ดาวน์โหลด All Proceeding - AS Nida
ดาวน์โหลด All Proceeding - AS Nida
ดาวน์โหลด All Proceeding - AS Nida
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
281<br />
การประชุมวิชาการดานการวิจัยดําเนินงานแหงชาติ ประจําป 2554<br />
วันที่<br />
8-9 กันยายน 2554 ณ โรงแรม เอส ดี อเวนิว กรุงเทพฯ<br />
การใชวิธีการโครงขายประสาทเทียมแบบผสมในการจัดตารางการผลิตใหกับสายประกอบแบบไหลเลื่อน<br />
Application of Hybrid Artificial Neural Network for Assembly Flow Shop Scheduling Problem<br />
วัชรพันธ สุขเกิด 1 และธีรเดช วุฒิพรพันธ 2<br />
1, 2<br />
ภาควิชาวิศวกรรมอุตสาหการ คณะบัณฑิตวิทยาลัย มหาวิทยาลัยเทคโนโลยีพระจอมเกลาพระนครเหนือ<br />
เขตบางซื่อ<br />
กรุงเทพมหานคร 10800<br />
โทรศัพท: 02-913-2500 Ext 8141 E-mail: s.watcharapan@gmail.com 1 , teeradej.wuttipornpun@gmail.com 2<br />
บทคัดยอ<br />
ปจจุบันการจัดตารางการผลิตชิ้นสวนยานยนตของโรงงาน<br />
ตัวอยางใชกฎการจายงานแบบ EDD (Earliest Due Date) เพื่อตองการลด<br />
เวลาที่งานลาชา<br />
ซึ่งกฎการจายงานดังกลาวเหมาะสําหรับระบบการผลิต<br />
แบบเครื่องจักรเดี่ยว<br />
แตเนื่องจากโรงงานตัวอยางใชระบบการผลิตแบบ<br />
ไหลเลื่อนผสมกับขั้นตอนการประกอบ<br />
ทําใหเวลาที่งานลาชาไมไดลดลง<br />
อยางที่คาดหวังไว<br />
งานวิจัยนี้นําเสนอระบบการจัดตารางการผลิตที่<br />
เรียกวา “วิธีการโครงขายประสาทเทียมแบบผสม” (Hybrid Artificial<br />
Neural Network : HANN) โดยเริ่มจากการใชวิธีการขั้นตอนเชิง-<br />
พันธุกรรม (Genetic Algorithm : GA) ในการหาคําตอบเริ่มตน<br />
(Initial<br />
Solution) รวมถึงการหาคาถวงน้ําหนักการเชื่อมโยงและคาไบแอส<br />
(Connection Weight & Bias) ใหกับวิธีการโครงขายประสาทเทียม<br />
(Artificial Neural Network : ANN) โดยมีวัตถุประสงคเพื่อหาคาใชจาย<br />
นอยที่สุดของผลรวมระหวางคาปรับความลาชาและคาใชจายของงานที่<br />
คางอยูในระบบ<br />
(Tardiness and Flow time Cost) จากการทดลองใช<br />
วิธีการที่นําเสนอในการจัดตารางการผลิตใหกับ<br />
520 คําสั่งผลิต<br />
ผลการ<br />
ทดลองพบวาวิธีการ HANN มีประสิทธิภาพดีกวากฎการจายงานแบบ<br />
EDD ทั้งในดานคาปรับความลาชาและคาใชจายของงานที่คางอยูใน<br />
ระบบ รวมถึงการใช GA ในการหาคาถวงน้ําหนักการเชื่อมโยงและคา<br />
ไบแอสใหกับวิธีการ HANN จะใหคําตอบที่ดีกวาวิธีการแพรคายอนกลับ<br />
(Backpropagation) ในขณะที่ใชเวลาในการประมวลผลเทากัน<br />
คําสําคัญ: การจัดตารางการผลิตแบบไหลเลื่อน<br />
วิธีการโครงขาย<br />
ประสาทเทียม และวิธีการขั้นตอนเชิงพันธุกรรม<br />
Abstract<br />
Currently, a single machine dispatching rule called earliest<br />
due date (EDD) is applied in order to generate a production schedule for<br />
a selected factory. A reason why the EDD is selected is that the planner<br />
wants to reduce the tardiness in the system. Since a real production shop<br />
is organized as a flow shop with assembly operations not single<br />
machine, the tardiness in the system then has never been reduced as<br />
expected. This research aims to remedy this problem by proposing a<br />
production scheduling algorithm called Hybrid Artificial Neural<br />
Network (HANN). The proposed algorithm applies Genetic Algorithm<br />
(GA) to determine an initial solution and also determine the connection<br />
weight and bias for Artificial Neural Network (ANN) using a multiple<br />
objective function which is to minimize sum of tardiness and flow-time<br />
cost. To evaluate the effectiveness of the proposed algorithm, real 520<br />
operations are scheduled based on EDD and HANN algorithm and their<br />
results are statistically compared. The result shows that the HANN<br />
algorithm obtains tardiness and flow-time cost better than the EDD.<br />
Furthermore, the GA obtains a better connection weight and bias for<br />
ANN than that of the conventional method called backpropagation by<br />
using the same calculation time.<br />
Keyword: Flow Shop Scheduling, Artificial Neural Network, Genetic<br />
Algorithm<br />
1. บทนํา<br />
การจัดตารางการผลิตเปนการจัดลําดับความสําคัญของ<br />
กิจกรรมโดยพิจารณาเงื่อนไขและขอจํากัดที่เกี่ยวของในการผลิต<br />
เชน<br />
กําลังการผลิตของเครื่องจักร<br />
เงื่อนไขลําดับ<br />
กอน-หลัง (precedence) ของ<br />
งาน เปนตน หากการจัดตารางการผลิตมีประสิทธิภาพที่ดีจะสงผลให<br />
สามารถลดคาใชจายลงได เชน คาปรับเมื่อสงมอบงานลาชา<br />
คาใชจายใน<br />
การดําเนินการผลิต คาใชจายในการจัดเก็บสินคาคงคลัง เปนตน จาก<br />
การศึกษางานวิจัยที่เกี่ยวของพบวา<br />
วิธีการที่ใชในการแกปญหาการจัด<br />
ตารางการผลิตไดอยางมีประสิทธิภาพนั้นแบงออกเปน<br />
2 วิธีคือ วิธีการ<br />
เมตาฮิวริสติก (Metaheuristic method) และวิธีการหาคาที่เหมาะสมที่สุด<br />
(Optimization method) วิธีเมตาฮิวริสติกนั้นเหมาะสําหรับปญหาที่มีงาน<br />
จํานวนมากและมีเงื่อนไขที่ซับซอนในการจัดตารางการผลิต<br />
ซึ่งวิธีการนี้<br />
สามารถหาคําตอบไดใกลเคียงคําตอบที่เหมาะสมที่สุด<br />
(Near optimal)<br />
ภายในระยะเวลาที่รวดเร็ว<br />
วิธีการเหลานี้ไดแก<br />
วิธีการจําลองการอบออน<br />
(Simulated Annealing : SA) วิธีการคนหาแบบทาบู (Tabu Search : TS)