سامانه مدیریت نشریات علمی دانشگاه بوعلی سینا

صاعدی, فاطمه, کیانفر, کامران. (1401). زمان‌بندی تولید سلولی با درنظر گرفتن عوامل انسانی و زمان تحویل سفارشات. پژوهش های زبان شناسی تطبیقی, 10(21), 51-69. doi: 10.22084/ier.2023.27096.2101
فاطمه صاعدی; کامران کیانفر. "زمان‌بندی تولید سلولی با درنظر گرفتن عوامل انسانی و زمان تحویل سفارشات". پژوهش های زبان شناسی تطبیقی, 10, 21, 1401, 51-69. doi: 10.22084/ier.2023.27096.2101
صاعدی, فاطمه, کیانفر, کامران. (1401). 'زمان‌بندی تولید سلولی با درنظر گرفتن عوامل انسانی و زمان تحویل سفارشات', پژوهش های زبان شناسی تطبیقی, 10(21), pp. 51-69. doi: 10.22084/ier.2023.27096.2101
صاعدی, فاطمه, کیانفر, کامران. زمان‌بندی تولید سلولی با درنظر گرفتن عوامل انسانی و زمان تحویل سفارشات. پژوهش های زبان شناسی تطبیقی, 1401; 10(21): 51-69. doi: 10.22084/ier.2023.27096.2101

زمان‌بندی تولید سلولی با درنظر گرفتن عوامل انسانی و زمان تحویل سفارشات

نشریه پژوهش های مهندسی صنایع در سیستم های تولید
مقاله 4، دوره 10، شماره 21، اسفند 1401، صفحه 51-69    اصل مقاله (843.09 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22084/ier.2023.27096.2101
نویسندگان
فاطمه صاعدی1؛ کامران کیانفر* 2
1کارشناسی‌ارشد مهندسی صنایع، دانشکدۀ فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران
2استادیار گروه مهندسی صنایع و آینده پژوهی، دانشکدۀ فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران
چکیده
مهندسی عوامل انسانی یک زمینه علمی مرتبط با فهم تعامل بین انسان و سایر عناصر یک سیستم در جهت آسایش و رفاه اپراتور و عملکرد کامل سیستم می­باشد. هدف اصلی این پژوهش، زمان­بندی تولید سفارش­ها و شیفت­بندی اپراتور­ها در محیط تولید سلولی با درنظر گرفتن عوامل انسانی و با اهداف کمینه کردن دیرکرد تحویل محصولات و میانگین خستگی اپراتورها می­باشد. در این پژوهش فاکتورهای انسانی خستگی، یادگیری و فراموشی در زمان­بندی محیط­های تولیدی درنظر گرفته شده است و یک مدل برنامه­ریزی ریاضی عدد صحیح به­همراه الگوریتم ابتکاری افق غلطان برای حل مسأله ارائه می­شود. به­منظور اجرای آزمایشات عددی، 3 گروه مسائل نمونه به­صورت تصادفی تولید شد. الگوریتم افق غلطان در دو حالت همپوشانی و بدون همپوشانی روی مسائل نمونه اجرا شد و نتایج نشان داد که این الگوریتم در حالت بدون همپوشانی با طول ۲ دوره ازنظر زمان حل و اختلاف با جواب بهینه، مناسب­ترین حالت است. الگوریتم ابتکاری افق غلطان قادر است مسائل در ابعاد بزرگ را با خطای حداکثر 3% از جواب حل دقیق برای هریک از اهداف در زمان 5/5 دقیقه به­دست آورد درحالی­که زمان حل مدل برنامه­ریزی عدد صحیح در این ابعاد از مسائل حدود 2 ساعت است. نتایج خطی­سازی مدل نشان داد که تبدیل متغیر پیوسته به عدد صحیح نسبت به روش مک­کورمیک کارایی بهتری دارد و تحلیل حساسیت روی پارامترهای مسأله نشان می­دهد که ضریب خستگی دارای رابطه مستقیم با میزان دیرکرد سفارشات بوده و ضریب یادگیری دارای رابطه معکوس با دیرکرد سفارشات و میانگین خستگی اپراتورها می­باشد.
کلیدواژه‌ها
گردش شغلی؛ زمان‌بندی محیط تولید سلولی؛ خستگی-بهبود؛ یادگیری-فراموشی؛ دیرکرد تحویل سفارشات؛ الگوریتم افق غلطان
مراجع
  • خسروی، شیما و غضنفری، فاطمه (1394) بررسی رابطه گردش شغلی با رضایت‌مندی از کار و فرسودگی شغلی در کارکنان دانشگاه علوم پزشکی تهران. مجله پیاورد سلامت، 1394. 9(6): صفحه 517-526.
  • Lang, W., et al., Minimizing makespan of stochastic customer orders in cellular manufacturing systems with parallel machines. Computers & Operations Research, 2021. 125: p. 105101.
  • Botti, L., C. Mora, and M. Calzavara, Design of job rotation schedules managing the exposure to age-related risk factors. IFAC-PapersOnLine, 2017. 50(1): p. 13993-139.
  • اکبری، محمد (2017) مدل‌سازی ریاضی عوامل انسانی در سیستم با محدودیت دوگانه. پژوهش‌های نوین در تصمیم‌گیری. 2(2): صفحه 23-49.
  • Bakhshi, M., S.E. Hashemi, and H. Dezhdar, Applying mathematical modeling to create job rotation for improve workforce performance in semi-automatic systems. International journal of research in industrial engineering, 2020. 9(4): p. 318-327.
  • Liu, Y., et al., Agent-based simulation and optimization of hybrid flow shop considering multi-skilled workers and fatigue factors. Robotics and Computer-Integrated Manufacturing, 2023. 80: p. 102478.
  • Heuser, P. and B. Tauer, Single-machine scheduling with product category-based learning and forgetting effects. Omega, 2023. 115: p. 102786.
  • Zhang, X., et al., Integrated optimization on production scheduling and imperfect preventive maintenance considering multi-degradation and learning-forgetting effects. Flexible Services and Manufacturing Journal, 2022. 34(2): p. 451-482.
  • Lou, H., et al., Memetic algorithm based on learning and decomposition for multiobjective flexible job shop scheduling considering human factors. Swarm and Evolutionary Computation, 2022. 75: p. 101204.
  • Asadayoobi, N., M.Y. Jaber, and S. Taghipour, A new learning curve with fatigue-dependent learning rate. Applied Mathematical Modelling, 2021. 93: p. 644-656.
  • Zare Mehrjerdi, Y., A.A. Ghasemi Gajvan, and M. Shahmohammadi, A Bi-criterion hybrid flow shop time scheduling: Balancing the performance and total completion times. International Journal of Industrial Engineering & Production Management, 2014. 24(4): p. 475-488.
  • Jaber, M.Y., Z.S. Givi, and W.P. Neumann, Incorporating human fatigue and recovery into the learning–forgetting process. Applied Mathematical Modelling, 2013. 37(12): p. 7287-7299.
  • Zhou, S., et al., Minimizing makespan on parallel batch processing machines with two-dimensional rectangular jobs. Computers & Industrial Engineering, 2022. 169: p. 108167.
  • Azizi, N., Zolfaghari, and M. Liang, Modeling job rotation in manufacturing systems: The study of employee's boredom and skill variations. International Journal of Production Economics, 2010. 123(1): p. 69-85.
  • Aljuneidi, T. and A.A. Bulgak, Designing a Cellular Manufacturing System featuring remanufacturing, recycling, and disposal options: A mathematical modeling approach. CIRP Journal of Manufacturing Science and Technology, 2017. 19: p. 25-35.
  • Otto, A. and A. Scholl, Reducing ergonomic risks by job rotation scheduling. OR Spectrum, 2013. 35(3): p. 711-733.
  • Jorgensen, M., et al., Characteristics of job rotation in the Midwest US manufacturing sector. Ergonomics, 2006. 48: p. 1721-33.
  • Mohammadi, M. and K. Forghani, Designing cellular manufacturing systems considering S-shaped layout. Computers & Industrial Engineering, 2016. 98: p. 221-236.
  • Diego-Mas, J.A., et al., A multi-criteria genetic algorithm for the generation of job rotation schedules. International Journal of Industrial Ergonomics, 2009. 39(1): 23-33.
  • Moreira, M.C.O., et al., The multi-objective assembly line worker integration and balancing problem of type-2. Comput. Oper. Res., 2017. 82: p. 114-125.
  • Lodree, E.J., C.D. Geiger, and X. Jiang, Taxonomy for integrating scheduling theory and human factors: Review and research opportunities. International Journal of Industrial Ergonomics, 2009. 39(1): p. 39-51.
  • Cesaní, V.I. and H.J. Steudel, A study of labor assignment flexibility in cellular manufacturing systems. Computers & Industrial Engineering, 2005. 48(3): p. 571-591.
  • de Oliveira Sato, T. and H.J. Cote Gil Coury, Evaluation of musculoskeletal health outcomes in the context of job rotation and multifunctional jobs. Applied Ergonomics, 2009. 40(4): p. 707-712.
  • Hochdörffer, J., M. Hedler, and G. Lanza, Staff scheduling in job rotation environments considering ergonomic aspects and preservation of qualifications. Journal of Manufacturing Systems, 2018. 46: p. 103-114.
  • Allahyari, M.Z. and A. Azab, A Novel Bi-level Continuous Formulation for the Cellular Manufacturing System Facility Layout Problem. Procedia CIRP, 2015. 33: p. 87-92.
  • Moussavi, S.E., M. Mahdjoub, and O. Grunder, A multi-objective programming approach to develop an ergonomic job rotation in a manufacturing system. IFAC-PapersOnLine, 2018. 51(11): p. 850-855.
  • Boenzi, F., et al., Ergonomic improvement through job rotations in repetitive manual tasks in case of limited specialization and differentiated ergonomic requirements. IFAC-PapersOnLine, 2016. 49(12): p. 1667-1672.
  • Alimian, M., V. Ghezavati, and R. Tavakkoli-Moghaddam, New integration of preventive maintenance and production planning with cell formation and group scheduling for dynamic cellular manufacturing systems. Journal of Manufacturing Systems, 2020. 56: p. 341-358.
  • Mahdavi, I., et al., Designing a mathematical model for dynamic cellular manufacturing systems considering production planning and worker assignment. Computers & Mathematics with Applications, 2010. 60(4): p. 1014-1025.
  • Akpinar, Ş. and A. Baykasoglu, Modeling and solving mixed-model assembly line balancing problem with setups. Part I: A mixed integer linear programming model. Journal of Manufacturing Systems, 2013. 33.
  • Costa, A., V. Fernandez-Viagas, and J.M. Framinan, Solving the hybrid flow shop scheduling problem with limited human resource constraint. Computers & Industrial Engineering, 2020. 146: p. 106545.
  • Mossa, G., et al., Productivity and ergonomic risk in human based production systems: A job-rotation scheduling model. International Journal of Production Economics, 2016. 171: p. 471-477.
  • Boenzi, F., et al., Modelling Workforce Aging in Job Rotation Problems. IFAC-PapersOnLine, 2015. 48(3): p. 604-609.
  • Luger, T., et al., Is rotating between static and dynamic work beneficial for our fatigue state? Journal of Electromyography and Kinesiology, 2016. 28: p. 104-113.
  • Basavaraj, P., The effect of job rotation and single-piece flow in human based assembly system. 2020, Texas State University, San Marcos, Texas: Theses and Dissertations-Ingram School of Engineering.
  • Ayough, A., M. Hosseinzadeh, and A. Motameni, Job rotation scheduling in the Seru system: shake enforced invasive weed optimization approach. Assembly Automation, 2020. 40(3): p. 461-474.
  • Kaymaz, K., The Effects of Job Rotation Practices on Motivation: A Research on Managers in the Automotive Organizations. Business and Economics Research Journal, 2010. 1: p. 69-69.
  • Michalos, G., et al., Dynamic job rotation for workload balancing in human based assembly systems. CIRP Journal of Manufacturing Science and Technology, 2010. 2(3): p. 153-160.
  • Digiesi, S., et al., Minimizing and balancing ergonomic risk of workers of an assembly line by job rotation: a MINLP model. International Journal of Industrial Engineering and Management, 2018. 9(3): p. 129-138.
  • Adem, A. and M. Dağdeviren, A job rotation-scheduling model for blue-collar employees' hand–arm vibration levels in manufacturing firms. Human Factors and Ergonomics in Manufacturing & Service Industries, 2021. 31(2): p. 174-190.
  • Anuar, N., et al., Improved multi-objective particle swarm optimization for job-shop scheduling problems. Journal of Advanced Manufacturing Technology, 2020. 14(3): p. 33-49.
  • Battini, D., et al., Towards industry 5.0: A multi-objective job rotation model for an inclusive workforce. International Journal of Production Economics, 2022. 250: p. 108619.
  • Zhang, Z., Modeling complexity of cellular manufacturing systems. Applied Mathematical Modelling, 2011. 35(9): p. 4189-4195.
  • Hooker, J.N., Integrated Methods for Optimization. 2 ed. 2012: Springer New York, NY.
  • Jaber, M.Y. and W.P. Neumann, Modelling worker fatigue and recovery in dual-resource constrained systems. Computers & Industrial Engineering, 2010. 59(1): p. 75-84.
آمار
تعداد مشاهده مقاله: 158
تعداد دریافت فایل اصل مقاله: 199