Investigating Bottlenecks in a Job Shop Production Environment Through Discrete-Event Simulation
Pysyvä osoite
Kuvaus
Opinnäytetyö kokotekstinä PDF-muodossa.
Bottlenecks are a central part of today's production systems and the challenges of their development. Especially in complex production environments, bottlenecks reduce efficiency, cause queues, and increase lead times. However, a key challenge is identifying bottlenecks and influencing their formation by modifying production parameters. The aim of this study is to analyze bottlenecks in a job-shop-type production environment and to determine how bottlenecks can be identified and analyzed using discrete-event simulation. In addition, the study examines how changing scheduling rules, adjusting WIP level, and modifying process variability affect the formation of bottlenecks. The analysis is based on key performance indicators, such as utilization, throughput, work in progress, queue lengths, and queue times.
The study was conducted using the simulation software AnyLogic, where a job shop production model consisting of seven workstations and five product types was developed. Several simulation scenarios were compared by modifying scheduling rules, production load levels, and process variability. The scheduling experiments included FIFO, LIFO, SPT, and LPT rules, while additional scenarios focused on reducing work-in-process (WIP) levels and modifying variability distributions.
The results showed that bottlenecks could be effectively identified using performance indicators such as utilization rate, queue lengths, waiting times, throughput, and WIP. In the baseline scenario, Machine 3 was identified as the primary bottleneck, reaching utilization rates of approximately 96–98% and the longest queue waiting times in the system. The SPT scheduling rule improved production flow and balanced workstation utilization more effectively than FIFO and LIFO, whereas LIFO increased congestion and accelerated queue growth. Lowering the production load reduced congestion and queue accumulation, but excessive reductions decreased throughput from approximately 22 products per hour to 12 products per hour due to underutilized capacity. In addition, increased variability caused the bottleneck to shift from Machine 3 to Machine 1, demonstrating the dynamic nature of bottlenecks.
The study demonstrates that discrete-event simulation is an effective tool for analyzing bottlenecks and evaluating production planning decisions without disrupting real manufacturing operations. The findings also highlight that bottlenecks are dynamic phenomena that can be managed through scheduling decisions, load balancing, and variability control.
Pullonkaulat ovat keskeinen osa nykypäivän tuotantojärjestelmiä ja niiden kehittämisen haasteita. Erityisesti monimutkaisissa tuotantoympäristöissä pullonkaulat heikentävät tehokkuutta, aiheuttavat jonoja ja pidentävät läpimenoaikoja. Keskeisenä haasteena on kuitenkin pullonkaulojen tunnistaminen sekä niiden muodostumiseen vaikuttaminen tuotannon parametreja muuttamalla. Tämän tutkimuksen tavoitteena on analysoida pullonkauloja job shop -tyyppisessä tuotantoympäristössä sekä selvittää, miten pullonkaulat voidaan tunnistaa ja analysoida diskreetin simuloinnin avulla. Lisäksi tutkimuksessa tarkastellaan, miten aikataulutussääntöjen muuttaminen, keskeneräisen tuotannon määrän säätäminen sekä prosessin vaihtelun muokkaaminen vaikuttavat pullonkaulojen muodostumiseen. Analyysi perustuu keskeisiin suorituskykmittareihin, kuten käyttöasteeseen, läpimenoon, keskeneräiseen tuotantoon, jonopituuksiin ja jonotusaikoihin.
Tutkimus toteutettiin AnyLogic-simulointiohjelmistolla, jossa rakennettiin job shop -tuotantomalli, joka koostui seitsemästä työasemasta ja viidestä tuotetyypistä. Simulaatiossa verrattiin useita eri skenaarioita muuttamalla aikataulutussääntöjä, tuotannon kuormitustasoja ja prosessin vaihtelua. Aikataulutuskokeet sisälsivät FIFO-, LIFO-, SPT- ja LPT-säännöt, kun taas muissa skenaarioissa keskityttiin keskeneräisen tuotannon määrän vähentämiseen ja vaihtelujakaumien muuttamiseen.
Tulokset osoittivat, että pullonkaulat voidaan tunnistaa tehokkaasti suorituskykymittareiden, kuten käyttöasteen, jonopituuksien, jonotusaikojen, läpimenon ja keskeneräisen tuotannon avulla. Perusskenaariossa Machine 3 tunnistettiin järjestelmän pääpullonkaulaksi, ja sen käyttöaste nousi noin 96–98 prosenttiin samalla, kun sillä havaittiin järjestelmän pisimmät jonotusajat. SPT-aikataulutussääntö paransi tuotannon virtausta ja tasapainotti työasemien käyttöastetta tehokkaammin kuin FIFO- ja LIFO-säännöt, kun taas LIFO lisäsi ruuhkautumista ja nopeutti jonojen kasvua. Tuotannon kuormituksen vähentäminen pienensi ruuhkia ja jonojen kertymistä, mutta liian suuret vähennykset laskivat läpimenoa noin 22 tuotteesta tunnissa 12 tuotteeseen tunnissa kapasiteetin alikäytön seurauksena. Lisäksi lisääntynyt vaihtelu siirsi pullonkaulan Machine 3:lta Machine 1:lle, mikä osoitti pullonkaulojen dynaamisen luonteen.
Tutkimus osoittaa, että diskreetti simulointi on tehokas työkalu pullonkaulojen analysointiin ja tuotannonsuunnitteluun liittyvien päätösten arviointiin ilman todellisen tuotannon häiritsemistä. Tulokset korostavat myös, että pullonkaulat ovat dynaamisia ilmiöitä, joita voidaan hallita aikataulutuspäätösten, kuormituksen tasapainottamisen ja vaihtelun hallinnan avulla.