Prediction of Product-Level Schedules using Sequence Learning for Flexible Manufacturing Systems under Uncertainties

Abstract

최근, 전 세계 제조강국에서는 제조 경쟁력 우위 획득을 위하여 스마트 공장, 첨단 제조 및 Industry 4.0으로 불리우는 제조 혁신을 향한 산업 메가트렌드가 전개 되고 있다. 기술 경영 측면에서는, 이러한 제조 혁신의 노력이 제조기술과 정보통신기술의 융합을 통하여 생산성 향상을 위한 산업분야의 디지털 변환 가속화로 연계되고 있다. 산업자동화 측면에서는, 제조 구성요소들에게 지능을 부여하여 자율적이고 협업적으로 의사결정 및 제어를 수행하는 제조 지능화의 실현을 주요 목표로 이루어지고 있다. 이러한 노력과 연계되어, 유연 생산시스템은 고객 요구 다양성의 증가에 적극적으로 대응하기 위하여 고수준의 유연성을 가지며 동적 역량이 향상된 체계로의 전환이 이루어지고 있다. 역설적으로, 유연성과 역동성의 증가와 함께 기계용량 제약, 공정시간 다양성, 재고 비가시성, 긴급 주문, 요구 변동 등에 의해 기인되는 불확실성이 증가하게 됨으로써, 유연 생산시스템에 대한 가시성과 예측성이 감소하는 현상이 필연적으로 발생하게 된다. 따라서, 최신 유연 생산시스템에서는 불확실성 요소들을 감안한 보다 정확하고 정밀한 생산 스케줄링이 필요하다. 이러한 생산 스케줄링을 위해서는 현재의 생산 현황을 이해하고, 현장으로부터 수집된 데이터를 기반으로 스케줄을 예측하는 기술이 필요하다. 이를 통하여, 주어진 상황을 대변하는 데이터로부터 해당 유연 생산시스템의 특성과 불확실성 요소들이 반영된 스케줄링 최적화를 달성할 수 있기 때문이다. 대부분의 기존 연구는 FIFO (First In First Out), SPT (Shortest Processing Time) 등 확정적인 디스패칭 규칙을 적용하고, 휴리스틱 및 수학적 모델링 방법을 활용하여 전체 시스템 관점의 스케줄링 최적화를 목적으로 진행되었다. 이러한 기존 연구는 고전적인 유연 생산시스템 스케줄링 문제를 해결하고 목표 성능을 최적화함으로써 생산성을 향상시키는데 공헌하였다. 그러나, 확정적 디스패칭 규칙은 제조현장의 유연성 및 역동성을 반영하기 어려우며, 휴리스틱 및 수학적 모델링은 제조현장 상황의 변경에 대한 반응성이 떨어진다. 또한, 전체 시스템 수준의 최적화가 이루어지다 보니 제품별로 현재 위치의 추적 및 예측이 어려운 것이 한계이다. 본 논문에서는 유연 생산시스템에서 불확실성 요소들을 감안한 시퀀스학습 기반 제품수준 일정 예측 방법을 개발한다. 또한, 본 논문에서는 제안 방법의 유효성 및 성능 검증을 위하여 시뮬레이션 및 실증 장비를 활용한 사례 연구를 소개한다. 제안 방법은 기계용량 제약, 공정시간 가변성 및 비계획 대기시간을 불확실성 요소로 정의하며, 데이터 기반 시퀀스 학습을 활용하여 유연 생산시스템에서의 제품별 위치와 시퀀스를 예측하는 기술이다. 본 방법은: 1) 제품 세그먼테이션 (공정시간에 따른 제품군 분류를 위한 규칙 모델), 2) 제품 시퀀스 예측 (설비별 제품 위치 및 순서 예측을 위한 시퀀스 학습 예측 모델), 3) 제품 및 시스템 생산시간 계산 (제품별 공정시간 및 시스템 생산시간 계산을 위한 결정론적 알고리즘)으로 구성된다. 여기서, 제품 시퀀스 예측은 공정시간 다양성과 기계용량 제약으로 인하여 버퍼에서 비계획 대기시간이 발생하는 생산설비를 보유한 유연 생산시스템으로부터 수집된 데이터를 마코프 체인을 이용하여 제품 시퀀스를 학습함으로써 이루어진다. 제안 방법을 통하여, 제품 수준 생산 스케줄링의 최적화에 필수적인 데이터 기반 제품 시퀀스 및 스케줄 예측 모델을 개발할 수 있다. 이러한 예측 모델은 유연 생산시스템에서 불확실성으로 야기되는 비패턴적이고 미지적으로 보이는 제품 시퀀스를 패턴적이고 기지적 형태로 변환해준다.|Recently, the industrial megatrends for manufacturing innovation, called Smart Factory, Advanced Manufacturing and Industry 4.0, have been deployed across manufacturing-advanced countries to gain their advantages of manufacturing competitiveness. In the management of technology perspective, the manufacturing innovation is moving industries toward digital transformation to digitalize manufacturing assets and information for increasing productivity through the convergence of information and communication technology and manufacturing technology. In the industrial automation perspective, the manufacturing innovation endows manufacturing objects with manufacturing intelligence to enable autonomous and cooperative decision making and control across heterogeneous devices and applications. Accordingly, Flexible Manufacturing Systems (FMS) are being evolved to incorporate higher flexibility and dynamics to cope with the increase of the variety of customer demands. Ironically and inevitably, uncertainty increases with the increase of flexibility and dynamics in real manufacturing environments. The uncertainty can cause from limited machine capacity, diverse processing time, invisible inventory, sudden order, machine breakdown, and demand fluctuation, thereby decreasing the visibility and foresight in FMS. Therefore, it is critical to create accurate and granular production scheduling with the reflection of the uncertainty factors to satisfy on-time delivery for customer requests. Such production scheduling requires the predictive technology that can understand the current status of production and forecast the product and job sequences within available resources, based on the real data obtained from manufacturing processes. This predictive scheduling enables to achieve the schedule optimization with consideration of diversity and uncertainty FMS. The relevant studies have been endeavored to optimize production schedules in the macro view using stationary dispatching rules such as First In First Out (FIFO), and Shortest Processing Time (SPT) as well as heuristics and/or mathematical modeling approaches. These studies have contributed to not only solving traditional problems that involve product scheduling and sequencing in FMS but also optimizing productivity performance within the given scenarios. However, stationary dispatching rules lack in reflecting the flexibility and dynamics in FMS nor heuristics and mathematical modeling approaches limit in showing the responsivity to cope with frequent changes in real FMS environments. Furthermore, optimization in the macro view is confined to trace and predict the locations of individual products on manufacturing processes in a real-time manner. This study proposes a prediction method for product level schedules based on sequence learning with consideration of the uncertainty factors including limited machine capacity, diverse processing time and unplanned waiting time. This study also includes two case studies using a simulator and a physical facility to demonstrate the feasibility and usability of the proposed method. The proposed method associates the predictive technology to forecast the locations and sequences of individual products based on data-driven sequence learning; meanwhile, the method considers limited machine capacity, diverse processing time and unplanned waiting time as the uncertainty factors. The proposed method comprises the three stages: 1) product segmentation (a rule-based model to group a set of products based on ranges of their processing time), 2) sequence prediction (a sequence learning-based model to predict locations and sequences of individual products), and 3) production time determination (a deterministic algorithm to calculate time-domain values including arrival time, waiting time, finish time and total completion time). Particularly, the sequence prediction uses Markov chain to create probabilistic sequence models for the dynamic FMS environments where unplanned waiting time occurs in a buffer station due to diverse processing time and limited machine capacity. The proposed method can be used to create data-driven models for predicting product sequences and schedules in a micro view, thereby contributing to optimizing product level scheduling based on the predictive models. Such predictive models enable product sequences to be transformed from unpattern and unknown due to the uncertainty factors to patterned and known in FMS.