Job shop flow time prediction using artificial neural networks

Abstract

Uma das maiores dificuldades de grande parte das empresas do setor produtivo é a definição de datas de entrega realistas e passíveis de serem atingidas. Entre uma grande variedade de métodos que se propõem a melhorar a previsão do tempo de fluxo, nem todos conseguem ter um bom desempenho em todas as circunstâncias. As redes neuronais (ANN) têm sido implementadas com sucesso para previsão e deteção em diversas áreas tais como manufatura (p. ex. previsão de níveis de stock), medicina (p. ex. deteção de doenças), finanças e contabilidade (p. ex. previsão de falhas de bancos). Estudos anteriores sobre a utilização das ANN na previsão de tempos de fluxo, demonstraram que estas são capazes de obter melhores resultados do que as regras de atribuição de datas de entrega (DD) convencionais. A literatura relacionada com as regras de atribuição de DD, revela que as regras dinâmicas fornecem melhores resultados quando comparadas com as regras convencionais. Por estas razões, propomo-nos com este trabalho a estender a investigação sobre a utilização das ANNs para previsão de tempos de fluxo, comparando para esse efeito os resultados da ANN, com os resultados de duas regras dinâmicas de atribuição de DD: Dynamic Process Plus Waiting (DPPW) e Dynamic Total Work Content (DTWK). Além disso, duas regras de despacho são também utilizadas de forma a estudar o desempenho da ANN sob diferentes condições. Os resultados obtidos, tanto das regras dinâmicas de atribuição de DD como da ANN, foram avaliados em termos de atraso médio absoluto (MAL), atraso médio quadrático (MSL), percentagem de atraso (PT) e atraso médio (MT). Recorrendo a um software de simulação, foi implementado um sistema job shop dinâmico, com o objetivo de obter dados tanto para alimentar a ANN, como para estimar a data de entrega com recurso aos dois métodos dinâmicos. Os resultados obtidos sugerem que as ANNs podem obter melhores resultados do que as regras dinâmicas de atribuição de DD, mesmo sob diferentes condições.

Abstract One common problem for production companies is how to quote an realistic and attainable due date for an arriving costumer order. Among a wide variety of prediction methods proposed to improve due date (DD) assignment, it seems that not all perform well under all circumstances. The artificial neural networks (ANN) as been successfully used for prediction in multiple areas such as: manufacturing (i.e. stocks level prediction), medicine (i.e. decease detection), finances and accounting (i.e. predicting bank failures). Previous studies on the use of the ANN as a flow time predictor shown that the ANN can outperform conventional DD assignment rules and are worthy of further experimentation. The literature on the DD assignment rules shown that the dynamic rules outdo the conventional DD assignment rules. For this reason, we propose to extended the research on the DD assignment by using an ANN model for flow time prediction and to comparing it to two dynamic DD assignment rules for flow time estimation: Dynamic Process Plus Waiting (DPPW) e Dynamic Total Work Content (DTWK).. Furthermore, two dispatching rules were also chosen to study the performance of the ANN under different conditions. The results from both DD assignment rules and ANN, were evaluated in terms of mean absolute lateness (MAL), mean square lateness (MAL), percentage tardiness (PT) and mean tardiness (MT). A hypothetical dynamic job shop system was implemented in a simulation software in order to generate data to feed the ANNs and to estimate the DD using the two dynamic DD setting rules. Results suggest that the ANN outperform the DD assignment rules even under different conditions.