작업준비시간과_납기지연시간을_최소화하기_위한_딥러닝_기반의_일정계획수립_모델_사사수정 (1).pptx

1. 작업준비시간과 납기지연시간을 최소화하기 위한 딥러닝 기반의 일정계획수립 모델 이동진, 이동훈, 유우식, 김관호 산업경영공학과, 인천대학교 ba806@inu.ac.kr dhlee@inu.ac.kr wsyoo@inu.ac.kr khokim@inu.ac.kr 1 2021년 춘계공동학술대회 ※ 이 논문은 2021년도 정부(산업통상자원부)의 재원으로 한국산업기술진흥원의 지원(P0008691, 2021년 산업혁신인재성장지원사업)과 2021년도 과학기술정보통신부의 재원으로 한국연구재단-현장맞춤형 이공계 인재양성 지원사업의 지원을 받아 수행된 연구임 (NRF-2017H1D8A1029391).

2. • 서론 • 관련 연구 • 딥러닝 기반의 일정계획 수립 모델  문제정의  프레임워크  작업물 분할 방법  휴리스틱 일정계획수립 모델  딥러닝 기반 일정계획수립 모델 • 실험 및 평가 • 결론 • Reference 2 개요 2021년 춘계공동학술대회

3. 3 2021년 춘계공동학술대회 서론 • 공정 일정계획수립 시 작업준비 비용을 줄이고 정해진 일정 내에 작업물을 생산하기 위해서는 작업준비시간 최소화가 필수적임 • 납기지연시간이 증가할수록 해당 작업물에 대한 페널티 비용이 증가하기 때문에 납기지연 최소화가 중요함 • 작업물 분할이 가능하고 설비 별 작업물 처리능력의 차이, 작업물의 전용 설비가 존재하는 문제에서 작업준비시간과 납기지연시간 사이에는 반대급부가 있기 때문에 작업준비시간과 납기지연시간을 동시에 최소화 하는 것은 어려운 과제임 • 작업준비시간을 줄이려 할 경우 특정 설비에 작업물 할당이 집중되어 납기지연시간이 증가함 • 납기지연시간을 줄이려 할 경우 작업물을 전용설비에 균등하게 분할하여 할당하게 되어 작업준비시간이 발생할 확률이 증가함

4. 4 2021년 춘계공동학술대회 서론 • 작업준비시간은 동일 설비에 할당되는 작업물의 종류가 변경될 때 발생함 설비 1 납기 납기지연시간 = 2 t = 0 t = 16 t = 18 t = 20 A 설비 1 D B t = 0 t = 20 • 납기지연시간은 작업물의 작업완료시간이 납기보다 클 경우 발생함 작업준비시간

5. 5 2021년 춘계공동학술대회 관련 연구 Titles Approaches References Algorithms for single machine total tardiness scheduling with sequence dependent setups Greedy Randomized Adaptive Search Procedure (GRASP) Skylab R.Gupta, Jeffrey S.Smith (2006) Parallel machine total tardiness scheduling with a new hybrid metaheuristic approach Hybrid metaheuristic (HMH) Davide Anghinolfi, Massimo Paolucci (2007) Minimizing mean weighted tardiness in unrelated parallel machine scheduling with reinforcement learning Reinforcement learning (RL) Zhicong Zhang, Li Zheng, Na Li, Weiping Wang, Shouyan Zhong, Kaishun Hu (2012) No-wait flowshop scheduling problem with separate setup times to minimize total tardiness subject to makespan PA Ali Allahverdi, Harun Aydilek, Asiye Aydil다 (2020) • Rule 기반 모델은 Greedy search를 통한 solution을 찾기 때문에 최적화된 일정계획이 어려움 • Metaheuristic은 Solution 도출까지 시간이 오래 걸려 실제 현장 적용에 어려움이 존재함 • 강화학습 모델은 특정 주문 목록에 최적화된 Solution을 찾도록 학습하기 때문에 주문 목록이 변경될 경우 성능이 낮아질 수 있음 • 따라서, 본 연구에서는 작업준비시간과 납기지연시간을 동시에 고려하는 점수 체계를 고안하여 해당 점수를 최소화 하도록 의사결정을 하는 딥러닝 기반 일정계획수립 모델을 제안함 • 실제 OLED 공정 데이터를 통한 실험 결과, 제안한 모델이 ACTS, Covert 등의 룰 기반 휴리스틱 모델에 비해 뛰어난 성능 보여줌

6. 6 2021년 춘계공동학술대회 문제정의 • 문제 제약 1. 작업물 유형에 따라서 가용한 설비(전용설비)가 정해져 있음 2. 작업물 유형, 설비에 따라 단위작업처리시간 결정됨 (단위작업처리시간: 작업물 수량 1개의 작업처리시간) 3. 동일 설비에서 서로 다른 그룹의 작업물을 처리할 경우 작업준비시간이 필요함 4. 각 설비 별로 일정 주기에 따라 예방정비를 실행함 – 작업준비, 예방정비를 동시에 실행할 수 있음 – 예방정비를 정해진 시간보다 선행해서 실행 가능함 • 문제 정의 1. 작업물은 (작업물 유형, 작업물 그룹, 수량, 납기일)로 구성됨 2. 하나의 작업물은 여러 작업물로 분할되어 동시에 여러 대의 설비에 할당할 수 있음(단일 작업물로 투입되는 것도 가능) 3. 15주 주문 목록에 대한 일정계획을 수립해야 함 4. 최대 2주의 선행 생산이 가능함

7. 7 2021년 춘계공동학술대회 문제정의 • 문제 정의에 따른 일정계획 예시

8. • Framework - 학습 단계 휴리스틱 일정계획수립 모델을 통해 딥러닝 학습 데이터를 추출, 모델 학습하는 과정을 진행함 - 테스트 단계 검증용 주문목록 데이터를 통해 학습된 딥러닝 기반 일정계획수립 모델의 성능을 측정함 8 2021년 춘계공동학술대회 프레임워크

9. 9 2021년 춘계공동학술대회 • 휴리스틱 일정계획 생성기 Flow chart 휴리스틱 일정계획수립 모델

10. 10 2021년 춘계공동학술대회 • 작업물 분할 방법 2. 1. 설비에 작업물 할당 시 납기지연시간 발생 2. 작업물에서 납기지연시간 만큼의 수량을 분할함 3. 분할된 작업물을 작업물의 전용설비 대수만큼 균등하게 분할함 4. 분할된 작업물들을 주문 목록에 업데이트 함 5. 일정계획수립 모델의 결정에 따라 재할당 됨 작업물 분할 방법 • 작업물 분할 방법 1. 1. 설비에 작업물 할당 시 납기지연시간 발생 2. 작업물에서 납기지연시간 만큼의 수량을 분할함 3. 분할된 작업물을 주문 목록에 업데이트 함 4. 일정계획수립 모델의 결정에 따라 재할당 됨

11. 11 2021년 춘계공동학술대회 • 딥러닝 모델 Input, Output 설정 딥러닝 기반 일정계획수립 모델 Category No. Considered features Number of features 설비 1 고려하고 있는 작업물의 납기 – 고려하고 있는 설비의 작업완료시간 1 작업물-설비 2 최대 단위작업처리시간에 대비한 고려하고 있는 작업물-설비의 단위작업처리시간 비율 1 작업물-설비 3 고려하고 있는 작업물이 고려하고 있는 설비에서 할당 할 수 있는 작업처리시간 1 작업물-설비 4 고려하고 있는 작업물을 고려하고 있는 설비에 할당 시 분할되는 작업처리시간 1 작업물-설비 5 고려하고 있는 설비에 고려하고 있는 작업물 할당 시 발생하는 납기지연시간 1 작업물-설비 6 고려하고 있는 설비에서 고려하고 있는 작업물의 작업준비 여부 (작업준비 X 0, 작업준비 O 1) 1 Output 1 동일 설비에서 고려하고 있는 작업물과 바로 다음 작업물에 대한 할당비용 1

12. C6 12 2021년 춘계공동학술대회 딥러닝 기반 일정계획수립 모델 M2 D4 C6 B2 납기 D4의 Output = D4 할당 비용 + C6 할당 비용 M2 D4 B2 C6-1 분할된 작업물 납기지연시간 = 0 작업물 C6 총 수량 10 분할된 작업물 수량 2 C6에 대한 할당비용 = (0 + 0 + 1/13) * (1 + 2/10) M2 D4 B2 C6 납기지연시간 납기지연시간 = 10, 작업준비시간 = 2.5 C6 에 대한 할당비용 = (10 + 2.5 + 1/13) * (1) 작업물-설비 단위작업처리시간(1) / 최대 단위작업처리시간(13) 작업물-설비 단위작업처리시간(1) / 최대 단위작업처리시간(13) • Output : 동일 머신에서 할당되는 현재와 다음 작업물의 할당 비용 합계 • 할당 비용 = (고려하는 작업물의 납기지연시간 + 작업준비시간 + 작업처리시간 비율) * (1 + 분할된 작업물 비율)

13. 13 2021년 춘계공동학술대회 딥러닝 기반 일정계획수립 모델 • Output : 동일 머신에서 할당되는 현재와 다음 작업물의 할당 비용 합계 • 할당 비용 = (고려하는 작업물의 납기지연시간 + 작업준비시간 + 작업처리시간 비율) * (1 + 분할된 작업물 비율)

14. 14 2021년 춘계공동학술대회 딥러닝 기반 일정계획수립 모델 • 모델 구조 • Optimizer = adam, learning rate = 0.0005, loss = MAE INPUT 6 1024 512 256 256 128 128 Output 1 relu relu relu relu relu relu relu Hidden layer

15. 15 2021년 춘계공동학술대회 • 딥러닝 모델 일정계획수립 Framework - 주문 목록에서 상위 k개 작업물, 각 설비 상태에 대한 딥러닝 Input 데이터 추출 - 추출된 Input 데이터를 통해 딥러닝 모델이 각 작업물-설비 조합에 대한 비용 계산 및 최소 비용 조합 할당 - 할당 결과를 통해 일정계획수립 함 딥러닝 기반 일정계획수립 모델

16. 16 2021년 춘계공동학술대회 실험 및 평가 • 실험 환경 문제 정의 검증용 주문 목록 실제 OLED 공정 데이터 (수량 배율 1.0, 1.3) 후보 작업물 수 (k) 5개 작업물 유형 123개 작업물 그룹 9 그룹 설비 대수 34대 1회 당 작업준비시간 12시간 1회 당 예방정비시간 12시간 예방정비주기 240시간 (10일) 전용설비 기준 그룹 별 일정계획주기 15주 비교 모델 휴리스틱, Covert, ACTS

17. 17 2021년 춘계공동학술대회 실험 및 평가 • 비교군 모델 설명 주요 고려 사항 작업물 정렬 방법 휴리스틱 - 작업물 수량 - 작업물 전용 설비 대수 1. 작업물 전용 설비 대수 오름차순으로 작업물 정렬 2. 작업물 수량 내림차순으로 작업물 정렬 Covert - 작업처리시간 1. 각 작업물의 설비별 작업처리시간 평균을 통해 예상 납기지연시간을 구하여 Covert 점수 계산 2. Covert 점수 내림차순으로 작업물 정렬 ACTS - 작업준비횟수 - 작업처리시간 1. 각 작업물의 설비별 작업처리시간 평균을 통해 예상 납기지연시간 계산 2. 각 작업물의 예상 납기지연시간과 예상 작업준 비횟수를 통해 ACTS 점수 계산 3. ACTS 점수 내림차순으로 작업물 정렬

18. 18 2021년 춘계공동학술대회 실험 및 평가 7.7 11.1 9.1 2.6 0 2 4 6 8 10 12 휴리스틱 Covert ACTS 딥러닝 납기지연시간(일) Models 납기지연시간 78 99 91 62 0 20 40 60 80 100 120 휴리스틱 Covert ACTS 딥러닝 작업준비횟수 Models 작업준비횟수 • 모델 성능 평가 (수량 배율 1.0) - 휴리스틱 기반 모델이 78회의 작업준비횟수를 보이는데 비해 딥러닝 기반 모델은 62회로 20.5% 절감함 - 휴리스틱 기반 모델이 7.7일의 납기지연시간을 보이는데 비해 딥러닝 기반 모델은 2.6일로 66.2% 절감함

19. 19 2021년 춘계공동학술대회 실험 및 평가 • 모델 성능 평가 (수량 배율 1.3) - 휴리스틱 기반 모델이 87회의 작업준비횟수를 보이는데 비해 딥러닝 기반 모델은 68회로 21.8% 절감함 - 딥러닝 기반 모델이 납기지연시간 10.1일로 휴리스틱 모델 9.8일에 비해 시간을 절감하지 못함 87 96 96 68 0 20 40 60 80 100 120 휴리스틱 Covert ACTS 딥러닝 작업준비횟수(일) Models 작업준비횟수 9.8 14.6 14.7 10.1 0 2 4 6 8 10 12 14 16 휴리스틱 Covert ACTS 딥러닝 납기지연시간(일) Models 납기지연시간

20. 20 2021년 춘계공동학술대회 실험 및 평가 : 납기지연 : 작업준비 : 예방정비

21. 21 2021년 춘계공동학술대회 실험 및 평가 : 납기지연 : 작업준비 : 예방정비

22. 22 2021년 춘계공동학술대회 결론 • 본 연구에서는 작업준비시간과 납기지연시간을 동시에 고려하는 점수 체계를 고안하여 해당 점수를 최소화 하 도록 의사결정을 하는 딥러닝 기반 일정계획수립 모델을 제안함 • 실제 OLED 공정 데이터를 통한 검증 결과 수량 배율 1.0 에서는 제안한 기법이 기존 사용되는 Covert, ACTS 기 법과 본 연구에서 개발한 휴리스틱 모델보다 뛰어난 작업준비시간, 납기지연시간 절감 효과를 보였음 • 하지만, 검증 데이터 수량 배율 1.3 에서는 제안한 기법이 작업준비시간 절감효과는 보였지만 납기지연시간은 타 비교 모델에 비해 절감효과를 보이지 못함 • 따라서, 향후 연구로는 제안한 기법을 보완하기 위해 더 많은 수량의 주문목록에서도 납기지연시간, 작업준비시 간 절감효과를 갖도록 하는 방법과 납기지연시간, 작업준비시간에 가중치를 둬서 두 목적 함수 사이의 중요도를 조절하는 방법을 연구할 예정임

23. 23 2021년 춘계공동학술대회 Reference • Skylab R.Gupta, Jeffrey S.Smith , “Algorithms for single machine total tardiness scheduling with sequence dependent setups”, European Journal of Operational Research Volume 175, Issue 2, 1 December 2006, Pages 722-739 • Davide Anghinolfi, Massimo Paolucci, “Parallel machine total tardiness scheduling with a new hybrid metaheuristic approach”, Computers & Operations Research Volume 34, Issue 11, November 2007, Pages 3471-3490 • Zhicong Zhang, Li Zheng, Na Li, Weiping Wang, Shouyan Zhong, Kaishun Hu, “Minimizing mean weighted tardiness in unrelated parallel machine scheduling with reinforcement learning”, Computers & Operations Research Volume 39, Issue 7, July 2012, Pages 1315-1324 • Ali Allahverdi, Harun Aydilek, Asiye Aydilek, “No-wait flowshop scheduling problem with separate setup times to minimize total tardiness subject to makespan”, Applied Mathematics and Computation Volume 365, 15 January 2020, 124688

24. 24 2021년 춘계공동학술대회 Q & A Thanks for your attention!

작업준비시간과_납기지연시간을_최소화하기_위한_딥러닝_기반의_일정계획수립_모델_사사수정 (1).pptx

Esté a ler uma amostra.

Confira estes a seguir

작업준비시간과_납기지연시간을_최소화하기_위한_딥러닝_기반의_일정계획수립_모델_사사수정 (1).pptx

Mais Conteúdo rRelacionado

Semelhante a 작업준비시간과_납기지연시간을_최소화하기_위한_딥러닝_기반의_일정계획수립_모델_사사수정 (1).pptx (20)

Mais recentes (20)