗ ΤΗΣ ΕΠΙΣΤΗΜΟΝΙΚΗΣ ΒΙΒΛΙΟΓΡΑΦΙΑΣ "Ό,τι χρώµα θέλετε, αρκεί να είναι µαύρο! " Henry Ford 2.1. ΕΙΣΑΓΩΓΗ Η βιβλιογραφία που σχετίζεται µε την ευελιξία των συστηµάτων παραγωγής είναι αρκετά εκτεταµένη. Αυτό οφείλεται κυρίως στο πραγµατικό βιοµηχανικό ενδιαφέρον που υπάρχει για το θέµα της ευελιξίας εξαιτίας του γρήγορου ρυθµού που αλλάζει η αγορά σήµερα, των διαρκώς µεταβαλλόµενων απαιτήσεων από τους πελάτες, των διακυµάνσεων στην ζήτηση κ.α., γεγονότα που αναγκάζουν την βιοµηχανία να αλλάζει τα προϊόντα και τον όγκο παραγωγής τους πολύ συχνότερα από ότι στο παρελθόν. Αρκετές εργασίες εξετάζουν διάφορες πτυχές της ευελιξίας στα συστήµατα παραγωγής όπως τον ίδιο τον ορισµό της, τους διάφορους τύπους της, µεθόδους για την µέτρησή της αλλά και τελικά την ίδια την αναγκαιότητα της. Πριν προχωρήσουµε παρακάτω είναι απαραίτητο να δοθεί κάποια αρχική ορολογία: • Με τον όρο τύπος ευελιξίας δηλώνουµε ένα όνοµα και µια λεκτική διατύπωση για κάποια µορφής ευελιξίας. Για παράδειγµα έχουµε την ευελιξία δροµολόγησης που ορίζεται ως "η ικανότητα ενός συστήµατος να χρησιµοποιεί εναλλακτικές διαδροµές για την παραγωγή ενός προϊόντος". • Με το όρο µέτρηση της ευελιξίας εννοούµε έναν τύπο, έναν αλγόριθµο, µια µέθοδο και άλλα συναφή, που δηµιουργούν µια τιµή για έναν τύπο ευελιξίας κάτω από ορισµένες συνθήκες. Για έναν τύπο ευελιξίας µπορεί να υπάρχουν ένας ή περισσότεροι τρόποι µέτρησης της. Αρχικά σε αυτό το κεφάλαιο θα αναφέρουµε περιληπτικά τις γενεσιουργές αιτίες που οδηγούν τα συστήµατα παραγωγής να έχουν ή να προσβλέπουν σε µικρότερο ή µεγαλύτερο βαθµό ευελιξίας. Στην συνέχεια θα ορίσουµε και θα εξετάσουµε ορισµένους από τους σηµαντικότερους τύπους ευελιξίας όπως αυτοί έχουν αναφερθεί στην βιβλιογραφία. Τέλος θα αναφέρουµε επιλεκτικά ορισµένους τρόπους µέτρησης της ευελιξίας προσπαθώντας να καλύψουµε ένα ευρύ φάσµα που να περιλαµβάνει Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 16 τόσο την µέτρηση διαφορετικών τύπων ευελιξίας όσο και διαφορετικές µεθόδους (π.χ. βασισµένοι στην οικονοµική / χρηµατική διάσταση της ευελιξίας, εµπνευσµένοι από την θεωρία της πληροφορικής, από τη θεωρία της εντροπίας κ.α.). 2.2. ΑΙΤΙΕΣ ΤΗΣ ΕΥΕΛΙΞΙΑΣ Ένα από τα βασικά χαρακτηριστικά των σύγχρονων συστηµάτων παραγωγής είναι η εξέλιξη. Πρέπει να έχουν την δυνατότητα να προσαρµόζονται στις διαρκώς µεταβαλλόµενες απαιτήσεις για νέα προϊόντα ή παραλλαγές προϊόντων (product variants), µε µικρότερο κύκλο ζωής (Alexopoulos et. al. 2005). Κατά τον ίδιο τρόπο η αυξανόµενη πίεση που ασκείται από τις τεχνολογικές εξελίξεις και την διακύµανση στην ζήτηση αναγκάζουν τις εταιρείες να είναι ευέλικτες. Ο τρόπος που αντιµετωπίζονται τα προβλήµατα και οι πιθανές τους λύσεις πρέπει να τοποθετούνται σε ένα συνολικότερο πλαίσιο που λαµβάνει υπόψη του την φύση και τον ρυθµό των αλλαγών στο περιβάλλον της επιχείρησης. Μέσα σε αυτό το πλαίσιο η έννοια της ευελιξίας γίνεται σηµαντική καθώς πιστεύεται ότι συµβάλλει στην ικανότητα του συστήµατος να αποκρίνεται µε επιτυχία στις αλλαγές (Pereira και Paulré 2001). Η µεταβλητότητα και η αβεβαιότητα θεωρούνται από τις σηµαντικότερες αιτίες της ανάγκης για ευελιξία (Kara και Kayis 2004). Η µεταβλητότητα και η αβεβαιότητα µπορούν να θεωρηθούν χαρακτηριστικά της αλλαγής (Correa 1994). Εποµένως η αλλαγή µπορεί να θεωρηθεί ως αιτία για ευελιξία. Την µεταβλητότητα µπορεί να την δει κανείς ως την δυνατότητα προσφοράς (ή εξόδου από το σύστηµα) µιας ποικιλίας προϊόντων ή την ικανότητα να εκτελεί το σύστηµα µια µεγάλη γκάµα από διεργασίες (manufacturing processes). Η µεταβλητότητα της εξόδου έχει δύο διαφορετικές διαστάσεις. Η µια διάσταση αφορά το εύρος των κοµµατιών / προϊόντων που µπορεί να παράγει. Η δεύτερη διάσταση αναφέρεται στην διακύµανση της εξόδου του συστήµατος στο χρόνο σχετικά µε τον όγκο της παραγωγής. Η αβεβαιότητα του περιβάλλοντος στο οποίο λειτουργεί ένα σύστηµα είναι ένας ακόµη σηµαντικός λόγους για την επιδίωξη ευελιξίας. Οδηγεί τους µηχανικούς να επιδιώκουν την ευελιξία έτσι ώστε να µπορούν να ανταποκριθούν σε πιθανές µελλοντικές αλλαγές που θα συµβούν στο περιβάλλον. Εκτός από την µεταβλητότητα και την αβεβαιότητα η ευελιξία έχει συνδεθεί θετικά και µε κάποιες επιδόσεις των συστηµάτων παραγωγής (π.χ. παραγωγή) (Chryssolouris et. al. 1998, Swink et. al. 2005). Βέβαια η ευελιξία ως µέτρο αντιµετώπισης της αβεβαιότητας του περιβάλλοντος µπορεί να µην έχει πάντοτε τα προσδοκώµενα οφέλη στην Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 17 απόδοση του συστήµατος παραγωγής, όπως έδειξε η έρευνα των (Pagell και Krause 1999) µε χρήση ερωτηµατολογίων σε διαφορετικούς βιοµηχανικούς τοµείς στη Βόρεια Αµερική. Ανεξάρτητα από το αν η απαίτηση για αλλαγή συνδέεται µε την αβεβαιότητα ή την µεταβλητότητα, προέρχεται πάντα είτε από το εξωτερικό είτε από το εσωτερικό του συστήµατος. Έτσι τις αλλαγές µπορούµε να τις διαχωρίσουµε σε αλλαγές που οφείλονται στην αγορά και σε αλλαγές που σχετίζονται µε τις διαδικασίες παραγωγής. Οι εξωτερικές αλλαγές που οφείλονται στην αγορά προκύπτουν κυρίως από: • Την συνεχώς αυξανόµενη ποικιλία των προϊόντων • Την ζήτηση περισσότερο προσαρµοσµένων προϊόντων (customized products). • Την διακύµανση στην ζήτηση (τυχαία ή εποχιακή) • Τον µικρότερο κύκλο ζωής των προϊόντων. • Τον µικρότερο χρόνο παράδοσης. Οι κύριες αλλαγές που σχετίζονται εσωτερικά µε τις διαδικασίες παραγωγής είναι οι: • Εµφάνιση καινοτόµων υλικών και πρώτων υλών. • Εµφάνιση καινοτόµων τεχνολογιών κατεργασίας. • Περιβαλλοντολογικοί νόµοι (π.χ. σύµφωνο Κιότο). • Αβεβαιότητα για τις βλάβες των µηχανών. • Αλλαγές στους χρόνους παράδοση πρώτων υλών ή ηµι-έτοιµων κοµµατιών. • ∆ιακυµάνσεις στην διαθεσιµότητα του εργατικού δυναµικού (π.χ. λόγω απεργιών). 2.3. ΟΡΙΣΜΟΣ ΤΗΣ ΕΥΕΛΙΞΙΑΣ Η ευελιξία δεν είναι εύκολο να οριστεί. Υπάρχουν αρκετές ερευνητικές προσπάθειες, τα τελευταία είκοσι µε εικοσιπέντε χρόνια, που ορίζουν διάφορους τύπους ευελιξίας συστηµάτων παραγωγής. Παρόλα αυτά, δεν υπάρχει γενική συµφωνία στον ορισµό της ευελιξίας. Αυτό οφείλεται κυρίως στην πολυδιάστατη φύση της ευελιξίας και διάφορες όψεις της που έχουν σαν αποτέλεσµα α) η ευελιξία να έχει αντιµετωπιστεί σαν µια φυσική ιδιότητα, β) ένα χαρακτηριστικό της λήψης απόφασης γ) ένας οικονοµικός δείκτης και δ) ένα εργαλείο στρατηγικής. Σε µια από τις πιο ευρείες έρευνες οι Sethi και Sethi (1990) αναφέρουν ότι υπάρχουν τουλάχιστον 50 όροι για τους διάφορους τύπους ευελιξίας που έχουν µελετηθεί. Ενώ σε πολλές περιπτώσεις Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 18 διαφορετικοί όροι αναφέρονται στον ίδιο τύπο ευελιξίας ενώ συχνά ο ίδιος όρος πολλές φορές ερµηνεύεται µε άλλο τρόπο. Στην βιβλιογραφία έχουν προταθεί πολλοί διαφορετικοί ορισµοί της ευελιξίας που προέρχονται είτε άµεσα από το βιοµηχανικό/ εταιρικό περιεχόµενο µε το οποίο σχετίζεται η ευελιξία ή µπορεί να προέρχονται από γενικότερους ορισµούς που εµπνέονται από άλλες επιστήµες (όπως θερµοδυναµική, βιολογία, θεωρία συστηµάτων κ.α.). Εντούτοις, παρατηρούµε διαφοροποιήσεις στον ορισµό της ευελιξίας όταν την αναλύουµε στις διαστάσεις της, στους τύπους και στις µετρικές της. Η ευελιξία, σύµφωνα µε τους Chryssolouris and Lee (1992), µπορεί να οριστεί ως η ευαισθησία ενός συστήµατος παραγωγής στις αλλαγές. Όσο περισσότερο ευέλικτο είναι ένα σύστηµα τόσο λιγότερο ευαίσθητο είναι στις αλλαγές που συµβαίνουν στο περιβάλλον. Εποµένως σύµφωνα µε αυτή την προσέγγιση, ένα µέτρο της ευελιξίας θα µπορούσε να στηρίζεται στην µέτρηση της ευαισθησίας (sensitivity) του συστήµατος στην µεταβλητότητα του περιβάλλοντος στο οποίο δραστηριοποιείται. Σύµφωνα µε τους De Toni και Tonchia (1998), ο Correa (1994) αναφέρει ότι η ευελιξία είναι χαρακτηριστικό της διεπαφής (interface) ενός συστήµατος παραγωγής και του εξωτερικού περιβάλλοντος. Σε αυτή την περίπτωση η ευελιξία λειτουργεί ως φίλτρο, που αποµονώνει το σύστηµα από εξωτερικές µεταβολές. Οι εξωτερικές µεταβολές χαρακτηρίζονται από α) το πλάτος, β) την συχνότητα, γ) την καινοτοµία και δ) τον βαθµό βεβαιότητας. Από πολλούς ερευνητές η ευελιξία προσεγγίζεται ως η ικανότητα ενός συστήµατος να αλλάζει / προσαρµόζεται σε ένα ευρύ φάσµα από πιθανά περιβάλλοντα / καταστάσεις λειτουργίας στα οποία µπορεί να βρεθεί. Ένα ευέλικτο σύστηµα µπορεί να αλλάξει ώστε να ανταποκριθεί µε επιτυχία στις αλλαγές του περιβάλλοντος του. Επιτρέπει τον επανασχηµατισµό (reconfiguration) των πόρων (µηχανές, άνθρωποι, συστήµατα πληροφορικής κ.α.) έτσι ώστε να παράγουν διαφορετικά προϊόντα σε διαφορετικές ποσότητες µε αποδεκτή ποιότητα. Με βάση αυτή την προσέγγιση η ευελιξία µπορεί να διαχωριστεί σε α) ευελιξία κατάστασης (state flexibility) και β) ευελιξία δράσης (action flexibility) (De Toni και Tonchia (1998)). Η πρώτη είναι η ικανότητα να µπορεί να λειτουργεί το σύστηµα παρόλο της αλλαγές, επιτρέποντας την σταθερότητα του συστήµατος (βλέπε Σχήµα 2.1). Η δεύτερη επιτρέπει την λήψη δράσεων σε περίπτωση αλλαγών σε σύντοµο χρονικό διάστηµα και µε µικρό κόστος. Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 19 Σύστηµα Παραγωγής •Εξωτερικές/εσωτερικές αλλαγές •∆ιακυµάνσεις στην αγορά •Μεγαλύτερη ποικιλία προϊόντων •FMS,RMS •Εργατικό δυναµικό •∆ιαχείριση αποθήκης •∆ίκτύο προµηθευτών •Υπερεργολαβία Αβεβαιότητα/Ποικιλία Ευελιξία Σχήµα 2.1: Η ευελιξία επιτρέπει την σταθερότητα/ ισορροπία ενός συστήµατος παραγωγής. Στην εργασία των (Leeuw και Volberda 1996) η ευελιξία ορίζεται ως ο βαθµός στον οποίο ένας οργανισµός κατέχει µια ποικιλία πραγµατικών η δυνατών διαδικασιών, και η ταχύτητα µε την οποία µπορεί να υλοποιήσει αυτές τις διαδικασίες, µε σκοπό να αυξήσει την διαχειριστική του ικανότητα και να βελτιώσει τον έλεγχο τόσο του ίδιου του οργανισµού αλλά και του εξωτερικού περιβάλλοντος. Κάτω από αυτό το πρίσµα και σύµφωνα µε τους (Leeuw και Volberda 1996) η ευελιξία έχει τέσσερις διαστάσεις. Σε πρώτο επίπεδο είναι εσωτερική ή εξωτερική και σε δεύτερο είναι ενεργητική ή παθητική. Στο (Bordoloi et. al. 1999) διαχωρίζουν την ευελιξία (ικανότητα αλλαγής καταστάσεων) από την προσαρµοστικότητα (adaptability- η ικανότητα αλλαγής µέσα σε µία κατάσταση) και αποδοτικότητα (efficiency-αξιοποίηση των παραγωγικών πόρων). Οι D'Souza και Williams (2000) συνθέτοντας την γενικότερα αποδεκτή διατύπωση ότι η ευελιξία εκφράζει την ικανότητα του συστήµατος να ανταποκρίνεται στις αλλαγές αναφέρουν ότι η ευελιξία είναι µια πολυδιάστατη έννοια που εκφράζει την λειτουργία ενός συστήµατος παραγωγής να εκτελεί τις απαραίτητες τροποποιήσεις που χρειάζονται για να ανταποκριθεί στις αλλαγές του περιβάλλοντος χωρίς σηµαντικές θυσίες στην απόδοση του συστήµατος. Αυτές οι τροποποιήσεις τυπικά αφορούν το εύρος της εξόδου αλλά και την ευκινησία µε την οποία αντιδράει. Εξαιτίας του εύρους των ορισµών της ευελιξίας αλλά και των πολλών και διαφορετικών τύπων της, όπως θα περιγράψουµε στην επόµενη παράγραφο 2.4, έχουν γίνει και πολλές ερευνητικές προσπάθειες συστηµατικής κατηγοριοποίησης της Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 20 ευελιξίας (Correa και Slack 1996, Shewchuk και Moodie 1997, Barad. και Nof 1997, van Mieghem 1998, Parker και Wirth 1999, Koste και Malhotra 1999, Vokurka και O'Leary-Kelly 2000, D'Souza και Williams 2000, Braglia και Petroni 2000, Zhang et al. 2003, Oke 2005, Slack 2005, Scala et al. 2006). 2.4. ΤΥΠΟΙ ΕΥΕΛΙΞΙΑΣ Η πρόσφατη βιβλιογραφία περιέχει µερικές πολύ καλές εργασίες που συνθέτουν και οργανώνουν προηγούµενη βιβλιογραφία σχετική µε τις διαστάσεις της ευελιξίας ( όπως De Toni και Tonchia (1998), Beach et al. (2000)). Στην σχετική βιβλιογραφία πάντως κυριαρχεί ο διαχωρισµός των τύπων της ευελιξίας όπως την πρότειναν οι Sethi και Sethi (1990) (στηριζόµενοι ασφαλώς και σε προηγούµενες εργασίες όπως των Browne et al. (1984) και Stecke and Browne (1985)) οι οποίοι "αποµόνωσαν" έντεκα διαστάσεις της ευελιξίας, ανέπτυξαν το σκοπό του καθένα, τα µέσα για την υλοποίηση του και µεθόδους για την µέτρηση τους. Στο Σχήµα 2.2 φαίνονται συνολικά όλοι οι τύποι καθώς και οι µεταξύ τους συσχετίσεις. • Ευελιξία µηχανής (machine flexibility): Είναι η ευκολία µε την οποία µπορεί µια µηχανή να πραγµατοποιεί διαφορετικές εργασίες για να παράγει ένα σύνολο από διαφορετικά κοµµάτια, απαιτώντας ελάχιστη "προσπάθεια" προετοιµασίας. Η προσπάθεια αναφέρεται τόσο σε κόστος όσο και σε χρόνο. Σε στενότερο εύρος ορισµού, η ευελιξία µηχανής µπορεί να θεωρηθεί και ως η ικανότητα αντικατάστασης κατεστραµµένων ή χρησιµοποιηµένων εργαλείων, την αντικατάσταση ή αλλαγή τους χωρίς παρεµβολές ή µεγάλους χρόνους προετοιµασίας. Η ευελιξία σε επίπεδο µηχανής (ή σταθµού εργασίας) είναι απαραίτητη και για άλλες µορφές ευελιξίας γιατί επιτρέπει την παραγωγή σε µικρές παρτίδες (batches), µειώνοντας έτσι την αποθήκη, βελτιώνοντας την χρησιµοποίηση των µηχανών, µειώνοντας το χρόνο για την εισαγωγή ενός νέου προϊόντος και βελτιώνοντας την ποιότητα προστατεύοντας το σύστηµα παραγωγής από τυχαίες µεταβολές στην ποιότητα της εισόδου του. Τεχνολογικά η ευελιξία σε επίπεδο µηχανής επιτυγχάνεται µε διάφορα µέσα όπως µε την χρήση αριθµητικού ελέγχου (CNC), ενοποίηση µε CAD/CAM, εύκολη αλλαγή εργαλείων, FMS, RMS κ.α. • Ευελιξία διαχείρισης υλικών (material handling flexibility): Είναι η ικανότητα να µετακινεί αποδοτικά διαφορετικού τύπου κοµµάτια για τοποθέτηση (positioning), επεξεργασία και αποθήκευση µέσα στο σύστηµα παραγωγής. Η ευελιξία Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 21 διαχείρισης υλικών επιτυγχάνεται µε την χρήση συσκευών όπως AVGs (Automated Guided Vehicles),έξυπνα ροµπότ καθοδηγούµενα από την όραση (vision guided) και µε ευέλικτη αρπάγη καθώς και στηριγµάτων (fixtures) γενικού σκοπού που µπορούν να προσαρµόσουν διαφορετικούς τύπους κοµµατιών. • Ευελιξία δροµολόγησης (routing flexibility): Είναι η ικανότητα ενός συστήµατος να χρησιµοποιεί εναλλακτικές διαδροµές για την παραγωγή ενός προϊόντος. Οι εναλλακτικές διαδροµές µπορεί να χρησιµοποιούν διαφορετικές µηχανές και διαφορετικές διαδικασίες. Η ευελιξία δροµολόγησης επιτρέπει τον αποδοτικό χρονοπρογραµµατισµό και την εξισορρόπηση (balancing) του φόρτου µηχανών. Επιπλέον επιτρέπει στο σύστηµα να συνεχίζει να παράγει ένα δεδοµένο σύνολο από κοµµάτια, ίσως µε µειωµένη απόδοση, όταν συµβαίνουν απροσδόκητα γεγονότα, όπως βλάβη κάποιας µηχανής, καθυστέρηση στην παραλαβή κάποιου εργαλείου, ελαττωµατικό κοµµάτι κ.α. Εποµένως είναι αρκετά σηµαντική όσο αφορά την ανάγκη απόκρισης στους χρόνους που έχει θέσει ο πελάτης. • Ευελιξία προϊόντος (product flexibility): Είναι η ικανότητα µε την οποία ένα σύστηµα αλλάζει και παράγει νέα προϊόντα εύκολα και οικονοµικά. Τα νέα προϊόντα µπορεί να είναι εντελώς νέα σχέδια ή παραλλαγές υπαρχόντων. Η ευελιξία προϊόντος επιτρέπει σε µια επιχείρηση να ανταποκρίνεται άµεσα στην αγορά µε την εισαγωγή νέων προϊόντων σε µικρό χρονικό διάστηµα. Εφόσον τα σχέδια των µελλοντικών προϊόντων δεν είναι γνωστά, είναι σηµαντικό να σχεδιάζονται και να υλοποιούνται εγκαταστάσεις που να είναι ευέλικτες όσο αφορά τα προϊόντα. Έτσι σε περιπτώσεις, όπως είναι η βιοµηχανία ηµιαγωγών, όπου ο κύκλος ζωής του προϊόντος είναι µικρός, η ευελιξία όσο αφορά την εισαγωγή νέων προϊόντων στην αγορά παίζει καθοριστικό ρόλο. Η ευελιξία προϊόντος, εκτός από την εισαγωγή νέων προϊόντων στην αγορά έχει να κάνει και µε την αποδοτική λειτουργία του συστήµατος κατά την λειτουργία του. Σηµαντικός παράγοντας ως προς αυτή τη διάσταση είναι να µην υπάρχουν µεγάλοι χρόνοι προετοιµασίας των µηχανών (setup times) κατά την αλλαγή κοµµατιών πάνω στις µηχανές. H επίτευξη ευελιξίας προϊόντος βασίζεται σε άλλες µορφές ευελιξίας όπως η ευελιξία µηχανής, η ευελιξία διαχείρισης υλικών η ευελιξία διαδικασίας κ.α. Ενώ σχετίζεται άµεσα και µε την ευελιξία παραγωγής όπως θα φανεί παρακάτω. Βέβαια, η ευελιξία προϊόντος έχει να κάνει και µε πολλές άλλες δραστηριότητες µιας επιχείρησης που σχετίζονται µε την αγορά και Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 22 το περιβάλλον στο οποίο δραστηριοποιείται. Αλλά αυτό το θέµα θα αναλυθεί περισσότερο στην περιγραφή της ευελιξίας αγοράς που ακολουθεί σε επόµενη παράγραφο. • Ευελιξία κατεργασίας (operation flexibility): Είναι η ικανότητα του να µπορεί το σύστηµα να παράγει ένα τύπο κοµµατιού µε διαφορετικούς τρόπους. Ένα κοµµάτι µπορεί να έχει εναλλακτικά τεχνολογικά προγράµµατα (process plans), όπου µε τον όρο τεχνολογικό πρόγραµµα εννοούµε την σειρά των κατεργασιών που απαιτείται για την παραγωγή ενός τύπου κοµµατιού. Εναλλακτικό πρόγραµµα µπορεί να υπάρχει είτε µε την εναλλαγή της σειράς που εκτελούνται η διεργασίες στο κοµµάτι ή µε την αντικατάσταση διεργασιών µε άλλες (π.χ. laser welding αντί για spot welding). Η ευελιξία κατεργασίας συµβάλει στην επίτευξη άλλων µορφών ευελιξίας, όπως η ευελιξία δροµολόγησης. Ακόµα επιτρέπει να είναι πιο εύκολος ο χρονοπρογραµµατισµός των εργασιών σε πραγµατικό χρόνο και µπορεί να συµβάλει στην αύξηση της χρησιµοποίησης των µηχανών. Εξαρτάται όµως από άλλες µορφές όπως η ευελιξία διαχείρισης υλικών καθώς θα πρέπει τα κοµµάτια να µεταφέρονται, πιθανώς, σε διαφορετικές µηχανές. Επίσης εξαρτάται πολύ και αυτό το σχεδιασµό του προϊόντος (π.χ. το προϊόν να είναι αρκετά τµηµατοποιήσιµο -modular). Ένας προφανής τρόπος για την µέτρηση της ευελιξίας κατεργασίας είναι να µέσω του αριθµού των διαθέσιµων-διαφορετικών τεχνολογικών προγραµµάτων. • Ευελιξία διαδικασίας(process flexibility): Είναι η ικανότητα του συστήµατος να παράγει ένα σύνολο προϊόντων χρησιµοποιώντας διαφορετικά υλικά µε διαφορετικούς τρόπους. • Ευελιξία όγκου(volume flexibility): Είναι η ικανότητα ενός συστήµατος να λειτουργεί κερδοφόρα ανεξάρτητα από τον όγκο παραγωγής. Η ευελιξία όγκου επιτρέπει σε µια εταιρεία να προσαρµόζει προς τα πάνω ή προς τα κάτω την παραγωγή της µέσα σε µεγάλα όρια. Η ευελιξία όγκου επιτρέπει την προσαρµογή της εταιρείας στην ζήτηση και ειδικότερα σε περιπτώσεις αυξοµειώσεων στην ζήτηση ή σε περιπτώσεις λανθασµένης αρχικής εκτίµησης (demand forecast). O Oke (2003) αναφέρει µια λίστα από αιτίες που οδηγούν στην απαίτηση για ευελιξία όγκου όπως: αβεβαιότητα στην ζήτηση, σύντοµος κύκλος ζωής των προϊόντων, πολυπλοκότητα στη λειτουργία της εφοδιαστικής αλυσίδας και οι ενέργειες των ανταγωνιστών. Σε µια πρόσφατη έρευνα οι Jack και Raturi (2002) Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 23 αναφέρουν µερικά από τα σηµαντικότερα µέσα ευελιξίας όγκου (βλέπε Πίνακα 21). Μέσο Εσωτερικά Τεχνολογίες κατεργασίας Παρτίδες Συστήµατα προγραµµατισµού και ελέγχου της παραγωγής Χωρητικότητα Χρόνος και κόστος προετοιµασίας Εγκαταστάσεις και εξοπλισµός Ευελιξία εργατικού δυναµικού ∆ιαρρύθµιση Σχεδιασµός προϊόντων Γενικά έξοδα Περιθώρια στην αποθήκη Εξωτερικά ∆ίκτυα προµηθευτών Υπεργολαβίες ∆ίκτυο εργοστασίων Υπεράκτιες εγκαταστάσεις Στρατηγικές συµµαχίες στο δίκτυο διανοµής Περιγραφή Αυτοµατοποιηµένα συστήµατα παραγωγής όπως FMS, CIM, RMS Μεγάλες παρτίδες περιορίζουν την ευελιξία όγκου Τα χρονικά περιθώρια συµβάλλουν στην ευελιξία όγκου Περιθώρια στην χωρητικότητα επιτρέπουν την επεξεργασία µεγάλων παραγγελιών χωρίς αρνητική επίπτωση στο χρόνο παράδοσης. Υψηλός χρόνος και κόστος προετοιµασίας περιορίζουν την ευελιξία όγκου Οι εγκαταστάσεις και ο εξοπλισµός επηρεάζουν την κύκλο επεξεργασίας που αντίστροφα συνδεδεµένος µε την ευελιξία όγκου Περιθώρια στο διαθέσιµο χρόνο από τους εργάτες, εκπαίδευση των εργατών σε πολλές ειδικότητες, υπερωρίες, πολλαπλές βάρδιες, εποχιακοί εργάτες υποστηρίζουν την ευελιξία όγκου. Αφιερωµένος (dedicated) εξοπλισµός και διαδικασίες συµβάλλουν στην ευελιξία όγκου. Η τµηµατοποίηση (modularity) στο σχεδιασµό των προϊόντων συµβάλλει στην ευελιξία όγκου. Μακροπρόθεσµα τα γενικά έξοδα (overhead costs) συµβάλλουν αρνητικά στην ευελιξία όγκου. Υψηλός βαθµός αποθήκευσης κοµµατιών, υλικού και ολοκληρωµένων προϊόντων βοηθούν στην προς τα απάνω προσαρµογή στη ζήτηση. Επηρεάζει τον χρόνο προετοιµασίας των παραγγελιών και το εύρος του όγκου των παραγγελιών που µπορεί να εξασφαλίσει το σύστηµα σε έναν ορισµένο χρόνο. Οι υπεργολάβοι µπορούν να απορροφήσουν διακυµάνσεις στον όγκο της ζήτησης. Η σύνδεση πολλών εργοστασίων αυξάνει την µίξη προϊόντων και την ευελιξία όγκου. Υπεράκτιες εγκαταστάσεις προσφέρουν επιπλέον χωρητικότητα και αυξάνουν την ευελιξία όγκου. Αυξάνουν την αξιοπιστία παράδοσης, οργανώνουν καλύτερα την εφοδιαστική αλυσίδα και υποστηρίζουν την ευελιξία όγκου. Πίνακας 2-1: Μέσα επίτευξης ευελιξίας όγκου (Πηγή: Jack και Raturi (2002)) • Ευελιξία επέκτασης (expansion flexibility): Ορίζεται η ευκολία µε την οποία αυξάνει την χωρητικότητά του ένα σύστηµα µε ταχύτητα και µε αρθρωτό (modular) τρόπο. Η χωρητικότητα εκφράζει το ρυθµό παραγωγής. Η ευελιξία επέκτασης διαφέρει από την ευελιξία όγκου γιατί σχετίζεται αποκλειστικά µε την αύξηση της χωρητικότητας, δηλαδή το µέγιστο δυνατό επίπεδο παραγωγής. Η ευελιξία επέκτασης διευκολύνει την αντικατάσταση ή την προσθήκη εξοπλισµού Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας επιτρέποντας αυτή την δυνατότητα από τον αρχικό σχεδιασµό. 24 Η "ευκολία επέκτασης" αναφέρεται στην συνολική προσπάθεια που απαιτείται για την επέκταση. Συµπεριλαµβάνει το άµεσο κόστος της επέκτασης και το έµµεσο κόστος από την διακοπή της παραγωγής λόγω των εργασιών επέκτασης, αλλά και την ταχύτητα µε την οποία µπορεί να ολοκληρωθεί η επέκταση. Η ευελιξία επέκτασης διευκολύνει την διείσδυση µια επιχείρησης σε νέες αγορές. Η ευελιξία επέκτασης βασίζεται κυρίως στην αρθρωτού τύπου δοµή του εξοπλισµού. Η αρχιτεκτονική του συστήµατος θα πρέπει να επιτρέπει την επέκταση µε σταδιακό τρόπο και την προσθήκη νέων χαρακτηριστικών χωρίς ουσιαστικές αλλαγές στον βασικό σχεδιασµό. • Ευελιξία παραγωγής (production flexibility): Είναι το σύνολο των προϊόντων που µπορεί να παράγει χωρίς περαιτέρω αύξηση του εξοπλισµού. Σε αντίθεση µε την ευελιξία προϊόντος η ευελιξία παραγωγής επιτρέπει µεγάλους χρόνους προετοιµασίας αλλά όχι σηµαντική επένδυση εξοπλισµού. Η ευελιξία παραγωγής επιτρέπει την σε µια εταιρεία να συναγωνίζεται µε επιτυχία σε µια αγορά όπου υπάρχει συχνή ζήτηση για νέα προϊόντα. Η ευελιξία παραγωγής ελαχιστοποιεί το χρόνο υλοποίησης για την εισαγωγή νέων προϊόντων ή σηµαντικές αλλαγές σε υπάρχοντα προϊόντα. Η ευελιξία παραγωγής εξαρτάται από άλλες µορφές ευελιξίας όπως ευελιξία µηχανής και µεταφοράς υλικών. Εξαρτάται από διάφορα χαρακτηριστικά του συστήµατος παραγωγής όπως το σύστηµα µεταφοράς, το σύστηµα αποθήκης, κατανεµηµένες βάσεις δεδοµένων, την ανοιχτότητα (openness) του συστήµατος κ.α. Ένας προφανής τρόπος για την µέτρηση της ευελιξίας παραγωγής είναι το µέγεθος του συνόλου των κοµµατιών που το σύστηµα µπορεί να παράγει. • Ευελιξία προγράµµατος (program flexibility): Είναι η ικανότητα του συστήµατος να λειτουργεί φαινοµενικά "παραµεληµένο" για ένα µεγάλο χρονικό διάστηµα. Με αυτή τη µορφή της ευελιξίας το σύστηµα φαίνεται να λειτουργεί συνεχώς χωρίς διακοπές για προετοιµασία µηχανών, για αποκατάσταση βλαβών, αντικατάσταση εργαλείων ή λόγων κακής ποιότητας στα προϊόντα. Εποµένως η ευελιξία προγράµµατος συµµετέχει τόσο στην βελτίωση της παραγωγικότητας όσο και στην βελτίωση της ποιότητας. Εξαρτάται από άλλες µορφές ευελιξίας όπως η ευελιξία δροµολόγησης και η ευελιξία διαδικασίας. Τεχνολογικά εξαρτάται από την εγκατάσταση και λειτουργία δικτύου αισθητήρων και Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 25 διαγνωστικών µεθόδων έτσι ώστε να ανιχνεύονται γρήγορα ή/ και να προβλέπονται βλάβες στον εξοπλισµό. • Ευελιξία αγοράς (market flexibility): Ορίζεται ως η ευκολία προσαρµογής ενός συστήµατος παραγωγής στην µεταβαλλόµενη ζήτηση προϊόντων. Με αυτό τον τρόπο τονίζεται το γεγονός ότι η παραγωγή είναι προσανατολισµένη στην αγορά. Η ευελιξία αγοράς είναι ιδιαίτερα σηµαντική σε περιβάλλον που βρίσκεται συνεχώς σε διακυµάνσεις. Η ευελιξία αγοράς βασίζεται ουσιαστικά στην ευελιξία προϊόντος, όγκου και επέκτασης. Επίσης στηρίζεται στις δοµές της επιχείρησης που είναι κοντά στο πελάτη και στους προµηθευτές έτσι ώστε οι αλλαγές που συµβαίνουν ή πρόκειται να συµβούν στο περιβάλλον όπου επιχειρεί να γίνονται άµεσα αντιληπτές και να µπορούν να αντιµετωπιστούν µε επιτυχία. COMPONENT OR BASIC FLEXIBILITIES SYSTEM FLEXIBILITIES AGREGGATE FLEXIBILITIES ORGANIZATIONAL STRUCTURE Process Machine Routing Material Handling Product Operation Volume Expansion Program Production Market Σχήµα 2.2: Τύποι ευελιξίας και οι µεταξύ τους συσχετίσεις (Πηγή: Sethi & Sethi 1990). Εκτός από τους βασικούς τύπους ευελιξίας που παρουσιάζονται παραπάνω και στους οποίους αναφέρεται το µεγαλύτερο τµήµα της βιβλιογραφίας, έχουν καταγραφεί και άλλες ονοµασίες τύπων ευελιξίας. Σε πολλές περιπτώσεις ο διαχωρισµός δεν είναι σαφής και σε άλλες περιπτώσεις ένας τύπος ευελιξίας µπορεί να εµφανίζεται µε διαφορετικές ονοµασίες. Ενδεικτικά αναφέρουµε τους εξής τύπους και τις σχετικές αναφορές χωρίς αυτό να σηµαίνει απαραίτητα ότι οι αναφορές που παρατίθενται είναι αυτές που στις οποίες πρωτοεµφανίστηκε ο σχετικός όρος: Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας • Συνολική ευελιξία (aggregate flexibility): 26 Σύµφωνα µε το (Ramasesh και Jayakumar 1991) αναφέρεται σε ένα σύνολο από διαφορετικούς τύπους ευελιξίας όπως ευελιξία όγκου, προϊόντος κ.α. • Ευελιξία καινοτοµίας (innovation flexibility): Είναι η ικανότητα µιας εταιρείας να απορροφάει και να προσαρµόζεται στις τεχνολογικές εξελίξεις τόσο στο τοµέα των διεργασιών όσο και στην τεχνολογία των ίδιων των προϊόντων που παράγει (Ramasesh και Jayakumar 1991). • Ευελιξία απόφασης (decision flexibility): Η ικανότητα να αναβάλουµε µια απόφαση µέχρι την λήψη επιπλέον πληροφοριών (Benjaafar et. al. 1995). • Ευελιξία εργατικού δυναµικού (labour flexibility): Είναι η ευκολία µε την οποία µπορεί να αλλάζει ο αριθµός και οι ώρες στις οποίες απασχολείται το εργατικό προσωπικό (Atkinson 1985). • Ευελιξία υλικών ή εισόδου (material ή input flexibility): Η ευκολία µε την οποία µπορούν να κατασκευαστούν τα κοµµάτια από διαφορετικές πρώτες ύλες (Ramasesh και Jayakumar 1991). • Περιεκτική ευελιξία (comprehensive flexibility): Η ικανότητα του συστήµατος να διατηρεί την αποτελεσµατικότητα σε διάφορες αλλαγές που συµβαίνουν (Choi και Kim 1998). • Ευελιξία κινητικότητας (mobile flexibility): Η ικανότητα του συστήµατος να αλλάζει γρήγορα το προϊόν που παράγεται αποφεύγοντας το κόστος αποθήκης και ικανοποιώντας "just-in-time" παραγωγή (Upton 1995). • Ευελιξία ηλεκτρονικού επιχειρείν (e-Business flexibility): Η ικανότητα µιας επιχείρησης να εκµεταλλεύεται τις τεχνολογίες πληροφορίας (όπως το Internet) και να µπορεί να προσαρµόζεται στις αλλαγές τις πληροφορικής τεχνολογίας υιοθετώντας επεκτάσιµες και ανοιχτές αρχιτεκτονικές, συµβατότητα µε τα διεθνή πρότυπα και ευκολία διασυνδεσιµότητας µε άλλα πληροφοριακά συστήµατα (Shi και Daniels 2003) Τέλος αναφέρουµε ονοµαστικά και επιπλέον τύπους ευελιξίας όπως αυτοί εµφανίζονται στο (Scala et. al. 2006): • Job flexibility • Short-term flexibility • Action flexibility. • Dynamic flexibility. Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας • Design flexibility. • Delivery flexibility. • Design change flexibility. • State flexibility • Modification flexibility. 27 2.5. ΜΕΘΟ∆ΟΙ ΜΕΤΡΗΣΗΣ ΤΗΣ ΕΥΕΛΙΞΙΑΣ Ο βασικός σκοπός που βρίσκεται πίσω από την προσπάθεια ορισµού των διάφορων τύπων ευελιξίας είναι η προσπάθεια για µέτρηση ή ποσοτικοποίηση της ευελιξίας. Εποµένως ο ορισµός και η µέτρηση της ευελιξίας είναι πολύ στενά συνδεδεµένες µεταξύ τους. Οι διάφορες ερευνητικές προσπάθειες που έχουν γίνει ως τώρα για την µέτρηση της ευελιξίας µπορούν πολύ γενικά να κατηγοριοποιηθούν σε ποιοτικές και ποσοτικές (Beach et. al. 2000). Η ποιοτική προσέγγιση στο χώρο της ευελιξίας τείνει να ασχολείται µε γενικά θέµατα όπως η τεχνολογία κατεργασίας (process technology) ή η στρατηγική των επιχειρήσεων (business strategy). Μια περίπτωση ποιοτικής προσέγγισης στις δυνατότητες ευελιξίας ανάµεσα στις αυτοκινητοβιοµηχανίες της Αµερικής, Ιαπωνίας και Ευρώπης γίνεται στο (Koste και Malhotra 2000). Αντίθετα, οι ποσοτικές προσεγγίσεις τείνουν να αντιµετωπίζουν συγκεκριµένα προβλήµατα των συστηµάτων παραγωγής και έχουν συνήθως επιχειρησιακή (operational) φύση. Ένας άλλος τρόπος διαχωρισµού των µέτρων ευελιξίας είναι να θεωρήσουµε την ευελιξία σαν εσωτερική / απόλυτη ιδιότητα ή σαν µια σχετική ιδιότητα ενός συστήµατος παραγωγής (Chryssolouris and Lee 1992). Σύµφωνα µε την πρώτη άποψη, η ευελιξία είναι µια εσωτερική ιδιότητα ενός συστήµατος παραγωγής, όπως για παράδειγµα το µήκος και το πλάτος είναι εσωτερικές ιδιότητες ενός ορθογωνίου. Τα µέτρα, που προκύπτουν από την θεώρηση αυτή, υπολογίζουν την ευελιξία σαν µια συνάρτηση εξαρτώµενη αποκλειστικά από τα εσωτερικά χαρακτηριστικά του συστήµατος παραγωγής. Ένα παράδειγµα αυτής της προσέγγισης είναι ο εντροπικός δείκτης ευελιξίας FI (Kumar 1987), ο οποίος αξιολογεί ένα σύστηµα µε βάση το πλήθος των επιλογών -όπως π.χ. τον αριθµό των τύπων ενός κοµµατιού που το σύστηµα µπορεί να παράγει. Σύµφωνα µε την δεύτερη άποψη, η ευελιξία είναι µια σχετική ιδιότητα, η οποία δεν εξαρτάται µόνο από το σύστηµα παραγωγής αλλά και από τις εξωτερικές απαιτήσεις που θέτουµε στο σύστηµα παραγωγής: η ευελιξία του συστήµατος δεν χαρακτηρίζεται από τον αριθµό των διαφορετικών κοµµατιών που το Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 28 σύστηµα (ή και µια µηχανή) θα µπορούσε να παράγει, αλλά από τον λόγο του αριθµού των διαφορετικών παραγοµένων κοµµατιών προς εκείνον των ζητουµένων. Οι µετρήσεις της ευελιξίας, που βασίζονται στην ανάλυση των χρηµατοοικονοµικών ροών (Discounted Cash Flow -DCF), απηχούν την δεύτερη άποψη, εφ’ όσον για τον υπολογισµό του κόστους και των εσόδων απαιτούνται προβλέψεις για τα πραγµατικά παραγόµενα προϊόντα του συστήµατος. Οι δύο θεωρήσεις της ευελιξίας έχουν η κάθε µια τα δικά της πλεονεκτήµατα. Θεωρώντας την ευελιξία σαν µια εσωτερική ιδιότητα ενός συστήµατος παραγωγής, αποφεύγεται η ανάγκη για προβλέψεις και εκτιµήσεις των εξωτερικών απαιτήσεων, που προβλέπεται ότι θα ζητηθούν από το σύστηµα. Κατά συνέπεια, η µέτρηση της ευελιξίας γίνεται ευκολότερα. Από την άλλη µεριά, οποιοσδήποτε υπολογισµός της ευελιξίας, που παραλείπει τις εξωτερικές απαιτήσεις, εµπεριέχει τον κίνδυνο να µην έχει στενή σχέση µε την πραγµατικότητα. Ο τελικός υπολογισµός, που θα προκύψει, µπορεί να είναι άνευ πρακτικής σηµασίας, εκτός και αν υπάρχει σαφής εκ των προτέρων εκτίµηση για το τι είδους και πόση ευελιξία χρειάζεται. Υπό αυτή την έννοια, µέτρα ευελιξίας, που λαµβάνουν υπ’ όψη τους τις εξωτερικές απαιτήσεις, υπερτερούν (Χρυσολούρης 2005). Στην συνέχεια θα παρουσιάσουµε ενδεικτικά ορισµένες από τις εργασίες που έχουν γίνει στο θέµα της µέτρησης της ευελιξίας των συστηµάτων παραγωγής. Μια προσέγγιση για την ποσοτικοποίηση της ευελιξίας βασίζεται στην υπόθεση, ότι η ευελιξία θα πρέπει να είναι µια συνάρτηση του αριθµού των διαθέσιµων επιλογών και των σχετικών ελευθεριών βάσει των οποίων καθίσταται δυνατή η επιλογή τούτων. Όσο περισσότερες επιλογές υπάρχουν τόσο µεγαλύτερη εντροπία και εποµένως τόσο µεγαλύτερη ευελιξία. (Kumar 1987). Η προσέγγιση αυτή οδηγεί σ’ έναν τρόπο µέτρησης της ευελιξίας ταυτόσηµο της έκφρασης της εντροπίας στην θερµοδυναµική και στην θεωρία της πληροφορίας. Ο υπολογισµός της ευελιξίας κατ’ αυτόν τον τρόπο γίνεται ως εξής: Επιλογή 1 Επιλογή 2 xi ≡ ελευθερία επιλογής του i Επιλογή n ∆είκτης ευελιξίας (Kumar 1987): FI = − ( x1 ln x1 + x 2 ln x 2 + … + x n ln x n ) (2.1) Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 29 Ο FI χαρακτηρίζει τον βαθµό ευελιξίας µιας µηχανής, µιας διεργασίας ή ενός συστήµατος, υποθέτοντας n διαθέσιµες επιλογές και την ελευθερία xi επιλογής της i. Όµως ο δείκτης αυτός χρησιµοποιείται µόνο στις περιπτώσεις όπου οι προτιµήσεις, ανάµεσα σε πολλές εκλογές, µπορούν να ποσοτικοποιηθούν. Η προσέγγιση του (Kumar 1987) επεκτάθηκε από τους (Chang et. al. 2001) οι οποίοι βασιζόµενοι στην παρατήρηση ότι δεν είναι απαραίτητο η ευελιξία να αυξάνει µονοτονικά µε τον αριθµό των εναλλακτικών και ότι η αξιοπιστία πρέπει να ληφθεί ως ένας επιπλέον παράγοντας στην µέτρηση της ευελιξίας επέκτειναν τον δείκτη FI µε την εισαγωγή της εκτίµησης της αξιοπιστίας e έτσι σύµφωνα µε τους (Chang et. al. 2001) ο δείκτης FI µετατράπηκε σε: n FI = − ∑ eixi ln xi (2.2) i =i Στο Gupta και Gupta (1991) χρησιµοποίησαν εκ' νέου το θεώρηµα του Shannon για να µελετήσουν πως σχετίζεται η ευελιξία µε άλλες επιδόσεις του συστήµατος παραγωγής όπως η διαθεσιµότητα των µηχανών. Σε αυτή την περίπτωση, όπως και στο (Kumar 1987), η βασική πρόταση είναι ότι όσο αυξάνονται οι επιλογές αλλά και η ελευθερία να υλοποιηθούν οι επιλογές, τότε η ευελιξία αυξάνεται. Μια εναλλακτική µαθηµατική προσέγγιση (Brill and Mandelbaum 1989) υιοθετεί την άποψη, πως η ευελιξία ενός συστήµατος ή µιας µηχανής θα πρέπει να προσδιορίζεται σε σχέση µε µια "οµάδα εργασιών αναφοράς" (reference task set). Το µέτρο ευελιξίας προκύπτει ως ο σταθµισµένος µέσος όρος απόδοσης, µε τον οποίο ένα σύστηµα παραγωγής ή µια µηχανή εκτελούν την "οµάδα εργασιών αναφοράς", όπου κάθε µια εργασία της οµάδας αναφοράς σταθµίζεται ανάλογα µε την σχετική της σηµασία. E= ∫τ e( A,τ )w(τ )dτ Όπου: E τ Α Τ w(τ) W(T) e(A,τ) ∈T W (T ) ≡ ≡ ≡ ≡ ≡ ≡ ≡ (2.3) σταθµισµένη µέση τιµή απόδοσης, µια ξεχωριστή εργασία, το σύστηµα ή η µηχανή παραγωγής, η οµάδα εργασιών αναφοράς, το βάρος/ σηµασία της εργασίας τ, το άθροισµα των βαρών των εργασιών στο Τ, ένας βαθµός απόδοσης µεταξύ 0 και 1, που δείχνει πόσο καλά το Α εκτελεί το τ. Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 30 Το µέτρο αυτό µπορεί να υπολογίζει την ευελιξία, που µια επιχείρηση χρειάζεται πραγµατικά, µέσω των βαρών w(τ) αλλά και της επιλογής της οµάδας των εργασιών αναφοράς Τ, που µπορεί να περιλαµβάνει µόνο συγκεκριµένες εργασίες που ενδιαφέρουν την συγκεκριµένη επιχείρηση. Οι Barad και Sipper (1988) προσοµοίωσαν µε την βοήθεια Petri Nets τους χρόνους που χρειάζεται ένα σύστηµα παραγωγής για να προσαρµοστεί σε τυχαίες διαταράξεις. Αυτοί οι χρόνοι µπορούν να χρησιµοποιηθούν ως µέτρο ευελιξίας. Με την βοήθεια γραφικών διαγραµµάτων των διαφορετικών, πιθανών κύκλων κατεργασίας, οι ανάγκες για ευελιξία µπορούν να προσδιοριστούν µε σκοπό να εξισορροπήσουν τις διαταράξεις που επηρεάζουν το σύστηµα. Αυτή η προσέγγιση είναι κατάλληλη για τον έλεγχο και τον προγραµµατισµό των διαδικασιών παραγωγής. Όµως καθώς το σύστηµα παραγωγής που µελετάται αυξάνει σε µέγεθος η χρήση των Petri Nets γίνεται εξαιρετικά πολύπλοκη και εποµένως η µέθοδος πρακτικά περιορίζεται στην µελέτη τµηµάτων του συνολικού συστήµατος. Οι Ramasesh και Jaykumar (1991) υπολόγισαν την ευελιξία υλικού, την ευελιξία µηχανής, την ευελιξία εργατικού δυναµικού, και την ευελιξία όγκου καθώς και την συνολική ευελιξία (aggregate flexibility) που αποτελείται από τις παραπάνω τέσσερις µορφές ευελιξίας. Η εργασία του αφορά µεσαίου χρονικού ορίζοντα χαρακτηριστικά ευελιξίας (mid-term flexibility). ∆ιαµόρφωσαν το πρόβληµα προγραµµατισµού της ευελιξίας ως ένα πρόβληµα στοχαστικού µαθηµατικού προγραµµατισµού (stochastic mathematical programming model), µίας περιόδου, που µεγιστοποιεί το συνολικά κέρδη (net revenues) και ικανοποιεί τους περιορισµούς που επιβάλλονται από την ζήτηση και την διαθέσιµη χωρητικότητα. Τα στοχαστικό προβλήµατα που δηµιουργούνται είναι αρκετά µεγάλα αλλά µπορούν να επιλυθούν αποδοτικά µε την διάσπασή τους σε µικρότερα ντετερµινιστικά µοντέλα µιας περιόδου (ένα µοντέλο για κάθε κατάσταση του περιβάλλοντος). Η ευελιξία µετράται από τον λόγο της µέσης τιµής προς την διασπορά των βέλτιστων τιµών του συνολικού κέρδους. Η προσέγγιση των Ramasesh και Jaykumar (1991) παρόλο που είναι αρκετά καινοτόµος για την εποχή της, καθώς προτείνει την µέτρηση της ευελιξίας µετρώντας την βέλτιστη απόδοση του συστήµατος υπό συνθήκες αβεβαιότητας εντούτοις έχει αρκετές ελλείψεις καθώς το µοντέλο είναι µιας περιόδου και εποµένως θέµατα όπως κόστος αλλαγής ή προετοιµασίας δεν λαµβάνεται υπόψη, απαιτεί πλήρη περιγραφή όλων των πιθανών µελλοντικών καταστάσεων και τέλος το στοχαστικό πρόβληµα γίνεται τεράστιο για πραγµατικές εφαρµογές. Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 31 Η ευελιξία µηχανής και η ευελιξία δροµολόγησης µελετήθηκε από Chandra και Tombak (1992). Η πρότασή τους για την µέτρηση της ευελιξίας µηχανής στηρίχτηκε στο γεγονός ότι αυτή εξαρτάται από τον χρόνο προετοιµασίας που θέλει µια µηχανή ώστε να παράγει ένα σύνολο από προϊόντα. Συγκεκριµένα επικεντρώθηκαν στο χρόνο που απαιτείται για την αλλαγή εργαλείων από µια "βιβλιοθήκη" εργαλείων (tool magazine) και τον χρόνο που απαιτείται για την προσθήκη και προσαρµογή νέων στερεωτήρων (fixtures). Αυτοί οι χρόνοι είναι ιδιαίτερα σηµαντικοί στην περίπτωση των FMS – Flexible Manufacturing Systems (Tempelmeier και Kuhn 1993). Για την εύρεση του ελάχιστου χρόνου προετοιµασίας έφτιαξαν ένα µοντέλο το οποίο και έλυσαν µε µαθηµατικό προγραµµατισµό. Η µέθοδος που πρότειναν για την εύρεση της ευελιξίας δροµολόγησης στηρίζεται στο γεγονός ότι η ευελιξία δροµολόγησης αυξάνεται µε το πλήθος του συνόλου των διαφορετικών διαδροµών που µπορεί να ακολουθήσει ένα κοµµάτι µέσα στο σύστηµα παραγωγής και στην αξιοπιστία του συστήµατος. Και σε αυτή την περίπτωση πρότειναν µοντέλο µαθηµατικού προγραµµατισµού για την µεγιστοποίηση των οφελών (διατυπωµένων µε οικονοµικούς όρους) από την ύπαρξη των διαφορετικών διαδροµών. Όµως όπως τονίζεται από τους ίδιους τους συγγραφείς, τα προτεινόµενα µέτρα για ευελιξία µηχανής και δροµολόγησης εµφανίζουν µόνο τµηµατικά τα οφέλη ή τα κόστη της ευελιξίας και θα πρέπει να ενσωµατωθούν σε συνολικότερα πλαίσια αξιολόγησης και επιλογής εξοπλισµού παραγωγής. Ένα γενικότερο µέτρο, που είναι εύκολο να υπολογισθεί σε πραγµατικές καταστάσεις παραγωγής, βασίζεται στην θεώρηση, ότι η ευελιξία ενός συστήµατος παραγωγής καθορίζεται από την ευαισθησία του στις αλλαγές (Chryssolouris και Lee 1992, Chryssolouris 1996). Όσο µειώνεται η ευαισθησία, τόσο αυξάνει η ευελιξία. Καθώς η ευελιξία είναι αντιστρόφως ανάλογη της ευαισθησίας σε αλλαγές, η µέτρηση της ευελιξίας πρέπει να µετρά το κόστος της αλλαγής (Penalty of Change, POC). Εάν µια αλλαγή µπορεί να γίνει χωρίς κόστος, τότε το σύστηµα έχει την µέγιστη ευελιξία και το POC = 0. Εάν, αντιθέτως, η αλλαγή έχει πολύ µεγάλο κόστος, τότε το σύστηµα είναι πολύ άκαµπτο και το POC πρέπει να είναι πολύ µεγάλο. Ένα σηµαντικό πρακτικό ερώτηµα, που αφορά την ευελιξία είναι το εξής: "Πόσο ευέλικτο σύστηµα πρέπει να απαιτήσω τώρα, έτσι ώστε να εξοικονοµήσω σε πιθανές αλλαγές στο µέλλον"; Η ερώτηση αυτή αφορά µελλοντικές απαιτήσεις, οι οποίες δεν µπορούν να προβλεφθούν µε βεβαιότητα και ως εκ τούτου οι πιθανές αλλαγές στο µέλλον πρέπει να εκφρασθούν µε πιθανοθεωρητικούς όρους και να Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 32 συνυπολογισθούν στο POC. Ένα σύστηµα, το οποίο µπορεί µόνο να προσαρµόζεται σε αλλαγές που ποτέ δεν πρόκειται να συµβούν δεν είναι χρήσιµο και δεν πρέπει να θεωρείται ευέλικτο. Τα παραπάνω οδηγούν στο συµπέρασµα, ότι το µέτρο ευελιξίας POC πρέπει να συνυπολογίζει και το κόστος της αλλαγής (penalty of change) και την πιθανότητα του να συµβεί η αλλαγή (probability of change) αυτή: POC = Κόστος × Πιθανότητα (Penalty × Probability) (2.4) Όσο µικρότερο είναι το POC, τόσο µεγαλύτερη είναι η ευελιξία. Εάν το κόστος των αλλαγών είναι χαµηλό, τότε το POC είναι χαµηλό, δηλαδή η ευελιξία είναι υψηλή. Εάν η πιθανότητα για αλλαγή είναι χαµηλή, τότε το POC και πάλι θα είναι χαµηλό, ακόµη και αν το κόστος για την αλλαγή είναι σχετικά υψηλό. Αυτό µας δείχνει, πως ένα σύστηµα δεν πρέπει να θεωρείται µη ευέλικτο όταν έχει υψηλό κόστος για αλλαγή, η οποία έχει µικρή πιθανότητα να συµβεί. Με την ίδια λογική, ένα σύστηµα δεν πρέπει να θεωρείται πολύ περισσότερο ευέλικτο από ένα άλλο, όταν έχει πολύ µικρό κόστος για αλλαγές αλλά οι αλλαγές αυτές έχουν µικρή πιθανότητα να συµβούν. Η τιµή του POC βασίζεται σε δύο δεδοµένα: Στο κόστος για πιθανή αλλαγή και στην πιθανότητα για αλλαγή, όπου είναι µια µετάβαση από µια κατάσταση σε µια άλλη. Η φύση µιας κατάστασης εξαρτάται από τον τύπο της ευελιξίας που έχουµε θεωρήσει: για την ευελιξία του προϊόντος, µια κατάσταση µπορεί να είναι ο τύπος του προϊόντος που παράγεται από το σύστηµα. Για την ευελιξία λειτουργίας του συστήµατος µπορεί να είναι η λειτουργική κατάσταση ενός συστήµατος (π.χ. πλήρης ή µερική λειτουργία). Για την ευελιξία της χωρητικότητας µπορεί να είναι ο ρυθµός παραγωγής κ.ο.κ. Το κόστος και η πιθανότητα µπορεί να θεωρηθούν σαν συναρτήσεις µιας διακριτής µεταβλητής X, που αντιπροσωπεύει την πιθανή αλλαγή. Η i-οστή τιµή του POC είναι Xi. Π.χ. µε τρεις καταστάσεις A, B και C, οι δυνατές τιµές του X είναι X 1 ( A → A) , X 2 ( A → B) , X 3 ( A → C) , X 4 ( B → A) , X 5 ( B → B) , X 6 (B → C) , X 7 (C → A) , X 8 (C → B ) και X 9 (C → C ) , όπου ( A → A) σηµαίνει ότι το σύστηµα παραµένει στην ίδια κατάσταση A , ( A → B ) σηµαίνει ότι το σύστηµα αλλάζει από την κατάσταση A στην κατάσταση B και ούτω καθ’ εξής. Penalty Pn( Xi ) Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 33 100 75 50 25 0 X1 X2 X4 X3 X6 X5 X7 X8 X9 (A→A) (A→B) (A→C) (B→A) (B→B) (B→C) (C→A) (C→B) (C→C) Probability Pr( X i ) Potential Change Xi 0.20 0.15 0.10 0.05 0.00 X1 X2 X3 X4 X5 X6 X7 X8 X9 (A→A) (A→B) (A→C) (B→A) (B→B) (B→C) (C→A) (C→B) (C→C) Potential Change Xi Σχήµα 2.3: Παράδειγµα πιθανών αλλαγών και του κόστους των. Το κόστος αλλαγής, POC , ορίζεται ως: D POC = ∑ Pn( X i )Pr ( X i ) (2.5) i =1 Όπου: D Xi ≡ ≡ το πλήθος των πιθανών αλλαγών, η i-οστή πιθανή αλλαγή, Pn( X i ) ≡ η πιθανότητα της i-οστής πιθανής αλλαγής Pr ( X i ) ≡ το κόστος της i-οστής πιθανής αλλαγής, Η από την παραπάνω εξίσωση προκύπτουσα τιµή του POC µπορεί να ερµηνευθεί σαν η αναµενόµενη τιµή (expected value) του κόστους που θα παρουσιασθεί σε περίπτωση αλλαγής (Χρυσολούρης 2005). Η µέθοδος POC εφαρµόστηκε στο (Alexopoulos et. al. 2005) για να µελετηθεί η ευελιξία προϊόντος και όγκου παραγωγής στο τµήµα κοπής ενός εργοστασίου που κατασκευάζει επαγγελµατικά ψυγεία. Επίσης οι Bateman et. al. (1999) παρουσίασαν µια διαφορετική εκδοχή της ίδιας µεθόδου για να µετρήσουν την ευελιξία παραγωγής περισσοτέρων του ενός τύπου προϊόντων. Στην περίπτωση των Bateman et.al. (1999) το κόστος αλλαγής είναι ο χρόνος προετοιµασίας που απαιτείται για την αλλαγή προϊόντος σε µια µηχανή. Ο de Groote (1994) ανέπτυξε ένα µοντέλο για τον υπολογισµό της ευελιξίας διαδικασίας βασισµένο στην ποικιλία κοµµατιών που µπορούν να παραχθούν. Το µοντέλο του µετράει τον αριθµό των διαφορετικών τύπων κοµµατιών σε σχέση µε Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 34 την ζήτηση, τους χρόνους αλλαγής και το κόστος παραγωγής. Ένα συνολικό µέγεθος που οµαδοποιεί αυτές τις παραµέτρους είναι το εξής: 2 ⎞ n ⎡ ⎤ ⎛⎜ 1 n ⎟ u= ∑ c m q / ⎜ ( ) ∑ c m ∑ m ⎟ ⎢ j =1 ⎥ ⎜ m j =1 j =1 ⎟ ⎣ ⎦ ⎝ ⎠ n j Όπου: j cj mj m qj ≡ ≡ ≡ ≡ ≡ j j j j j (2.6) δείκτης για των τύπο των κοµµατιών j= 1,2…n τo κόστος παραγωγής για το προϊόν j η µέση ζήτηση για µια περίοδο για το προϊόν j Η συνολική ζήτηση για όλα τα προϊόντα ανά περίοδο. Ο µέσος χρόνο προετοιµασίας για το προϊόν j Με αυτό τον τρόπο ο de Groote (1994) ορίζει την ευελιξία διαδικασίας ως µια σχετική έννοια. Στη σύγκριση δύο διαφορετικών τεχνολογιών η αύξηση στην ποικιλία παραγόµενων προϊόντων επιφέρει µικρότερη αύξηση στο συνολικό κόστος ενός περισσότερο ευέλικτου συστήµατος από ότι σε ένα λιγότερο ευέλικτο. Επιπλέον, ο de Groote (1994) ορίζει δύο δείκτες φ και ψ της ευελιξίας επεξεργασίας κατά τέτοιο τρόπο ώστε µείωση στο κόστος ή στο χρόνο προετοιµασίας, ή αύξηση στην διαθεσιµότητα των µηχανών ή αύξηση του ρυθµού παραγωγής έχουν ως αποτέλεσµα αύξηση στην ευελιξία επεξεργασίας. Οι δείκτες ορίζονται ως: φ = 1/(csS), (2.7) ψ = (p – m/r)/S (2.8) Όπου: cS S p m r ≡ ≡ ≡ ≡ ≡ τo κόστος προετοιµασίας Ο χρόνος προετοιµασίας Η διαθεσιµότητα των µηχανών. Η συνολική ζήτηση για όλα τα προϊόντα ανά περίοδο. Ο ρυθµός παραγωγής Εφόσον το φ είναι αντίστροφο του κόστους προετοιµασίας και ψ είναι ο µέγιστος αριθµός setups που µπορούν να γίνουν ανά χρονική περίοδο, τα φ και ψ είναι σχετικοί δείκτες της ευελιξίας. Οι Stockton και Bateman (1995) προτείνουν µια µέθοδο µέτρησης της ευελιξίας του εύρους παραγωγής ενός συστήµατος. Η µέθοδός τους χρησιµοποιεί την πιθανότητα ως την µονάδα µέτρησης διάφορων τύπων ευελιξίας. ∆ηλαδή κάθε τύπος ευελιξίας µετράται από "την πιθανότητα ενός γεγονότος να συµβεί". Για παράδειγµα η ευελιξία διαδικασίας είναι η "πιθανότητα το σύστηµα παραγωγής να µπορεί να Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 35 επεξεργαστεί ένα κοµµάτι που επιλέχθηκε τυχαία (βάση των χαρακτηριστικών του) από ένα σύνολο κοµµατιών". Οι Boyer και Leong (1996) µε την χρήση πολλών πειραµάτων προσοµοίωσης µελέτησαν την συσχέτιση µεταξύ ευελιξίας µηχανής και ευελιξίας διαδικασίας. Η ευελιξία της µηχανής µετράται µε το κόστος αλλαγής ώστε να µπορεί η µηχανή να παράγει περισσότερα από ένα προϊόντα. Συγκεκριµένα το κόστος αλλαγής εκφράζεται ως ποσοστό επί της συνολικής χωρητικότητας της µηχανής (δηλαδή όσο µικρότερο είναι το ποσοστό τόσο µεγαλύτερη η ευελιξία µηχανής). Η ευελιξία διαδικασίας εκφράζεται µε την δυνατότητα ανάθεσης της παραγωγής περισσότερων προϊόντων στην ίδια µηχανή. Η µέτρηση της συνολικής ευελιξίας γίνεται µετρώντας την ποσότητα παραγωγής προϊόντων. Από τα πειράµατα φαίνεται ότι µε το σωστό συνδυασµό ευελιξίας µηχανής και ευελιξίας διαδικασίας επιτυγχάνονται καλύτερα αποτελέσµατα από το αν βελτιώναµε µόνο την ευελιξία διαδικασίας. Οι Gupta και Buzacott (1996) προτείνουν µια σειρά από ελέγχους που µπορούν να εφαρµοστούν σε προτεινόµενες µεθόδους µέτρησης της ευελιξίας. Ο πρώτος έλεγχος αναφέρει ότι όλοι οι παράµετροι πρέπει να περιέχουν όλα τα χαρακτηριστικά του εξοπλισµού τα οποία επηρεάζουν την απόδοση του συστήµατος. Ο δεύτερος έλεγχος ορίζει ότι η απόδοση ενός περισσότερου ευέλικτου θα πρέπει να µεταβάλλεται λιγότερο όταν αλλάζει η αβεβαιότητα του περιβάλλοντος στο οποίο επιχειρεί. Ο Das (1996) πρότεινε τρόπους να µετρηθεί η ευελιξία µηχανής, δροµολόγησης, διεργασίας, προϊόντος και όγκου. Για καθένα από τους τύπους ευελιξίας ορίζεται µία µεταβλητή κατάστασης. Η µέτρηση της ευελιξίας γίνεται µε τους εξής βασικούς τρόπους: α) το κόστος αλλαγής ανάµεσα στις καταστάσεις, β) η πτώση στην απόδοση του συστήµατος όταν αυτό "µετακινείται" από κατάσταση σε κατάσταση, γ) την φυσική διαβάθµιση µεταξύ διαδοχικών καταστάσεων και δ) τoν συνδυασµό των παραπάνω µεθόδων. Οι Ramasesh and Jayakumar (1997) παρουσιάζουν µια µέθοδο η οποία προσπαθεί να συνδέσει τα οφέλη της ευελιξίας στην παραδοσιακή τεχνική αξιολόγησης µιας επένδυσης που βασίζεται στο Discounted Cash Flow (DCF). Με προσοµοίωση δηµιουργούν ένα σύνολο από µεταβλητές περιβάλλοντος για κάθε µια περίοδο του χρονικού ορίζοντα µέσα στον οποίο γίνεται η αξιολόγηση µιας επένδυσης. Στην συνέχεια µε την µέθοδο του µαθηµατικού προγραµµατισµού υπολογίζουν το βέλτιστο συνολικό κέρδος λαµβάνοντας υπόψη διαφορετικούς τύπους Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 36 ευελιξίας που µπορεί να έχει το σύστηµα όπως ευελιξία όγκου, ευελιξία ταυτόχρονης παραγωγής διαφορετικών προϊόντων, ευελιξία καινοτοµίας, ευελιξία υλικών, ευελιξία µηχανή και εργατικού δυναµικού και ευελιξία επέκτασης. Οι Choi και Kim (1998) πρότειναν ένα συνολικό µέτρο της απόδοσης ενός συστήµατος που το ονοµάζουν περιεκτική ευελιξία (comprehensive flexibility). Αναφέρονται σε αυτό ως "η ικανότητα να διατηρεί την αποτελεσµατικότητα του συστήµατος παραγωγής για διάφορες αλλαγές". Μια µαθηµατική έκφραση αυτού του µέτρου είναι ως εξής: PMCF = cM cP ⋅ PCMFM + ⋅ PCMFP , 0 ≤ PCMF ≤ 1 cM +cP cM +cP (2.9) Όπου: ≡ CM Το µέσο κόστος ευκαιρίας (opportunity cost) ανά χρονική µονάδα ανεκµετάλλευτου χρόνου των µηχανών ≡ CP Το µέσο κόστος ευκαιρίας ανά χρονική µονάδα ανεκµετάλλευτου χρόνου ροής των κοµµατιών PMCFM and PMCFp είναι οι δείκτες απόδοσης της περιεκτικής ευελιξίας σε µηχανές και κοµµάτια αντίστοιχα. Όσο υψηλότερη είναι η τιµή του PCMF, τόσο πιο παραγωγικό είναι το σύστηµα εξαιτίας της υψηλής χρησιµοποίησης των µηχανών και την αποδοτικότητα στην ροή των υλικών. Στο Parker και Wirth (1999) παρουσιάζεται ένας δείκτης της ευελιξίας όγκου που ορίζεται ως εξής: VF = 1- F ⎛ n ai ⎞ ⎜∏ ⎟ C max ⎜⎝ i =1 bi ⎟⎠ (2.10) Όπου: VF ≡ Είναι η ευελιξία όγκου και VF ∈ [0,1] Cmax ≡ Είναι η µέγιστη χωρητικότητα του συστήµατος. ≡ Είναι ο αριθµός της χωρητικότητας που απαιτείται ανά παραγόµενο ai προϊόν. bi ≡ F ≡ Είναι το περιθώριο κέρδους για το προϊόν. Είναι το σταθερό κόστος λειτουργίας. Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 37 Από αυτό τον ορισµό της µέτρησης της ευελιξίας όγκου προκύπτει ότι α) η ευελιξία αυξάνει όταν το F µειώνεται, β) η ευελιξία αυξάνει όταν το Cmax αυξάνει, γ) η ευελιξία αυξάνει όταν το περιθώριο κέρδους αυξάνει και δ) η ευελιξία αυξάνει όταν η χωρητικότητα που απαιτείται για την παραγωγή ενός προϊόντος µειώνεται. Μια άλλη µέθοδος η οποία είναι εµπνευσµένη από την συµπεριφορά ενός απλού µηχανικού συστήµατος και την αναλογία της µε την συµπεριφορά ενός συστήµατος παραγωγής έχει επίσης παρουσιαστεί και αναλυθεί στην βιβλιογραφία (Chryssolouris et. al. 1998). Η µέθοδος αυτή βασίζεται στην ιδέα ότι ένα απλό µηχανικό σύστηµα ανταποκρίνεται σε µια κανονική είσοδο –τυπικά, µια δύναµη που µεταβάλλεται ανάλογα µε τον χρόνο- µε έναν τρόπο που χαρακτηρίζεται από την συνάρτηση µεταφοράς του συστήµατος η οποία προσδιορίζει την συµπεριφορά του. Όµοια η συνάρτηση µεταφοράς για ένα σύστηµα παραγωγής µπορεί να χαρακτηριστεί ο τρόπος που το σύστηµα ανταποκρίνεται στις αλλαγές τις εισόδου – για παράδειγµα στις διάφορες παραγγελίες για διαφορετικά προϊόντα και σε διαφορετικές ποσότητες. Όσο µεγαλύτερος είναι ο αδιάστατος παράγοντας ζ (damping factor) σε ένα µηχανικό σύστηµα, τόσο λιγότερο ευαίσθητη είναι η απόκριση ενός συστήµατος στις αλλαγές της εισόδου, ενώ όσο χαµηλότερα κυµαίνεται η τιµή του ζ, τόσο µεγαλύτερη είναι η ευαισθησία της απόκρισης του συστήµατος στις αλλαγές της εισόδου. Γι΄ αυτό ο συντελεστής ζ , αποτελεί µέτρο της ικανότητας ενός µηχανικού συστήµατος να αποκρίνεται στις αλλαγές τις εισόδου του συστήµατος. Ο όρος ευελιξία για ένα σύστηµα παραγωγής µπορεί να ορισθεί ως η ικανότητα του συστήµατος να αντιδρά στις "ανάγκες της αγοράς" που εκφράζεται σε διαφορετικά προϊόντα και σε διαφορετικές ποιότητες. Για ένα σύστηµα παραγωγής, ο συντελεστής ζ υπολογίζεται από την συνάρτηση µεταφοράς για το σύστηµα παραγωγής, και γι΄ αυτό ο συντελεστής ζ θα µπορούσε να θεωρηθεί ως µέτρο ευελιξίας για ένα σύστηµα παραγωγής (Αλεξόπουλος και Χρυσολούρης 2005). Αν θεωρήσουµε ένα µηχανικό σύστηµα που διεγείρεται µε µια χρονικά µεταβαλλόµενη δύναµη, f(t), τότε η απόκριση θα είναι x(t). Και οι δύο συναρτήσεις f(t) και x(t) µπορούν να προκύψουν από την δειγµατοληψία Ν αλλεπάλληλων τιµών. fk=f(tk), xk=x(tk), k=0,1,2,……N (2.11) όπου , tk = k∆, και ∆ είναι η περίοδος δειγµατοληψίας. Τότε η συνάρτηση µεταφοράς Hn του συστήµατος δίνεται από την σχέση: Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 38 X n (ω ) , Fn (ω ) H n (ω ) = όπου Χn και Fn είναι ο µετασχηµατισµός Fourier των xk και fk, αντίστοιχα: N −1 X n (ω ) = ∑ x k e 2πkn / N , k =0 N −1 Fn (ω ) = ∑ f k e 2πkn / N , n = 0,1,2....N − 1. (2.12) k =0 Η συχνότητα ω δίνεται από την σχέση, ω = ωn = 2πn / Ν∆, n = 0, 1 , 2, ...Ν-l. Αυτός ο αδιάστατος παράγοντας ζ µπορεί να υπολογιστεί επίσης από το φάσµα συχνοτήτων του συστήµατος από την ακόλουθη σχέση: ζ ≈ 1 2Q , (2.13) που Q είναι το πλάτος στο φάσµα των συχνοτήτων που αντιστοιχεί στη φυσική συχνότητα. Οι Tsoulveroudis και Phillis (1998) χρησιµοποίησαν ασαφή λογική (fuzzy logic) για την µέτρηση της ευελιξίας µηχανής. Η προσέγγιση τους δίνει εκτίµηση για την ευελιξία µηχανής σε περίπτωση που δεν είναι διαθέσιµα ακριβή δεδοµένα για τους παράγοντες που την επηρεάζουν. Αρχικά ορίζουν ότι η ευελιξία µηχανής ορίζεται από την σχέση min[sj ] MFi= Ws + j si + Wu ri ui + Wr , i,j ∈ M max[uj ] max[rj ] j Όπου: si ui (2.14) j ri ≡ Ο χρόνος προετοιµασίας της µηχανής i Ο αριθµός των λειτουργιών που µπορεί να εκτελέσει η ≡ µηχανή i ≡ Το εύρος των προσαρµογών της µηχανής i Ws, Wu, Wr ≡ Τα βάρη για τα si, ui, riκαι Ws,+Wu,+Wr = 1 Στην περίπτωση που οι όροι της παραπάνω σχέσης δεν είναι διαθέσιµοι µε ακρίβεια τότε γίνεται ασαφοποίηση (fuzzification) των όρων, υπολογισµός της τιµής MFi µε την χρήση κανόνων ασαφούς λογικής και στην συνέχεια απο-ασαφοποίηση (defuzzification) για την εξαγωγή της τελικής τιµής MFi. Η ίδια λογική εφαρµόστηκε και για τον υπολογισµό της ευελιξίας δροµολόγησης, της ευελιξίας διαχείρισης υλικών και της ευελιξίας προϊόντος (Τσουρβελούδης 1995). Πιο πρόσφατα η ασαφής λογική χρησιµοποιήθηκε για την εκτίµηση της ευελιξίας µε χρηµατοοικονοµικούς όρους (Beskese et. al. 2004). Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 39 Οι Gindy και Saad (1998) όρισαν εσωτερικές µετρικές για την ευελιξία µηχανής, διαχείρισης υλικού και δροµολόγησης χρησιµοποιώντας την έννοια του "στοιχειώδους παραγωγικού πόρου" (resource element) την οποία ορίζουν ως το βασικό στοιχείο από την οποία συνθέτονται περισσότερο πολύπλοκα συστήµατα παραγωγής. Ο σκοπός της εργασίας τους είναι να δείξουν ότι µε την προσέγγιση του resource element αυξάνεται η ανταποκρισιµότητα (responsiveness) ενός συστήµατος παραγωγής κάτω από διαφορετικές απαιτήσεις και κανόνες ανάθεσης (scheduling dispatch rules). Στο (Khouja 1998) παρουσιάζεται ένα µοντέλο προγραµµατισµού παραγωγής συστηµάτων µε ευελιξία όγκου (production planning model for volume-flexible production systems). Το προτεινόµενοι µοντέλο µπορεί να χρησιµοποιηθεί για την εύρεση του βέλτιστου βαθµού ευελιξίας όγκου κάτω από ένα δεδοµένο περιβάλλον αγοράς. Η µέτρηση της ευελιξίας όγκου από τον (Khouja 1998) βασίζεται στην µορφή της καµπύλης που έχει το µέσο κόστος παραγωγής ανά κοµµάτι (average cost per piece). Όσο περισσότερο ευέλικτο ως προς τον όγκο παραγωγής είναι ένα σύστηµα, τόσο πιο "επίπεδη" είναι η καµπύλη. Ενώ όσο µικρότερη είναι η ευελιξία τόσο πιο κοίλη είναι η καµπύλη (όπως φαίνεται στο παρακάτω σχήµα). Κόστος ανά κοµµάτι Μη-ευέλικτο Ευέλικτο Όγκος παραγωγής Σχήµα 2.4: Σχηµατική απεικόνιση της ευελιξίας όγκου παραγωγής. Η προσέγγιση για την εκτίµηση της ευελιξίας όγκου, όπως φαίνεται στο παραπάνω σχήµα, προκύπτει από την γενικότερη θεώρηση ότι ένα σύστηµα είναι περισσότερο ευέλικτο ως προς τον όγκο όταν καταφέρνει να σταθεροποιεί τα κόστη παραγωγής για ένα µεγάλο εύρος όγκου παραγωγής (Falkner 1986). Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 40 Οι Shewchuk και Moodie (1999) παρουσίασαν ένα σύνολο από δέκα γενικές µεθόδους εκτίµησης της ευελιξίας για πέντε διαφορετικά σενάρια επεξεργασίας. Παρακάτω παρουσιάζουµε περιληπτικά την περίπτωση επεξεργασίας όπου το όφελος προκύπτει όταν το σύστηµα µπορεί να παράγει ένα κοµµάτι. Σε αυτή την περίπτωση η ευελιξία F δίνεται από την παρακάτω σχέση: N ∑ f (m ) p F= i i =1 N ∑ f (i ) p i =1 i (2.15) i Όπου: F Ν i ≡ Ο δείκτης ευελιξίας ≡ Είναι ο συνολικός αριθµός των κοµµατιών που φτάνουν στο σπίτι ≡ Είναι δείκτης για τα κοµµάτια και i ∈ [1,N]. pi ≡ Είναι η πιθανότητα άφιξης του κοµµατιού i mi ≡ Είναι η σειρά µε την οποία επεξεργάζεται το κοµµάτι i f(k) ≡ Είναι µια συνάρτηση πού εκφράζει το όφελος και είναι: • Σταθερή όταν το όφελος αυξάνεται µε ένα σταθερό ρυθµό καθώς το k αυξάνεται. • Φθίνουσα όταν το όφελος αυξάνεται µε µειούµενο ρυθµό καθώς το k αυξάνεται. • Αύξουσα όταν το όφελος αυξάνεται µε αυξανόµενο ρυθµό καθώς το k αυξάνεται. • 0 όταν το k µένει σταθερό. Στην προηγούµενη σχέση ο δείκτης F κυµαίνεται από [0,1]. Όταν F=0.0 το σύστηµα έχει ελάχιστη ευελιξία, ενώ µε F=1.0 το σύστηµα έχει την µέγιστη. Στο (Borenstein 2000) περιγράφεται ένας τρόπος παρουσίασης της ευελιξίας δροµολόγησης µε την χρήση µη-κυκλικών, κατευθυνόµενων γράφων (acyclic directed graphs). Η παραπάνω µέθοδος χρησιµοποιείται για την περιγραφή διαφορετικών συνόλων µε δυνατές διαδροµές ενός κοµµατιού µέσα σε ένα σύστηµα. Ο µηχανισµός αυτός έχει ενσωµατωθεί σε ένα περιβάλλον προσοµοίωσης που Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 41 επιτρέπει την αξιολόγηση της ευελιξίας, µε έµµεσο τρόπο όπως µετρώντας την ικανότητα παραγωγής (throughput). Οι Peláez-Ibarrondo και Ruiz-Mercader (2000) παρουσίασαν µια µέθοδο η οποία µετράει συνδυαστικά την ευελιξία προϊόντος και όγκου. Η µέθοδός τους στηρίζεται στην µέτρηση του εύρους που προκύπτει ανάµεσα στο χαµηλότερο αποδεκτό όριο παραγωγής, το οποίο ορίζουν το σηµείο κάτω από το οποίο η επιχείρηση παύει να έχει κέρδη (break-even point) και στο υψηλότερο αποδεκτό επίπεδο παραγωγής που καθορίζεται από τις τεχνικές δυνατότητες του συστήµατος παραγωγής (έτσι π.χ. ένα ευέλικτο σύστηµα έχει µικρότερους χρόνους προετοιµασίας ανάµεσα στις παρτίδες διαφορετικών προϊόντων και εποµένως περισσότερο διαθέσιµο χρόνο για την παραγωγή). Οι Feurstein και Natter (2000) παρουσιάζουν µια µέθοδο προγραµµατισµού ενός FMS που βασίζεται σε κανόνες που σκοπό έχουν να υπολογιστεί µε µια προσέγγιση η τιµή του NPV ενός FMS, αντικαθιστώντας µε κάποια µείωση στην ακρίβεια του υπολογισµού, αλλά µε κέρδος στον υπολογιστικό χρόνο, την "παραδοσιακή" µέθοδο του στοχαστικού δυναµικού προγραµµατισµού (stochastic dynamic programming) που έχει προταθεί από παλαιότερες µελέτες όπως στο (Kulatilaka 1995). Σε αυτή την εργασία το FMS µπορεί να λειτουργεί σε µία ή περισσότερες καταστάσεις ανάλογα µε τις απαιτήσεις της αγοράς (και συγκεκριµένα τον τύπο του προϊόντος που πρέπει να παραχθεί ανά περίοδο). Στο (Shewchuk και Moodie 2000) µελετώνται τα οφέλη και οι απώλειες ανάµεσα σε διαφορετικούς τύπους ευελιξίας, για διαφορετικούς σχεδιασµούς συστηµάτων παραγωγής. Για αυτό τον σκοπό ορίστηκαν µερικές απλές µετρικές ευελιξίας. Συγκεκριµένα η ευελιξία προϊόντος ορίστηκε ως ο λόγος του αριθµού των προϊόντων που µπορεί να παράγει το εργοστάσιο προς το σύνολο των προϊόντων που µπορεί να ζητήσει η αγορά. Επιπλέον η µέτρηση της ευελιξίας παραγωγής και της ευελιξία ταυτόχρονης παραγωγής περισσότερων του ενός προϊόντων (mix flexibility) βασίζονται στην ιδέα ότι για διαφορετικά σενάρια παραγωγής (δηλαδή διαφορετικά product mixes) η χωρητικότητα του συστήµατος δεν µεταβάλλεται (µειώνεται) σηµαντικά από ένα µέγιστο που έχει βρεθεί για ένα σενάριο παραγωγής. Η ευελιξία όγκου ορίζεται από τον λόγο της διαθέσιµης χωρητικότητας προς την απαιτούµενη χωρητικότητα από το σενάριο παραγωγής. Όσο µεγαλύτερος είναι αυτός ο λόγος Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 42 τόσο µεγαλύτερη είναι η ευελιξία όγκου γιατί το σύστηµα έχει τα "περιθώρια" να ανταποκριθεί καλύτερα σε πιθανές αλλαγές στην απαιτούµενη ζήτηση. Στο (Bengtsson 2001) παρουσιάζεται µια προσέγγιση αξιολόγησης διάφορων τύπων ευελιξίας, κυρίως από την πλευρά της αξιολόγησης επένδυσης, µε την χρήση της θεωρίας των πραγµατικών επιλογών (real options theory). Αυτή η εργασία έχει περισσότερο βιβλιογραφικό χαρακτήρα (review paper) και όχι χαρακτήρα πρωτογενούς έρευνας. Εντούτοις δείχνει ότι η θεωρία του real options έχει ήδη συσχετιστεί µε διάφορους τύπους ευελιξίας συστηµάτων παραγωγής ενώ υποδεικνύει και άλλους τύπους ευελιξίας που θα µπορούσαν να µελετηθούν µε την θεωρία του real options. Στο Bengtsson και Olhager (2002) παρουσιάζεται η χρήση real-options για τον υπολογισµό της ευελιξίας ταυτόχρονης παραγωγής περισσοτέρων του ενός τύπου προϊόντων (product-mix flexibility). Ενώ οι Karsak και Özogul (2005) παρουσιάζουν την χρήση real-options για την εκτίµηση της ευελιξίας επέκτασης. Οι Pereira και Paulré (2001) παρουσιάζουν µια µέθοδο υπολογισµού της ευελιξίας η οποία βασίζεται στην ιδέα της προσαρµογής ενός συστήµατος στο περιβάλλον που λειτουργεί. Η ευελιξία αντιµετωπίζεται σαν µια πολυδιάστατη ιδιότητα που συσχετίζει το βαθµό, την προσπάθεια και τον χρόνο προσαρµογής του συστήµατος. Η απόκλιση της κατάστασης που επιτυγχάνει το σύστηµα µετά από την φάση της προσαρµογής του από την προσδοκώµενη κατάσταση, µε βάση τις αλλαγές που έγιναν στο περιβάλλον, αποτελεί µια µέτρησης της ικανότητας προσαρµογής, και εποµένως της ευελιξίας του συστήµατος. O Gavarelli (2001) δείχνει ότι σε ορισµένες περιπτώσεις, η περιορισµένη ευελιξία (limited flexibility) σε ένα σύστηµα, µπορεί να έχει καλύτερες επιδόσεις από την πλήρη ευελιξία. Αυτό το δείχνει σε µια περίπτωση µελέτης ευελιξίας δροµολόγησης σε συστήµατα παραγωγής τύπου κυψέλης (cellular manufacturing systems). Για να επίδειξη αυτή την περίπτωση θεωρεί τρία διαφορετικά συστήµατα µε διαφορετικό βαθµό ευελιξίας και µετράει την απόδοσή τους µε βάση τον χρόνο ολοκλήρωσης των εργασιών (lead time) αλλά και µε το µέσο αριθµό εργασιών που εκτελούνται (work-in-process). Οι Ramasesh et. al. (2001) ανέπτυξαν ένα πλαίσιο για ποσοτική ανάλυση και προσοµοίωση των οφελών από την ευελιξία µε οικονοµικούς όρους. Στην εργασία του το σύστηµα παραγωγής επεκτείνεται στην έννοια του extended enterprise και Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 43 περιλαµβάνει τόσο τις "παραδοσιακές" εγκαταστάσεις παραγωγής αλλά και το δίκτυο των προµηθευτών (στην είσοδο του συστήµατος παραγωγής) και το δίκτυο διανοµής των προϊόντων (στην έξοδο του συστήµατος παραγωγής). Για αυτό στην εργασία τους αναφέρονται συχνά στο agility του συστήµατος αντί της ευελιξίας (flexibility) σύµφωνα και µε το Σχήµα 2.5 που προτείνεται στο (Wiendahl και Heger 2004). Στο Ramasesh et. al. (2001) χρησιµοποιούν την προσδοκώµενη τιµή του NPV για ένα σύνολο πιθανών σεναρίων για το περιβάλλον. Στον υπολογισµό του NPV συµπεριλαµβάνεται το κόστος επένδυσης το κόστος αλλαγής αλλά και τα έσοδα από τις πωλήσεις των προϊόντων. Επιπλέον µε τα παραδείγµατα προσοµοίωσης σε αυτή την εργασία φαίνεται ότι η αξία ενός περισσότερο ευέλικτου συστήµατος είναι πιο εµφανής στην περίπτωση που το περιβάλλον λειτουργίας είναι περισσότερο µεταβλητό. Σχήµα 2.5: Ονοµασίες της ικανότητας αλλαγής σε διάφορα επίπεδα του συστήµατος (Πηγή: Wiendahl και Heger (2004)) Οι Kahyaoglu και Kayaligil (2002) προτείνουν ένα µέτρο της ευελιξίας που στηρίζεται στο γεγονός ότι η ευελιξία είναι περισσότερο χρήσιµη στις περιπτώσεις όπου η βεβαιότητα (ή αβεβαιότητα) για το µέλλον είναι πολύ φτωχά ορισµένη. Η ευελιξία του συστήµατος µετριέται από τις επιδόσεις κάποιου δείκτης επίδοσης (performance indicator) καθώς συµβαίνουν αλλαγές στο περιβάλλον. O προτεινόµενος δείκτης φανερώνει την σταθερότητα στην απόδοση του συστήµατος για διάφορες αλλαγές καθώς υπολογίζει το ποσοστό της πτώσης (ή της αύξησης ανάλογα µε τον δείκτη επίδοσης) σε σχέση µε το µέγεθος της επίπτωσης της αλλαγής Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 44 που συµβαίνει. Συγκεκριµένα στην περίπτωση όπου όσο µικρότερες είναι οι τιµές της απόδοσης τόσο καλύτερα (π.χ. κόστος) όρισαν τον δείκτη FVi ως εξής: FVi = (Pi,s – Pi,o)/(Pi,s – Pb,o) µε 0 < FV < 1 και Pb,o < Pi,o < Pi,s (2.16) Όπου: FVi Pi,s ≡ Η ευελιξία ενός συστήµατος παραγωγής όταν το περιβάλλον είναι στην κατάσταση i ≡ Η επίδοση του συστήµατος όταν η αρχική απόφαση παραµείνει παρόλο που υπάρχει αλλαγή από την αρχική κατάσταση στη νέα κατάσταση i Pi,o ≡ Η επίδοση του συστήµατος όταν ληφθεί µια βέλτιστη απόφαση (o) από την βασική κατάσταση του περιβάλλοντος στην κατάσταση i Pb,o ≡ Η επίδοση του συστήµατος όταν ληφθεί µια βέλτιστη απόφαση (ο) στην αρχική κατάσταση του περιβάλλοντος. Όσο ο δείκτης είναι κοντά στο µηδέν το σύστηµα δεν είναι καθόλου ευέλικτο καθώς δεν έχει καµιά εναλλακτική για να "αντιµετωπίσει" την αλλαγή (Pi,s = Pi,o). Ενώ όσο η τιµή είναι κοντά στο ένα, το σύστηµα είναι πολύ ευέλικτο καθώς κατορθώνει µετά από κάποιες αποφάσεις της διοίκησης (που έχουν ως αποτέλεσµα η επίδοση να πάει στην τιµή Pi,o) να διατηρεί σταθερή την αρχική του επίδοση του (Pb,o = Pi,o). Η παραπάνω µέθοδος εφαρµόστηκε σε µια περίπτωση µελέτης της διαδικασίας λείανσης σε µια βιοµηχανία παραγωγής µηχανών (Kahyaoglu et. al. 2002). Οι Wang και Chuu (2003), Chuu (2005) χρησιµοποίησαν εκ' νέου ασαφή λογική αλλά σε αυτή τη περίπτωση την ενέταξαν µέσα σε ένα περιβάλλον οµαδικής λήψης απόφασης (group decision making). Οι ποιοτικές εκτιµήσεις της οµάδας µε την χρήση γλωσσικών (linguistic) όρων ενοποιούνται για τον συνολικό υπολογισµό της ευελιξίας. Οι Kazmer et. al (2003) παρουσιάζουν ένα δείκτη της ευελιξίας διαδικασίας (process flexibility), Cf. Ο δείκτης ορίζεται ως ο λόγος της πιθανότητας µια διεργασία να λειτουργεί µέσα στα δυνατά όρια της, προς την πιθανότητα η διεργασία να λειτουργεί µέσα στις προδιαγραφές που ορίζονται από το τον σχεδιασµό και την κατασκευή ενός προϊόντος ή κοµµατιού. Όσο αυξάνεται ο δείκτης Cf αυτό δείχνει ότι η διεργασία έχει αυξηµένη ικανότητα να µεταβάλει τα χαρακτηριστικά ποιότητας του προϊόντος σε σχέση µε τις νέες προδιαγραφές του προϊόντος. Ο Van Hop (2004) πρότεινε µια µέθοδο για την µέτρηση της ευελιξίας ταυτόχρονης παραγωγής περισσότερων του ενός προϊόντων. Η µέθοδος του βασίζεται στην ιδέα ότι η ευελιξία είναι συνάρτηση της ικανότητας (capability) και Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 45 της χωρητικότητας (capacity) ενός συστήµατος. Η ικανότητα εκφράζεται από τις καταστάσεις στις οποίες µπορεί να είναι ένα σύστηµα. Μια κατάσταση µπορεί να αντιπροσωπεύει µια λειτουργία, το χρόνο προετοιµασίας κ.α. Η χωρητικότητα σηµατοδοτεί, βάση του Van Hop (2004) πόσο οικονοµικά ένα σύστηµα µπορεί να αλλάζει από µια κατάσταση σε µία άλλη. Στο Elkins et. al. (2004) παρουσιάζονται δύο µέθοδοι αξιολόγησης µιας επένδυσης στην αυτοκινητοβιοµηχανία (κατασκευή µηχανής και κοµµατιών από το κιβώτιο ταχυτήτων) µε υποψήφιες τρεις διαφορετικές λύσεις: dedicated, agile και flexible. Οι λύσεις αξιολογήθηκαν µε την χρήση του NPV. Η εκτιµώµενη τιµή του NPV για έναν αριθµό από σενάρια καθώς και η διασπορά των τιµών υπέδειξαν την καταλληλότερη λύση για το συγκεκριµένο πρόβληµα. O Kurtoglu (2004) ανέλυσε την ευελιξία προϊόντος και την ευελιξία όγκου δύο γραµµών συναρµολόγησης. Ο υπολογισµός της ευελιξίας στηρίχτηκε στον υπολογισµό της προσπάθειας που απαιτείται ώστε να αλλάξει η γραµµή και να παραχθούν νέα προϊόντα. Το κόστος προετοιµασίας (setup cost), το κόστος αποθήκης (inventory cost), ο χρόνος επεξεργασίας, η βέλτιστος όγκος παραγωγής αλλά και η συνάρτηση του κόστους ανά κοµµάτι ως προς τον όγκο παραγωγής συµπεριλαµβάνονται στο µοντέλο υπολογισµού της ευελιξίας. Οι Wiendahl και Heger (2004) παρουσιάζουν έναν τρόπο υπολογισµού του κόστους αλλαγής σον κύκλο ζωής ενός συστήµατος παραγωγής. Αρχικά κατηγοριοποιούν τις διάφορες µορφές ικανότητας για αλλαγή (changeability) ενός συστήµατος (βλέπε Σχήµα 2.5). Στην συνέχεια αναφέρουν ενδεικτικά τα κόστη στον κύκλο ζωής ενός συστήµατος που περιλαµβάνει τις φάσεις: σχεδιασµό, λειτουργία και διάλυσης. Κατά τη φάση της λειτουργίας ένα σύστηµα µπορεί να αλλάξει και να µεταµορφωθεί πολλές φορές. Συνήθως, επιπλέον επενδύσεις της τάξης του 2-3% στην φάση της κατασκευής επιτρέπει την µείωση µέχρι και 15% στο κόστος λειτουργίας. Επιπλέον και άλλα χαρακτηριστικά όπως η τµηµατοποίηση (modularity) και η κινητικότητα (mobility) µειώνουν και το κόστος διάλυσης. Στο κόστος αλλαγής περιλαµβάνεται το κόστος του εξοπλισµού που πρέπει να αλλάξει (π.χ. η αγορά µιας νέας µηχανής) αλλά και το κόστος της ίδιας της διαδικασίας αλλαγής. Στην δεύτερη κατηγορία τα κόστη είναι συνήθως πιο πολύπλοκα και δυσκολότερο να εκτιµηθούν και περιλαµβάνουν κόστη όπως: κόστος λόγω απώλειας παραγωγής (loss of production), κόστος ευκαιρίας (opportunity cost), επιπλέον εργασία, επιπλέον κόστος αποθήκευσης. Για την εκτίµηση του κόστους αλλαγής χρησιµοποιείται η µέθοδος Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 46 του προγραµµατισµού βάση σεναρίων (scenario planning). Έτσι για ένα σενάριο υπολογίζεται το κόστος αλλαγής βάση των κοστών που έχουν αναφερθεί προηγουµένως. Οι Arteta και Giachetti (2004) πρότειναν µια µέθοδο εκτίµησης της ευελιξία (συγκεκριµένα του agility) ενός οργανισµού χρησιµοποιώντας την έννοια της πολυπλοκότητας (complexity). ∆ηλαδή ουσιαστικά προσπάθησαν να µετρήσουν την πολυπλοκότητα ενός συστήµατος. Η εργασία τους στηρίζεται στην υπόθεση ότι όσο λιγότερο πολύπλοκο είναι ένα σύστηµα τόσο περισσότερο ευέλικτο είναι καθώς θα µπορεί πιο εύκολα να αλλάξει. Η µέθοδος τους χρησιµοποιεί Petri Nets για την αποτύπωση των πιθανών καταστάσεων του συστήµατος αλλά και των πιθανοτήτων τους. Στην συνέχεια υπολόγισαν την πολυπλοκότητα και εποµένως και το agility χρησιµοποιώντας τον τύπο του Shannon: n I = − ∑ pi log 2 pi (2.17) i =1 Όπου n ≡ Το πλήθος των πιθανών καταστάσεων που µπορεί να είναι το εκτεταµένο σύστηµα παραγωγής pi ≡ Η πιθανότητα το εκτεταµένο σύστηµα παραγωγής να είναι στην κατάσταση i. O Wahab (2005) πρότεινε µια µέθοδο για την µέτρηση της ευελιξίας µηχανής που βασίζεται στη αποτελεσµατικότητα της µηχανής. Ενώ στην ίδια εργασία πρότεινε µια µέθοδο υπολογισµού της ευελιξίας µίξης προϊόντων που στηρίζεται στις διαφορές ανάµεσα στα προϊόντα σχετικά µε τα εργαλεία που απαιτούνται, τον αριθµό των λειτουργιών τις οποίες µπορεί να εκτελέσει η µηχανή, και την αποτελεσµατικότητα των διάφορων µηχανών. 2.6. ΤΕΧΝΟΛΟΓΙΕΣ ΥΛΟΠΟΙΗΣΗΣ ΤΗΣ ΕΥΕΛΙΞΙΑΣ Όπως παρουσιάστηκε στον Πίνακα 2-1 για την περίπτωση της ευελιξίας όγκου, αλλά και αναφέραµε και στην περιγραφή του καθένα τύπου ευελιξίας, προτείνονται διάφορες τεχνολογίες για την επίτευξη τους. Στο παρακάτω Σχήµα 2.6 γίνεται συσχέτιση του χρονικού ορίζοντα, του τύπου των γεγονότων που συµβαίνουν, της Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 47 ευελιξίας που απαιτείται και τέλος των πιθανών µέσων για την επίτευξη της συγκεκριµένης µορφής ευελιξίας. Εκτός από τις ερευνητικές προσπάθειες συσχέτισης της ευελιξίας µε µέσα για την επίτευξη της υπάρχουν και εµπειρικές µελέτες για την διερεύνηση παραγόντων που συµβάλλουν στην επίτευξη ευελιξίας. Έτσι για παράδειγµα, στο Lau (1999) παρουσιάζεται µια έρευνα µε ερωτηµατολόγια σε 382 Αµερικάνικες εταιρείες υπολογιστών και ηλεκτρονικών, όπου εµφανίζεται ότι η επικοινωνία, η συνεργασία µεταξύ διαφορετικών τµηµάτων, η χρήση νέας τεχνολογίας και η ευελιξία των προµηθευτών συµβάλλουν ουσιαστικά στην επίτευξη ευελιξίας. Στην συνέχεια αυτής της παραγράφου θα γίνει µια σύντοµη περιγραφή ορισµένων από τα σηµαντικότερα τεχνολογικά µέσα που έχουν υλοποιηθεί για την αύξηση διάφορων τύπων ευελιξίας και συγκεκριµένα θα αναφερθούµε στα: • Flexible Manufacturing Systems (FMS) • Reconfigurable Manufacturing System (RMS) Σχήµα 2.6: Τύπος ευελιξίας και πιθανά τεχνολογικά µέσα για την επίτευξη της (Πηγή: Weindahl 2002). 2.6.1. Flexible Manufacturing Systems (FMS) Τα προκαθορισµένα συστήµατα (fixed systems) συνήθως χρησιµοποιούνται για την παραγωγή µεγάλων παρτίδων προϊόντων και περιορίζονται στην παραγωγή ενός απλού εξαρτήµατος ή µερικών εξαρτηµάτων (Σχήµα 2.7). Στα συστήµατα αυτά ο απαιτούµενος χρόνος ρύθµισης των µηχανών, από την παραγωγή ενός εξαρτήµατος Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 48 στην παραγωγή ενός άλλου, είναι συνήθως µεγαλύτερης τάξης µεγέθους από τον χρόνο του παραγωγικού κύκλου. Αντίθετα ένα ευέλικτο σύστηµα παραγωγής (Flexible Manufacturing System, FMS) είναι ένα «επαναπρογραµµατιζόµενο» σύστηµα παραγωγής, ικανό να παράγει µια ποικιλία εξαρτηµάτων αυτόµατα (Σχήµα 2.7). Ένα σύστηµα FMS εφαρµόζει προγραµµατιζόµενο ηλεκτρονικό έλεγχο, που σε ορισµένες περιπτώσεις µπορεί να ρυθµισθεί για τυχαίες σειρές εξαρτηµάτων, χωρίς να επισύρει κανένα χρόνο ρύθµισης µεταξύ των εξαρτηµάτων. Ενόσω ένα κοµµάτι είναι υπό επεξεργασία από ένα εργαλείο το επόµενο εργαλείο επιλέγεται από έναν ροµποτικό βραχίονα από συλλογή εργαλείων (tool magazine). Μετά την ολοκλήρωση της επεξεργασίας του κοµµατιού αλλάζει το εργαλείο. Οι αρχές του αριθµητικού ελέγχου (NC) και της ροµποτικής παρέχουν ικανότητες επαναπρογραµµατισµού στο επίπεδο της µηχανής, µε ελάχιστο χρόνο ρύθµισης. Οι µηχανές αριθµητικού ελέγχου (NC) και τα ροµπότ αποτελούν τα βασικά δοµικά στοιχεία (building blocks) ενός FMS. Το υλικό για αυτή την σύντοµη περιγραφή των FMS αντλήθηκαν κυρίως από το Χρυσολούρης (2005) και το Tempelmeier και Kuhn (1993). Production Systems Fixed (transfer line) Flexible Features: • • • • Specific machining units Identical workpieces Constrained sequence Cyclic control • Interchangeable and/or specific machining units • Various workpieces within a component range • Usually free component selection Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας Production systems = Συστήµατα παραγωγής Fixed (transfer line) = Σταθερό (γραµµή µεταφοράς) Flexible = Ευέλικτο (σύστηµα παραγωγής) Features = Χαρακτηριστικά Specific machining units = Ειδικές µονάδες κατεργασίας Identical workpieces = Πανοµοιότυπα κοµµάτια προς κατεργασία Constrained sequence = ∆ιατεταγµένη (βάσει 49 περιορισµών) ακολουθία Cyclic control = Κυκλικός έλεγχος Interchangeable and/or specific machining units = Εναλλάξιµες και/ή ειδικές µονάδες κατεργασίας Various workpieces within a component range = ∆ιάφορα κατεργαζόµενα κοµµάτια εντός του πεδίου συνιστώντων στοιχείων Usually free component selection = Συνήθως ελεύθερη επιλογή συνιστώντων στοιχείων Σχήµα 2.7: Προκαθορισµένα και Ευέλικτα Συστήµατα Παραγωγής (Πηγή: Χρυσολούρης 2005) 2.6.2. Reconfigurable Manufacturing Systems (RMS) Τα Επαναδιατασσόµενα Συστήµατα Παραγωγής (Reconfigurable Manufacturing Systems, RMS) είναι συστήµατα παραγωγής ενός προϊόντος ή µίας οικογένειας προϊόντων, που σχεδιάζονται µε σκοπό τις γρήγορες και εύκολες αλλαγές στη δοµή τους, καθώς και στα στοιχεία του υλικού και λογισµικού που τα συνθέτουν, έτσι ώστε να έχουν τη δυνατότητα να προσαρµόζουν τον όγκο παραγωγής και τη λειτουργικότητά τους, αντιδρώντας σε αναµενόµενες και µη αλλαγές της αγοράς και σε εσωτερικές αλλαγές του συστήµατος. Τα RMS αποτελούν ουσιαστικά τη τοµή των δύο "κλασσικών" χρησιµοποιούµενων συστηµάτων παραγωγής: των Προκαθορισµένων Συστηµάτων Παραγωγής (Dedicated ή Fixed Manufacturing Systems, DMS) και των FMS. Τα RMS σχεδιάστηκαν για να ξεπεράσουν τα µειονεκτήµατα των παραπάνω συστηµάτων παραγωγής, διατηρώντας ταυτόχρονα τα πλεονεκτήµατά τους. Στόχος δηλαδή ενός RMS είναι η επίτευξη µεγάλων παρτίδων προϊόντων, µε χαµηλό κόστος, υψηλή ευελιξία και ελάχιστο κόστος αναπροσαρµογής/ επαναδιάταξης για αλλαγή των παραγοµένων προϊόντων. Αυτό γίνεται δυνατό φυσικά µε την υιοθέτηση της κατάλληλης τεχνολογίας σε επίπεδο υλικού εξοπλισµού (hardware) αλλά και σε επίπεδο λογισµικού (software). Στο παρακάτω σχήµα που εξαφανίζεται στο Molina et. al. (2005) παρουσιάζεται η εξέλιξη στην τεχνολογία των συστηµάτων παραγωγής ουσιαστικά από τις αρχές του 20ου αιώνα µέχρι σήµερα και φαίνεται η διαβλεπώµενη τάση προς τα RMS συστήµατα. Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 50 Σχήµα 2.8: Η εξέλιξη των συστηµάτων παραγωγής (Πηγή: Molina et. al. 2005). Τα RMS συστήµατα έχουν τα εξής βασικά πλεονεκτήµατα: (1) Είναι σχεδιασµένα έτσι ώστε να παρέχουν την απαραίτητη χωρητικότητα που απαιτείται από την αγορά. (2) Μπορούν εύκολα να ανανεωθούν µε νέες τεχνολογίες. (3) Μπορούν γρήγορα να αναδιαταχθούν και να παράγουν νέα προϊόντα ή να µεταβάλλουν την χωρητικότητα τους. Για να µπορούν τα RMS συστήµατα να έχουν υψηλές επιδόσεις όσο αφορά την ικανότητα τους να αλλάζουν και να προσαρµόζονται µε ευκολία στις µεταβολές του περιβάλλοντος έχουν τα εξής βασικά σχεδιαστικά χαρακτηριστικά: • Modularity: Όλα τα στοιχεία του RMS πρέπει να αποτελούν πρότυπα συναρτησιακά στοιχεία (άξονες, δοµικά στοιχεία, εργαλεία, λογισµικό και ελεγκτές). • Integrability: Οι διασυνδέσεις των συναρτησιακών στοιχείων θα πρέπει να είναι τέτοιες που να επιτρέπουν την ενσωµάτωση όλων των συναρτησιακών στοιχείων στο σύστηµα, απροβληµάτιστα. • Customization: Αυτό το χαρακτηριστικό έχει δύο όψεις: την ευελιξία εξατοµίκευσης και τον έλεγχο εξατοµίκευσης. Με την έννοια ευελιξία εξατοµίκευσης εννοούµε την κατασκευή των µηχανών µόνο µε βάση τις Κεφάλαιο 2 – Ανασκόπηση της επιστηµονικής βιβλιογραφίας 51 οικογένειες των προϊόντων που θα κατασκευαστούν και µόνο µε την απαραίτητη ευελιξία για την παραγωγή των οικογενειών αυτών. Ο έλεγχος εξατοµίκευσης πετυχαίνεται µε την ενσωµάτωση ελεγκτικών πρότυπων συναρτησιακών στοιχείων µε τη βοήθεια τεχνολογιών ανοιχτής αρχιτεκτονικής, ώστε να παρέχεται ακριβώς ο έλεγχος που απαιτείται. • Convertibility: Στα RMS ο βέλτιστος τρόπος λειτουργίας διαµορφώνεται σε παρτίδες που πρέπει να ολοκληρωθούν κατά τη διάρκεια µίας ηµέρας, χωρίς να ξοδεύονται µεγάλα χρονικά διαστήµατα για τις απαραίτητες αλλαγές ανάµεσα σε διαδοχικές παρτίδες. Για να γίνουν οι απαραίτητες µετατροπές χρειάζονται αλλαγές σε εργαλεία, τµήµατα προγραµµάτων και άλλων χαρακτηριστικών. • Diagnosability: Η µείωση του χρόνου ramp-up στα RMS είναι καθοριστικής σηµασίας. Για την επίτευξη του στόχου αυτού είναι απαραίτητη η διάγνωση µη αποδεκτής ποιότητας κοµµατιών. Εύκολα µπορεί κανείς να καταλάβει, ότι η γρήγορη και αποτελεσµατική ρύθµιση ενός νέου επαναδιατασσόµενου συστήµατος παραγωγής, για την παραγωγή ποιοτικών προϊόντων είναι απαραίτητη, λόγω των συχνών µετατροπών που υπόκειται ένα σύστηµα όσο πιο επαναδιατάξιµο είναι. Οι απαραίτητες πληροφορίες για τη συγγραφή του κεφαλαίου για τα RMS συστήµατα αντλήθηκαν κυρίως από την εργασία Koren et. al. (1999) καθώς και από την εργασία των Molina et. al. (2005). Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 52 3. Η ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟ∆ΟΣ "Τίποτα δεν υπάρχει µέχρις ότου µετρηθεί " Niels Bohr 3.1. ΕΙΣΑΓΩΓΗ - ΠΕΡΙΛΗΨΗ Η παρούσα µέθοδος στοχεύει στην εκτίµηση της ευελιξίας ενός συστήµατος παραγωγής σε ένα αβέβαιο περιβάλλον αγοράς, εξετάζοντας το σύστηµα παραγωγής για ένα µεγάλο χρονικό ορίζοντα. Η προτεινόµενη µέθοδος µπορεί να χρησιµοποιηθεί για την µέτρηση της ευελιξίας αγοράς καθώς παρέχει εκτίµηση για την απόδοση του συστήµατος σε περίπτωση διακυµάνσεων και µεταβολών τόσο του όγκου όσο και του τύπου των προϊόντων που παράγονται. Η µέθοδος βασίζεται στην προσέγγιση ότι ένα περισσότερο ευέλικτο σύστηµα είναι λιγότερο "ευαίσθητο" στη µεταβλητότητα του περιβάλλοντος αγοράς στο οποίο επιχειρεί. Η ευελιξία του συστήµατος εκτιµάται µε στατιστική ανάλυση των τιµών του συνολικού κόστους του κύκλου ζωής του συστήµατος παραγωγής, που προκύπτουν για ένα σύνολο από διαφορετικά σενάρια για την αγορά. Το κόστος υπολογίζεται βάση του τύπου της Παρούσης Τιµής (Net Present Value - NPV). Συγκεκριµένα, όσο µεγαλύτερη είναι η διασπορά των τιµών του NPV τόσο λιγότερο ευέλικτο θεωρείται ένα σύστηµα καθώς δεν καταφέρνει να σταθεροποιήσει το κόστος του µέσα σε ένα µεταβλητό περιβάλλον αγοράς. Για να είναι οι τιµές του NPV συγκρίσιµες µεταξύ διαφορετικών συστηµάτων παραγωγής, υπολογίζονται στην ελάχιστη τιµή τους µε βάση έναν αλγόριθµο δυναµικού προγραµµατισµού που έχει αναπτυχθεί. Τα βήµατα του αλγορίθµου παρουσιάζονται αναλυτικά και γίνεται αξιολόγηση και έλεγχος της ορθότητας του αλγορίθµου. Πρότερο της περιγραφής της τρόπου υπολογισµού της ευελιξίας περιγράφεται ο τρόπος µε τον οποίο µοντελοποιείται το σύστηµα παραγωγής και οι απαιτήσεις από την αγορά. Επιπρόσθετα, παρουσιάζεται και ένας δείκτης που εµφανίζει το βαθµό της επαναδιαταξιµότητας (reconfigurability) ενός συστήµατος παραγωγής. Ο δείκτης αυτός µας βοηθάει να έχουµε µια αρχική εκτίµηση της ευκολίας (όσο αφορά το κόστος) µε την οποία µπορεί να αλλάζει την διάταξη του ένα σύστηµα, βάση µόνο των χαρακτηριστικών του συστήµατος και όχι του περιβάλλοντος αγοράς. Η µέθοδος εφαρµόζεται στο Κεφάλαιο 4 σε µια περίπτωση µελέτης από την αυτοκινητοβιοµηχανία. Σε αυτή τη µελέτη γίνεται Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 53 σύγκριση ανάµεσα σε δύο µονάδες συγκόλλησης του σκελετού του αυτοκινήτου (body welding). Η µια µονάδα χρησιµοποιεί συµβατική συγκόλληση (spot-welding) και η δεύτερη πιο σύγχρονη τεχνολογία συγκόλλησης µε laser (laser welding). Η εφαρµογή της µεθόδου, για δύο διαφορετικές συνθήκες περιβάλλοντος αγοράς, δείχνει ότι η συγκόλληση µε laser είναι λιγότερο ευαίσθητη στις µεταβολές του περιβάλλοντος και εποµένως πιο ευέλικτη. 3.2. ΣΥΝΟΛΙΚΗ ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟ∆ΟΥ Η µέθοδος υπολογισµού της ευελιξίας είναι τµήµα µια συνολικότερης µεθόδου η οποία επιτρέπει την αξιολόγηση και την σύγκριση διαφορετικών σχεδίων/ λύσεων συστηµάτων παραγωγής. Η µέθοδος λαµβάνει υπόψη διάφορα στοιχεία που χαρακτηρίζουν ένα σύστηµα και το περιβάλλον στο οποίο επιχειρεί. Ενδεικτικά αναφέρουµε: τις διαφορετικές διαµορφώσεις (configurations) του συστήµατος παραγωγής (µια διαµόρφωση µπορεί να καθορίζει την χωρητικότητα ή να καθορίζει τον τύπο των προϊόντων που µπορεί να παραχθούν από το σύστηµα- περισσότερα στην παράγραφο 5.3.5), την ικανότητα συγκέντρωσης γνώσης (learning by doing – περισσότερα στην παράγραφο 3.7), έναν αριθµό διαφορετικών περιορισµών που υπάρχουν στην παραγωγική διαδικασία ώστε να προσοµοιωθούν πραγµατικές καταστάσεις που αντιµετωπίζονται στη βιοµηχανία (παράγραφο 3.7.1). Τα αρχικά δεδοµένα που εισάγονται από το χρήστη είναι τα πιθανά σενάρια της ζήτησης για κάθε χρονική περίοδο του χρονικού ορίζοντα που µελετάται. Ένα πιθανό σενάριο ζήτησης περιγράφει της απαιτήσεις της αγοράς για ένα ή περισσότερα προϊόντα για καθεµία χρονική περίοδο του χρονικού ορίζοντα. Ανάλογα µε τις απαιτήσεις της αγοράς παρουσιάζονται και κάποιοι περιορισµοί στον σχεδιασµό του συστήµατος παραγωγής. Ένα σύστηµα παραγωγής µπορεί να χρειαστεί να λειτουργήσει κάτω από διαφορετική διαµόρφωση κατά τη διάρκεια του χρονικού ορίζοντα εξαιτίας του τύπου των προϊόντων ή/ και του αριθµού των προϊόντων που ζητούνται από την αγορά. Αφού εισαχθούν οι απαιτήσεις της αγοράς και περιγραφεί ο βασικός σχεδιασµός του συστήµατος καθώς και εναλλακτικοί τρόποι λειτουργίας ακολουθεί ο προγραµµατισµός (planning) του συστήµατος για κάθε µια περίοδο του χρονικού ορίζοντα. Το αποτέλεσµα του προγραµµατισµού δίνει µια δυνατή λύση που προτείνει σε ποια διαµόρφωση θα βρίσκεται το σύστηµα παραγωγής για καθεµία περίοδο του χρονικού ορίζοντα. Για τον προγραµµατισµό χρησιµοποιούνται διαφορετικές µέθοδοι, όπως βελτιστοποίηση του συνολικού κόστους στο κύκλο ζωής του Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 54 συστήµατος αλλά και "απλοί" κανόνες ανάθεσης. Ο προγραµµατισµός γίνεται για όλα τα πιθανά σενάρια αγοράς. Στην συνέχεια από την στατιστική ανάλυση των αποτελεσµάτων του προγραµµατισµού, µε την µέθοδο της βελτιστοποίησης του συνολικού κόστους, προκύπτουν και τα συµπεράσµατα για την ευελιξία του συστήµατος παραγωγής. Στο Σχήµα 3.1 φαίνεται η συνολική προσέγγιση για την περιγραφή και αξιολόγηση συστηµάτων παραγωγής µε έµφαση στην περιγραφή των δυνατοτήτων αλλαγής που έχει ένα σύστηµα παραγωγής, των απαιτήσεων της αγοράς και τελικά της εκτίµησης της ευελιξίας του συστήµατος. Σχήµα 3.1: ∆ιάγραµµα ροής της συνολικής διαδικασίας αξιολόγησης συστηµάτων παραγωγής. Η διαδικασία αξιολόγησης που παρουσιάζεται στο Σχήµα 3.1 µπορεί να χρησιµοποιηθεί στα αρχικά στάδια του σχεδιασµού ενός συστήµατος παραγωγής Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 55 δίνοντας µια "πρόχειρη" αρχική εκτίµηση για την απόδοση σχεδιαστικών λύσεων για ένα σύστηµα παραγωγής. Έτσι καθίσταται δυνατό να αποκλειστούν από νωρίς ένας µεγάλος αριθµός από λύσεις που δεν ικανοποιούν βασικά κριτήρια απόδοσης. Έτσι στην συνέχεια της διαδικασίας αξιολόγησης αποµένουν λίγες πιθανές λύσεις που θεωρούνται ως ικανοί υποψήφιοι για να αντεπεξέλθουν στις απαιτήσεις και αυτές οι λύσεις θα µελετηθούν µε µεγαλύτερη λεπτοµέρεια (π.χ. µε την χρήση προσοµοίωσης). 3.3. ΓΛΩΣΣΑΡΙΟ Αρχικά στον Πίνακα 3-1 δίνουµε µια συνοπτική περιγραφή των συµβολισµών που χρησιµοποιούµε στην περιγραφή της µεθόδου στις επόµενες παραγράφους. Σύµβολο Περιγραφή D Πίνακας που περιέχει το σύνολο των πιθανών σεναρίων Ν Ο αριθµός των πιθανών σεναρίων. di To σενάριο i, µε i ∈ [1, N]. T Ο χρονικός ορίζοντας που εξετάζουµε το σύστηµα παραγωγής ή αλλιώς ο κύκλος ζωής του συστήµατος παραγωγής. t Μια περίοδος του ορίζοντα Τ Inv Το κόστος επένδυσης µιας λύσης M Το πλήθος των πιθανών διαµορφώσεων Confm Η διαµόρφωση m, m ∈ [1,M] Cm H χωρητικότητα (capacity) της διαµόρφωσης m Sij To κόστος αλλαγής από την διαµόρφωση i στην διαµόρφωση j Om(t) Το κόστος λειτουργίας για την διαµόρφωση m για την περίοδο t CPm(t) Το κόστος λειτουργίας ανά παραγόµενο προϊόν για την διαµόρφωση m για την περίοδο t NPV Net Present Value –Η συνολική αξία στον χρονικό ορίζοντα Τ NPC Net Present Cost – Το συνολικό κόστος στον χρονικό ορίζοντα Τ R ∆είκτης επαναδιαταξιµότητας (reconfigurability index). ENPC Expected NPC – Εκτιµώµενο NPC για ένα σύνολο σεναρίων DEVNPC Deviation of NPC - ∆ιασπορά των τιµών NPC Πίνακας 3-1: Γλωσσάριο Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 56 3.4. ΣΥΣΤΗΜΑ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝ ΛΕΙΤΟΥΡΓΙΑΣ Για να µπορέσουµε να αξιολογήσουµε την ευελιξία ενός συστήµατος παραγωγής στο κύκλο ζωής του χρειαζόµαστε αρχικά έναν τρόπο µοντελοποίησης του συστήµατος αλλά και του περιβάλλοντος λειτουργίας του. Αρχικά θα παρουσιάσουµε ένα τρόπο περιγραφής των απαιτήσεων της αγοράς καθώς και των βασικών χαρακτηριστικών ενός συστήµατος παραγωγής που θα µας επιτρέψουν να µοντελοποιήσουµε και να αναλύσουµε την "συµπεριφορά" του συστήµατος στο περιβάλλον αγοράς. Η περιγραφή θα χρησιµοποιηθεί για την παρουσίαση των δυνατοτήτων αλλαγής του συστήµατος αλλά και στην συνέχεια για τον υπολογισµό του συνολικού κόστους του συστήµατος. 3.4.1. Περιγραφή της ζήτησης από την αγορά Ένα σύστηµα παραγωγής µπορεί να αξιολογηθεί κάθε φορά βάσει διαφορετικών κριτηρίων, ανάλογα µε τους στόχους που θέτει η εταιρεία. Στην εργασία αυτή µελετούµε τα συστήµατα παραγωγής µε κριτήριο την ευελιξία που αυτά παρουσιάζουν. Για να µελετηθεί όµως ένα σύστηµα ως προς την ευελιξία δεν µπορεί να αποµονωθεί από το άµεσο και έµµεσο περιβάλλον του και να αξιολογηθεί µόνο µε βάση τις ιδιότητες που αυτό παρουσιάζει κατά τη διαδικασία παραγωγής. Η ευελιξία ενός συστήµατος παραγωγής εξαρτάται άµεσα από την ζήτηση που παρουσιάζει η αγορά κάθε χρονική περίοδο (Chryssolouris and Lee (1992), Pereira και Paulré (2001)). Εποµένως σε αυτή την εργασία λάβαµε υπόψη µας τις απαιτήσεις της αγοράς ώστε η µέθοδος που προτείνουµε να είναι συµβατή µε τη βιοµηχανική πραγµατικότητα. Αυτό σηµαίνει ότι για να γίνει η αξιολόγηση πρέπει να υπάρχουν στοιχεία για τη ζήτηση της αγοράς σε προϊόντα. Οι απαιτήσεις της αγοράς περιγράφονται µε ένα σύνολο από σενάρια. Κάθε σενάριο προσδιορίζει τον όγκο αλλά και τον τύπο των προϊόντων που πρέπει να παραχθούν σε µια περίοδο t του χρονικού ορίζοντα T. Αν υπάρχουν Ν διαφορετικά σενάρια τότε ένας [Ν*T] πίνακας D αποθηκεύει όλους τους πιθανούς όγκους προϊόντων που θα απαιτούνται από την αγορά για κάθε χρονική περίοδο (D={d1, d2,…, dΝ}). Κάθε στοιχείο di (i ∈ [1,Ν]) του πίνακα D υποδηλώνει ένα σενάριο της αγοράς. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος ⎡ d1⎤ ⎡ d 1(1) d 1(2) ... d 1(T ) ⎤ ⎢d 2 ⎥ ⎢d 2(1) d 2(2) ... d 2(T ) ⎥ ⎢ ⎥ ⎥ ⎢ =⎢ . D =⎢ . ⎥ . . . ⎥ ⎢ ⎥ ⎢ . . . . ⎥ ⎢.⎥ ⎢ dS (1) dS (2) ... dN (T )⎥ ⎢⎣dN ⎥⎦ ⎦ N ×T ⎣ N ×T 57 (3.1) Σχετικά µε τον τρόπο µε τον οποίο κατασκευάζονται αυτά τα σενάρια, υπάρχουν διαφορετικές προσεγγίσεις. Κάθε εταιρεία κάνει το δικό της προγραµµατισµό, το δικό της σχεδιασµό και βάσει αυτών κάνει κάποιες εκτιµήσεις για τον τρόπο µε τον οποίο θα κινηθεί η αγορά στο µέλλόν. Ο χρονικός ορίζοντας βάσει του οποίου κάνει το σχεδιασµό της µια εταιρεία εξαρτάται από το προϊόν που κατασκευάζει αλλά και από την πολιτική που ακολουθεί η εταιρεία. Επίσης, η εταιρεία καταγράφει και κάποιες πιθανές αλλαγές που µπορεί να συµβούν στο περιβάλλον µέσα στο οποίο δραστηριοποιείται όπως οι κινήσεις των ανταγωνιστών της, οι οποίες µπορεί να επηρεάσουν τις πωλήσεις της. Μια προσέγγιση που µπορεί να ακολουθεί η εταιρεία για την κατασκευή των σεναρίων αγοράς είναι να εξετάζει κάποιους παράγοντες που µπορεί να επηρεάσουν την πιθανή ζήτηση για κάποια χρονική περίοδο. Βάσει αυτών των παραγόντων κατασκευάζεται ένα δέντρο στο οποίο καταγράφονται οι πιθανές απαιτήσεις της αγοράς για κάθε χρονική περίοδο (π.χ. Elkins et al. 2004). Τέτοιοι παράγοντες µπορεί να είναι κάποιες αυξοµειώσεις στη ζήτηση, εισαγωγή στην αγορά καινούργιων προϊόντων ή καινούργιων εταιρειών ανταγωνιστικές προς αυτή, έξοδος από την αγορά µιας ανταγωνιστικής εταιρείας ή απόσυρση από την αγορά ενός ανταγωνιστικού προϊόντος, αύξηση της ζήτησης για τα προϊόντα της λόγω της δραστηριοποίησης της σε καινούργιες αγορές, καινούργια νοµοθεσία ή κανονισµοί που µπορεί να εφαρµοστούν σε µια αγορά που δραστηριοποιείται, εισαγωγή στην αγορά καινούργιων πρώτων υλών κ.λ.π. Η αξιοπιστία των προβλέψεων και του σχεδιασµού µειώνεται όσο επιµηκύνεται το διάστηµα του σχεδιασµού προς το µέλλον (π.χ. 10 έως 15 χρόνια από τη στιγµή που γίνεται η µελέτη). Μια άλλη προσέγγιση που µπορεί να γίνει για την κατασκευή των πιθανών σεναρίων αγοράς είναι να χρησιµοποιηθούν µηχανισµοί εξαγωγής τυχαίων αριθµών, όπως η Brownian motion (Feurstein και Natter (2000)) µε στόχο να προσεγγιστεί η αβεβαιότητα που υπάρχει στη αγορά. Σε αυτή την εργασία θεωρούµε ότι τα σενάρια di κατασκευάζονται βάσει πληροφοριών που προέρχονται από το τµήµα µάρκετινγκ της εταιρείας. Οι πληροφορίες αυτές χρησιµοποιούνται για κατασκευαστεί ένα µεγάλο σύνολο Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 58 σεναρίων ικανών να µοντελοποιήσουν τις πιθανές καταστάσεις. Ανάµεσα σε αυτά εντάσσονται και οι ακραίες προβλέψεις για την µεγαλύτερη και την µικρότερη ζήτηση. Τα σενάρια µπορεί να προκύψουν µε την χρήση κάποιας στατιστικής κατανοµής, όπως η χρήση της κανονικής κατανοµής στην περίπτωση µελέτης του κεφαλαίου 4. Ο σχετικά µεγάλος αριθµός των σεναρίων αγοράς µας δίνει την δυνατότητα για την στατιστική επεξεργασία που ακολουθεί σε µετέπειτα στάδιο της µεθόδου. Ένα παράδειγµα 6 σεναρίων βασισµένων σε συγκεκριµένες προβλέψεις του τµήµατος µάρκετινγκ µιας εταιρείας παραγωγής επαγγελµατικών ψυγείων για 2 προϊόντα (Α και Β) για την διάρκεια τριών ετών φαίνεται στο Σχήµα 3.2. Στα σενάρια του Σχήµατος 3.2 µεταβάλλεται µόνο η ποσότητα των παραγόµενων προϊόντων. % 30 (+ A: 72 000 B: 30 000 % 60 30% (+40%) ) 10 % (0 % ) % (0 STU: 102 500 % 70 A: 60 000 B: 25 000 ) % 30 (+ A: 60 000 B: 25 000 ) % 60 30% (+40%) 10 % (0 % A: 100 800 B: 42 000 A: 72 000 B: 30 000 30 % (+ 20 % ) A: 93 600 B: 39 000 A: 78 000 B: 32 500 A: 84 000 B: 35 000 ) A: 60 000 B: 25 000 Σχήµα 3.2: Παράδειγµα σεναρίου τεσσάρων προϊόντων για διάρκεια τριών ετών (Πηγή: Alexopoulos et. al. 2005). Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 59 3.4.2. Περιγραφή συστήµατος παραγωγής Στην βασική τους µορφή τα συστήµατα παραγωγής αποτελούνται από διάφορες µηχανές (π.χ. εξοπλισµός για κατεργασία ή για συναρµολόγηση, εξοπλισµός για την µεταφορά των υλικών, σταθµοί ελέγχου ποιότητας κ.α.), καθώς και από αλγορίθµους παρακολούθησης και ελέγχου που καθορίζουν τον τρόπο λειτουργίας του συστήµατος. Όλα αυτά τα στοιχεία καθορίζουν το εύρος των ικανοτήτων και της χωρητικότητας του συστήµατος. Για παράδειγµα σε ένα RMS σύστηµα το εύρος των δυνατοτήτων εξαρτάται από την συγκεκριµένη ρύθµιση σε επίπεδο υλικού και λογισµικού του ενώ σε ένα FMS εξαρτάται κυρίως από το σύνολο των εργαλείων που έχουν εγκατασταθεί στην παλέτα του. Σε πολλές περιπτώσεις µπορεί να κοστίζει πολύ ή να απαιτεί απαγορευτικά πολύ χρόνο ή να είναι πολύπλοκο κ.λ.π. η δυνατότητα να µπορούµε να έχουµε το συνολικό εύρος των δυνατοτήτων του συστήµατος ταυτόχρονα διαθέσιµο. Εποµένως κάθε χρονική στιγµή µόνο ένα υποσύνολο των δυνατοτήτων ενός συστήµατος είναι διαθέσιµο από τους µηχανικούς: λέµε λοιπόν ότι το σύστηµα βρίσκεται σε µια συγκεκριµένη διαµόρφωση (configuration) η οποία καθορίζει και το υποσύνολο των διαθέσιµων δυνατοτήτων. Ένα σύστηµα παραγωγής µπορεί να αλλάζει από µια διαµόρφωση σε µια άλλη µε σκοπό να προσαρµοστεί σε µια περισσότερο επιθυµητή κατάσταση ανάλογα µε τις απαιτήσεις. Όµως, για να επιτευχθούν αυτές οι αλλαγές απαιτείται κάποιο ποσό σε χρόνο, χρήµα κ.λ.π. Η µοντελοποίηση ενός συστήµατος παραγωγής στις επόµενες παραγράφους βασίζεται σε αυτή την γενική θεώρηση των συστηµάτων παραγωγής. Η προτεινόµενη µέθοδος δίνει τη δυνατότητα στο µηχανικό παραγωγής περιγράψει τα βασικά χαρακτηριστικά µιας σχεδιαστικής λύσης και κυρίως τις δυνατότητες αλλαγής που αυτή µπορεί να έχει. Στην διαδικασία της ανάλυσης συστηµάτων παραγωγής µια βασική πρόκληση είναι η δηµιουργία εργαλείων που είναι γρήγορα, ακριβή και εύκολα στην χρήση τους (Alden et. al. 2006). Τα οφέλη και τα προβλήµατα που προκύπτουν αυτές τις απαιτήσεις καθώς και οι απαιτήσεις του συγκεκριµένου προβλήµατος µας οδήγησαν στο να ορίσουµε µε "αυτοσχέδιο" τρόπο (custom method) την µοντελοποίηση του συστήµατος παραγωγής. Στην βιβλιογραφία έχουν προταθεί πάρα πολλοί τρόποι να µοντελοποιηθεί η συµπεριφορά ενός συστήµατος παραγωγής. Ίσως η πιο διαδεδοµένη είναι η χρήση προσοµοίωσης (π.χ. Law και McComas (1998)). Στην εργασία µας επιλέξαµε να µοντελοποιήσουµε ένα σύστηµα παραγωγής µε απλούστερο τρόπο καθώς ενδιαφερόµαστε να µπορούµε να υπολογίσουµε και να γνωρίζουµε: Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 1. Την χωρητικότητα του συστήµατος: 60 Με αυτό τον τρόπο µπορούµε να µεταβάλουµε το σύστηµα ανάλογα µε το αν µειώνεται η αυξάνεται ο όγκος της ζήτησης. 2. Τα προϊόντα µπορεί να παράγει το σύστηµα: Με αυτό τον τρόπο µπορούµε να γνωρίζουµε ποιες αλλαγές χρειάζονται στο σύστηµα σε περίπτωση που νέα προϊόντα πρέπει να προστεθούν στην παραγωγική διαδικασία. 3. Το κόστος αλλαγής του συστήµατος: Το κόστος αλλαγής είναι βασικό χαρακτηριστικό της ευκολίας µε την οποία µπορεί να αλλάζει ένα σύστηµα (βλέπε παράγραφο 3.4.2.1). 4. Το κόστος λειτουργίας του συστήµατος: Το συνολικό κόστος στο κύκλο ζωής του συστήµατος αποτελεί βασικός τρόπος µέτρησης της απόδοσης µιας προτεινόµενης λύσης (βλέπε παράγραφο 3.4.2.2). 5. Το συνολικό κόστος του κύκλου ζωής του συστήµατος. Το κόστος αυτό υπολογίζεται βάση του τύπου του NPV και περιλαµβάνει τόσο το κόστος λειτουργίας όσο και το κόστος αλλαγής αλλά και το κόστος της αρχικής επένδυσης (βλέπε παράγραφο 3.4.2.3). Η προτεινόµενη ιεραρχική µοντελοποίηση ενός συστήµατος αρχικά επιτρέπει στο σχεδιαστή να περιγράψει µια η περισσότερες βασικές σχεδιαστικές λύσεις (baseline solutions). Κάθε µια λύση συνήθως διαφέρει "ριζικά" από τις άλλες λύσεις. Μπορεί, για παράδειγµα, να στηρίζεται σε εντελώς διαφορετικό τεχνολογικό υπόβαθρο και να έχει εντελώς διαφορετικά χαρακτηριστικά ευελιξίας. Στο Σχήµα 3.3 παρουσιάζεται ένα απλό παράδειγµα όπου έχουν προταθεί τρεις διαφορετικές λύσεις: α) η προκαθορισµένη µη-ευέλικτη λύση (dedicated system), β) η ηµι-ευέλικτη λύση (semi-flexible system) και γ) η ευέλικτη λύση (flexible system). Κάθε βασική σχεδιαστική λύση έχει ένα αρχικό κόστος επένδυσης (investment cost) που συµβολίζουµε µε Inv. Οι µηχανικοί παραγωγής έχουν τη δυνατότητα να αλλάζουν τον τρόπο λειτουργίας και την διάταξη του συστήµατος κατά τη διάρκεια του κύκλου ζωής του έτσι ώστε να µπορέσει η παραγωγή να ανταποκριθεί καλύτερα στις απαιτήσεις της αγοράς (Koren et. al. (1999), Asl και Ulsoy (2003), Jain και Palekar (2003)). Εποµένως, κάθε µια βασική σχεδιαστική λύση µπορεί να έχει έναν αριθµό από διαφορετικές διαµορφώσεις (configurations) µε διαφορετικά χαρακτηριστικά η καθεµία. Οι διάφορες διαµορφώσεις µπορούν διαφοροποιούνται ανάλογα µε: • Τον τύπο των προϊόντων που µπορούν να παράγουν. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος • 61 Το επίπεδο της διαθέσιµης χωρητικότητας. Με Cm συµβολίζουµε την χωρητικότητα της m διαµόρφωσης. • Το κόστος λειτουργίας. Με Om συµβολίζουµε το κόστος λειτουργίας της m διαµόρφωσης. Στις επόµενες παραγράφους παρουσιάζονται µε µεγαλύτερη λεπτοµέρεια τα χαρακτηριστικά της περιγραφής του συστήµατος παραγωγής. Βασικές Σχεδιαστικές Λύσεις 1ο επίπεδο Μη-ευέλικτο Ηµι-ευέλικτο Ευέλικτο 2ο επίπεδο 1 βάρδια 1 βάρδια; 2 κελιά 1 βάρδια; 2 κελιά; 2 ροµπότ 2 βάρδιες 1 βάρδια; 3 κελιά 1 βάρδια; 3 κελιά; 2 ροµπότ 2 βάρδιες; 2 κελιά 2 βάρδιες; 2 κελιά; 2 ροµπότ 2 βάρδιες; 3 κελιά 2 βάρδιες; 3 κελιά; 2 ροµπότ 3 βάρδιες; 3 κελιά 2 βάρδιες; 3 κελιά; 3 ροµπότ 3 βάρδιες 3 βάρδιες; 3 κελιά; 2 ροµπότ 3 βάρδιες; 3 κελιά; 3 ροµπότ Σχήµα 3.3: Παράδειγµα µοντελοποίησης τριών λύσεων και των πιθανών διαµορφώσεών τους 3.4.2.1 Κόστος αλλαγής Ας θεωρήσουµε ότι το σύστηµα, σε µία χρονική περίοδο, µπορεί να είναι σε µια οποιαδήποτε διαµόρφωση Confm , m ∈ [1,M] όπου Μ είναι ο συνολικός αριθµός των διαµορφώσεων όπου το σύστηµα µπορεί να λειτουργεί σε κάθε περίοδο t ∈ [1,T]. Αλλαγές µεταξύ των διαµορφώσεων έχουν ένα κόστος αλλαγής. Το κόστος αλλαγής µπορεί να οφείλεται σε πολλές αιτίες όπως: κόστος εξοπλισµού / µηχανών, κόστος εργαλείων, κόστος ευκαιριών (opportunity cost) κ.α. Το κόστος αλλαγής µεταξύ δύο Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 62 διαµορφώσεων Confk, Confl, συµβολίζεται µε Skl, και Skk= 0. Με S0k συµβολίζουµε το αρχικό κόστος της αρχικής επένδυσης που γίνεται την χρονική περίοδο t=0. Επιπλέον θεωρούµε ότι το κόστος αλλαγής είναι ανεξάρτητο της χρονικής περιόδου όπου συµβαίνει αυτή η αλλαγή. Οι τιµές Skl µπορούν να είναι είτε θετικές είτε αρνητικές. Θετικές τιµές σηµατοδοτούν ότι το σύστηµα παραγωγής επεκτείνεται (π.χ. µε την αγορά νέων µηχανών). Ενώ αρνητικές τιµές σηµατοδοτούν ότι το σύστηµα συρρικνώνεται και ότι κάποια χρήµατα της επένδυσης επιστρέφονται (π.χ. µε πώληση και µείωση µηχανών). Αυτό είναι εφικτό κυρίως µέσω της επαναχρησιµοποίησης (reuse) του εξοπλισµού από διαφορετικές µονάδες µιας εταιρείας. Συµπεριλαµβάνοντας και αρνητικές τιµές στο κόστος αλλαγής λαµβάνουµε υπόψη και την ικανότητα του συστήµατος να µπορεί να επαναχρησιµοποιεί εξοπλισµό που δεν είναι πλέον απαραίτητος στην παραγωγή. Τα κόστη αλλαγής ανάµεσα σε όλες τις πιθανές διαµορφώσεις αναπαρίστανται µε έναν Μ×M πίνακα (change cost matrix). 3.4.2.2 Κόστος λειτουργίας (operation cost) Το κόστος λειτουργίας περιλαµβάνει πολλούς διαφορετικούς παράγοντες και διάφορα επιµέρους κόστη. Μερικά από αυτά είναι: το κόστος των εργατών, το ενεργειακό κόστος, το κόστος επιφανείας κ.α.. Στο κόστος λειτουργίας περιλαµβάνεται ένα σταθερό κόστος (fixed costs) και ένα µεταβλητό κόστος (variable costs). Το σταθερό κόστος είναι ανεξάρτητο από τον όγκο της παραγωγή ενώ το µεταβλητό εξαρτάται από την όγκο της παραγωγής. Για την υπολογισµό του κόστους λειτουργίας χρησιµοποιούµε την έννοια του κόστους ανά παραγόµενο κοµµάτι (cost per piece). Το κόστος ανά παραγόµενο κοµµάτι CPm(t) στην περίοδο t για την διαµόρφωση m, εξαρτάται από την ζήτηση που προβλέπεται για την συγκεκριµένη περίοδο. Το CPi(t) µπορεί να είναι διαφορετικό για κάθε πιθανό τρόπο λειτουργίας του συστήµατος παραγωγής. Συνήθως το κόστος παραγωγής ενός κοµµατιού από ένα σύστηµα αρχίζει να µειώνεται όσο αυξάνεται ο όγκος της παραγωγής. Όµως, αφού φτάσει σε ένα ελάχιστο, όσο αυξάνεται ο όγκος της παραγωγής αρχίζει να αυξάνεται και το κόστος παραγωγής του προϊόντος (π.χ. βλέπε Khouja (1998)). Εποµένως το κόστος λειτουργίας Om(t) δίνεται από την σχέση: Om(t)= CPm(t)*di(t) (3.2) Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 63 Όπου: Om(t) ≡ Το κόστος λειτουργίας για την διαµόρφωση m για την περίοδο t CPm(t) ≡ Το κόστος λειτουργίας ανά παραγόµενο προϊόν για την διαµόρφωση m για την περίοδο t di(t) ≡ Ο όγκος παραγωγής µε βάση το σενάριο i ∈ [1,Ν] για την περίοδο t 3.4.2.3 Συνολικό κόστος του κύκλου ζωής (lifecycle cost ή net cost) Η αξιολόγηση των πιθανών λύσεων , βασίζεται στον υπολογισµό του κόστους σε όλη τη διάρκεια του χρονικού ορίζοντα. Τα κόστη που περιλαµβάνονται στον υπολογισµού του κύκλου ζωής είναι: το κόστος επένδυσης, το κόστος λειτουργίας και το κόστος αλλαγής. Το κόστος επένδυσης του συστήµατος παραγωγής Inv λαµβάνεται υπόψη µόνο κατά την πρώτη περιόδου (t=0) του συνολικού χρονικού ορίζοντα και εκφράζει την αγορά του εξοπλισµού. Το κόστος επένδυσης, το κόστος λειτουργίας και το κόστος αλλαγής που λαµβάνονται υπόψη σε όλη τη διάρκεια του κύκλου ζωής µπορούν να συνδυαστούν σε ένα ολικό κόστους του χρονικού ορίζοντα µε τη χρήση του Net present Cost (NPC) το οποίο υπολογίζεται ως εξής: ⎧ T {Om(t ) + Skm(t )} ⎫ NPC = Inv+ ⎨∑ ⎬ (1 + r ) t ⎭ ⎩ t =1 (3.3) Όπου, NPC ≡ είναι το συνολικό κόστος σε όλη την διάρκεια του χρονικού ορίζοντα Τ Inv ≡ το αρχικό κόστος επένδυσης Om(t) ≡ είναι το κόστος λειτουργίας για την περίοδο t εάν το σύστηµα λειτουργεί µε την διαµόρφωση Confm στην περίοδο t Skm(t) ≡ το κόστος αλλαγής για την περίοδο t εάν η διαµόρφωση k έχει επιλεγεί για την περίοδο (t-1) και ο η διαµόρφωση m για την περίοδο t r ≡ είναι το επιτόκιο, το οποίο θεωρείται σταθερό σε όλη τη διάρκεια του χρονικού ορίζοντα Τ ≡ είναι ο συνολικός χρονικός ορίζοντας που εξετάζουµε. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 64 Το NPC της σχέσης (3.3) υπολογίζεται για ένα σενάριο di. Επίσης για να υπολογιστεί θα πρέπει να έχει προηγηθεί και η φάση του προγραµµατισµού (planning) (λεπτοµέρειες στην παράγραφο 3.6) όπου και αποφασίζεται µε ποια διαµόρφωση θα λειτουργεί το σύστηµα σε κάθε περίοδο στον χρονικό ορίζοντα Τ που εξετάζουµε. 3.4.3. ∆είκτης επαναδιάταξης (reconfigurability index) Βασισµένοι στην µοντελοποίηση ενός συστήµατος παραγωγής που δόθηκε στην προηγούµενη παράγραφο µπορούµε να ορίσουµε ένα δείκτη επαναδιάταξης (reconfigurability) του συστήµατος. Ο δείκτης αυτός βοηθάει στην κατηγοριοποίηση της ικανότητας ενός συστήµατος να αλλάζει διάταξη (δηλαδή διαµόρφωση). Πρόκειται για εσωτερικό χαρακτηριστικό του συστήµατος καθώς δεν περιλαµβάνει µεταβλητές του εξωτερικού περιβάλλοντος. Ο ορισµός του δείκτη επαναδιάταξης δίνεται µε την εξίσωση. R= M ( M − 1) M M ∑∑ S M , µε ij M ∑∑ S ij > 0 και M>1 i =1 j =1 (3.4) i =1 j =1 Όπου: R είναι ο δείκτης επαναδιάταξης Μ είναι το πλήθος των πιθανών διαµορφώσεων στις οποίες µπορεί να είναι το σύστηµα Sij είναι το κόστος αλλαγής από την διαµόρφωση i στην διαµόρφωση j Για τον δείκτη R ισχύουν τα ακόλουθα: • Η µονάδα µέτρησης του είναι [διάταξη/€]. Φανερώνει δηλαδή τον αριθµό των διατάξεων στις οποίες µπορεί να βρίσκεται ένα σύστηµα παραγωγής ανά δαπανούµενο Ευρώ. Ο αντίστροφος δείκτης, R-1 µετριέται σε [€/διάταξη] και δίνει ένα µέσο κόστος για την επαναδιάταξη του συστήµατος αφού παρουσιάζει τα χρήµατα που δαπανώνται για να αλλάξει η διάταξη ενός συστήµατος. • Όσο υψηλότερη είναι η τιµή του R τόσο πιο εύκολα αλλάζει η διάταξη του συστήµατος και το αντίστροφο. • Όταν αυξάνεται το M αυξάνεται και το R και το σύστηµα θεωρείται ως πιο επαναδιατάξιµο. Αυτό είναι λογικό αφού όταν σε ένα σύστηµα υπάρχουν περισσότερες δυνατότητες διάταξης, τότε είναι περισσότερο επαναδιατάξιµο από Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 65 ένα άλλο µε λιγότερες διατάξεις (εάν θεωρήσουµε ότι το συνολικό κόστος αλλαγής είναι το ίδιο ανάµεσα στα συστήµατα). • Όταν το συνολικό κόστος αλλαγής αυξηθεί το R µειώνεται και εποµένως η ικανότητα επαναδιάταξης µειώνεται. • Όταν η τιµή του R-1 είναι υψηλή, αυτό σηµαίνει ότι κοστίζει πολύ να αλλάξει η κατάσταση του συστήµατος. Εποµένως, κατά τον προγραµµατισµό του συστήµατος θα αποφεύγονται οι αλλαγές, καθώς θα κοστίζουν. Αντίθετα, όταν το R–1 είναι µικρό, αυτό σηµαίνει ότι το σύστηµα µπορεί να αλλάζει εύκολα και εποµένως οι αλλαγές θα ευνοούνται στην προσπάθεια που καταβάλλεται ώστε το σύστηµα να αποκρίνεται καλύτερα στην ζήτηση. Ο δείκτης R εκτός από το ότι βοηθάει στην κατηγοριοποίηση της δυνατότητας επαναδιάταξης ενός συστήµατος παραγωγής θα βοηθήσει στην συνέχεια και στην µέτρηση της ευελιξίας ενός συστήµατος όταν αυτό εκτίθεται σε επιδράσεις από το περιβάλλον λειτουργίας του. Γενικά, αναµένουµε ότι ένα σύστηµα µε µεγαλύτερο R θα είναι και πιο ευέλικτο καθώς θα µπορεί πιο εύκολα (δηλαδή µε µικρότερο κόστος) να αλλάζει και να προσαρµόζεται στις έξωθεν απαιτήσεις. Αυτό, όπως θα δούµε παρακάτω, επαληθεύεται στην περίπτωση µελέτης στο κεφάλαιο 4. 3.5. ΠΡΟΣΑΡΜΟΓΗ ΣΤΙΣ ΜΕΤΑΒΟΛΕΣ ΤΗΣ ΑΓΟΡΑΣ Κατά την διάρκεια του κύκλου ζωής του συστήµατος παραγωγής το σύστηµα µεταβάλλεται ώστε να προσαρµόζεται στις αλλαγές της αγοράς. Με τον όρο "µεταβάλλεται" εννοούµε ότι το σύστηµα αλλάζει από µια διαµόρφωση σε µια άλλη η οποία αποκρίνεται καλύτερα στις καινούργιες συνθήκες που έχουν διαµορφωθεί στην αγορά (π.χ. αύξηση ή µείωση της ζήτησης). Έτσι στο παρακάτω σχήµα βλέπουµε ένα παράδειγµα στο οποίο εµφανίζεται η διακύµανση του ζήτησης (όσο αφορά τον όγκο) και τις αλλαγές του συστήµατος παραγωγής ώστε να ανταποκριθεί µε επιτυχία στην ζήτηση. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 66 Αλλαγές στο σύστηµα παραγωγής Ποσότητα ζήτησης Ζήτηση αγοράς Ευελιξία Όγκου (όσο πιο έντονο το µπλε τόσο πιο µικρό το κόστος) Χρόνος Σχήµα 3.4: Παράδειγµα προσαρµογής ενός συστήµατος στην ζήτηση της αγοράς Όµως στην αρχική φάση του σχεδιασµού και της αξιολόγησης διαφορετικών σχεδιαστικών λύσεων δεν γνωρίζουµε τον τρόπο προσαρµογής του συστήµατος στις αλλαγές της αγοράς. Για αυτό είναι απαραίτητος ένας µηχανισµός προγραµµατισµού (planning) που προτείνει τις αλλαγές που πρέπει να γίνουν στο σύστηµα στο χρονικό ορίζοντα που ενδιαφέρει. Η φάση του προγραµµατισµού παρουσιάζεται στην επόµενη παράγραφο. 3.6. ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΤΟΥ ΣΥΣΤΗΜΑΤΟΣ ΠΑΡΑΓΩΓΗΣ Το αποτέλεσµα της φάσης σχεδιασµού του συστήµατος παραγωγής είναι µια βασική περιγραφή του συστήµατος και ένα σύνολο από πιθανές διαµορφώσεις του συστήµατος. Επιπλέον, γνωρίζουµε και τις απαιτήσεις της αγοράς για κάθε περίοδο του χρονικού ορίζοντα που µας ενδιαφέρει. Ο ρόλος του προγραµµατισµού είναι να αποφασίσει για ένα δεδοµένο σενάριο αγοράς ποια είναι η κατάλληλη διαµόρφωση στην οποία πρέπει να λειτουργεί το σύστηµα παραγωγής σε κάθε µία περίοδο. Για να γίνει ο προγραµµατισµός απαιτούνται κάποιοι κανόνες που θα αποφασίζουν για το ποια διαµόρφωση είναι η καταλληλότερη για κάθε µια περίοδο του ορίζοντα. Έχουν δηµιουργηθεί δύο διαφορετικοί τρόποι προγραµµατισµού: 1. Απλοί κανόνες ανάθεσης (παράγραφος 3.6.1). 2. Ανάθεση µε βάση την βελτιστοποίηση του συνολικού κόστους στον κύκλο ζωής. Αυτή η µέθοδος προγραµµατισµού θα χρησιµοποιηθεί για τον υπολογισµό της ευελιξίας στην παράγραφο 3.7. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 67 3.6.1. Απλοί κανόνες ανάθεσης Μια σειρά από σχετικά απλούς κανόνες ανάθεσης έχουν υλοποιηθεί. Οι κανόνες αυτοί µπορεί να εκφράζουν την πολιτική µιας εταιρείας στον τρόπο µε τον οποίο αποφασίζει και προγραµµατίζει τις αλλαγές. Παρακάτω περιγράφονται συνοπτικά µερικές από αυτές τις πολιτικές: • Ελάχιστο κόστος λειτουργίας (Lowest operation cost): Αυτός ο κανόνας δηλώνει ότι για κάθε περίοδο η διαµόρφωση µε το χαµηλότερο κόστος λειτουργίας είναι προτεινόµενη. • Απόσβεση σε ένα χρόνο (Amortization in one year): Αυτός ο κανόνας δηλώνει ότι για κάθε χρόνο, η διαµόρφωση που επιστρέφει το µεγαλύτερο ποσοστό επένδυσης που πραγµατοποιήθηκε στον χρόνο, είναι προτιµώµενη για τον επόµενο χρόνο. Η επιστροφή υπολογίζεται ως η διαφορά του κόστους όλων των κοµµατιών για έναν χρόνο η οποία αυξάνεται µε την αλλαγή στον προτιµώµενη διαµόρφωση. • Απόσβεση σε δύο χρόνια (Amortization in two years): Αυτός ο κανόνας δηλώνει ότι για κάθε χρόνο, ο τρόπος λειτουργίας που επιστρέφει το µεγαλύτερο ποσοστό επένδυσης η οποία πραγµατοποιήθηκε σε έναν χρόνο, επιλέγεται µετά από δύο χρόνια. 3.7. ΜΕΘΟ∆ΟΣ ΥΠΟΛΟΓΙΣΜΟΥ ΤΗΣ ΕΥΕΛΙΞΙΑΣ Εξαιτίας της αβεβαιότητας των απαιτήσεων από την αγορά και τον µεγάλο αριθµό των µελλοντικών σεναρίων αγοράς, που αντιπροσωπεύουν ένα δείγµα από το συνολικό εύρος των σεναρίων της αγοράς επιλέξαµε να εκτιµήσουµε την ευελιξία των συστηµάτων παραγωγής στατιστικά. Το NPC του συστήµατος υπολογίζεται για καθένα σενάριο και η ευελιξία υπολογίζεται από την διασπορά των τιµών του NPC για το συγκεκριµένο περιβάλλον αγοράς. Η διασπορά των τιµών του NPC µπορεί να µετρηθεί άµεσα από την τυπική τους απόκλιση. Αυτό µετράται από το DEVNPC στην εξίσωση (3.6.). Επιπλέον, το προσδοκώµενο NPC (ENPC) υπολογίζεται επίσης από την εξίσωση (3.5.) για να έχουµε µια ένδειξη της ανταλλαγής (trade-off) ανάµεσα στην ευελιξία και το συνολικό κόστος των συστηµάτων καθώς η ευελιξία ενδέχεται να έχει κάποιο επιπλέον τίµηµα σε συνολικό κόστος που τις περισσότερες φορές οφείλεται στο αρχικό κόστος επένδυσης. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 68 S ∑ NPC ENPC = i (3.5) i =1 DEVNPC = S S ⎛ ⎞ 1 ∗ ∑ ⎜⎜ ( NPCi − ENPC ) 2 ⎟⎟ ⎠ S − 1 i =1 ⎝ (3.6) Όπου: NPCi είναι το Net Present Cost αν επαληθεύεται το scenario di S είναι το πλήθος των πιθανών σεναρίων Στο Σχήµα 3.5 δίνεται ένα παράδειγµα όπου εµφανίζονται οι κατανοµές των NPC τιµών τριών υποτιθέµενων συστηµάτων παραγωγής και οι αντίστοιχες τιµές των DEVNPC και ENPC. Σε αυτή την περίπτωση βλέπουµε ότι το πρώτο σύστηµα είναι το πιο ευέλικτο καθώς έχει την ικανότητα να διατηρεί τις τιµές των NPCs σε µικρότερο εύρος τιµών από τα άλλα δύο συστήµατα. ENPC = 1.002.506 ENPC = 995.890 ENPC = 1.001.316 DEVNPC= 102.108 DEVNPC= 204.992 DEVNPC= 307.670 Σχήµα 3.5: Παράδειγµα διαφορετικού βαθµού ευελιξίας Όµως, για να είναι οι τιµές των NPCs συγκρίσιµες µεταξύ διαφορετικών συστηµάτων παραγωγής, η ελάχιστη τιµή του NPC υπολογίζεται για κάθε ένα σενάριο. Για να υπολογιστεί η ελάχιστη NPC τιµή για ένα σύστηµα παραγωγής στο χρονικό ορίζοντα T, για ένα σενάριο di (i ∈ [1,S]) είναι απαραίτητο να αποφασιστεί σε ποια από τις M διαµορφώσεις θα πρέπει να λειτουργεί το σύστηµα σε κάθε µια από τις περιόδους του χρονικού ορίζοντα T. To πρόβληµα του υπολογισµού του ελάχιστου NPC µπορεί να διατυπωθεί ως εξής: ⎧ T {Om(t ) + Skm(t )} ⎫ NPCi = Inv+ minimize ⎨∑ ⎬ (1 + r ) t ⎭ ⎩ t =1 Με τον περιορισµό: Cm ≥ di(t) ∀ t ∈ [1,T], m ∈ [1,M] και i ∈ [1,S] (3.7) Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 69 Όπου: NPCi: είναι το ελάχιστο NPC για το σενάριο αγοράς di Inv είναι το κόστος επένδυσης που λαµβάνει χώρα την περίοδο t= 0 Om(t): είναι το κόστος λειτουργίας για την περίοδο t όταν η διαµόρφωση Confm ανατίθεται στην περίοδο t Skm(t): είναι το κόστος αλλαγής για την περίοδο t όταν η διαµόρφωση k ανατίθεται στην περίοδο (t-1) και η διαµόρφωση m ανατίθεται στην περίοδο t Cm η χωρητικότητα για την διαµόρφωση m για την περίοδο t di(t) είναι η ζήτηση για την περίοδο t σύµφωνα µε το σενάριο di T είναι ο συνολικός αριθµός των περιόδων r είναι το κόστος κεφαλαίου το οποίο παραµένει σταθερό σε όλο τον χρονικό ορίζοντα T Η εύρεση λύσης στο παραπάνω πρόβληµα βελτιστοποίησης θα ήταν σχετικά εύκολο να βρεθεί στην περίπτωση που δεν υπήρχε το κόστος αλλαγής. Σε µια τέτοια περίπτωση σε κάθε περίοδο t>0 θα επιλέγονταν η διαµόρφωση µε το µικρότερο συνολικό κόστος Om(t). Όµως το κόστος αλλαγής συνεπάγεται ότι η απόφαση για την περίοδο t επηρεάζει τις αποφάσεις σε κάθε περίοδο t', όπου t' > t και t' ≤ T. Το πρόβληµα µπορεί να περιγραφεί ως µια προσπάθεια να βρεθεί η µικρότερη διαδροµή (path) σε ένα δέντρο (βλέπε Σχήµα 3.6), όπου ένας κόµβος αναπαριστά έναν τρόπο λειτουργίας και ένα επίπεδο αναπαριστά µια χρονική περίοδο t. Ένας αριθµός από διαφορετικούς κόµβους (τρόποι λειτουργίας conf) είναι διαθέσιµος σε κάθε επίπεδο (χρονική περίοδο). Μια ακµή από τον κόµβο Confk στον κόµβο Conf1,στο ακριβώς επόµενο επίπεδο, δείχνει ότι η αλλαγή από τον Confk στον Conf1 είναι πιθανή και έχει ένα κόστος αλλαγής Sk1. για κάθε επίπεδο ο αλγόριθµος πρέπει να επιλέξει τον κόµβο που θα οδηγήσει στον ελάχιστο κόστος παραγωγής για το σύστηµα παραγωγής. Αν είχαµε έναν µικρό αριθµό πιθανών τρόπων λειτουργίας και έναν µικρό αριθµό χρονικών περιόδων θα µπορούσαµε να λύσουµε το πρόβληµα κάνοντας όλους τους πιθανούς συνδυασµούς. Παρόλα αυτά, για ένα µεγάλο αριθµό τρόπων λειτουργίας και έναν χρονικό ορίζοντα που υποδιαιρείται σε πολλές περιόδους, που είναι το σύνηθες στα πραγµατικά προβλήµατα, η πραγµατοποίηση όλων των πιθανών συνδυασµών θα οδηγούσε σε ένα τεράστιο αριθµό υπολογισµών που θα ήταν σχεδόν αδύνατο να γίνουν σε λογικά χρονικά πλαίσια. Για να επιλυθεί αυτό το πρόβληµα κατασκευάστηκε ένας αλγόριθµος που χρησιµοποιεί τη µέθοδο backward optimization (Denardo 2003), που ονοµάστηκε DESYMA-Opt και αποτελεί µέρος της µεθόδου DESYMA. Τα βήµατα που ακολουθούνται στον DESYMA-Opt φαίνονται παρακάτω: Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 70 Βήµα 1: Όρισε t=T-1 Βήµα 2: Πάρε το επόµενο κόµβο Confk στο επίπεδο t. Βήµα 3: Πάρε το επόµενο κόµβο Confm στο επίπεδο t+1. Βήµα 4: Υπολόγισε τον όρο (t+1)th της εξίσωσης (4) για τον Confm λαµβάνοντας υπόψιν ότι το Confk εκχωρείται στην περίοδο t: partialScorem,t+1= Om(t + 1) + Skm . Αν t=T-1 GoTo Βήµα 5 αλλιώς GoTo Βήµα 4.1 (1 + r ) t +1 Βήµα 4.1: Όρισε partialScorem,t+1 = Om(t + 1) + Skm + minimumScorem,t+1 (1 + r ) t +1 (λεπτοµέρειες για τον υπολογισµό του minimumScorem,t+1 φαίνονται στο Βήµα 6). Βήµα 5: Αν υπάρχει και άλλος κόµβος στο (t+1) GoTo Βήµα 3 αλλιώς GoTo Βήµα 6 Βήµα 6: Για τον κόµβο Confk βρες και αποθήκευσε το µικρότερο score ανάµεσα σε όλα τα πιθανά scores ( minimumScorek,t = min {partialScorek,t+1 , of all Confk in t+1} ) και επιπλέον αποθήκευσε τον κόµβο µε το µικρότερο score για το επίπεδο (t+1). Βήµα 7: Αν υπάρχει και άλλος κόµβος για το επίπεδο t GoTo Βήµα 2 αλλιώς GoTo Βήµα 8. Βήµα 8: Αν t=0 τότε STOP αλλιώς όρισε t= t-1 και GoTo Βήµα 2. Μετά την ολοκλήρωση του Βήµατος 8, είναι πλέον γνωστά και το minimum NPC και ο συνδυασµός των τρόπων λειτουργίας κάθε χρονικής περιόδου για όλα το χρονικό ορίζοντα. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 71 Conf0 Stage 0 Stage 1 S01 S02 Conf1 Conf2 S1m S21 S11 S12 S2m S22 S03 Confm Sm 1 Sm 2 Sm m Stage 2 Conf1 Conf2 Confm Stage T-1 Conf1 Conf2 Confm S1m S21 S2m S11 Stage T S12 Conf1 S22 Sm 1 Sm 2 Sm m Conf2 Confm Σχήµα 3.6: Σχηµατική απεικόνιση του προβλήµατος βελτιστοποίησης µε την χρήση δενδρικής δοµής Ο αλγόριθµος µπορεί να παρουσιαστεί περαιτέρω µε την βοήθεια ενός παραδείγµατος. Στο παράδειγµα που παρουσιάζεται στο Σχήµα 3.7(α-στ), πρέπει να βρεθεί ο καλύτερος συνδυασµός διαµορφώσεων του συστήµατος για τρεις περιόδους. Την πρώτη περίοδο υπάρχει ένας πιθανός τρόπος λειτουργίας, τη δεύτερη περίοδο υπάρχουν τρεις πιθανοί τρόποι λειτουργίας και την τρίτη τέσσερις (Σχήµα 3.7(α)). Όπως είναι φανερό από το παράδειγµα µία διαµόρφωση του συστήµατος µπορεί να εφαρµοστεί σε παραπάνω από µια περιόδους. Το NPC στο παράδειγµα αυτό δίνεται από την παρακάτω σχέση: NPC = O1 + C1 O2 + C 2 O3 + C 3 + + 2 1+ r (1 + r ) (1 + r ) 3 (3.8) Αρχικά, θα κάνουµε µια διευκρίνιση όσον αφορά στη σύνδεση µεταξύ των κόµβων δύο επιπέδων και την ορολογία που θα χρησιµοποιήσουµε. Ο κόµβος A1 (2ο επίπεδο) ορίζεται ως το πρώτο παιδί του ενεργού κόµβου A1 (1ο επίπεδο). Επιπλέον, λόγω της ύπαρξης του 3ου επιπέδου, ο κόµβος A1 (2ο επίπεδο) γίνεται ενεργός κόµβος µε Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 72 παιδιά τους κόµβους A1, A2, A3 και A4 (3ο επίπεδο) (Σχήµα 3.7(β)). Η απόσταση µεταξύ των παιδιών A1, A2, A3 και A4 (3ο επίπεδο) και του ενεργού κόµβου είναι 57263, 57598, 57529 και 57414. Αυτές είναι οι πιθανές τιµές για τον τρίτο όρο της εξίσωσης (3.8) αν υποθέσουµε ότι στο 2ο επίπεδο επιλεγεί ο κόµβος A1. Η απόσταση µε το ελάχιστο NPC (ή partial NPC) από τον κόµβο A1 (2ο επίπεδο) είναι ο κόµβος A1 (3ο επίπεδο), καθώς η απόσταση µεταξύ των δύο αυτών κόµβων έχει τη µικρότερη τιµή συγκρινόµενη µε τις άλλες τρεις επιλογές, γι' αυτό και επιλέγεται αυτή ως ο καλύτερος συνδυασµός (αφού είναι ο "κοντινότερος") για τον κόµβο A1 (2ο επίπεδο) (σχήµα Σχήµα 3.7(γ)). Τώρα ενεργός κόµβος γίνεται ο A2 (2ο επίπεδο) µε παιδία τα A1, A2, A3 και A4 (3ο επίπεδο) Σχήµα 3.7(γ)). Η µικρότερη απόσταση είναι µεταξύ αυτού και του A4 (3ο επίπεδο), καθώς αυτή δίνει τη µικρότερη τιµή στον τρίτο όρο της εξίσωσης (3.8) µε την προϋπόθεση ότι στο 2ο επίπεδο θα επιλεγεί ο κόµβος A2. Με τον ίδιο τρόπο βρίσκουµε ότι ο καλύτερος επιµέρους συνδυασµός για τον κόµβο A3 (2ο επίπεδο) είναι ο A4 (3ο επίπεδο). Εν συνεχεία ανεβαίνουµε ένα επίπεδο και ενεργός κόµβος γίνεται ο A1 (1ο επίπεδο) µε παιδιά τα A1, A2 και A3 (2ο επίπεδο) (Σχήµα 3.7(δ)). Ο καλύτερος συνδυασµός για αυτόν τον ενεργό κόµβο είναι ο A3 (2ο επίπεδο). ∆εν είναι απαραίτητο να υπολογίσουµε όλους τους όρους στην εξίσωση (3.8) για να βρούµε τον καλύτερο συνδυασµό ("κοντινότερη" απόσταση) για τον A1 (1ο επίπεδο) αφού οι ίδιοι υπολογισµοί έχουν γίνει όταν ενεργό επίπεδο ήταν το 2ο . Έτσι, τελικά ο αλγόριθµος δίνει τον βέλτιστο συνδυασµό, ο οποίος είναι αυτός µε τη µικρότερη τιµή του NPC. Ο βέλτιστος συνδυασµός είναι ο A1-A3 -A4 , σύµφωνα µε την εξίσωση του NPC. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 73 (α) (β) (γ) (δ) (ε) (στ) Σχήµα 3.7: Παράδειγµα εύρεσης της βέλτιστης λύσης σε τρεις περιόδους: α) πιθανοί συνδυασµοί εφαρµογών στο σύστηµα για χρονικό διάστηµα 3 χρόνων, β) εύρεση ελαχίστου για το Α1 στο 2ο επίπεδο, γ) εύρεση ελαχίστου για το Α2 στο 2ο επίπεδο, δ) εύρεση ελαχίστου για το Α3 στο 2ο επίπεδο, ε) εύρεση ελαχίστου NPC για το 1ο επίπεδο και στ) τελική λύση Για να γίνει έλεγχος των αποτελεσµάτων του DESYMA-Opt υλοποιήθηκε η µέθοδος exhaustive search για την επίλυση του ίδιου προβλήµατος. Αυτή η µέθοδος σχηµατίζει όλες τις πιθανές λύσεις για ένα σενάριο di, υπολογίζει την τιµή του NPC και τελικά προτείνει την λύση µε το µικρότερο NPC. Εφόσον σχηµατίζει όλες τις Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 74 πιθανές λύσεις απαιτεί αρκετό χρόνο για να καταλήξει σε µια λύση. Για τον έλεγχο των αποτελεσµάτων µεταβάλλαµε τις εξής παραµέτρους στα πειράµατα: • Τον αριθµό των περιόδων. • Τον αριθµό των πιθανών διαµορφώσεων Καθώς αυτές οι δύο παράµετροι έχουν σηµαντική επίπτωση στα βήµατα και τον υπολογιστικό χρόνο του αλγορίθµου. Για την επαλήθευση της µεθόδου χρησιµοποιήθηκαν τα δεδοµένα για το Σύστηµα Α που παρουσιάζεται στο Κεφάλαιο 4και το σενάριο αγοράς που φαίνεται στο Σχήµα 3.8. Όλα τα αποτελέσµατα στον Πίνακα 3-2 φανερώνουν ότι η µέθοδος δίνει σωστά αποτελέσµατα. Το exhaustive search δεν µπορεί πρακτικά να εφαρµοστεί σε προβλήµατα στην βιοµηχανία όταν είναι διαθέσιµη µόνο "τυπική" υπολογιστική δύναµη. Για παράδειγµα όπως φαίνεται στην έκτη γραµµή του Πίνακα 3-2, θα απαιτούσε 3344sec για ένα σενάριο. Εποµένως για 1000 σενάρια (όπως στην περίπτωση µελέτης του Κεφαλαίου 1) θα απαιτούνται 3 344 000 sec ≈ 38,7 µέρες. Ζήτηση 180000 120000 60000 1 2 3 4 5 6 7 8 9 10 Περίοδος (χρόνος) Σχήµα 3.8: Το σενάριο που χρησιµοποιήθηκε για τον έλεγχο του αλγορίθµου. Περίοδοι (χρόνια) 3 4 5 6 7 8 9 10 Exhaustive search NPC 6 397 376 € 6 591 159 € 7 886 802 € 7 799 811 € 8 011 568 € 8 146 929 € 8 272 102 € 8 282 251 € Exhaustive Search DESYMA-Opt DESYMA-Opt Χρόνος υπολογισµού Χρόνος υπολογισµού NPC (sec) (sec) 6 397 376 € 1 0,01 6 591 159 € 7 0,01 7 886 802 € 20 0,01 7 799 811 € 115 0,01 8 011 568 € 639 0,01 8 146 929 € 3 344 0,02 8 272 102 € 16 482 0,02 8 282 251 € 91 240 0,02 Πίνακας 3-2: Αποτελέσµατα πειραµάτων για την επαλήθευση του DESYMAOpt Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 75 Εκτός από τα πειράµατα για την επαλήθευση του DESYMA-Opt έγιναν και κάποιες δοκιµές για να δοκιµαστεί η ταχύτητα υπολογισµών του DESYMA-Opt. Τα αποτελέσµατα των υπολογισµών φαίνονται στο Σχήµα 3.9. 10 periods 45 9 40 8 35 7 Computational time(sec) Computation time (sec) 16 periods 30 25 20 15 10 6 5 4 3 2 1 5 0 0 5 10 20 30 40 Number of adaptations 50 60 5 10 20 30 40 50 60 Number of adaptations Σχήµα 3.9: Μέτρηση της απόδοσης του DESYMA-Opt Από τα αποτελέσµατα του Σχήµα 3.9 φαίνεται ότι ο DESYMA-Opt µπορεί να δώσει αποτελέσµατα αρκετά γρήγορα ακόµα και όταν ο χώρος των λύσεων αυξάνει σηµαντικά (αρκεί βέβαια να αναφερόµαστε σε πρακτικά προβλήµατα όπου το µεγέθη είναι περιορισµένα). Τα παραπάνω πειράµατα και οι µετρήσεις τους έγιναν σε επεξεργαστή Pentium IV/2.8 GHz µε λειτουργικό Microsoft Windows XP®. 3.7.1. Περιορισµοί Η µέθοδος για τον προγραµµατισµό των αλλαγών που περιγράψαµε στα προηγούµενα κεφάλαια πρέπει να µπορεί να εφαρµοστεί και στην περίπτωση όπου υπάρχουν διάφοροι περιορισµοί για να µπορεί πρακτικά να εφαρµοστεί στην βιοµηχανική πραγµατικότητα. Οι περιορισµοί που έχουν ληφθεί υπόψη αναφέρονται παρακάτω. 3.7.2. Εκπλήρωση της ζήτησης Αυτός ο περιορισµός ορίζει ότι αν η διαµόρφωση m έχει χωρητικότητα Cm, και η ζήτηση την περίοδο t είναι dn(t) και Cm < dn(t) τότε η η διαµόρφωση m δεν µπορεί να ανατεθεί στην περίοδο t καθώς δεν µπορεί να εκπληρώσει την ζήτηση σε αυτή την περίοδο. Αυτός ο περιορισµός περιγράφεται ήδη στην εξίσωση 3.7. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 76 3.7.3. Προκαθορισµένες διαµορφώσεις σε περιόδους Αυτός ο περιορισµός δίνει την δυνατότητα στους µηχανικούς να ορίσουν µία ή περισσότερες περιόδους στις οποίες οι διαµορφώσεις που µπορούν ανατεθούν είναι συγκεκριµένες. Αυτό είναι αρκετά χρήσιµο για παράδειγµα στην περίπτωση όπου η διαµόρφωση που πρέπει να επιλεγεί για την πρώτη περίοδο είναι γνωστή ή όταν διαµορφώσεις που αντιπροσωπεύουν την κατάσταση συντήρησης του συστήµατος πρέπει να οριστούν σε ορισµένες περιόδους. 3.7.4. Περιορισµός στις εργατοώρες Σε πολλές περιπτώσεις είτε η νοµοθεσία των κρατών είτε οι κανόνες της ίδιας της εταιρείας, επιβάλει περιορισµούς στο συνολικό χρόνο που επιτρέπεται να δουλεύουν οι εργαζόµενοι για µια χρονική διάρκεια χωρίς να υπερβαίνουν κάποιο όριο ωρών εργασίας. Για παράδειγµα ένας τέτοιος περιορισµός µπορεί να σηµαίνει ότι ο µέσος χρόνος εργασίας ανά εβδοµάδα δεν θα πρέπει να ξεπερνάει τις 40 ώρες κατά µέσο όρο για την διάρκεια δύο µηνών. Αυτό περιορίζει τις εναλλακτικές διαµορφώσεις που µπορούν να επιλεγούν για διαδοχικές περιόδους καθώς µπορούν να παραβιάσουν έναν τέτοιο περιορισµό. 3.7.5. Συγκέντρωση γνώσης (Learning by doing) Στην βιοµηχανική πραγµατικότητα το κόστος παραγωγής συνήθως µειώνεται καθώς η εταιρεία αποκτάει "εµπειρία" και "µαθαίνει καθώς φτιάχνει" (Alvare και Cerda 2003). Αυτή η πραγµατικότητα έχει ληφθεί υπόψη δίνοντας την δυνατότητα ορισµού κάποιας συνάρτησης που µπορεί να µεταβάλλει το συνολικό κόστος µιας διαµόρφωσης, όσο η διαµόρφωση παραµένει για έναν αριθµό διαδοχικών περιόδων. Αυτή η συνάρτηση έχει την γενική µορφή: CPm(t) = f(t, CPm(t0)) (3.8) Όπου: t είναι η περίοδος και t ∈ (t0, T] CPm(t) είναι το κόστος ανά κοµµάτι στην περίοδο t, για την διαµόρφωση m CPm(t0) είναι το κόστος ανά κοµµάτι για την διαµόρφωση m στην πρώτη περίοδο όπου η διαµόρφωση m εφαρµόζεται f είναι µια συνάρτηση ορισµένη από τον χρήστη που υπολογίζει το κόστος σε µια περίοδο και για ένα αρχικό κόστος CPm(t0) Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 77 Η εφαρµογή της "συγκέντρωσης γνώσης" µειώνει το κόστος µιας διαµόρφωσης όταν αυτή εφαρµόζεται για διαδοχικές περιόδους. 3.7.6. Επέκταση του DESYMA-Opt Η µέθοδος που παρουσιάστηκε στην παράγραφο 3.7 δεν λαµβάνει υπόψη της όλους τους παραπάνω περιορισµούς. Εποµένως πρέπει να αναπτυχθεί περαιτέρω ώστε η προτεινόµενη βέλτιστη λύση να λαµβάνει ικανοποιεί τους επιπλέον περιορισµούς. Ένας τρόπος να ικανοποιηθούν οι επιπλέον περιορισµοί είναι να µπορεί η µέθοδος να δηµιουργεί L καλύτερες λύσεις αντί µόνο µία. Έτσι µπορούν να γίνουν οι έλεγχοι για τους επιπλέον περιορισµούς µέχρι να βρεθεί η καλύτερη λύση που ικανοποιεί όλους τους περιορισµούς. Ο έλεγχος για παραβίαση ή µη των περιορισµών µπορεί να γίνει στην συνολική λύση ή σε ένα τµήµα της. ∆ηλαδή οι έλεγχοι για τους περιορισµούς µπορούν να εφαρµόζονται, σταδιακά, στα ενδιάµεσα τµήµατα µιας πιθανής λύσης αποφεύγοντας έτσι τον σχηµατισµό συνολικών λύσεων που παραβιάζουν κάποιο από τους περιορισµούς και µειώνοντας τον συνολικό χώρο των πιθανών λύσεων που πρέπει να εξεταστούν. Η επέκταση της µεθόδου έτσι ώστε να µπορεί να λαµβάνει υπόψη της τους περιορισµούς φαίνεται στο Σχήµα 3.10 για ένα παράδειγµα δύο περιόδων. Όπως φαίνεται στο Σχήµα 3.10 κάθε κόµβος έχει µια λίστα από k πιθανές µερικές λύσεις/ µονοπάτια, που είναι καταταγµένα σε φθίνουσα σειρά, µε αυτό που έχει το µικρότερο NPC να είναι στην αρχή της κατάταξης. Στην συνέχεια οι λύσεις µετακινούνται από κόµβους χαµηλά σε κόµβους ένα επίπεδο πιο ψηλά ώστε να αντικαταστήσουν λύσεις που έχουν µετακινηθεί σε ακόµα υψηλότερο κόµβο ή έχουν απορριφθεί καθώς δεν ικανοποιούν κάποιο από τους περιορισµούς. Τότε η λίστα µε τις k µερικές λύσεις του κόµβου στο υψηλότερο επίπεδο ταξινοµείται πάλι έτσι ώστε η καλύτερη µερική λύση να είναι πάλι πρώτη στην λίστα. Η µετακίνηση των µερικών λύσεων από τους χαµηλότερους σε υψηλότερους κόµβους θυµίζει την κίνηση φυσαλίδων σε ένα ποτήρι µε ανθρακούχο νερό καθώς η µια φυσαλίδα σπρώχνει την άλλη µέχρι την κορυφή. Κεφάλαιο 3 – Η προτεινόµενη µέθοδος 78 Solution Conf0 Stage 0 Pop 1 Stage 1 T Conf1 Conf3 Conf2 Conf2 Conf3 Conf4 1 2 ConfM Conf3 Conf2 k Conf2 Conf1 2 3 Conf3 Conf4 Conf1 Conf3 T Conf3 1 Conf4 2 2 Conf3 Conf1 T Conf3 1 Conf4 2 ConfM Conf3 Conf2 k ConfM Conf2 k Conf3 Conf1 p Po Stage 2 2 3 Conf3 Conf1 T Conf3 1 Conf4 2 3 4 Conf4 Conf3 Conf3 Conf1 T Conf3 1 Conf4 2 ConfM Conf2 k Conf2 Conf3 Conf2 k Σχήµα 3.10: Επέκταση του αλγορίθµου DESYMA-Opt για να υποστηρίζει σύνθετους περιορισµούς. Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία 79 4. ΕΦΑΡΜΟΓΗ ΣΤΗΝ ΑΥΤΟΚΙΝΗΤΟΒΙΟΜΗΧΑΝΙΑ "Για να πιστέψει κανείς σε έναν αλγόριθµο πρέπει να τον 'δει' να δουλεύει " Donald Knuth 4.1. ΕΙΣΑΓΩΓΗ Σε αυτό το κεφάλαιο, η προτεινόµενη µέθοδος εφαρµόζεται για να ληφθεί απόφαση επένδυσης σε µία περίπτωση από την αυτοκινητοβιοµηχανία (Alexopoulos 2006). ∆ύο διαφορετικά συστήµατα έχουν προταθεί για την επεξεργασία (συγκόλληση) του σκελετού του αυτοκινήτου . Συγκεκριµένα οι δύο λύσεις είναι οι εξής: • Σύστηµα A που χρησιµοποιεί συµβατικό τρόπο συγκόλλησης (arc welding). • Σύστηµα B που χρησιµοποιεί τεχνολογικά προηγµένη συγκόλληση µε laser. Σχήµα 4.1: Συγκόλληση σκελετού αυτοκινήτου Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία 80 Σχήµα 4.2: ∆ιαφορετικά συστήµατα συγκόλλησης µε α) συµβατική συγκόλληση και β) συγκόλληση µε laser. Για τα δύο συστήµατα είναι πιθανές οι εξής πέντε διαφορετικές διαµορφώσεις: ConfA = (ConfA1, ConfA2, ConfA3, ConfA4, ConfA5) και ConfB = (ConfB1, ConfB2, ConfB3, ConfB4, ConfB5). Οι διαµορφώσεις σε κάθε διάνυσµα ConfA, και ConfB, διαφέρουν στον αριθµό του διαθέσιµου εξοπλισµού και στις βάρδιες λειτουργίας. Στον Πίνακα 4-1 δίνεται ο ορισµός του κάθε συστήµατος. Επιπλέον, για κάθε σύστηµα τα κόστη λειτουργίας και η χωρητικότητα για την κάθε διαµόρφωση δίνονται στον Πίνακα 4-2. Στον Πίνακα 4-2 τα σταθερά κόστη (κόστος επιφάνειας, κόστος ενέργειας, κόστος εργατών) δίνονται σε µηνιαία βάση. Τα µεταβλητά κόστη (κόστος αποβλήτων και συµπληρωµατικό κόστος-additional cost per part) αναφέρονται ανά κοµµάτι. Τέλος στον Πίνακα 4-2 δίνονται η "Ονοµαστική χωρητικότητα" (Organizational capacity) και η µέγιστη "Χωρητικότητα". Η "Ονοµαστική χωρητικότητα" αφορά την διαθέσιµη χωρητικότητα µιας διαµόρφωσης όταν το σύστηµα λειτουργεί στην "κανονική" του κατάσταση ενώ µε την "Χωρητικότητα" εννοούµε τον µέγιστο αριθµό κοµµατιών που µπορεί να παράγει το σύστηµα, δεδοµένων των τεχνικών περιορισµών της διαµόρφωσης. Έτσι για παράδειγµα η διαµόρφωση ConfA1 µπορεί να παράγει µέχρι 96 250 κοµµάτια όταν λειτουργεί µε την "Ονοµαστική χωρητικότητα" και 110 000 κοµµάτια όταν λειτουργεί µε την "Χωρητικότητα". Το σύστηµα µπορεί να έχει µεγαλύτερες τιµές από αυτές που ορίζει η "Ονοµαστική χωρητικότητα" µε την χρήση υπερωριών, λειτουργία τα Σαββατοκύριακα και άλλα µέσα. Όταν η παραγωγή ξεπερνάει από την "Ονοµαστική χωρητικότητα" τότε το "Συµπληρωµατικό κόστος" περιλαµβάνεται στο συνολικό κόστος. Όπως φαίνεται Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία 81 στο Σχήµα 4.3 και στο Σχήµα 4.4 το Σύστηµα B έχει υψηλότερο κόστος λειτουργίας από το Σύστηµα A. 4.2. ΠΡΩΤΗ ΠΕΡΙΠΤΩΣΗ ΜΕΛΕΤΗΣ Το κόστος αλλαγής για καθένα από τα συστήµατα δίνεται στον Πίνακα 4-3 και στον Πίνακα 4-4. Η διαµόρφωση ConfA0 και ConfB0 είναι "τεχνητές" διαµορφώσεις, αφού δεν µπορούν να εφαρµοστούν και χρησιµοποιούνται µόνο για να δηλώσουν το αρχικό κόστος αλλαγής από το αρχικό κόστος επένδυσης. Το Σύστηµα A έχει υψηλότερο κόστος αλλαγής από το Σύστηµα B. Το κόστος της επένδυσης είναι 5 500 000€ για το Σύστηµα A και 7 500 000€ για το Σύστηµα B. Εφαρµόζοντας τα κόστη αλλαγής του Πίνακα 4-3 και του Πίνακα 4-4 στην εξίσωση (3.4) υπολογίζεται ο δείκτης επαναδιάταξης και για τα δύο συστήµατα. Έτσι το Σύστηµα Α είναι λιγότερο επαναδιατάξιµο µε τιµή RA = 1.612E-06[διαµόρφωση/€] (ή αλλιώς RA-1 = 620 044 [€/διαµόρφωση]) και το Σύστηµα B είναι λιγότερο επαναδιατάξιµο µε RB = 2.306E-06[διαµόρφωση /€] (ή αλλιώς RB-1 = 443 280[€/διαµόρφωση]). Εκτός από τον ορισµό των πραγµατικών συστηµάτων System A και B, ορίζεται και ένα τεχνητό σύστηµα το Σύστηµα C. Το Σύστηµα C έχει τα ιδία χαρακτηριστικά λειτουργίας όπως το Σύστηµα B (βλέπε τις σχετικές γραµµές στον Πίνακα 4-2), το ίδιο κόστος επένδυσης όπως το Σύστηµα B αλλά τα κόστη αλλαγής µειώνονται στο 50% του κόστους αλλαγής του Σύστηµα B. Το Σύστηµα C χρησιµοποιείται για να καταστήσει σαφή την διαφορά στην ευελιξία για σηµαντικά µειωµένα κόστη αλλαγής και εποµένως ικανότητα αλλαγής Η χρήση του Σύστηµα C δείχνει ότι αν είναι τεχνοοικονοµικά δυνατό να µειωθούν επιπλέον τα κόστη αλλαγής του Σύστηµα B τότε αυτό έχει µια σηµαντική επίπτωση στην συνολική ευελιξία του συστήµατος όπως αυτή εκτιµάται από τους προτεινόµενους δείκτες της παραγράφου 3.7. Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία Λεπτοµερής περιγραφή ConfA1 ConfA2 ConfA3 ConfA4 ConfA5 ConfB1 ConfB2 ConfB3 ConfB4 ConfB5 7 Κελιά, 3 Ροµπότ, 2 Βάρδιες 7 Κελιά, 3 Ροµπότ, 3 Βάρδιες 8 Κελιά, 3 Ροµπότ, 2 Βάρδιες 8 Κελιά, 3 Ροµπότ, 3 Βάρδιες 8 Κελιά, 4 Ροµπότ, 3 Βάρδιες 2 Κελιά, 2 Laser, 3 Ροµπότ, 2 Βάρδιες 2 Κελιά, 2 Laser, 3 Ροµπότ, 3 Βάρδιες 3 Κελιά, 3 Laser, 3 Ροµπότ, 2 Βάρδιες 3 Κελιά, 3 Laser, 3 Ροµπότ, 3 Βάρδιες 3 Κελιά, 3 Laser, 4 Ροµπότ, 3 Βάρδιες Τεχνολογία ∆ιαµόρφωση τεχνολογία Προχωρηµένη Συµβατικής Σύστηµα 82 ∆ιαµόρφωση Κόστος επιφάνειας Εργατικό Κόστος Κόστος ενέργειας Κόστος φύρας ανά κοµµάτι Επιπλέον κόστος ανά κοµµάτιe Ονοµαστική χωρητικότητα Χωρητικότητα Τεχνολογία τεχνολογία Προχωρηµένη Συµβατικής Σύστηµα Πίνακας 4-1: Περιγραφή των δύο συστηµάτων. ConfA1 ConfA2 ConfA3 ConfA4 ConfA5 ConfB1 ConfB2 ConfB3 ConfB4 ConfB5 1040 € 1040 € 1189 € 1189 € 1189 € 594 € 594 € 594 € 594 € 594 € 10 000 € 15 000 € 10 000 € 15 000 € 15 000 € 10 000 € 15 000 € 10 000 € 15 000 € 15 000 € 2 120 € 3 180 € 2 423 € 3 634 € 4 846 € 3 392 € 5 088 € 3 877 € 5 815 € 7 753 € 0.33 € 0.33 € 0.33 € 0.33 € 0.33 € 0.33 € 0.33 € 0.33 € 0.33 € 0.33 € 1.00 € 1.00 € 1.00 € 1.00 € 1.00 € 1.00 € 1.00 € 1.00 € 1.00 € 1.00 € 96 250 113 750 122 500 140 000 175 000 96 250 113 750 122 500 140 000 175 000 110 000 130 000 140 000 160 000 200 000 110 000 130 000 140 000 160 000 200 000 Πίνακας 4-2: Κόστη λειτουργίας και χωρητικότητα για τα δύο συστήµατα Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία 83 A1 System A A2 4 A3 A4 Cost per piece 3.5 A5 3 2.5 2 70 00 0 80 00 0 90 00 10 0 00 0 11 0 00 0 12 0 00 0 13 0 00 0 14 0 00 0 15 0 00 0 16 0 00 0 17 0 00 0 18 0 00 0 19 0 00 0 20 0 00 00 1.5 Volume Σχήµα 4.3: ∆ιάγραµµα του κόστους ανά κοµµάτι για το System A B1 System B B2 4.5 B3 B4 Cost per piece 4 B5 3.5 3 2.5 2 70 00 0 80 00 0 90 00 10 0 00 0 11 0 00 0 12 0 00 0 13 0 00 00 14 00 0 15 0 00 0 16 0 00 0 17 0 00 0 18 0 00 0 19 0 00 0 20 0 00 00 1.5 Volume Σχήµα 4.4: ∆ιάγραµµα του κόστους ανά κοµµάτι για το System B ∆ιαµόρφωση ConfA1 ConfA2 ConfA3 ConfA4 ConfA5 ConfA0 ConfA1 ConfA2 ConfA3 ConfA4 ConfA5 0 0 0 -403 333 -403 333 -761 333 0 0 0 -403 333 -403 333 -761 333 1 434 214 1 434 214 1 434 214 0 0 -412 000 1 434 214 1 434 214 1 434 214 0 0 -412 000 3 430 614 3 430 614 3 430 614 1 766 400 1 996 400 0 Πίνακας 4-3: Κόστη αλλαγής για το System A. Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία ∆ιαµόρφωση ConfB0 ConfB1 ConfB2 ConfB3 ConfB4 ConfB5 ConfB1 0 0 0 -457 333 -457 333 -814 667 ConfB2 0 0 0 -457 333 -457 333 -881 333 84 ConfB3 1 251 514 1 251 514 1 251 514 0 0 -357 333 ConfB4 1 251 514 1 251 514 1 251 514 0 0 -357 333 ConfB5 2 666 314 2 666 314 3 173 914 1 234 800 1 003 200 0 Πίνακας 4-4: Κόστη αλλαγής για το System B. Τα σενάρια δηµιουργούνται µε την χρήση κανονικής κατανοµής καθώς και µε την χρησιµοποίηση ρεαλιστικών αυτοκινητοβιοµηχανίας. δεδοµένων από το τµήµα µάρκετινγκ της Αυτά τα δεδοµένα καθορίζουν ότι η ελάχιστη ζήτηση φτάνει τα 70 000 κοµµάτια και η µέγιστη τα 200 000 κοµµάτια το χρόνο για έναν χρονικό ορίζοντα T = 10 χρόνια. Η τυχαία δηµιουργούµενη ζήτηση διακριτοποιείται µε τέτοιο τρόπο ώστε οι τιµές της να είναι πολλαπλάσια του 5000 (δηλ. 70 000, 75 000, 80 000, 85 000 κ.ο.κ.). Ένας αριθµός 1000 σεναρίων δηµιουργούνται µε αυτό τον τρόπο για διαφορετικά όρια στη ζήτηση (βλέπε την πρώτη κολώνα στον Πίνακα 4-5). Τα ιστογράµµατα για διαφορετικά προφίλ σεναρίων φαίνονται στο Σχήµα 4.5. Από αυτά τα διαγράµµατα µπορούµε να υποθέσουµε ότι οι τιµές του NPC ακολουθούν κανονική κατανοµή. Για τον υπολογισµό της ευελιξίας χρησιµοποιούµε τους τύπους (3.5) και (3.6). Τα αποτελέσµατα των πειραµάτων παρουσιάζονται στον Πίνακα 4-5 και δείχνουν ότι το System B είναι λιγότερο ευαίσθητο στη µεταβλητότητα του περιβάλλοντος της αγοράς από το System A και εποµένως πιο ευέλικτο. Σε όλες τις περιπτώσεις που µελετήθηκαν η τιµή του DEVNPC για το System B είναι µικρότερη από του System Α. Επιπλέον φαίνεται ότι η διαφορά ανάµεσα το βαθµό της ευελιξίας µειώνεται όσο η µεταβλητότητα του περιβάλλοντος πέφτει (εφόσον µειώνονται τα όρια στα οποία κυµαίνεται η ζήτηση). Για παράδειγµα η διαφορά στις τιµές του DEVNPC µεταξύ των συστηµάτων Α και Β είναι σηµαντικά µεγαλύτερη στις περιπτώσεις 1,2,3,4,5,6,8 του Πίνακα 4-5 όπου τα όρια της ζήτησης είναι σχετικά µεγαλύτερα από τις περιπτώσεις 7,9,10 όπου τα όρια µειώνονται. Αυτό το αποτέλεσµα είναι σε συµφωνία µε αυτό που τονίζεται στην βιβλιογραφία ότι η ευελιξία γίνεται περισσότερο εµφανής όταν η µεταβλητότητα του περιβάλλοντος στο οποίο λειτουργεί το σύστηµα παραγωγής αυξάνεται. Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία Προφίλ Σεναρίωνa 1. U(70.000,200.000) 2. U(70.000, 190.000) 3. U(70.000, 180.000) 4. U(80.000,180.000) 5. U(80.000, 170.000) 6. U(90.000,170.000) 7. U(90.000, 150.000) 8. U(100.000, 190.000) 9. U(100.000, 140.000) 10.U(110.000, 140.000) a Σύστηµα A Σύστηµα B 85 Σύστηµα C ENPC DEVNPC ENPC DEVNPC ENPC DEVNPC 10 192 775 624 481 11 659 492 582 756 10 727 375 412 769 9 929 932 643 979 11 386 988 561 538 10 533 330 379 734 9 559 086 708 504 11 076 578 558 342 10 305 065 353 759 9 652 184 628 089 11 184 804 505 286 10 370 794 318 769 9 215 112 648 890 10 856 315 453 753 10 192 020 289 718 9 390 644 653 577 11 036 011 473 890 10 307 589 291 274 8 401 783 248 518 10 333 088 235 936 9 852 285 189 791 10 329 544 481 018 11 762 735 460 390 10 818 692 307 501 8 243 739 178 792 10 186 368 138 873 9 714 559 102 302 8 396 238 124 411 10 323 343 121 944 9 824 527 97 286 Σηµείωση: Το U(i, j) δηλώνει οµοιόµορφη κατανοµή µεταξύ των τιµών i και j. Πίνακας 4-5: Αποτελέσµατα µέτρησης για διαφορετικά προφίλ σεναρίων. Σχήµα 4.5: Κατανοµή των τιµών του NPV για διαφορετικά προφίλ σεναρίων. Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία 86 4.3. ∆ΕΥΤΕΡΗ ΠΕΡΙΠΤΩΣΗ ΜΕΛΕΤΗΣ Σε αυτήν την περίπτωση (Alexopoulos 2005b) εξετάστηκαν τα δύο συστήµατα Α και Β µόνο που τα κόστη αλλαγής είναι ελαφρώς τροποποιηµένα και τα σενάρια της αγοράς είναι περιορισµένα στον αριθµό. Έτσι τα κόστη αλλαγής για το Σύστηµα Α δίνονται στον Πίνακα 4-6 και τα κόστη αλλαγής για το Σύστηµα Β στον Πίνακα 4-7. Ενώ τα σενάρια φαίνονται στο Σχήµα 4.6. ∆ιαµόρφωση ConfA1 ConfA2 0 0 -400.000 -400 000 -760 000 ConfA1 ConfA2 ConfA3 ConfA4 ConfA5 ConfA3 1 250 000 1 250 000 0 0 -410 000 0 0 -400.000 -400.000 -760 000 ConfA4 1 250 000 1 250 000 0 0 -410 000 ConfA5 3 000 000 3 000 000 1 500 000 1 700 000 0 Πίνακας 4-6: Κόστη αλλαγής του Συστήµατος Α για την δεύτερη περίπτωση µελέτης ∆ιαµόρφωση ConfB1 ConfB2 ConfB3 ConfB4 ConfB5 ConfB1 0 0 -460 000 -460 000 -815 000 ConfB2 0 0 -460 000 -460 000 -890 000 ConfB3 1 390 000 1 390 000 0 -460 000 -360 000 ConfB4 1 390 000 1 390 000 0 0 -360 000 ConfB5 2 960 000 3 530 000 1 370 000 1 115 000 0 Πίνακας 4-7: Κόστη αλλαγής του Συστήµατος Β για την δεύτερη περίπτωση µελέτης 125.000 120.000 115.000 Ζήτηση 110.000 105.000 100.000 95.000 90.000 85.000 80.000 1 2 3 4 5 6 7 8 9 10 Περίοδος (χρόνος) Σχήµα 4.6: Τα σενάρια αγοράς της δεύτερης περίπτωσης µελέτης Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία 87 Σε αυτή την περίπτωση εκτός από την τιµή της ευελιξίας µετρήθηκε και η χρησιµοποίηση (utilization) των δύο συστηµάτων. Η χρησιµοποίηση δίνεται από την εξίσωση ui = 1 T di (t ) ∑ T t =1 Ci (t ) Όπου: ui T di(t) Ci(t) (5.1) ≡ η χρησιµοποίηση όταν συµβεί το σενάριο i ≡ ο αριθµός των περιόδων ≡ η ζήτηση για στην περίοδο tσύµφωνα µε το σενάριο i ∈ [1..S] ≡ η χωρητικότητα την περίοδο t αν το σύστηµα λειτουργεί µε την διαµόρφωση i σε αυτή την περίοδο. Για να έχουµε µια συνολική τιµή για όλα τα σενάρια αγοράς παίρνουµε την µέση τιµή της χρησιµοποίησης για όλα τα σενάρια από την εξίσωση. EUT = 1 S ∑ ui S i =1 (5.2) Όπου: EUT ≡ είναι η µέση χρησιµοποίηση λαµβάνοντας υπόψη όλα τα σενάρια ui ≡ η χρησιµοποίηση όταν συµβεί το σενάριο i S ≡ ο αριθµός των σεναρίων Τα αποτελέσµατα φαίνονται στον Πίνακα 4-8 . Ενώ στον Πίνακα 4-9 φαίνονται τα αποτελέσµατα στην περίπτωση που έχει εφαρµοστεί η "συγκέντρωση γνώσης". Ακόµα πρέπει να αναφέρουµε ότι για τον προγραµµατισµό των αλλαγών χρησιµοποιήθηκε τόσο ο απλός κανόνας " Ελάχιστο κόστος παραγωγής " όσο και η µέθοδος βελτιστοποίησης DESYMA-Opt. Συµβατική τεχνολογία Εξελιγµένη τεχνολογία Ελάχιστο DESYMA- Ελάχιστο DESYMAκόστος Opt κόστος Opt παραγωγής παραγωγής ENPC 8 050 381 7 317 775 10 251 245 9 068 445 DEVNPC 217 198 166 599 245 523 33 362 Χρησιµοποίηση 87.97% 92.69% 88.29% 82.97% Πίνακας 4-8: Αποτελέσµατα της δεύτερης περίπτωσης Κεφάλαιο 4 – Εφαρµογή στην αυτοκινητοβιοµηχανία 88 Συµβατική τεχνολογία Εξελιγµένη τεχνολογία Ελάχιστο DESYMA- Ελάχιστο DESYMAκόστος Opt κόστος Opt παραγωγής παραγωγής ENPC 8 050 381 7 317 775 10 251 245 9 068 445 DEVNPC 217 198 166 599 245 523 33 362 Χρησιµοποίηση 87.97% 92.69% 88.29% 82.97% Πίνακας 4-9: Αποτελέσµατα της δεύτερης περίπτωσης (µε εφαρµογή της συγκέντρωσης γνώσης) Σε αυτή την δεύτερη περίπτωση (όπως και στην πρώτη στην παράγραφο 4.2) φαίνεται ότι το Σύστηµα Β είναι περισσότερο ευέλικτο καθώς διατηρεί µικρότερη την διασπορά των τιµών του NPC. Ενώ φαίνεται ότι το Σύστηµα Α έχει υψηλότερη χρησιµοποίηση. Τέλος πρέπει να προσθέσουµε ότι στην περίπτωση της "συγκέντρωσης γνώσης" το µέσο κόστος είναι µικρότερο. Αυτό επαληθεύει την υπόθεση ότι µε την "συγκέντρωση γνώσης" αναµένουµε να έχουµε βελτίωση του συνολικού κόστους. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας 89 5. ΛΟΓΙΣΜΙΚΟ ΓΙΑ ΜΕΤΡΗΣΗ ΕΥΕΛΙΞΙΑΣ ΚΑΙ ΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ ΤΩΝ ΑΛΛΑΓΩΝ – DESYMA SP "Κάθε λέξη ή έννοια, όσο ξεκάθαρη και αν φαίνεται, έχει µόνο ένα περιορισµένο εύρος εφαρµογής ". Werner Heisenberg 5.1. ΕΙΣΑΓΩΓΗ Η µέθοδος που περιγράφηκε στο Κεφάλαιο 3 υλοποιήθηκε σε λογισµικό. Το λογισµικό ονοµάζεται DESYMA-SP (DEsign of SYstems for MAnufacture- Software Package). Πριν την υλοποίηση του DESYMA-SP σε πλήρες και αυτόνοµο πακέτο λογισµικού είχε αναπτυχθεί µια απλούστερη µορφή της εφαρµογής σε Visual Basic for Excel που σκοπό είχε την αρχική διερεύνηση και αξιολόγηση της µεθόδου καθώς και την αποκόµιση αρχικών σχολίων και προτάσεων από πιθανούς µελλοντικούς χρήστες. Η αρχική έκδοση του DESYMA-SP σε µορφή φύλλων Excel και υλοποίησης των αλγορίθµων σε Visual Basic παρουσιάζεται στην σπουδαστική εργασία των Ζούπα και Μηλιώνη (2005). Η εφαρµογή DESYMA-SP είναι διαδικτυακή (web-based application). Η υλοποίηση της έγινε στην αντικειµενοστραφή γλώσσα προγραµµατισµού JAVA (Sun Corp. 2005) και συνεπώς η εφαρµογή είναι συµβατή µε διαφορετικά λειτουργικά συστήµατα, όπως Microsoft Windows®, Linux. 5.2. ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΤΟΥ ΛΟΓΙΣΜΙΚΟΥ DESYMA-SP Η αρχιτεκτονική του λειτουργικού συστήµατος DESYMA-SP είναι χωρισµένη σε τρία επίπεδα, τα οποία φαίνονται στο Σχήµα 5.1 και είναι τα εξής: • Επίπεδο ∆εδοµένων (Data layer): σε αυτό το επίπεδο, εισάγονται και αποθηκεύονται τα δεδοµένα σε µια βάση δεδοµένων. Η εφαρµογή DESYMA-SP υλοποιήθηκε και ελέγχθηκε στις σχεσιακές βάσεις δεδοµένων ORACLE και mySQL. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας • 90 Επίπεδο λογικής και κανόνων (Business logic layer): σε αυτό το επίπεδο µοντελοποιούνται οι αλγόριθµοι και η λογική της εφαρµογής. Οι λειτουργίες που εκτελεί ο αλγόριθµος έχουν υλοποιηθεί σε γλώσσα προγραµµατισµού JAVA. Επιπλέον, σε αυτό το επίπεδο βρίσκεται και ο web-server (Jakarta Tomcat). O web-server υπεύθυνος για την εµφάνιση των σελίδων HTML σε όσους υπολογιστές (πελάτες - Clients) γίνεται χρήση της εφαρµογής, µέσω δικτύου. • Επίπεδο Παρουσίασης (Presentation layer): αυτό είναι το επίπεδο στο οποίο ο χρήστης-πελάτης έρχεται σε επαφή µε την λειτουργικότητα και τα δεδοµένα της εφαρµογής. Η εφαρµογή DESYMA-SP είναι µια διαδυκτιακή εφαρµογή και τα δεδοµένα και τα αποτελέσµατα εµφανίζονται στην οθόνη του χρήστη µέσω σελίδων HTML. Η εφαρµογή ελέγχθηκε και είναι συµβατή µε Microsoft Internet Explorer 6 και Mozilla Firefox 1.5. Presentation Layer Business Logic Layer Data Layer Java Client 1 Web browser Client 2 Web browser Web server Database Client 3 Web browser Σχήµα 5.1: Η αρχιτεκτονική του λογισµικού DESYMA-SP 5.3. ΣΥΝΤΟΜΟ ΕΓΧΕΙΡΙ∆ΙΟ ΧΡΗΣΗΣ ΤΟΥ DESYMA-SP Στις παραγράφους που ακολουθούν θα περιγράψουµε τις βασικές λειτουργίες του DESYMA-SP που υλοποιούν / συγκεκριµενοποιούν την µέθοδο που έχει παρουσιαστεί στο κεφάλαιο 3. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας 91 5.3.1. Είσοδος στο DESYMA-SP Η είσοδος του χρήστη στην εφαρµογή γίνεται µέσω της αρχικής σελίδας της εφαρµογής στην οποία ο χρήστης καλείται να εισάγει το Login Name και Password (Σχήµα 5.2). Η χρήση login/password γίνεται τόσο για λόγους ασφαλείας αλλά και για λόγους καθορισµού των ρόλων που µπορεί να έχουν οι χρήστες του συστήµατος καθώς διαφορετικοί χρήστες µπορεί να έχουν πρόσβαση σε διαφορετικά δεδοµένα. Στην παρούσα φάση του DESYMA-SP δεν έχουν υλοποιηθεί ρόλοι αλλά αυτό προβλέπεται από το σχεδιασµό του συστήµατος. Σχήµα 5.2: Αρχική σελίδα του DESYMA-SP 5.3.2. Σελίδα υποδοχής Μετά από την εισαγωγή του χρήστη στην εφαρµογή, στην οθόνη του εµφανίζεται η σελίδα υποδοχής, όπως παρουσιάζεται στο Σχήµα 5.3. Σε αυτή τη σελίδα, το βασικό Menu της εφαρµογής είναι διαθέσιµο στο χρήστη. Στο αριστερό µέρος της οθόνης φαίνεται το Menu επιλογών. Το Menu δίνει τη δυνατότητα της απευθείας µετάβασης σε οποιοδήποτε λειτουργία της εφαρµογής στο χρήστη, αλλά και τη δυνατότητα να "βγει" από την εφαρµογή. Το Menu είναι διαθέσιµο σε όλες τις σελίδες της εφαρµογής. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας 92 Σχήµα 5.3: Σελίδα υποδοχής του DESYMA-SP 5.3.3. Εισαγωγή και εύρεση των απαιτήσεων της αγοράς Επιλέγοντας "New Product" και "New Market Requirements" ο χρήστης έχει την δυνατότητα να εισάγει τις απαιτήσεις παραγωγής. Οι βασικές πληροφορίες που εισάγονται µεσώ των σχετικών σελίδων είναι οι εξής: • Τύπος Προϊόντων: Ο χρήστης µπορεί να δώσει τα ονόµατα και µια µικρή περιγραφή των τύπων των προϊόντων που µπορεί να παράγει το σύστηµα. • Απαιτήσεις από την αγορά (Market requirements): Ο χρήστης µπορεί να ορίσει την απαιτούµενη ποσότητα για καθένα προϊόν για κάθε χρονική περίοδο του χρονικού ορίζοντα. Οι απαιτήσεις περιγράφονται µε την µορφή σεναρίων κάθε σενάριο έχει κάποια πιθανότητα να συµβεί. Υπάρχει η δυνατότητα τα σενάρια να "φορτωθούν" από Excel αρκεί να έχει έχουν το κατάλληλο format. Η βασική οθόνη εισαγωγής των απαιτήσεων της αγοράς φαίνεται στο παρακάτω σχήµα. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας 93 Σχήµα 5.4: Οθόνη εισαγωγής των απαιτήσεων της αγοράς. 5.3.4. Βασική σχεδιαστική λύση – Baseline solution Αφού ο χρήστης εισάγει τις απαιτήσεις στην συνέχεια ορίζει τα χαρακτηριστικά του συστήµατος παραγωγής. Η περιγραφή του συστήµατος παραγωγής γίνεται σε τρία επίπεδα: – Βασική σχεδιαστική λύση (baseline solution) – ∆ιαµόρφωση (configuration) – Μηχανή (machine) Όπως έχουµε ήδη αναφέρει σε πρώτο επίπεδο ορίζουµε την βασική σχεδιαστική λύση (baseline solution). Τα χαρακτηριστικά σε αυτό το αρχικό επίπεδο είναι τα εξής: • Όνοµα: Το όνοµα της προτεινόµενης λύσης. • Περιγραφή: Μια σύντοµη περιγραφή της λύσης. • Μέρες λειτουργίας τον χρόνο: Ο αριθµός των ηµερών µέσα στον χρόνο που το σύστηµα παραγωγής λειτουργεί. • Μέρες λειτουργίας τον µήνα: Ο αριθµός των ηµερών µέσα σε ένα µήνα που το σύστηµα παραγωγής λειτουργεί. • Ώρες λειτουργίας ανά βάρδια: Οι εργάσιµες ώρες σε µια βάρδια λειτουργίας. • Σύνολο διαµορφώσεων: Σε κάθε βασική λύση αντιστοιχεί και ένα σύνολο πιθανών διαµορφώσεων. Το πλήθος του συνόλου είναι Μ. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας 94 Ο σηµαντικότερος ρόλος της βασικής σχεδιαστικής λύσης είναι να οµαδοποιήσει τις διαµορφώσεις που ανήκουν σε αυτή παρά να καθορίσει κάποια χαρακτηριστικά στο σύστηµα καθώς τα χαρακτηριστικά που έχουν αντιστοιχηθεί σε αυτό το επίπεδο θα µπορούσαν να αντιστοιχηθούν και στο επίπεδο των διαµορφώσεων. Στο Σχήµα 5.5 φαίνεται η οθόνη καθορισµού της βασικής σχεδιαστικής λύσης. Στο κάτω µέρος της οθόνης παρουσιάζεται το σύνολο των διαµορφώσεων που αποτελούν µια βασική σχεδιαστική λύση. Σχήµα 5.5: Οθόνη περιγραφής της βασικής σχεδιαστικής λύσης 5.3.5. ∆ιαµόρφωση Κάθε βασική σχεδιαστική λύση έχει έναν αριθµό από διαµορφώσεις (configurations1). Κάθε λύση µπορεί να έχει διαφορετικές διαµορφώσεις ανάλογα µε τις δυνατότητες και την υλικοτεχνική υποδοµή της εταιρείας αλλά και ανάλογα µε τις απαιτήσεις της αγοράς αλλά και τις απαιτήσεις της παραγωγής. Τα χαρακτηριστικά µιας διαµόρφωσης είναι: • Όνοµα: Το όνοµα της διαµόρφωσης. • Περιγραφή: Μια σύντοµη περιγραφή της διαµόρφωσης. • Βάρδιες : Το αριθµό των βαρδιών µε τις οποίες λειτουργεί η διαµόρφωση. • Σύνολο µηχανών: Το σύνολο των µηχανών που συνθέτουν µια διαµόρφωση. 1 Στις οθόνες της εφαρµογής η διαµόρφωση αναφέρεται ως adaptation και όχι configuration. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας 95 Ο υπολογισµός του κόστους αλλαγής µεταξύ διαφορετικών διαµορφώσεων λαµβάνει υπόψη του το κόστος του εξοπλισµού σε επίπεδο µηχανής: • Τον αριθµό των µηχανών µεταξύ των διαµορφώσεων. • Το κόστος επένδυσης της κάθε µηχανής. • Το ποσοστό επιστροφής της επένδυσης σε µια µηχανή. • Το κόστος των εργαλείων των µηχανών. Στην περίπτωση που οι µηχανές µιας διαµόρφωσης είναι του ίδιου τύπου τότε (ανάλογα και µε την ζήτηση)µπορεί έχουµε επαναχρησιµοποίηση των εργαλείων (tool reuse) και εποµένως το κόστος των εργαλείων να περιορίζεται. Η σελίδα εισαγωγής των χαρακτηριστικών µιας διαµόρφωσης φαίνεται στο Σχήµα 5.6. Στο κάτω µέρος της οθόνης φαίνεται το σύνολο των µηχανών που αποτελούν µια διαµόρφωση. Σχήµα 5.6: Οθόνη εισαγωγής των στοιχείων µιας διαµόρφωσης 5.3.6. Μηχανή Η µηχανή (machine) του συστήµατος παραγωγής βρίσκεται στο χαµηλότερο επίπεδο της ιεραρχίας της µεθόδου που σχεδιάσαµε και της εφαρµογής µε την οποία την υλοποιήσαµε. Μια µηχανή περιλαµβάνει τα εξής χαρακτηριστικά: • Όνοµα: Το όνοµα της µηχανής. • Περιγραφή: Μια σύντοµη περιγραφή της µηχανής. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας • 96 Κόστος επένδυσης: Το κόστος επένδυσης (investment cost) είναι το κόστος αγοράς και εγκατάστασης µιας µηχανής. • Ποσοστό επιστροφής επένδυσης (σε περίπτωση πώλησης): Είναι το ποσοστό επί της επένδυσης που επιστρέφεται στην εταιρεία στην περίπτωση πώλησης της µηχανής. Θεωρούµε ότι αυτό το ποσοστό είναι σταθερό ανεξάρτητα από την διάρκεια χρήσης της µηχανής. • Κόστος ανά εργάτη: Το κόστος εργασίας (labor cost) είναι η αµοιβή που δίνεται σε κάθε εργάτη ο οποίος απασχολείται σε µια µηχανή. Η αµοιβή αυτή µπορεί να αφορά οποιαδήποτε χρονική περίοδο και πρέπει να εισαχθεί ως παράµετρος στο σύστηµα. • Αριθµός εργατών: Ο αριθµός των εργατών που χειρίζονται την µηχανή. • Κόστος κατειληµµένης επιφανείας: Το κόστος κατειληµµένης επιφάνειας (area cost) σχετίζεται µε την επιφάνεια που καταλαµβάνει µια µηχανή σε συνάρτηση µε το κόστος χρήσης της επιφάνειας, δηλαδή το κόστος το οποίο επωµίζεται µια εταιρεία για τη λειτουργία του συστήµατος παραγωγής µέσα σε ένα χώρο. • Κόστος ενέργειας: Το ενεργειακό κόστος (energy cost) είναι ένα κόστος που σχετίζεται µε την κατανάλωση ενέργειας που έχει µια µηχανή. • Συµπληρωµατικό κόστος: Τέλος, τα συµπληρωµατικά κόστη που µπορεί να σχετίζονται µε την αγορά, εγκατάσταση και λειτουργία µιας µηχανής µπορεί να εισαχθούν στην εφαρµογή ως παράµετρος συµπληρωµατικό κόστος (additional cost). • Χρονική περίοδος: Οι παραπάνω µονάδες κόστους αναφέρονται σε κάποια χρονική περίοδο (π.χ. ηµέρα, µήνας, χρόνος κλπ). • Προϊόντα που µπορεί να επεξεργαστεί η µηχανή: Για κάθε µια µηχανή ορίζεται ποια προϊόντα η µηχανή µπορεί να επεξεργαστεί. Επιπλέον, για καθένα προϊόν ορίζεται: α. Το κόστος για τα εργαλεία που απαιτούνται για την επεξεργασία του προϊόντος από την µηχανή (tooling cost). β. Το ποσοστό επί του συνολικού διαθέσιµου χρόνου που χάνεται για την αλλαγή εργαλείου στην περίπτωση που παράγονται περισσότερα του ενός προϊόντα (setup time). Η σελίδα εισαγωγής των χαρακτηριστικών µιας µηχανής φαίνεται στο Σχήµα 5.7. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας 97 Σχήµα 5.7: Οθόνη εισαγωγής των χαρακτηριστικών µιας µηχανής. 5.3.7. Προγραµµατισµός της παραγωγής Αφού γίνει η εισαγωγή των απαιτήσεων της αγοράς και του συστήµατος παραγωγής ο χρήστης µπορεί να επιλέξει να προγραµµατίσει τις αλλαγές του συστήµατος για κάποιο από τα σενάρια αγοράς επιλέγοντας "New production plan" από το βασικό µενού. Ο χρήστης πρέπει να ορίσει συγκεκριµένο σενάριο αλλά και σύστηµα παραγωγής για το οποίο θα γίνει ο προγραµµατισµός. Το αποτέλεσµα της φάσης του προγραµµατισµού είναι η ανάθεση µιας συγκεκριµένης διαµόρφωσης σε κάθε περίοδο του χρονικού ορίζοντα. Συγκεκριµένα υλοποιήθηκαν οι εξής κανόνες προγραµµατισµού: • Ελαχίστη προσφερόµενη χωρητικότητα ανά περίοδο (Minimum Capacity per Period): Με βάση αυτό τον κανόνα επιλέγεται η διαµόρφωση που έχει την ελάχιστη χωρητικότητα η οποία ικανοποιεί τις απαιτήσεις σε κάθε περίοδο. • Ελάχιστο κόστος λειτουργίας (Minimum operation cost): Με βάση αυτό το κανόνα επιλέγεται σε κάθε περίοδο η διαµόρφωση µε το ελάχιστο κόστος λειτουργίας (δεν λαµβάνονται υπόψη τα κόστη αλλαγής). Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας • 98 Optimum NPV: Υλοποίηση του αλγορίθµου DESYMA-Opt (βλέπε παράγραφο 3.7). Ο µηχανισµός του προγραµµατισµού των αλλαγών εφαρµόζεται για τον υπολογισµό της ευελιξίας στην επόµενη παράγραφο. Σχήµα 5.8: Οθόνη προγραµµατισµού των αλλαγών. 5.3.8. Αξιολόγηση ευελιξίας Εφόσον οριστούν τόσο οι απαιτήσεις από την παραγωγή αλλά και τα χαρακτηριστικά του συστήµατος παραγωγής τότε µπορούµε να υπολογίσουµε την ευελιξία χρησιµοποιώντας είτε την µέθοδο DESYMA που περιγράφεται στην παράγραφο 3.7 είτε την µέθοδο του Penalty of Change (POC) που περιγράφεται στο Chryssolouris (1992), Alexopoulos (2005a). O χρήστης αφού επιλέξει το σύνολο των σεναρίων αγοράς και το σύστηµα που τον ενδιαφέρει µπορεί να προχωρήσει µε τον υπολογισµό της ευελιξίας όπως φαίνεται στο Σχήµα 5.9. Η εφαρµογή έχεί επιπλέον την δυνατότητα να εµφανίσει τις τιµές του NPV µέσα σε συγκεκριµένα όρια τα οποία ορίζει ο χρήστης. Κεφάλαιο 5 – DESYMA-SP: Λογισµικό για µέτρηση ευελιξίας 99 Σχήµα 5.9: Υπολογισµός ευελιξίας µε το DESYMA-SP. O χρήστης έχει την δυνατότητα να υπολογίσει την ευελιξία µε την µέθοδο POC όπως φαίνεται στο Σχήµα 5.10. Σχήµα 5.10: Υπολογισµός του Penalty of Change (POC) µε το DESYMA-SP. Κεφάλαιο 6 – Συµπεράσµατα και µελλοντική έρευνα 100 6. ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΑΙ ΜΕΛΛΟΝΤΙΚΗ ΕΡΕΥΝΑ "Τα πάντα ρεί" Ηράκλειτος 6.1. ΠΕΡΙΛΗΨΗ ΚΑΙ ΣΥΜΠΕΡΑΣΜΑΤΑ Αυτή η διατριβή επικεντρώνεται στο πρόβληµα της µέτρησης της ευελιξίας ενός συστήµατος παραγωγής. Αρχικά γίνεται µια εκτεταµένη περιγραφή της υπάρχουσας βιβλιογραφίας στην οποία περιλαµβάνονται εργασίες σχετικά µε τους τύπους ευελιξίας, την µέτρηση της ευελιξίας και τεχνολογίες υλοποίησης της σε "φυσικό" επίπεδο. Στην συνέχεια αναπτύσεται η προτεινόµενη µέθοδος για την εκτίµηση της ευελιξίας καθώς και η εφαρµογή της σε ένα πρακτικό πρόβληµα από την αυτοκινητοβιοµηχανία. Ταυτόχρονα περιγράφεται ένας αλγόριθµος, βασισµένος στις τεχνικές του δυναµικού προγραµµατισµού, που προγραµµατίζει την παραγωγή (όγκος παραγωγής και τύπος προϊόντων), µε αντικειµενικό στόχο την ελαχιστοποίηση του κόστος στο κύκλο ζωής του συστήµατος παραγωγής. Τέλος παρουσιάζεται το λογισµικό που υλοποιεί την προτεινόµενη µέθοδο. Η διατριβή εφαρµόζει και επεκτείνει την αρχική υπόθεση ότι ένα σύστηµα παραγωγής είναι περισσότερο ευέλικτο όσο εµφανίζεται λιγότερο ευαίσθητο στις µεταβολές του περιβάλλοντος στο οποίο λειτουργεί (Chryssolouris και Lee 1992, Chryssolouris 1996). Οι µεταβολές του περιβάλλοντος εκφράζονται µε τις διαφορετικές τιµές της ζήτησης για τον χρονικό ορίζοντα που µας ενδιαφέρει. Η µέθοδος δεν απαιτεί συγκεκριµένες προβλέψεις για την αγορά, που είναι συνήθως δύσκολο να οριστούν και η ακρίβεια τους είναι πολλές φορές αµφισβητήσιµη, καθώς βασίζεται σε στατιστική ανάλυση ενός µεγάλου αριθµού σεναρίων αγοράς. Η ευαισθησία του συστήµατος παραγωγής εκφράζεται από την ικανότητα του να περιορίζει την διασπορά των τιµών του συνολικού κόστους στο χρονικό ορίζοντα που εξετάζεται το σύστηµα παραγωγής. Η εφαρµογή της µεθόδου σε συγκεκριµένη περίπτωση µελέτης στην αυτοκινητοβιοµηχανία δείχνει ότι α) το σύστηµα που µπορεί να αλλάζει πιο εύκολα εµφανίζει µεγαλύτερη ευελιξία και β) η ευελιξία γίνεται περισσότερο εµφανής όταν η µεταβλητότητα του περιβάλλοντος λειτουργίας αυξάνεται. Το γεγονός ότι αυτά τα συµπεράσµατα είναι και διαισθητικά σωστά δίνουν µεγαλύτερη αξιοπιστία στην προτεινόµενη προσέγγιση. Επιπλέον, η προτεινόµενη Κεφάλαιο 6 – Συµπεράσµατα και µελλοντική έρευνα 101 µέθοδος είναι αρκετά γενική (generic) και εποµένως µπορεί να εφαρµοστεί και σε διαφορετικά βιοµηχανικά συστήµατα, καθώς και σε διαφορετικά τµήµατα βιοµηχανικών µονάδων. Αυτό οφείλεται στο ενδιάµεσο επίπεδο µοντελοποίησης του συστήµατος παραγωγής αλλά και του περιβάλλοντος αγοράς. 6.2. ΜΕΛΛΟΝΤΙΚΗ ΕΡΕΥΝΑ Η παρούσα εργασία έχει επικεντρωθεί και εφαρµοστεί στο "παραδοσιακό" περιβάλλον στο εσωτερικό ενός εργοστασίου (shop floor). Εντούτοις, η βασική λογική θα µπορούσε, µε κάποιες προσαρµογές να εφαρµοστεί και σε ποιο πολύπλοκα και µεγαλύτερα συστήµατα όπως είναι η ∆ιευρυµένη Επιχείρηση (Extended Enterprise). H ∆ιευρυµένη Επιχείρηση επεκτείνεται πέρα από τα παραδοσιακά όρια ενός εργοστασίου καθώς περιλαµβάνει και την σχέση της επιχείρησης µε τους πελάτες, τους προµηθευτές και άλλους εταιρικούς συνεργάτες (Jagdev και Browne 1998, Chryssolouris et. al. 2004). Για παράδειγµα σε αυτό το επίπεδο, και συγκεκριµένα για επιχειρήσεις που παράγουν περισσότερα του ενός προϊόντα (όπως η αυτοκινητοβιοµηχανία), οι αποφάσεις ανάθεσης προϊόντων σε εργοστάσια είναι σηµαντική καθώς καθορίζει την ικανότητα της επιχείρησης να ικανοποιήσει την ζήτηση και να πετύχει τους στόχους της (Chandra et al. 2005). Η ικανότητα ενός εργοστασίου να παράγει ταυτόχρονα περισσότερα του ενός προϊόντα δίνει την ευελιξία στο δίκτυο παραγωγής (production network) όσο αφορά την ανάθεση παραγωγής συγκεκριµένων τύπων προϊόντων σε εργοστάσια. Επιπλέον θα πρέπεί να λαµβάνεται υπόψη και η ικανότητα των προµηθευτών να τροφοδοτούν κατάλληλα ένα εργοστάσιο. Σε µια τέτοια περίπτωση η µέθοδος DESYMA θα µπορούσε να χρησιµοποιηθεί για την αξιολόγηση διαφορετικών δικτύων παραγωγής όπου καθένα δίκτυο έχει έναν αριθµό από διαφορετικές διαµορφώσεις και κάθε διαµόρφωση έχει διαφορετικές ικανότητες όσο αφορά την χωρητικότητα, τα µοντέλα που µπορεί να παράγει καθώς και το δίκτυο των προµηθευτών. Σε αυτή την περίπτωση, το κόστος αλλαγής από µια διαµόρφωση του δικτύου σε µια άλλη θα προκύπτει από άλλους λόγους όπως: το κόστος των µεταφορικών, το κόστος για να συµπεριληφθεί ένας προµηθευτής στο δίκτυο κ.α. Παρόλο που η ευελιξία είναι ένα από τα βασικότερα χαρακτηριστικά ενός συστήµατος παραγωγής, µαζί µε το κόστος, το χρόνο και την ποιότητα, εντούτοις η µέτρηση της έχει µείνει κυρίως σε ακαδηµαϊκό επίπεδο ενώ η εφαρµογή της στην βιοµηχανία για σχεδιασµό, παρακολούθηση και έλεγχο των συστηµάτων παραγωγής Κεφάλαιο 6 – Συµπεράσµατα και µελλοντική έρευνα δεν έχει επιτευχθεί. 102 Εξαιτίας όµως της διαρκώς αυξανόµενης ανάγκης για περισσότερη και αποδοτικότερη ευελιξία είναι αρκετά βάσιµη η πεποίθηση να αναµένουµε στο µέλλον την εισαγωγή στην καθηµερινή "βιοµηχανική πράξη" και µετρικές ευελιξίας, κατά τον ίδιο τρόπο όπως σήµερα αναφερόµαστε σε άλλες ποσοτικοποιηµένες έννοιες όπως η χωρητικότητα, η ικανότητα διεκπεραίωσης (throughput), το κόστος παραγωγής κ.α. Έτσι οι µελλοντικές εκδόσεις συστηµάτων όπως ERP, παρακολούθησης (production system monitoring), προγραµµατισµού παραγωγής (CAPP), CAE κ.α. θα δίνουν την δυνατότητα συγκέντρωσης της απαραίτητης πληροφορίας για τον υπολογισµό της ευελιξίας ενός συστήµατος παραγωγής. Εποµένως, ενώ µέχρι σήµερα το σηµαντικότερο µέρος της έρευνας επικεντρώνεται στην ανάπτυξη έγκυρων µοντέλων περιγραφής και µέτρησης της ευελιξίας, στο µέλλον αναµένεται ότι όλο και περισσότερες ερευνητικές προσπάθειες θα επικεντρωθούν και στην ανάπτυξη µεθόδων/ τεχνολογιών που θα έχουν ως σκοπό την συγκέντρωση και επεξεργασία των κατάλληλων δεδοµένων µέσα σε µια επιχείρηση ώστε να µπορεί να καταστεί δυνατή η µέτρηση της ευελιξίας µε πραγµατικά δεδοµένα. Υπό από το πρίσµα της πρακτικής εφαρµογής µεθόδων µέτρησης της ευελιξίας σε πραγµατικές συνθήκες, κριτήρια όπως η διαθεσιµότητα και αξιοπιστία των δεδοµένων τα οποία απαιτούνται από τις µεθόδους για τους υπολογισµούς, η ευκολία µε την οποία µπορεί να εφαρµοστούν και κατανοηθούν από τους µηχανικούς, η αξιοπιστία τους στην λήψη αποφάσεων σε βάθος χρόνου κ.α., θα συµβάλλουν ώστε να αποσαφηνισθεί το τοπίο και να ξεχωρίσουν οι µέθοδοι µε πρακτικό ενδιαφέρον και εφαρµογή. Έτσι η µέθοδος DESYMA θα µπορούσε να ενωθεί (integrated) µε πληροφοριακά συστήµατα στη βιοµηχανία και να παρέχει ποσοτικοποιηµένες ενδείξεις σχετικά µε την ευελιξία του συστήµατος παραγωγής. Το γεγονός ότι η µέθοδος έχει ήδη αναπτυχθεί µε την µορφή λογισµικού µε ανοιχτή, 3-tier αρχιτεκτονική θα διευκόλυνε την υλοποίηση µιας τέτοιας προσπάθειας. Πιστεύεται ότι η προτεινόµενη µέθοδος έχει την δυνατότητα να εφαρµοστεί µελλοντικά σε πραγµατικές βιοµηχανικές συνθήκες κυρίως στο ότι στηρίζεται στην βασική σκέψη ότι ένα σύστηµα παραγωγής είναι περισσότερο ευέλικτο όσο εµφανίζεται λιγότερο ευαίσθητο στις µεταβολές του περιβάλλοντος στο οποίο λειτουργεί αλλά και στο ότι τα αποτελέσµατα που παρέχει µπορούν άµεσα να ερµηνευτούν από τους µηχανικούς και την διοίκηση.- Βιβλιογραφία 103 BΙΒΛΙΟΓΡΑΦΙΑ 1. Αλεξόπουλος, Κ. και Γ. Χρυσολούρης, Παρόν και µέλλον στην ευελιξία συστηµάτων παραγωγής: περίπτωση µελέτης σε ελληνική βιοµηχανία. Εισηγήσεις 1ου Πανελληνίου Συνεδρίου Μηχανολόγων Ηλεκτρολόγων , Αθήνα (Μάρτιος 28-30 2005), - ∆ελτίο Πανελλήνιου Συλλόγου ∆ιπλωµατούχων Μηχανολόγων Ηλεκτρολόγων, ∆εκέµβριος 2005, Τεύχος 383, σελ. 30-33.. 2. Ζούπας Π., Μηλιώνης Ι, Προγραµµατίζοντας τις αλλαγές ενός συστήµατος παραγωγής, µε έµφαση την ελαχιστοποίηση του συνολικού κόστους στον κύκλο ζωής του, Σπουδαστική Εργασία, Πάτρα 2005, Πανεπιστήµιο Πατρών, Τµήµα Μηχανολόγων και Αεροναυπηγών Μηχανικών 3. Τσουρβελούδης Ν., Μέτρηση της ευελιξίας των συστηµάτων παραγωγής: µια προσέγγιση ασαφούς λογικής. ∆ιδακτορική ∆ιατριβή, Πολυτεχνείο Κρήτης, Τµήµα Μηχανικών Παραγωγής και ∆ιοίκησης, 1995. 4. Χρυσολούρης Γ., Εισαγωγή στα συστήµατα παραγωγής. Εκδόσεις Πανεπιστηµίου Πατρών, Πάτρα 2005. 5. Alden, J.M., Lawrence D. Burns, Theodore Costy, Richard D. Hutton, Craig A. Jackson, David S. Kim, Kevin A. Kohls, Jonathan H. Owen, Mark A. Turnquist and David J. Vander Veen, General Motors Increases Its Production Throughput. Interfaces, 2006, 36(1), 6-25. 6. Alexopoulos, Κ., Mamassioulas, A., Mourtzis, D., and Chryssolouris, G., Volume and Product Flexibility: a Case Study for a refrigerators Producing Facility. 10th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA 2005), Catania, Italy, 19-22 September 2005, pp. 891-897. 7. Alexopoulos, Κ., Bürkner, S. Milionis, I., Chryssolouris, G., DESYMA - An integrated method to aid the design and the evaluation of reconfigurable manufacturing systems. 1st International Conference on Changeable, Agile, Reconfigurable and Virtual Production (CARV 2005), Munich, Germany, 22-23 September 2005, pp.467-475. Βιβλιογραφία 104 8. Alexopoulos Κ., Mourtzis D, Papakostas N., Chryssolouris G., DESYMA – Assessing flexibility for the lifecycle of manufacturing systems. International Journal of Production Research, 2006, accepted for publication. 9. Alvarez, F., Cerda, E., Learning by doing in a T-period production planning: Analytical solution. European Journal of Operational Research, 2003, 150, 353– 369. 10. Arteta, B.M. and Giachetti, R.E., A measure of agility as the complexity of the enterprise system. Robotics and Computer-Integrated Manufacturing, 2004, 20, 495–503. 11. Asl, F.M. and Ulsoy A.G., Stochastic Optimal Capacity Management in Reconfigurable Manufacturing Systems. Annals of the CIRP, 2003, 52, 371-374. 12. Atkinson, J., Flexibility Planning for an Uncertain Future. Manpower Policy and Practice, 1985, 1. 13. Bateman, N., Stockton, D. J. and Lawrence, P., Measuring the mix response flexibility of manufacturing systems. int. j. prod. res., 1999, 37(4), 871- 880. 14. Barad, M. and D. Sipper, Flexibility in Manufacturing Systems: Definitions and Petri Net Modelling. International Journal of Production Research, 1988, 26(2), 237–248. 15. Barad, M. and Nof, S.Y, CIM flexibility measures: A review and a framework for analysis and applicability assessment. Int. j. Computer Integrated Manufacturing, 1997, 10(1-4), 296- 308 16. Beach, R., Muhlemann, A. P., Price, D. H. R., Paterson, A. and Sharp, J. A., A review of manufacturing flexibility. European Journal of Operational Research, 2000, 122(1), 41-57. 17. Benjaafar, S., Morin, T. L. and Talavage, J., The strategic value of flexibility in sequential decision making. European Journal of Operational Research, 1995, 82(3), 438-457. Βιβλιογραφία 105 18. Bengtsson, J., Manufacturing flexibility and real options: A review. International Journal of Production Economics, 2001, 74(1-3), 213-224. 19. Beskese A, Kahraman C and Irani Z., Quantification of flexibility in advanced manufacturing systems using fuzzy concept. International Journal of Production Economics, 2004, 89(1), 45-56. 20. Bordoloi, S.K, Cooper, W.W. and Matsuo, H., Flexibility, Adaptability, and Efficiency in Manufacturing Systems. Production and Operations Management, 8(2), 133-150. 21. Borenstein, D., A directed acyclic graph representation of routing manufacturing flexibility. European Journal of Operational Research, 2000, 127(1), 78-93. 22. Boyer, K. K. and Leong G. K., Manufacturing Flexibility at the Plant Level. Omega, 1996, 24(5), 495-510. 23. Braglia, M. and Petroni, A., Towards a taxonomy of search patterns of manufacturing flexibility in small and medium-sized firms. Omega, 2000, 28(2), 195–213. 24. Brill, P.H. and M. Mandelbaum, On Measures of Flexibility in Manufacturing Systems. International Journal of Production Research, 1989, 27(5), 747–756. 25. J. Browne, D. Dubois, K. Rathmill, S. P. Sethi, and K. E. Stecke, Classification of Flexible Manufacturing Systems. The FMS Magazine, 1984, 114–117. 26. Chandra, C., Everson, M. and Grabis, J., Evaluation of enterprise-level benefits of manufacturing flexibility. Omega, 2005, 33, 17 – 31. 27. Chandra, P. and Tombak, M., Models for the evaluation of routing and machine flexibility. European Journal of Operational Research, 1992, 60, 156 – 165. 28. An-Yuan Chang, David J. Whitehouse, Sheng-Lin Chang and Yi-Chih Hsieh, An approach to the measurement of single-machine Flexibility. Int. J. Prod. Res., 2001, 39(8), 1589-1601. Βιβλιογραφία 106 29. Chuu S.-J., Fuzzy multi-attribute decision-making for evaluating manufacturing flexibility, Production Planning & Control, 2005, 16(3), 323 – 335. 30. Choi, S. and Kim, J., A study on the measurement of comprehensive flexibility in manufacturing systems. Computers & Industrial Engineering, 1998, 34(1), 103118. 31. Chryssolouris, G. and Lee, M., An Assessment of Flexibility in Manufacturing Systems. Manufacturing Review, 1992, 5(2), 105-116. 32. Chryssolouris, G., Flexibility and its Measurement, Proceedings of the CIRP Annals, 1996, 45(2), 581-587. 33. Chryssolouris, G., Anifantis, N. and Karagiannis, S., An approach to the Dynamic Modelling of Manufacturing Systems. International Journal of Production Research, 1998, 36(2), 475-483. 34. Chryssolouris, G., Makris, S., Xanthakis, V. and Mourtzis, D., Towards the internet based supply chain management for the shiprepair industry. International Journal of Computer Integrated Manufacturing, 2004, 17, 45-57. 35. Correa, H. L., 1994, Linking Flexibility, Uncertainty and Variability in Manufacturing Systems: Managing Unplanned Change in the Automotive Industry, (London: Avebury) 36. Correa, H.L. and Slack, N., Framework to analyse flexibility and unplanned change in manufacturing systems. Computer Integrated Manufacturing Systems, 1996, 9(1), 57-64. 37. Das, S.K., The measurement of flexibility in manufacturing systems. International Journal of Flexible Manufacturing Systems, 1996, 8(1), 67-93. 38. Das A., Towards theory building in manufacturing flexibility. Int. J. Prod. Res., 2001, 39(18), 4153-4177. 39. de Groote, X., Flexibility and product variety in lot-sizing models. European Journal of Operational Research, 1994, 75(2), 243-473. Βιβλιογραφία 107 40. De Leeuw, A.C.J., and Volberda, H. W., On the concept of flexibility: A dual control perspective. Int. J. Mgmt Sci., 1996, 24(2), 121-139. 41. Denardo, E.V., Dynamic programming: models and applications, 2003 (Dover Publications: New York) 42. De Toni, A., Tonchia, S., Manufacturing Flexibility: a literature review. International Journal of Production Research, 1998, 36(6), 1587 – 1617. 43. D'Souza, D. E., Williams, F. P., Toward a taxonomy of manufacturing flexibility dimensions. Journal of Operations Management, 2000, 18(5), 577-593. 44. Elkins, D.A., Huang, N. and Alden, J.M., Agile manufacturing systems in the automotive industry. International Journal of Production Economics, 2004, 91(3), 201-214. 45. Falkner, C.H., Flexibility in manufacturing plants. In Proceedigns of the Second ORSA/TIMS Conference on Flexible Manufacturing Systems, 1986, Elsevier, New York. 46. Feurstein, M. and Natter, M., Fast high precision decision rules for valuing manufacturing flexibility. European Journal of Operational Research, 2000,120(1), 108-117. 47. Garavelli A. C., Performance analysis of a batch production system with limited flexibility. Int. J. Production Economics, 2001, 69, 39- 48 48. Gindy, N.N. and Saad, S.M., Flexibility and responsiveness of machining environments. Integrated Manufacturing Systems, 1998, 9(4), 218–227. 49. Gupta, D., and Buzacott, J.A., A "goodness test" for operational measures of manufacturing flexibility. International Journal of Flexible Manufacturing Systems, 1996, 8(3), 233 – 245. 50. Gupta Υ. and Gupta Μ., Flexibility and availability of flexible manufacturing systems: An information theory approach. Computers in Industry, 1991, 17, 391406. Βιβλιογραφία 108 51. Jack E.P., and Raturi, A., Sources of volume flexibility and their impact on performance. Journal of Operations Management, 2002, 20(5), 519–548. 52. Jagdev, H. S. and Browne, J., The extended enterprise - a context for manufacturing. Production Planning & Control, 1998, 9, 216- 229. 53. Jain, A. and Palekar, U. S., Aggregate production planning for a continuous reconfigurable manufacturing process. Computers & Operations Research, 2005, 32(5), 1213-1236. 54. Kahyaoglu, Y. and Kayaligil, S., Conceptualizing manufacturing flexibility: an operational approach and a comparative evaluation. Int. J. of Prod. Res., 2002, 40(10), 2187 – 2206. 55. Kahyaoglu, Y., Kayaligil, S., Buzacott, J. A., Flexibility analysis: a methodology and a case study. int. j. prod. res., 2002, 40(16), 4111-4130. 56. Kara, S., Kayis, B., Manufacturing flexibility and variability: an overview. Journal of Manufacturing Technology Management, 2004, 15(6), 466-478. 57. Karsak, Ε.Ε. and Özogul, C.O., Valuation of expansion flexibility in flexible manufacturing system investments using sequential exchange options. International Journal of Systems Science, 2005, 36(5), 243 – 253. 58. Khouja M., An aggregate production planning framework for the evaluation of volume flexibility. Production Planning & Control, 1998, 9(2), 127- 137 59. Koren, Y., Heisel, U., Jovane, F., Moriwaki, T., Pritschow, G., Ulsoy, A.G., and Van Brussel, H., Reconfigurable Manufacturing Systems. Annals of the CIRP, 1999, 48(2), 527-540. 60. Koste, L.L. and Malhotra, M.K., A theoretical framework for analyzing the dimensions of manufacturing flexibility. J. Oper. Manage., 1999, 18, 75–93. 61. Koste, L., Malhotra, M., Trade-offs among the elements of flexibility: a comparison from the automotive industry, Omega, 2000, 28(6), 693-710. Βιβλιογραφία 109 62. Kazmer, D., Hatch, D., Zhu, L., Roser, C. and Kapoor, D. Definition and Application of a Process Flexibility Index. Transactions of the ASME, 2003, 125, 164-171. 63. Kurtoglu, A., Flexibility analysis of two assembly lines. Robotics and ComputerIntegrated Manufacturing, 2004, 20(3), 247-253. 64. Kulatilaka, N., The value of flexibility. In: Trigeorgis, L.(Ed.), A General Model of Real Options, Real Options in Capital Investment Models, Strategies, and Applications. Praeger, New York, 1995, 87-107. 65. Kumar, V., Entropic Measures of Manufacturing Flexibility. International Journal of Production Research, 1987, 25(7), 957–966. 66. Lau, R.S.M., Critical factors for achieving manufacturing flexibility. International Journal of Operations & Production Management, 1999, 19(3), 328-341. 67. Law M. A., McComas G. M., Simulation of manufacturing systems. Proceedings of the 1998 Winter Simulation Conference, eds. D.J. Medeiros, E.F. Watson, J.S. Carson and M.S. Manivannan, 49-52. 68. Molina, C. A. Rodriguez, H. Ahuett, J. A. Cortes, M. Ramirez, G. Jimenez and S. Martinez, Next-generation manufacturing systems: key research issues in developing and integrating reconfigurable and intelligent machines. International Journal of Computer Integrated Manufacturing, 2005, 18(7), 525–536. 69. Oke, A., Drivers of volume flexibility requirements in manufacturing plants. International Journal of Operations & Production Management, 2003, 23(12), 1497-1513. 70. Oke, A., A framework for analysing manufacturing flexibility. International Journal of Operations & Production Management, 2005, 25(10), 973 – 996. 71. Olhager, J., Valuation of product-mix flexibility using real options. Int. J. Production Economics, 2002, 78, 13–28. Βιβλιογραφία 110 72. Pagell, M. and Krause, D. R., A multiple-method study of environmental uncertainty and manufacturing flexibility. Journal of Operations Management, 1999, 17(3), 307-325. 73. Parker, R. and Wirth, A., Manufacturing flexibility: Measures and relationships. European Journal of Operational Research, 1999, 118(3), 429-449. 74. Peláez-Ibarrondo, J. and Ruiz-Mercader, J., Measuring Operational Flexibility. Manufacturing Information Systems Proceedings of The Fourth SMESME International Conference, 2000. 75. Pereira, J. and Paulré, B., Flexibility in manufacturing systems: A relational and a dynamic approach. European Journal of Operational Research, 2001, 130(1), 7082. 76. Ramasesh R.V., Jayakumar M.D., Measurement of manufacturing flexibility: A value based approach. Journal of operations in Management, 1991, 10, 446-467. 77. Ramasesh R.V., and Jayakumar M. D., Inclusion of flexibility benefits in discounted cash flow analyses for investment evaluation: A simulation/optimization model. European Journal of Operational Research, 1997, 102(1), 124-141. 78. Ramasesh, R., Kulkarni, S., Jayakumar, M.,. Agility in manufacturing systems: An exploratory modeling framework and simulation. Integrated Manufacturing Systems, 2001, 12(7), 534–548. 79. Rational Rose, http://www-306.ibm.com/software/rational/. Accessed on-line April 2006. 80. Scala, J., Purdy, L., Safayeni, F., Application of cybernetics to manufacturing flexibility: a systems perspective. Journal of Manufacturing Technology Management, 2006, 17(1), 22-41. 81. Sethi, A.K., Sethi, P.S., Flexibility in manufacturing: a survey. The International Journal of Flexible Manufacturing Systems, 1990, 2, 289- 328. Βιβλιογραφία 111 82. Shewchuk, J. and Moodie, C., A framework for classifying flexibility types in manufacturing. Computers in Industry, 1997, 33(2-3), 261-269. 83. Shewchuk, J., A set of generic flexibility measures for manufacturing applications. International Journal of Production Research, 1997, 37(13), 30173042. 84. Shewchuk, J.P., Moodie, C.L., Flexibility and manufacturing systems design: An experimental investigation. International Journal of Production Research, 2000, 38(8), 1801–1822. 85. Shi, D. and Daniels, R. L., A survey of manufacturing flexibility: Implications for e-business flexibility. IBM Systems Journal, 2003, 42(3), 414-427. 86. Slack, N., The flexibility of manufacturing systems. International Journal of Operations & Production Management, 2005, 25(12), 1190 – 1200. 87. D'Souza, D. E., Williams, F. P, Toward a taxonomy of manufacturing flexibility dimensions. Journal of Operations Management, 2000, 18(5), 577-593. 88. Stecke, K.E. and Browne, J., Variations in Flexible Manufacturing Systems According to the Relevant Types of Automated Materials Handling. Material Flow, 1985, 2, 179-185. 89. Stockton, D., Bateman, N., Measuring the production range flexibility of a FMS. Integrated Manufacturing Systems, 1995, 6(2), 27-34. 90. Sun Corp., http://java.sun.com/, accessed on-line 2005 91. Swink, Μ., Narasimhan, Ρ. and Kim, R. Manufacturing Practices and Strategy Integration: Effects on Cost Efficiency, Flexibility, and Market-Based Performance. Decision Sciences, 2005, 36(3), 427-457. 92. Tempelmeier, H. and Kuhn H., Flexible manufacturing systems: Decision support for design and operation, 1993 (Wiley: New York) 93. Tsourveloudis, Ν. and Phillis, Y., Fuzzy Assessment of Machine Flexibility. IEEE Transactions on Engineering Management, 1998, 45(1), 78-87 Βιβλιογραφία 112 94. Upton, D.M., Flexibility as process mobility: The management of plant capabilities for quick response manufacturing. Journal of Operations Management, 1995, 12, 205-224. 95. Van Hop, Ν., Approach to measure the mix response flexibility of manufacturing systems. Int. J. Prod. Res., 2004,42(7), 1407–1418. 96. Van Mieghem, J.A. Investment strategies for flexible resources. Management Science, 1998, 44(8), 1071-1078. 97. Vokurka, R. and Scott, W., O'Leary-Kelly, S., A review of empirical research on manufacturing flexibility. Journal of Operations Management, 2000, 18(4), 485501. 98. Wahab, M.I.M., Measuring machine and product mix flexibilities of a manufacturing system. International Journal of Production Research, 2005, 43(18), 3773–3786. 99. Wang, R. and Chuu, S., Group decision-making using a fuzzy linguistic approach for evaluating the flexibility in a manufacturing system. European Journal of Operational Research, 2004, 154(3), 563-572. 100. Wiendahl, H.P, Changeability – a New Challenge for Production, CIRP GA STC "O" Internal Presentation, 2002 101. Wiendahl, H.P and Heger, C.L., Justifying changeability. A methodological approach to achieving Cost Effectiveness. The manufacturing Journal for Manufacturing Science and Production, 2004, 6(1-2), 33-39. 102. Zhang, Q., Vonderembse, M.A., and Lim, J., Manufacturing flexibility: defining and analyzing relationships among competence, capability, and customer satisfaction. Journal of Operations Management, 21(2), 173-191. Παράρτηµα Α 113 ΠΑΡΑΡΤΗΜΑ A ΣΥΝΑΡΤΗΣΕΙΣ ΓΙΑ ΤΟΝ ΥΠΟΛΟΓΙΣΜΟ ΤΟΥ ΕΛΑΧΙΣΤΟΥ NPC. Τα διαγράµµατα ροής των λειτουργιών που εκτελούν τον αλγόριθµο παρουσιάζονται στα σχήµατα Α.1 και Α.2. Η µέθοδος πραγµατοποιείται, κυρίως, µε την εκτέλεση δύο συναρτήσεων: • Την περιοδική επανάληψη της συνάρτησης του minimumNPC που διατρέχει όλο το δέντρο. • Την συνάρτηση partialNPC που καλείται από τη minimumNPC και χρησιµοποιείται για να υπολογίσει τα επιµέρους NPC για κάθε συνδυασµό. Μια διακλάδωση δύναται να ξεκινάει από έναν κόµβο που βρίσκεται στη µέση ή την βάση του δέντρου και να τελειώνει στην κορυφή αυτού. Η συνάρτηση minimumNPC, Σχήµα A.1 αρχικά επιλέγει τον πρώτο κόµβο (ενεργός κόµβος) και εν συνεχεία ελέγχει αν υπάρχει και άλλο επίπεδο "από κάτω" (λ.χ. αν έχουµε φτάσει στο τέλος του χρονικού ορίζοντα του σχεδιασµού). Αν υπάρχει και άλλο ενεργό επίπεδο µετά από αυτό, τότε ενεργός κόµβος γίνεται ο πρώτος κόµβος του επόµενου επιπέδου, το οποίο ήταν παιδί του προηγούµενου ενεργού κόµβου. Το minNPC καλείται περιοδικά για κάθε κόµβο-"παιδί". Αυτή η διαδικασία επαναλαµβάνεται περιοδικά έως να φτάσει σε ένα κόµβο που να ανήκει σε ένα επίπεδο πάνω από το τελευταίο. Αυτός ο κόµβος γίνεται ενεργός και υπολογίζεται το partial NPC (αναφέρονται περισσότερα παρακάτω) για κάθε πιθανό συνδυασµό του µε τους τερµατικούς κόµβους. Ο συνδυασµός του ενεργού κόµβου, στο προτελευταίο επίπεδο, µε κάποιον από τους κόµβους του τελευταίου επιπέδου, αποθηκεύεται και χρησιµοποιείται για να χαρακτηρίζει τον αλγόριθµο. Εν συνεχεία ενεργός κόµβος γίνεται ο δεύτερος (αν υπάρχει) του προτελευταίου επιπέδου και υπολογίζεται η τιµή του NPC για κάθε πιθανό συνδυασµό του ενεργού κόµβου µε τους τελευταίους κόµβους. Ο συνδυασµός µε τη µικρότερη τιµή NPC (minNPC) αποθηκεύεται και αυτή. Αυτό επαναλαµβάνεται έως και τον τελευταίο κόµβο στο επίπεδο αυτό (προτελευταίο επίπεδο). Κατόπιν, ενεργός γίνεται ένας κόµβος που βρίσκεται στο επόµενο επίπεδο. Η ίδια διαδικασία επαναλαµβάνεται µέχρι να φτάσουµε στους πρώτους κόµβους (root nodes). Μόλις φτάσουµε στο πρώτο επίπεδο, έχουµε φτάσει στο σκοπό µας αφού θα έχουµε βρει ένα συνδυασµό που θα δίνει το µικρότερο NPC. Παράρτηµα Α 114 Στο Α.2 απεικονίζεται το διάγραµµα ροής του partial NPC. Η συνάρτηση έχει ως δεδοµένα τον τρόπο λειτουργίας του συστήµατος για µια χρονική περίοδο (συµβολίζεται µε Confperiod), τον τρόπο λειτουργίας του συστήµατος για την περίοδο που προηγείται αυτής (συµβολίζεται µε Confperiod-1) και το δείκτη της περιόδου, period (όπου period ∈ [1, …, T]). Υπολογίζει τον όρο periodth της εξίσωσης (3.7), αν το Confperiod λαµβάνεται υπόψιν για την period και το Confperiod-1 λαµβάνεται υπ' όψιν για την προηγούµενη χρονική στιγµή (period-1). Για τον κόµβο Confperiod η τιµή του minimum_NPC που αντιστοιχεί στο µικρότερο άθροισµα για τους όρους της εξίσωσης (3.7), που αντιστοιχούν στις περιόδους από την periodth µέχρι την Tth , αν πρωτύτερα έχει επιλεγεί το Confperiod για την period . Αν η τιµή του minimum_NPC για τους συνδυασµούς που ξεκινούν από τον κόµβο Confperiod και ολοκληρώνονται σε κάποιο τελικό κόµβο του δέντρου, έχει ήδη υπολογιστεί µε την κλήση της συνάρτησης partialNPC , τότε προστίθεται στην τιµή που επιστρέφεται από την κλήση της συνάρτησης partialNPC. Παράρτηµα Α 115 minimumNPC(Config, period) Take next possible configuration for (period+1) (Configperiod+1) Has the minNPC for Config period+1 been calculated? Or Is (period+1) = last period of the lifecycle ? No Call:minimumNPC(Configperiod+1,period+1) Yes Call: partialNPC(Configperiod,Configperiod+1,period+1) Store temporalily the partial NPC value for Configperiod to Configperiod+1 Yes Is there any other possible configuration in (period+1) ? No Find minimum NPC of among all temporarily stored partial NPC values for Configperiod STOP Σχήµα A.1: ∆ιάγραµµα ροής της συνάρτησης minimumNPC Παράρτηµα Α 116 PartialNPC(Configperiod-1,Configperiod,period) CO = ChangeOver cost from Configperiod-1 to Configperiod OP = Operation cost for Config period in period TotalProdCost = CO + OP PartialNPC= TotalProdCost (1+r) ^ period where r:interest rate Has the minimum NPC of Configperiod been calculated and stored ? No Yes PartialNPC = PartialNPC + minimumNPC_of_Confperiod Return PartialNPC Σχήµα A.2: Λειτουργία της συνάρτησης Partial NPC Παράρτηµα Β 117 ΠΑΡΑΡΤΗΜΑ Β Σε αυτό το παράρτηµα παρουσιάζονται τα εξής βασικά διαγράµµατα της εφαρµογής DESYMA-SP: • Use Case Diagrams • Class Diagrams • Data Base Diagrams Τα διαγράµµατα έγιναν µε εµπορικό πακέτο µοντελοποίησης Rational Rose (Rational Rose 2006). ∆ΙΑΓΡΑΜΜΑ USE CASE ΤΗΣ ΕΦΑΡΜΟΓΗΣ DESYMA-SP Στην απλούστερή του µορφή ένα use case διάγραµµα µπορεί να οριστεί ως ένας τρόπος αποτύπωσης της χρήσης ενός συστήµατος από κάποιον (η κάποιους) χρήστη (ή χρήστες). Σε µεγαλύτερη λεπτοµέρεια ένα use case α) περιγράφει την συµπεριφορά του συστήµατος, β) αποτυπώνει την σειρά διαδοχικών συναλλαγών του χρήστη µε το σύστηµα, γ) καταγράφει τις απαιτήσεις του συστήµατος και δ) χρησιµοποιείται σαν µέσο για την επικοινωνία των τελικών χρηστών και των δηµιουργών/ προγραµµατιστών του λογισµικού. Παρακάτω παρουσιάζονται το συνολικό use case διάγραµµα σύστηµα. για ολόκληρο το Παράρτηµα Β 118 Product Add/Edit Product Search Product Market Scenarios Market R equirem ents Add/Edit Market R equirem ent Search Market R equirem ent C onf iguration Add/Edit C onf iguration View Scenario Im port r equir ements Add/Edit Adaptation Search C onf iguration View N PV prof ile Add/Edit Sensitiv ity D ESY MA-U ser login m ain Add/Edit ev aluation Ev aluation S earch ev aluation Add/Edit Plan Search Plan Volum e f lexibili ty Product f lexibility Flexibiilty P OC C om pareSolutions Add/Edit C om parison Search C om parison Σχήµα B.1: Συνολική αποτύπωση των λειτουργιών του συστήµατος Add/Edit Planning constraints Παράρτηµα Β 119 ∆ΙΑΓΡΑΜΜΑΤΑ ΚΛΑΣΕΩΝ ΤΟΥ DESYMA-SP Ένα διάγραµµα κλάσεων παρουσιάζει την ύπαρξη κλάσεων και των συσχετίσεων τους στο λογικό σχεδιασµό ενός συστήµατος. Ένα διάγραµµα κλάσεων µπορεί να παρουσιάζει ολόκληρο η µέρος της δοµής των κλάσεων ενός συστήµατος. Μια κλάση είναι ένα σύνολο από αντικείµενα που µοιράζονται µία κοινή δοµή και µία κοινή συµπεριφορά. Μια κλάση είναι µια µορφή αφαίρεσης πραγµατικών αντικείµενων και εννοιών. Όταν τα αντικείµενα αυτά υπάρχουν σε ένα πραγµατικό κόσµο, τότε είναι µια περίσταση (instantiation) της κλάσης και αναφέρονται ως αντικείµενα. Παρακάτω παρουσιάζονται ορισµένα από τα πιο αντιπροσωπευτικά διαγράµµατα κλάσεων της εφαρµογής DESYMA-SP. 1. ∆ιάγραµµα κλάσεων συστήµατος - αγοράς: Σε αυτό το διάγραµµα φαίνονται οι βασικές κλάσεις που απαρτίζουν το σύστηµα παραγωγής, οι κλάσεις που περιγράφουν το περιβάλλον αγοράς. 2. ∆ιάγραµµα κλάσεων περιγραφής του προβλήµατος προγραµµατισµού παραγωγής: Σε αυτό το διάγραµµα φαίνονται οι βασικές κλάσεις που περιγράφουν το πρόβληµα του προγραµµατισµού της παραγωγής. 3. ∆ιάγραµµα κλάσεων περιγραφής των µεθόδων επίλυσης του προβλήµατος προγραµµατισµού: Σε αυτό το διάγραµµα φαίνονται οι κλάσεις που αποτυπώνουν της βασικές µεθόδους επίλυσης του προβλήµατος του προγραµµατισµού. 4. ∆ιάγραµµα κλάσεων µεθόδου βελτιστοποίησης: Σε αυτό το διάγραµµα φαίνονται οι κλάσεις που περιγράφουν την µέθοδο εύρεσης της βέλτιστης λύσης. Παράρτηµα Β 120 Σχήµα B.2: ∆ιάγραµµα κλάσεων συστήµατος- αγοράς. Παράρτηµα Β 121 ChangeCostEntry ChangeCostMatrix -entries (from scenarios) ChangeCostMatrix() getChangeCost() addEntry() AdaptationPlanningProblemSolver DataProvider (from configuration) (from configuration) Product 1..n fromAdaptation : Adaptation toAdaptation : Adaptation changeCost : double ChangeCostEntry() ChangeCostEntry() +allProducts solve() AdaptationPlanningProblemSolver() -changeCostMatrix -dataProvider 1..n #problem AdaptationPlanningProblemCreator AdaptationPlanningProblem 1 1 -scenario Scenario -configuration Configuration (from configuration) -configuration -problem (from configuration) -configuration 1 1 1 -scenario (from scenarios) ExcelCreator Adaptation 1 -adaptation 1 PerformanceIndicator value : float -solution computePI() PerformanceIndicator() PerformanceIndicator() getAdaptationPlan() getValue() -PIs #adaptationPlan PlanningPeriod -periods AdaptationPlan 1..n startTime : int endTime : int 1..n PlanningPeriod() -strategy NPV_PI interestRate : float UtilizationPI POC_PI ProductionCost_PI PlanningStrategy Σχήµα B.3: ∆ιάγραµµα κλάσεων συστήµατος- αγοράς MulticriteriaPlanning (from alternatives) Παράρτηµα Β 122 Adaptat ionPlanningProblemS olver solve() AdaptationPlanningProblemSolver() MulticriteriaSolver OptimumSolver (f rom m ul ticriteri a) (f rom optimu m) MulticriteriaSolver() solve() OptimumPerPeriodSolver OptimumPerPeriodSolver() solve() getAdaptation() OptimumSolver() Min imumCapacitySolver MinimumCapacitySolver() configure() getAdaptation() OptimumNPVSolver Opt imumProductionCostSolver (from optim um ) (from optim um ) OptimumNPVSolver() solve() configure() OptimumProductionCostSolver() solve() configure() Σχήµα B.4: ∆ιάγραµµα κλάσεων περιγραφής των µεθόδων επίλυσης του προβλήµατος προγραµµατισµού. Παράρτηµα Β 123 Path AdaptationNode -childNode #edges Node A daptationN ode() opt im ality Equation() 0..n 1..n Edge Path() Path() concate() concate() getNodes() -edges Edge() Edge() 1..n +node #nodes -path 1 -start ingE dge #rankedSolutions 1..n TreeFactory Solution -adaptation #constraintsManager TreeConstraintsM anager initTree() #stage #tree A daptation Stage (from configuration) position : int 1 +allStages Stage() addNode() getNum Of Nodes() getNode() Tree Conf igurationTreeFactory 1..n Conf igurationTreeContstraintsManager ScenarioPeriodStage ScenarioPeriodStage() -planningConstraintsManager -conf iguration 1 Conf igurati on (from configuration) -conf iguration Conf igurationTree interestRate : double P lann ingConstr aint sManager (fr om co nstraint s) m anager : P lanningC onstr aint sManager = null Conf igurationTreeW ithN oChangeCosts Conf igurationTreeW ithN oCostDiscount Σχήµα B.5: ∆ιάγραµµα κλάσεων µεθόδου βελτιστοποίησης Παράρτηµα Β 124 ∆ΙΑΓΡΑΜΜΑ ΒΑΣΗΣ ∆Ε∆ΟΜΕΝΩΝ ΤΟΥ DESYMA-SP Σχήµα B.6: Σχεδιάγραµµα Βάσης ∆εδοµένων Παράρτηµα Γ – Λίστα σχηµάτων 125 ΠΑΡΑΡΤΗΜΑ Γ - ΛΙΣΤΑ ΣΧΗΜΑΤΩΝ Σχήµα 1.1: Σύστηµα παραγωγής και περιβάλλον λειτουργίας του ............................12 Σχήµα 2.1: Η ευελιξία επιτρέπει την σταθερότητα/ ισορροπία ενός συστήµατος παραγωγής. ..........................................................................................................19 Σχήµα 2.2: Τύποι ευελιξίας και οι µεταξύ τους συσχετίσεις (Πηγή: Sethi & Sethi 1990). ...................................................................................................................25 Σχήµα 2.4: Παράδειγµα πιθανών αλλαγών και του κόστους των. .............................33 Σχήµα 2.5: Σχηµατική απεικόνιση της ευελιξίας όγκου παραγωγής..........................39 Σχήµα 2.6: Ονοµασίες της ικανότητας αλλαγής σε διάφορα επίπεδα του συστήµατος (Πηγή: Wiendahl και Heger (2004))....................................................................43 Σχήµα 2.7: Τύπος ευελιξίας και πιθανά τεχνολογικά µέσα για την επίτευξη της (Πηγή: Weindahl 2002). .....................................................................................47 Σχήµα 2.8: Προκαθορισµένα και Ευέλικτα Συστήµατα Παραγωγής (Πηγή: Χρυσολούρης 2005).............................................................................................49 Σχήµα 2.9: Η εξέλιξη των συστηµάτων παραγωγής (Πηγή: Molina et. al. 2005).....50 Σχήµα 3.1: ∆ιάγραµµα ροής της συνολικής διαδικασίας αξιολόγησης συστηµάτων παραγωγής. ..........................................................................................................54 Σχήµα 3.2: Παράδειγµα σεναρίου τεσσάρων προϊόντων για διάρκεια τριών ετών (Πηγή: Alexopoulos et. al. 2005). ......................................................................58 Σχήµα 3.3: Παράδειγµα µοντελοποίησης τριών λύσεων και των πιθανών διαµορφώσεών τους .............................................................................................61 Σχήµα 3.4: Παράδειγµα προσαρµογής ενός συστήµατος στην ζήτηση της αγοράς...66 Σχήµα 3.5: Παράδειγµα διαφορετικού βαθµού ευελιξίας ..........................................68 Σχήµα 3.6: Σχηµατική απεικόνιση του προβλήµατος βελτιστοποίησης µε την χρήση δενδρικής δοµής...................................................................................................71 Σχήµα 3.7: Παράδειγµα εύρεσης της βέλτιστης λύσης σε τρεις περιόδους: α) πιθανοί συνδυασµοί εφαρµογών στο σύστηµα για χρονικό διάστηµα 3 χρόνων, β) εύρεση ελαχίστου για το Α1 στο 2ο επίπεδο, γ) εύρεση ελαχίστου για το Α2 στο 2ο επίπεδο, δ) εύρεση ελαχίστου για το Α3 στο 2ο επίπεδο, ε) εύρεση ελαχίστου NPC για το 1ο επίπεδο και στ) τελική λύση.........................................................73 Σχήµα 3.8: Το σενάριο που χρησιµοποιήθηκε για τον έλεγχο του αλγορίθµου.........74 Σχήµα 3.9: Μέτρηση της απόδοσης του DESYMA-Opt............................................75 Παράρτηµα Γ – Λίστα σχηµάτων 126 Σχήµα 3.10: Επέκταση του αλγορίθµου DESYMA-Opt για να υποστηρίζει σύνθετους περιορισµούς........................................................................................................78 Σχήµα 4.1: Συγκόλληση σκελετού αυτοκινήτου ........................................................79 Σχήµα 4.2: ∆ιαφορετικά συστήµατα συγκόλλησης µε α) συµβατική συγκόλληση και β) συγκόλληση µε laser........................................................................................80 Σχήµα 4.3: ∆ιάγραµµα του κόστους ανά κοµµάτι για το System A...........................83 Σχήµα 4.4: ∆ιάγραµµα του κόστους ανά κοµµάτι για το System B ...........................83 Σχήµα 4.5: Κατανοµή των τιµών του NPV για διαφορετικά προφίλ σεναρίων. ........85 Σχήµα 4.6: Τα σενάρια αγοράς της δεύτερης περίπτωσης µελέτης............................86 Σχήµα 5.1: Η αρχιτεκτονική του λογισµικού DESYMA-SP......................................90 Σχήµα 5.2: Αρχική σελίδα του DESYMA-SP ............................................................91 Σχήµα 5.3: Σελίδα υποδοχής του DESYMA-SP ........................................................92 Σχήµα 5.4: Οθόνη εισαγωγής των απαιτήσεων της αγοράς. ......................................93 Σχήµα 5.5: Οθόνη περιγραφής της βασικής σχεδιαστικής λύσης ..............................94 Σχήµα 5.6: Οθόνη εισαγωγής των στοιχείων µιας διαµόρφωσης...............................95 Σχήµα 5.7: Οθόνη εισαγωγής των χαρακτηριστικών µιας µηχανής...........................97 Σχήµα 5.8: Οθόνη προγραµµατισµού των αλλαγών...................................................98 Σχήµα 5.9: Υπολογισµός ευελιξίας µε το DESYMA-SP. ..........................................99 Σχήµα 5.10: Υπολογισµός του Penalty of Change (POC) µε το DESYMA-SP.........99 Παράρτηµα ∆ – Λίστα πινάκων 127 ΠΑΡΑΡΤΗΜΑ ∆ - ΛΙΣΤΑ ΠΙΝΑΚΩΝ Πίνακας 2-1: Μέσα επίτευξης ευελιξίας όγκου (Πηγή: Jack και Raturi (2002)) ........23 Πίνακας 3-1: Γλωσσάριο .............................................................................................55 Πίνακας 3-2: Αποτελέσµατα πειραµάτων για την επαλήθευση του DESYMA-Opt..74 Πίνακας 4-1: Περιγραφή των δύο συστηµάτων. .........................................................82 Πίνακας 4-2: Κόστη λειτουργίας και χωρητικότητα για τα δύο συστήµατα..............82 Πίνακας 4-3: Κόστη αλλαγής για το System A. .........................................................83 Πίνακας 4-4: Κόστη αλλαγής για το System B. .........................................................84 Πίνακας 4-5: Αποτελέσµατα µέτρησης για διαφορετικά προφίλ σεναρίων...............85 Πίνακας 4-6: Κόστη αλλαγής του Συστήµατος Α για την δεύτερη περίπτωση µελέτης ..............................................................................................................................86 Πίνακας 4-7: Κόστη αλλαγής του Συστήµατος Β για την δεύτερη περίπτωση µελέτης ..............................................................................................................................86 Πίνακας 4-8: Αποτελέσµατα της δεύτερης περίπτωσης .............................................87 Πίνακας 4-9: Αποτελέσµατα της δεύτερης περίπτωσης (µε εφαρµογή της συγκέντρωσης γνώσης)........................................................................................88 Σύντοµο βιογραφικό σηµείωµα 128 ΣΥΝΤΟΜΟ ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ Ο Αλεξόπουλος Κοσµάς εισήχθη στο τµήµα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής του Πανεπιστήµιου Πατρών το 1994 και απέκτησε το ∆ίπλωµα Μηχανικού το 1999. Απέκτησε Μεταπτυχιακό ∆ίπλωµα Ειδίκευσης (Masters) στην Τεχνολογία των Υπολογιστών από το τµήµα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής του Πανεπιστήµιου Πατρών τον Απρίλιο του 2002. Από το Σεπτέµβριο του 2002 είναι Μεταπτυχιακός φοιτητής µε σκοπό την απόκτηση ∆ιδακτορικού ∆ιπλώµατος στο Τµήµα Μηχανολόγων Μηχανικών και Αεροναυπηγών του Πανεπιστηµίου Πατρών. Τα ερευνητικά του ενδιαφέροντα επικεντρώνονται σε θέµατα σχεδιασµού, παρακολούθησης, χρονοπρογραµµατισµού και ελέγχου συστηµάτων παραγωγής. Πιο συγκεκριµένα τα ενδιαφέροντα του περιλαµβάνουν τα εξής: – Ευελιξία και µέτρηση ευελιξίας σε συστήµατα παραγωγής. – Μοντελοποίηση και προσοµοίωση συστηµάτων παραγωγής. – Εικονική πραγµατικότητα. – Προσοµοίωση ανθρώπινης κίνησης µε την χρήση υπολογιστή. Εργάζεται στο Εργαστήριο Συστηµάτων Παραγωγής και Αυτοµατισµού υπό την επίβλεψη του Καθηγητή Γεώργιου Χρυσολούρη από το 1998. Σε αυτή την χρονική περίοδο είχε την ευκαιρία να εργαστεί είτε ως προγραµµατιστής λογισµικού είτε ως ερευνητής (research engineer) στα πλαίσια Ευρωπαϊκών και Ελληνικών ερευνητικών προγραµµάτων από τα όποια απέκτησε εµπειρία τόσο για το τεχνικό/ επιστηµονικό περιεχόµενο των ερευνητικών προγραµµάτων αλλά και εµπειρία διαχείρισης των έργων (project management). Γνωρίζει πολύ καλά Αγγλικά (πτυχίο Proficiency-Cambridge) και είναι µέλος του Τεχνικού Επιµελητηρίου Ελλάδας (ΤΕΕ) από το 2000. ∆ηµοσιεύσεις 129 ∆ΗΜΟΣΙΕΥΣΕΙΣ 1. Chryssolouris, G., V. Karabatsou, K. Alexopoulos, D. Fragos and P. Stavropoulos, "Virtual Reality Applications in Shipbuilding: A Ship Docking Case Study", Proceedings of the 8th International Marine Design Conference, Athens, Greece, (May 2003), pp. 543-549. 2. M. Pappas, D. Fragos, K. Alexopoulos, V. Karabatsou, “Development of a threefinger grasping technique on a VR glove”, Proceeding of the VIRTUAL CONCEPT 2003 Conference, Biarritz – France, November 2003, pp. 279-283. 3. Chryssolouris, G., D. Mavrikios, D. Fragos, V. Karabatsou and K. Alexopoulos, "A hybrid approach to the verification and analysis of assembly and maintenance processes using Virtual Reality and Digital Mannequin technologies", In Virtual Reality and Augmented Reality Applications in Manufacturing (ISBN 1-85233796-6), Nee A.Y.C. and Ong S.K. (eds), Springer-Verlag, London (2004) 4. Καραµπάτσου, Β., Κ. Αλεξόπουλος, ∆. Φράγκος, Π. Σταυρόπουλος και Γ. Χρυσολούρης, "Εφαρµογή της Εικονικής Πραγµατικότητας στην επισκευή πλοίων: περίπτωση µελέτης δεξαµενισµού πλοίου", Εισηγήσεις 1 ου Πανελληνίου Συνεδρίου Μηχανολόγων Ηλεκτρολόγων , Αθήνα (Μάρτιος 28,29,30, 2005) (Εκδόθηκε σε CD - RO Μ). 5. Αλεξόπουλος, Κ. και Γ. Χρυσολούρης, "Παρόν και µέλλον στην ευελιξία συστηµάτων παραγωγής: περίπτωση µελέτης σε ελληνική βιοµηχανία", Εισηγήσεις 1ου Πανελληνίου Συνεδρίου Μηχανολόγων Ηλεκτρολόγων , Αθήνα (Μάρτιος 28,29,30, 2005) - ( Eκδόθηκε σε CD - ROΜ) 6. K. Alexopoulos, A. Mamassioulas, D. Mourtzis, G. Chryssolouris, Volume and Product Flexibility: a Case Study for a refrigerators Producing Facility, 10th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA 2005), Catania, Italy, 19-22 September 2005, pp. 891-897 7. K. Alexopoulos, S. Bürkner, I. Milionis, G. Chryssolouris, DESYMA - An integrated method to aid the design and the evaluation of reconfigurable manufacturing systems. 1st International Conference on Changeable, Agile, Reconfigurable and Virtual Production (CARV 2005), Munich, Germany, 22-23 September 2005, pp.467-475. ∆ηµοσιεύσεις 130 8. Αλεξόπουλος, Κ. και Γ. Χρυσολούρης, Παρόν και µέλλον στην ευελιξία συστηµάτων παραγωγής: περίπτωση µελέτης σε ελληνική βιοµηχανία. ∆ελτίο Πανελλήνιου Συλλόγου ∆ιπλωµατούχων Μηχανολόγων Ηλεκτρολόγων, ∆εκέµβριος 2005, Τεύχος 383, σελ. 30-33. 9. Alexopoulos K, Mavrikios D., Pappas M., Ntelis E., Chryssolouris G., MultiCriteria Upper Body Human Motion Adaptation. Accepted for publication in the International Journal of Computer Integrated Manufacturing, Available on-line, 2006. 10. Alexopoulos Κ., Mourtzis D, Papakostas N., Chryssolouris G., DESYMA – Assessing flexibility for the lifecycle of manufacturing systems. Accepted (in press) for publication in the International Journal of Production Research, 2006. 11. D. Mavrikios, V. Karabatsou, K. Alexopoulos and G. Chryssolouris, "Advanced human-centered design techniques in process design & verification: a Virtual Reality based paradigm", Proceedings (edited CD-ROM) of the 2nd VIDA International Conference "New Trends in Collaborative Product Design", Poznan (Poland), November 2005. 12. K. Alexopoulos, M. Pappas, V. Karabatsou, D. Mavrikios and G. Chryssolouris Human Motion Adaptation: A Multi-Criteria Approach, SAE 2006 Digital Human Modeling for Design and Engineering Conference, published in CD-ROM, available on-line. 13. K. Alexopoulos, N Papakostas, D. Mourtzis, P. Gogos, G. Chryssolouris, Quantifying the flexibility of a manufacturing system by applying the transfer function. Accepted for publication in the International Journal of Computer Integrated Manufacturing. 14. D. Mavrikios, V. Karabatsou, K. Alexopoulos, M. Pappas, P. Gogos and G. Chryssolouris, An approach to human motion analysis and modeling. Accepted for publication in the International Journal of Industrial Ergonomics. 15. K. Alexopoulos, N. Papakostas, D. Mourtzis, P. Gogos, G Chryssolouris, On the manufacturing systems dynamics, Submitted in the International Journal of Production Research. ∆ηµοσιεύσεις 131 16. N. Papakostas, S. Makris, K. Alexopoulos, D. Mavrikios, A Stournaras and G. Chryssolouris, Modern Automotive Assembly Technologies: Status and Outlook. Submitted in the 1st CIRP International Seminar on Assembly Systems, Stuttgart, Germany, 2006. 17. D. Mavrikios, V. Karabatsou, M. Pappas, K. Alexopoulos, G. Chryssolouris, An integrated VR-based simulation environment for the assessment of process and human factors in assembly. Submitted in the 1st CIRP Seminar on Assembly Systems, 2006. 18. Chryssolouris G., Pappas M., Karabatsou V., Mavrikios D. and Alexopoulos K., A shared virtual environment for collaborative product development in manufacturing enterprises, In: Collaborative Product Design & Manufacturing Methodologies and Applications, A.Y.C Nee & S.K. Ong (eds), Springer-Verlag, Accepted (under revision), 2006. 19. K. Alexopoulos, A. Mamassioulas, D. Mourtzis, G. Chryssolouris, On Flexibility and the Design of Manufacturing Systems, to be submitted in the Robotics and Computer Integrated Manufacturing