4차 산업 혁명시대에 스마트 팩토리는 고객의 요구에 적극적으로 대응하기 위하여 공장의 생산성을 높이고 자원을 효율적으로 활용하는 것을 목표로 한다. 생산 스케줄링은 제조 산업의 생산 공정에서 작업을 머신에 할당하고, 작업 간의 순서를 정함으로써 생산 공정을 효율적으로 만들기위한 방법 중 하나이다. 그동안 좋은 해를 찾기 위한 생산 스케줄링 기법 연구가 많이 있었다. 하지만 대부분 기존 기법들은 계산시간을 많이 요구하기 때문에 신속함이 매우 중요한 실제 산업 현장에 적용하기에는 어려움이 있다.
생산 스케줄링 문제 해결을 위한 근사적 방법 중 하나인 작업할당 규칙은 비교적 쉽게 구현이 가능하고 신속한 스케줄링이 가능하지만 정확한 ...
4차 산업 혁명시대에 스마트 팩토리는 고객의 요구에 적극적으로 대응하기 위하여 공장의 생산성을 높이고 자원을 효율적으로 활용하는 것을 목표로 한다. 생산 스케줄링은 제조 산업의 생산 공정에서 작업을 머신에 할당하고, 작업 간의 순서를 정함으로써 생산 공정을 효율적으로 만들기위한 방법 중 하나이다. 그동안 좋은 해를 찾기 위한 생산 스케줄링 기법 연구가 많이 있었다. 하지만 대부분 기존 기법들은 계산시간을 많이 요구하기 때문에 신속함이 매우 중요한 실제 산업 현장에 적용하기에는 어려움이 있다.
생산 스케줄링 문제 해결을 위한 근사적 방법 중 하나인 작업할당 규칙은 비교적 쉽게 구현이 가능하고 신속한 스케줄링이 가능하지만 정확한 최적해 방법과 다른 근사적 방법에 비해 성능이 떨어지는 단점이 존재한다. 최근에 신속한 스케줄링을 위해 MIP(mixed integer programming)와 같은 정확한 최적화 방법으로 풀어낸 좋은 스케줄링 데이터로 머신러닝을 이용하여 근사적 방법인 작업할당 규칙을 학습하는 연구가 진행되고 있다. 하지만 쌍대 비교 방식(pairwise)으로 작업 쌍 간의 비교 연산을 통해 시간이 많이 소요되는 문제가 있다. 따라서 본 연구는 이러한 단점을 극복하고자 정보검색 분야에서 나온 Learning-To-Rank(LTR) 기법을 작업할당 규칙 학습에 적용하였다.
본 연구에서 제안한 방법론은 3단계로 구성된다. 첫 번째 단계에서 우리는 8개의 문제 크기의 병렬 머신 스케줄링 문제를 생성하였다. 두 번째 단계에서는 스케줄링 문제에 대해서 최적해 MIP 모델과 근사최적해MIP모델로 얻어낸 좋은 스케줄링 사례를 학습 데이터로 수집하였고, LTR기반 작업할당 머신러닝 모형을 학습하였다. 마지막으로 LTR 기반 작업할당 머신러닝 모형을 통해 스케줄을 실행하고, 다른 기법들과 스케줄링 성능을 비교 평가하였다.
본 연구에서 제안한 LTR 기반 머신러닝 작업할당규칙 스케줄링 기법은 그동안 연구되어왔던 좋은 스케줄링을 만들어 낼 수 있는 기법들이 실제 신속함이 요구되는 산업 현장에서 사용하기에는 많은 계산 시간이 필요하다는 단점을 극복할 수 있으며, 문제 크기가 커질수록 다른 기법들보다 더 좋은 스케줄을 만들어낼 수 있음을 확인하였다.
4차 산업 혁명시대에 스마트 팩토리는 고객의 요구에 적극적으로 대응하기 위하여 공장의 생산성을 높이고 자원을 효율적으로 활용하는 것을 목표로 한다. 생산 스케줄링은 제조 산업의 생산 공정에서 작업을 머신에 할당하고, 작업 간의 순서를 정함으로써 생산 공정을 효율적으로 만들기위한 방법 중 하나이다. 그동안 좋은 해를 찾기 위한 생산 스케줄링 기법 연구가 많이 있었다. 하지만 대부분 기존 기법들은 계산시간을 많이 요구하기 때문에 신속함이 매우 중요한 실제 산업 현장에 적용하기에는 어려움이 있다.
생산 스케줄링 문제 해결을 위한 근사적 방법 중 하나인 작업할당 규칙은 비교적 쉽게 구현이 가능하고 신속한 스케줄링이 가능하지만 정확한 최적해 방법과 다른 근사적 방법에 비해 성능이 떨어지는 단점이 존재한다. 최근에 신속한 스케줄링을 위해 MIP(mixed integer programming)와 같은 정확한 최적화 방법으로 풀어낸 좋은 스케줄링 데이터로 머신러닝을 이용하여 근사적 방법인 작업할당 규칙을 학습하는 연구가 진행되고 있다. 하지만 쌍대 비교 방식(pairwise)으로 작업 쌍 간의 비교 연산을 통해 시간이 많이 소요되는 문제가 있다. 따라서 본 연구는 이러한 단점을 극복하고자 정보검색 분야에서 나온 Learning-To-Rank(LTR) 기법을 작업할당 규칙 학습에 적용하였다.
본 연구에서 제안한 방법론은 3단계로 구성된다. 첫 번째 단계에서 우리는 8개의 문제 크기의 병렬 머신 스케줄링 문제를 생성하였다. 두 번째 단계에서는 스케줄링 문제에 대해서 최적해 MIP 모델과 근사최적해MIP모델로 얻어낸 좋은 스케줄링 사례를 학습 데이터로 수집하였고, LTR기반 작업할당 머신러닝 모형을 학습하였다. 마지막으로 LTR 기반 작업할당 머신러닝 모형을 통해 스케줄을 실행하고, 다른 기법들과 스케줄링 성능을 비교 평가하였다.
본 연구에서 제안한 LTR 기반 머신러닝 작업할당규칙 스케줄링 기법은 그동안 연구되어왔던 좋은 스케줄링을 만들어 낼 수 있는 기법들이 실제 신속함이 요구되는 산업 현장에서 사용하기에는 많은 계산 시간이 필요하다는 단점을 극복할 수 있으며, 문제 크기가 커질수록 다른 기법들보다 더 좋은 스케줄을 만들어낼 수 있음을 확인하였다.
In the era of the 4th industrial revolution, the smart factory aims to increase the productivity of factories and efficiently utilize resources in order to actively respond to customer needs. Production scheduling is one of the methods for making the production process efficient by assigning jobs to...
In the era of the 4th industrial revolution, the smart factory aims to increase the productivity of factories and efficiently utilize resources in order to actively respond to customer needs. Production scheduling is one of the methods for making the production process efficient by assigning jobs to machines in the production process of the manufacturing industry and setting the order between jobs. There have been many studies on production scheduling techniques to find a good solution. However, since most of the existing techniques require a lot of calculation time, it is difficult to apply them to actual industrial sites where speed is very important.
Job dispatching rules, which are one of the approximate methods for solving the production scheduling problem, can be implemented relatively easily and can be scheduled quickly, but have a disadvantage in that their performance is inferior to the exact optimal solution methods and other approximate methods. Recently, a few studies have been conducted to learn an approximate method of job dispatching rule using machine learning with good scheduling data solved by an accurate optimization method for rapid scheduling. However, the current machine learning based scheduling studies have a problem that they takes long time through comparison operation between job pairs in a pairwise manner. Therefore, to overcome these shortcomings, this study adopted the Learning-to-Rank (LTR) technique from the Informathion Retrieval field to job distpaching rule learning.
The methodology proposed in this study consists of three steps. In the first step, we generate a parallel machine scheduling problem of eight problem sizes. In the second stage, we collected good scheduling cases obtained from optimal MIP models and approximately optimal MIP models for scheduling problems as training data and learned an LTR-based job dispatching machine learning model. Finally, we create a schedule through an LTR-based job dispatching machine learning model and evaluate its scheduling performance with pairwise based job dispatching machine learning models, MIP models for optimal solutions or near-optimal solutions, and traditional dispatching rules such as shortest processing time, weighted shortest processing time, and longest processing time.
The LTR based machine learning scheduling technique proposed in this study overcomes the shortcomings of techniques that require a lot of computation time to be used in actual industrial sites where speed is very important. In addition, compared with other techniques, it was confirmed that the proposed technique can create a better schedule as the problem size increases.
In the era of the 4th industrial revolution, the smart factory aims to increase the productivity of factories and efficiently utilize resources in order to actively respond to customer needs. Production scheduling is one of the methods for making the production process efficient by assigning jobs to machines in the production process of the manufacturing industry and setting the order between jobs. There have been many studies on production scheduling techniques to find a good solution. However, since most of the existing techniques require a lot of calculation time, it is difficult to apply them to actual industrial sites where speed is very important.
Job dispatching rules, which are one of the approximate methods for solving the production scheduling problem, can be implemented relatively easily and can be scheduled quickly, but have a disadvantage in that their performance is inferior to the exact optimal solution methods and other approximate methods. Recently, a few studies have been conducted to learn an approximate method of job dispatching rule using machine learning with good scheduling data solved by an accurate optimization method for rapid scheduling. However, the current machine learning based scheduling studies have a problem that they takes long time through comparison operation between job pairs in a pairwise manner. Therefore, to overcome these shortcomings, this study adopted the Learning-to-Rank (LTR) technique from the Informathion Retrieval field to job distpaching rule learning.
The methodology proposed in this study consists of three steps. In the first step, we generate a parallel machine scheduling problem of eight problem sizes. In the second stage, we collected good scheduling cases obtained from optimal MIP models and approximately optimal MIP models for scheduling problems as training data and learned an LTR-based job dispatching machine learning model. Finally, we create a schedule through an LTR-based job dispatching machine learning model and evaluate its scheduling performance with pairwise based job dispatching machine learning models, MIP models for optimal solutions or near-optimal solutions, and traditional dispatching rules such as shortest processing time, weighted shortest processing time, and longest processing time.
The LTR based machine learning scheduling technique proposed in this study overcomes the shortcomings of techniques that require a lot of computation time to be used in actual industrial sites where speed is very important. In addition, compared with other techniques, it was confirmed that the proposed technique can create a better schedule as the problem size increases.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.