본 연구에서는 시뮬레이션과 네트워크 분석법을 이용하여 다품종 소량생산 체제로 운영되는 자동차 부품 가공시스템의 최적 운영방안을 제시하였다. 이를 위해 먼저, 생산현장의 복잡하고 다양한 운영 요소들을 반영하여 시뮬레이션 모델링 한 후 반응표면법으로 메타모델을 설계하였다. 그 후 의사결정권자들로부터 주요 평가 요소들과 그 요소들 간의 중요도를 수집하여, 네트워크 분석법으로 그 가중치를 설계한 후 다목적 유전자알고리즘을 사용하여 그 최적운영방안을 제시하고 그 결과를 분석하였다. 그와 더불어 계층화분석법으로 설계한 가중치를 반영한 운영방안과의 비교를 통해, 본 연구에서 제시한 방법이 평가 요소간의 내 외부 종속성과 상호연관성을 반영하여 더 정밀하고 우수한 운영방안임을 입증하였다. 본 연구를 활용하면 자동차 부품산업과 같은 다품종 소량생산 시스템의 운영방안 설계시 의사결정권자에게 보다 효과적이고 정밀한 정보를 제공해 줄 수 있을 것이다.
본 연구에서는 시뮬레이션과 네트워크 분석법을 이용하여 다품종 소량생산 체제로 운영되는 자동차 부품 가공시스템의 최적 운영방안을 제시하였다. 이를 위해 먼저, 생산현장의 복잡하고 다양한 운영 요소들을 반영하여 시뮬레이션 모델링 한 후 반응표면법으로 메타모델을 설계하였다. 그 후 의사결정권자들로부터 주요 평가 요소들과 그 요소들 간의 중요도를 수집하여, 네트워크 분석법으로 그 가중치를 설계한 후 다목적 유전자알고리즘을 사용하여 그 최적운영방안을 제시하고 그 결과를 분석하였다. 그와 더불어 계층화분석법으로 설계한 가중치를 반영한 운영방안과의 비교를 통해, 본 연구에서 제시한 방법이 평가 요소간의 내 외부 종속성과 상호연관성을 반영하여 더 정밀하고 우수한 운영방안임을 입증하였다. 본 연구를 활용하면 자동차 부품산업과 같은 다품종 소량생산 시스템의 운영방안 설계시 의사결정권자에게 보다 효과적이고 정밀한 정보를 제공해 줄 수 있을 것이다.
This paper suggested the optimal operating design method using simulation and ANP(Analytic Network Process) for mass-customization in the automotive component manufacturing industry. For this, first of all, we built the simulation model including various and complex factors in the field, and estimat...
This paper suggested the optimal operating design method using simulation and ANP(Analytic Network Process) for mass-customization in the automotive component manufacturing industry. For this, first of all, we built the simulation model including various and complex factors in the field, and estimated the meta-model by RSM(Response Surface Method). Secondly using ANP, we calculated the weight of relative importance of evaluation factors gathered from decision makers. And then, we proposed the optimal operation designs by MOGA(Multi-Objective Genetic Algorithm), analyzed results of them. Moreover, by comparing the results with the consequences using AHP(Analytic Hierarchy Process), we showed its superiority of suggested method to the manner using AHP, because it reflects inner, outer dependency, and inter-relation among judgement factors. In conclusion, through this process, we can present the better way to serve mover effective, precise, and accurate information to decision makers when they build operation design for mass-customization system as automotive parts production system.
This paper suggested the optimal operating design method using simulation and ANP(Analytic Network Process) for mass-customization in the automotive component manufacturing industry. For this, first of all, we built the simulation model including various and complex factors in the field, and estimated the meta-model by RSM(Response Surface Method). Secondly using ANP, we calculated the weight of relative importance of evaluation factors gathered from decision makers. And then, we proposed the optimal operation designs by MOGA(Multi-Objective Genetic Algorithm), analyzed results of them. Moreover, by comparing the results with the consequences using AHP(Analytic Hierarchy Process), we showed its superiority of suggested method to the manner using AHP, because it reflects inner, outer dependency, and inter-relation among judgement factors. In conclusion, through this process, we can present the better way to serve mover effective, precise, and accurate information to decision makers when they build operation design for mass-customization system as automotive parts production system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 복잡한 모델에서 의사결정자가 직관적으로 쉽고 정확하게 가중치를 부여할 수 있도록 도와준다. 따라서 본 논문에서는 실제 제조환경 요소들을 반영한 자동차부품 가공 FMS를 시뮬레이션으로 구성하고, ANP와 다목적 유전자 알고리즘을 이용하여 이 시스템의 최적운영방안을 설계하고자 한다.
본 실험은 MOGA의 개체 선별순위를 ANP 가중치에 따라 선별하며, 이에 따른 최적 설계변수의 변화를 비교평가하여 부품가공 FMS의 최적설계 변수를 도출하기 위한 것이다. 이를 위하여 앞서 구한 회귀식과 반응변수별 ANP 가중치를 반영한 목적함수를 구성하면 식 (6)과 같이 나타낼 수 있다.
본 연구에서는 다수의 목적이 존재하며, 내부 설비와 작업 사이의 상호작용이 존재하고, 프로세스가 다양하여 수리적인 형태의 분석에 한계가 있는 부품가공 FMS의 최적운영설계를 다룬다. 이러한 복잡한 시스템을 정교하게 모델링한 3차원 그래픽 시뮬레이션 모델은 처리해야 할 데이터가 매우 많기 때문에 시뮬레이션 모델을 이용하여 직접 최적화 실험을 수행하기 위해서는 상당히 많은 노력과 시간을 필요로 한다.
제안 방법
ANP 수행절차는 통제계층 구조형성, 하위 시스템 결정, 쌍대비교실시, 초행렬(Super matrix), 극한값 산출, 극한값 종합, 세부요인별 결과 산출 등의 절차에 의해 구할 수 있으며, 본 연구에서 ANP 기법은 반응변수와 설계변수들의 상대적 중요도를 산출하여 다목적함수의 가중치를 산정하는데 사용한다. ANP 산출의 자세한 세부사항은 최명서(2007) 등의 퍼지와 ANP를 활용한 군 시설 이전 적지 선정요인 평가[19]와 이태희(1997) 등의 AHP와 ANP의 결합을 통한 합리적 예측모델 구축[20] 등의 논문에서 상세히 명시되어 있다.
ANP분석에서는 서로 의견이 다른 의사결정자들의 결정에 따른 최종 설계변수 선정의 영향을 알아보기 위해, 상이한 가중치를 갖는 의사결정자 A와 B가 만든 2가지 모델을 형성하였으며, AHP분석에서 추가된 슈퍼매트릭스(Super Matrix)를 포함시켰다. 각 요소 간 쌍대비교를 통해 구한 초기행렬에서 각 열의 합을 구하고 합을 다시 1로 만드는 가중된 초행렬(Weighted Super Matrix)을 계산 후, 초행렬의 특성을 적용하여 극한행렬(Limiting Matrix)을 구하고, 극한 행렬에서 구한 가중치 중에서 절대측정에 사용되는 가중치를 다시 선별하여 합이 1이 되도록 정규화 하였다.
가중치 산정기법에 따른 최종 설계변수 선정에 미치는 영향을 비교분석하기 위하여 의사결정자 A, B의 평가를 토대로 AHP 모델을 구성하여 가중치를 산정하였으며, 그 결과는 표 5와 같다.
ANP분석에서는 서로 의견이 다른 의사결정자들의 결정에 따른 최종 설계변수 선정의 영향을 알아보기 위해, 상이한 가중치를 갖는 의사결정자 A와 B가 만든 2가지 모델을 형성하였으며, AHP분석에서 추가된 슈퍼매트릭스(Super Matrix)를 포함시켰다. 각 요소 간 쌍대비교를 통해 구한 초기행렬에서 각 열의 합을 구하고 합을 다시 1로 만드는 가중된 초행렬(Weighted Super Matrix)을 계산 후, 초행렬의 특성을 적용하여 극한행렬(Limiting Matrix)을 구하고, 극한 행렬에서 구한 가중치 중에서 절대측정에 사용되는 가중치를 다시 선별하여 합이 1이 되도록 정규화 하였다. 그 결과는 표 3과 같다.
2를 이용하여 시스템을 구현하였다. 그 후, 시뮬레이션 모델의 실험 결과를 바탕으로 반응표면법을 통해 메타모델을 설계하여 다양한 목적함수를 도출하였다. 이후 의사결정자가 복잡한 모델을 좀 더 이해하기 쉬우면서 합리적인 과정을 통해 가중치를 결정할 수 있도록 다 기준 의사결정 기법중 하나인 네트워크 분석법(ANP: Analytic Network Process)을 사용하여 목적함수 각각의 가중치를 산정하였다.
이후 의사결정자가 복잡한 모델을 좀 더 이해하기 쉬우면서 합리적인 과정을 통해 가중치를 결정할 수 있도록 다 기준 의사결정 기법중 하나인 네트워크 분석법(ANP: Analytic Network Process)을 사용하여 목적함수 각각의 가중치를 산정하였다. 그리고 최종적으로 산정된 가중치를 반영한 다목적 함수를 휴리스틱(Heuristic) 기법인 다목적 유전자 알고리즘(MOGA: Multiple Objective Genetic Algorithm)을 사용하여 그 운영방안을 최적화하였다. 위에서 설명한 절차를 도식화하면 그림 1과 같다.
3차 회귀모형도 고려될 수 있으나, 3차 회귀모형은 실제 생활에서 거의 사용되지 않고 있다. 따라서 본 연구에서는 2차 회귀모형까지 고려하여 메타모델링을 수행한다.
본 연구에서는 부품가공 FMS와 같은 복잡한 모델에서 의사결정자가 직관적으로 쉽고 정확하게 가중치를 부여할 수 있도록 상대측정과 절대측정을 지원하는 Super Decisions를 이용하였으며, 그림 6과 같이 네트워크를 구성하였다. 모델은 각 평가기준간의 내부종속성(inner-dependence)뿐만 아니라 외부종속성(outer-dependence), 그리고 계층 간의 피드백(feedback) 효과까지 고려하여 구성하였다.
본 논문에서는 국내 자동차 부품가공 FMS를 대상으로 시뮬레이션과 반응표면분석을 이용하여 메타모델을 설계하고, 네트워크분석법으로 가중치를 설계한 후 다목적 유전자 알고리즘을 사용하여 부품가공 FMS의 최적운영방안을 설계하였다. 시뮬레이션 기법을 사용하여 제품의 형태, 처리프로세스 및 발생분포, 각 기계별 처리시간, 자동반송용 로봇의 속도와 이용률 등과 같이 실제 생산현장에서 발생할 수 있는 복잡하고 다양한 요소를 반영하였고, 반응표면법으로 그 모델을 단순화하였다.
본 논문에서는 부품별로 다양한 가공형태를 가지고 있는 자동차 부품의 가공 FMS의 운영방안을 설계함에 있어서, 그 복잡하고 다양한 생산 환경을 시뮬레이션으로 모델링하고, 의사결정자들의 의견을 네트워크분석법으로 최대한 반영하여 그 가중치를 토대로 다목적 유전자알고리즘을 이용하여 시스템의 최적운영방안을 설계하였다.
그 레이아웃은 그림 4와 같다. 본 연구에서 FMS 시뮬레이션에 따른 기타 요소들은 일반적인 시뮬레이션 가정을 따랐으며[21], A사의 생산 부품별 공정 및 처리시간, 투입분포 등의 운영변수들은 [표 1]과 같다.
본 연구에서는 FMS의 최적 설계를 위하여 내·외부 종속구조와 피드백까지 고려하는 ANP를 이용한 가중치 기반 개체선별 방법을 사용하였다.
본 연구에서는 RSM 메타모델을 통한 시뮬레이션 근사 모델에서 복잡하고 종합적인 의사결정과정을 직관적이며 쉽고 정확하게 반영하기 위해 ANP를 사용하여 설계변수와 반응 변수의 가중치를 산정 한다. ANP 모형의 네트워크 구조는 몇 개의 집합(Cluster)과 집합에 속하는 요소(elements)들로 구성되며, 의사결정에 필요한 요소들을 나열하고 각각의 특성에 따라 유사한 요소들을 분류하여 집합들을 만든다.
본 연구에서는 SPSS 12.0을 이용하여 반응표면법을 통한 메타모델링을 실시하였다. 반응변수인 총 처리량(y1), AGV 이용률(y2), 설비 당 평균 재공 수(y3)에 대하여 유의수준 0.
본 연구에서는 부품가공 FMS와 같은 복잡한 모델에서 의사결정자가 직관적으로 쉽고 정확하게 가중치를 부여할 수 있도록 상대측정과 절대측정을 지원하는 Super Decisions를 이용하였으며, 그림 6과 같이 네트워크를 구성하였다. 모델은 각 평가기준간의 내부종속성(inner-dependence)뿐만 아니라 외부종속성(outer-dependence), 그리고 계층 간의 피드백(feedback) 효과까지 고려하여 구성하였다.
반면에 의사결정자 B의 최적대안은 AGV이용률을 77%까지 올려, A의 대안으로 인해 발생할 수 있는 AGV 대수의 과도한 설치에 따른 비용손실을 없앨 수 있게 된다. 본 연구의 대상이 되는 A사는 부품의 가공시간이 전체 사이클 타임대비 크지 않고, 1단계 예상 수요가 최대 6,000개 넘지 않으므로, 경영진에서는 공간과 비용의 최소화 시킬 수 있는 의사결정자 B안을 선택하였다. 하지만, 추후 2단계 생산증대 계획 설립 시 다른 가중치가 부여되면, AGV 대수의 증가와 I/O Buffer의 Size-up 등 다른 설계변수들의 변화도 고려해야 할 것이다.
국내 A사의 부품가공 FMS는 머시닝 센터 등의 설비(MC: Machine), 가공 대상물의 Loader, Unloader, 자동반송용 로봇(AGVs), 버퍼(Buffer)로 구성되어 있다. 부품가공 FMS와 같은 복잡한 시스템을 보다 쉽게 구현하고, 많은 시간이 걸리는 기존 연구에 비해 작업자에 노하우 없이도 단시간에 작업장 환경을 파악하여 데이터를 얻고 분석하기 위해 시뮬레이션 기법을 사용하였다. 시뮬레이션 설계는 AutoMod 12.
표 2는 시뮬레이션 모형의 반응변수와 설계변수를 나타낸다. 설계변수는 반응변수에 가장 큰 영향을 주는 변수로 선택하였으며 이는 A사 실무자들과 협의하여 도출하였다. 총 처리량(Throughput)은 시스템 전체의 성능을 나타내는 지표이며 예측 및 유지를 위하여 사용된다.
본 논문에서는 국내 자동차 부품가공 FMS를 대상으로 시뮬레이션과 반응표면분석을 이용하여 메타모델을 설계하고, 네트워크분석법으로 가중치를 설계한 후 다목적 유전자 알고리즘을 사용하여 부품가공 FMS의 최적운영방안을 설계하였다. 시뮬레이션 기법을 사용하여 제품의 형태, 처리프로세스 및 발생분포, 각 기계별 처리시간, 자동반송용 로봇의 속도와 이용률 등과 같이 실제 생산현장에서 발생할 수 있는 복잡하고 다양한 요소를 반영하였고, 반응표면법으로 그 모델을 단순화하였다. 일반적인 시뮬레이션 메타모델의 경우 목적함수를 반응 변수로, 제약조건을 설계변수의 영역으로 정하여 최적의 해를 구하게 되지만, 본 연구에서는 ANP기법을 통하여 반응변수와 설계변수의 피드백까지 고려한 각 목적의 가중치를 산정하였다.
시뮬레이션 실행 횟수를 줄이기 위하여 각 변수의 Low, Mid, High의 값을 선정하여 실험을 진행하였으며, 실험횟수는 38 × 2로 38은 변수의 조합을 나타내고, 2는 실험 반복 횟수를 나타낸다.
일반적인 시뮬레이션 메타모델의 경우 목적함수를 반응 변수로, 제약조건을 설계변수의 영역으로 정하여 최적의 해를 구하게 되지만, 본 연구에서는 ANP기법을 통하여 반응변수와 설계변수의 피드백까지 고려한 각 목적의 가중치를 산정하였다. 이 ANP 기법으로 산정된 가중치를 토대로 휴리스틱 기법중 하나인 MOGA를 사용하여 부품가공 FMS에 적합한 최적방안을 제시함과 더불어, AHP기법으로 계산된 가중치를 토대로 한 최적방안과의 비교를 통해 그 상대적 우수성을 비교하였다. 이 방법은 쌍대비교를 통하여 의사결정자가 복잡한 모델을 좀 더 이해하기 쉬우면서 합리적인 과정을 통해 가중치를 결정할 수 있도록 도와주며, 절차의 간소화로 일반적인 시뮬레이션 최적화보다 빠르게 최적방안을 구할 수 있다는 장점이 있다.
이를 위해, 먼저 제품의 형태, 처리프로세스 및 발생분포, 각 기계별 처리시간, 자동반송용 로봇의 속도와 이용률 등의 실제 작업환경 요소들의 다양한 변화를 시뮬레이션 툴인 AutoMod 12.2를 이용하여 시스템을 구현하였다. 그 후, 시뮬레이션 모델의 실험 결과를 바탕으로 반응표면법을 통해 메타모델을 설계하여 다양한 목적함수를 도출하였다.
시뮬레이션 기법을 사용하여 제품의 형태, 처리프로세스 및 발생분포, 각 기계별 처리시간, 자동반송용 로봇의 속도와 이용률 등과 같이 실제 생산현장에서 발생할 수 있는 복잡하고 다양한 요소를 반영하였고, 반응표면법으로 그 모델을 단순화하였다. 일반적인 시뮬레이션 메타모델의 경우 목적함수를 반응 변수로, 제약조건을 설계변수의 영역으로 정하여 최적의 해를 구하게 되지만, 본 연구에서는 ANP기법을 통하여 반응변수와 설계변수의 피드백까지 고려한 각 목적의 가중치를 산정하였다. 이 ANP 기법으로 산정된 가중치를 토대로 휴리스틱 기법중 하나인 MOGA를 사용하여 부품가공 FMS에 적합한 최적방안을 제시함과 더불어, AHP기법으로 계산된 가중치를 토대로 한 최적방안과의 비교를 통해 그 상대적 우수성을 비교하였다.
대상 데이터
본 연구에서는 자동차 부품을 생산하는 국내 A사의 부품가공 FMS를 시뮬레이션 모델링 하였다. 국내 A사의 부품가공 FMS는 머시닝 센터 등의 설비(MC: Machine), 가공 대상물의 Loader, Unloader, 자동반송용 로봇(AGVs), 버퍼(Buffer)로 구성되어 있다.
이론/모형
또한 일반적으로 시스템 설계의 특징적 요인들을 조합하고 그래픽 요소와 제어 논리를 이용하여 재구성하는 것이 시뮬레이션 모델이라면 메타모델(Meta model)은 시뮬레이션 모델의 출력을 통계적으로 분석하여 비교적 간단한 근사함수(회귀모델)로 구현 한 것이다[15]. 따라서 본 연구에서는 시뮬레이션에서 나오는 방대한 데이터를 분석하는데 다항 회귀분석 기법을 이용한 반응표면법(RSM: Response Surface Method)을 사용하여 메타모델링 하였다. 메타모델을 수립하는 과정은 일반적으로 다음의 3가지 절차를 포함하며 그 절차는 그림 2와 같다[15].
부품가공 FMS와 같은 복잡한 시스템을 보다 쉽게 구현하고, 많은 시간이 걸리는 기존 연구에 비해 작업자에 노하우 없이도 단시간에 작업장 환경을 파악하여 데이터를 얻고 분석하기 위해 시뮬레이션 기법을 사용하였다. 시뮬레이션 설계는 AutoMod 12.2를 사용하여 모델링 하였다. 전체 시스템은 투입(Input) 컨베이어를 통하여 작업 대상물(Load)이 들어와서 각각 해당 설비(Machine)를 거쳐 완제품이 출력(Output) 컨베이어를 통해 빠져나가는 형태이며, 각 설비간 이동은 자동반송용 로봇에 의해서 이루어진다.
그 후, 시뮬레이션 모델의 실험 결과를 바탕으로 반응표면법을 통해 메타모델을 설계하여 다양한 목적함수를 도출하였다. 이후 의사결정자가 복잡한 모델을 좀 더 이해하기 쉬우면서 합리적인 과정을 통해 가중치를 결정할 수 있도록 다 기준 의사결정 기법중 하나인 네트워크 분석법(ANP: Analytic Network Process)을 사용하여 목적함수 각각의 가중치를 산정하였다. 그리고 최종적으로 산정된 가중치를 반영한 다목적 함수를 휴리스틱(Heuristic) 기법인 다목적 유전자 알고리즘(MOGA: Multiple Objective Genetic Algorithm)을 사용하여 그 운영방안을 최적화하였다.
성능/효과
생산성을 중시하는 의사결정자 A의 비교결과 AHP 모델은 단순히 총 처리량을 중시하여 6,655개로 ANP 모델에 비하여 47개 증가하였지만 AGV 이용률이 10% 감소하고, AGV 대수가 2대 증가하여 투자비용의 증가를 초래하였다. 그에 반해, 설비의 효율을 중시하는 의사결정자 B는 AHP 모델의 경우 AGV이용률이 8%정도 감소하고, AGV 1대의 증가와 setdown 작업시간의 많은 단축이 요구된다.
이러한 결과를 볼 때 ANP 가중치를 반영한 모델이 의사결정자가 각 설비와 운영요소간의 복잡한 연관관계를 가지고 있는 시스템 설계에 관한 의사결정 시 중요하게 생각하는 정도에 따라 보다 정확하게 설계변수의 최적방안을 제시할 수 있다.
후속연구
이 방법은 쌍대비교를 통하여 의사결정자가 복잡한 모델을 좀 더 이해하기 쉬우면서 합리적인 과정을 통해 가중치를 결정할 수 있도록 도와주며, 절차의 간소화로 일반적인 시뮬레이션 최적화보다 빠르게 최적방안을 구할 수 있다는 장점이 있다. 또한 추가 연구 수행 시 목적함수에 변화를 주어 속성의 목표가 최대화이든 최소화이든 모두 고려하여 유연하게 최적의 운영방안을 구할 수 있고, 의사결정자의 우선순위 변화에 즉각적으로 대응할 수 있다는 점에서 빠르게 변화하는 고객의 요구에 부흥할 수 있는 부품가공 FMS의 운영방안에 도움을 줄 수 있을 것이다.
본 연구의 대상이 되는 A사는 부품의 가공시간이 전체 사이클 타임대비 크지 않고, 1단계 예상 수요가 최대 6,000개 넘지 않으므로, 경영진에서는 공간과 비용의 최소화 시킬 수 있는 의사결정자 B안을 선택하였다. 하지만, 추후 2단계 생산증대 계획 설립 시 다른 가중치가 부여되면, AGV 대수의 증가와 I/O Buffer의 Size-up 등 다른 설계변수들의 변화도 고려해야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
현대의 생산 형태는 어떤 형태인가?
현대의 생산 형태는 다품종 소량생산이며, 생산 공정내에서 작업물의 실제 가공시간은 전체 사이클 타임의 5%를 넘지 않고 대부분의 시간을 작업 장내 이동이나 다음 공정을 대기하는데 사용하는 것으로 알려져 있다[6]. 이에 따라 생산 환경의 변화에 쉽게 대응가능하고 대기시간과 이동시간을 감소시킬 수 있는 FMS가 제안되었고, 그 효용이 많은 연구를 통해 증명되어 왔다[6].
급변하는 고객의 요구에 대응하고 신속하고 안정적으로 주문에 맞춰 부품을 생산해야 하는 자동차 산업에서 이러한 제조환경에 대응하기 위해 어떤 시스템을 사용하고 있는가?
2만 여개의 부품으로 조립되는 자동차 산업은 급변하는 고객의 요구에 대응하고, 기업 스스로도 안정적인 생산을 유지하면서 신속하게 주문에 맞춰 부품을 생산해야 하며, 또한 적정한 재고를 유지하도록 생산시스템을 구축하여야 한다[1,2]. 자동차 산업에서는 이러한 제조환경에 적응하기 위하여 효율성과 유연성을 동시에 갖추고 있는 유연생산시스템(FMS: Flexible Manufacturing System)의 도입이 급격히 늘어나고 있으며[3], 생산시스템의 운영성과를 극대화하기 위하여 자동반송용 로봇(AGVs: Automated Guided Vehicle System)이나 컨베이어(Conveyor) 시스템과 같은 자동 물류 시스템들과 함께 사용되고 있다[4]. 이러한 시스템의 성과를 측정하거나 예측하기 위해서는 내부 설비와 작업 사이의 상호작용과 동적인 행동을 정확하게 측정하는 것이 매우 중요한데, 시뮬레이션 분석은 이처럼 수리적 모델을 이용하여 쉽게 묘사 할 수 없는 FMS와 같은 복잡한 시스템의 분석에 매우 적합한 분석 도구라고 할 수 있다[5].
다품종 소량생산을 따르는 현대의 생산 형태에 맞춰 많은 공장에서는 어떤 시스템을 사용하고 있는가?
현대의 생산 형태는 다품종 소량생산이며, 생산 공정내에서 작업물의 실제 가공시간은 전체 사이클 타임의 5%를 넘지 않고 대부분의 시간을 작업 장내 이동이나 다음 공정을 대기하는데 사용하는 것으로 알려져 있다[6]. 이에 따라 생산 환경의 변화에 쉽게 대응가능하고 대기시간과 이동시간을 감소시킬 수 있는 FMS가 제안되었고, 그 효용이 많은 연구를 통해 증명되어 왔다[6]. 이러한 FMS의 최적 설계를 위하여 이성우(2009)는 유연생산시스템의 기계와 AGV의 동적 작업배정규칙을 비교연구하였으며[7], 이용균(2001) 등은 최적 버퍼 할당을 위하여 유전자 알고리즘과 시뮬레이션을 이용하였다[6].
참고문헌 (24)
C.Y. Jung, "A Fuzzy Model for Production Planning in A Subcontract Company of Automobile Parts", The Korean Association of Small Business Studies, pp.69-88, 1997.
Sangbok Ree, Kuk Kim, Hae-Il Ahn, "Manufacturing Manangement of Toyoda Motor Factory", KIIE Vol.9, No.2, pp.95-104, 1996.
이충수, "SSMS (Single-stage Multi-machine System) 에서 동적 공구할당 전략하의 부품투입 방안 연구", 고려대학교 산업공학과 박사 학위 논문, 2월, 2000.
윤정익, "FMC반송용 로봇의 선견형 운영방법", 한국시뮬레이션학회 논문지, 제17권, 제4호, pp. 249-257, 12월, 2008.
Abdullah Konak, "Multi-objective optimization using genetic algorithm: A tutorial", Reliability Engineering and System Safety, Vol.91, pp. 992-1007, September, 2006.
V.K. Banga, "Simulation of Robotic Arm using Genetic Algorithm & AHP", International Journal of Computer Systems Science and Engineering, pp. 93-98, 2007.
Xuesong Guan, "Machining scheme selection of digital manufacturing based on genetic algorithm and AHP", Journal of Intelligent Manufacturing, Vol.20, pp. 661-669, 2009.
Insup Um, "The Simulation Design and Analysis of a Flexible Manufacturing System with Automated Guided Vehicle System", Journal of Manufacturing System, Vol.28, pp. 115-122, December 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.