„Gamybos našumo optimizavimas, modeliuojant rankinius surinkimo procesus“ Daktaro disertacija

Autorius, institucija: Justinas Tilindis, Kauno technologijos universitetas

Mokslinis vadovas – prof. dr. Vytautas KLEIZA (Kauno technologijos universitetas, technologijos mokslai, mechanikos inžinerija – 09T)

Mokslo sritis, kryptis: technologijos mokslai, mechanikos inžinerija – 09T

Su disertacija galima susipažinti Kauno technologijos universiteto bibliotekoje (K. Donelaičio g. 20, Kaunas)

Mechanikos inžinerijos mokslo krypties disertacijos gynimo taryba:

doc. dr. Giedrius Janušas (Kauno technologijos universitetas, technologijos mokslai, mechanikos inžinerija – 09T), – pirmininkas,
prof. dr. Rimvydas Gaidys (Kauno technologijos universitetas, technologijos mokslai, mechanikos inžinerija – 09T),
prof. dr. Volodymyr Hutsaylyuk (Karinis technologijos universitetas, Lenkija, technologijos mokslai, mechanikos inžinerija – 09T),
prof. Artūras Štikonas (Vilniaus universitetas, fiziniai mokslai, informatika – 09P).

Anotacija:

Šiuolaikinėje gamyboje rankinis surinkimas yra dažnai keičiamas robotizuotu surinkimu, tačiau daugelyje gamybos sričių mechaninis žmogaus darbas yra neišvengiamas dėl įvairių priežasčių: darbo ir įrangos kainų, operacijų sudėtingumo ir t. t. Be to, šiuolaikinė gamyba išsiskiria keliais svarbiais bruožais. Pirmiausia – tai yra masinės gamybos pasitraukimas ir masinės individualizacijos plitimas. Gamyboje tai reiškia mažus užsakymo kiekius, vis didėjančią gaminių įvairovę ir trumpesnį gaminio pateikimo klientui laiką. Todėl įmonėse, kuriose yra taikomas rankinis surinkimas, maži kiekiai, nevienodi gamybos užsakymai lemia tai, kad gamyba nuolat vyksta mokymosi fazėje, t. y. mokymosi kreivės pradžioje. O kad būtų galima greičiau reaguoti į besikeičiančius vartotojų poreikius, būtina mažinti gamybos procesų trukmę. Šiame darbe išspręsta problema tiesiogiai susijusi su gamybos proceso trukmės mažinimu. Darbe sukurti ir pagrįsti nauji mokymosi kreivių modeliai, visiškai tenkinantys bendrąsias mokymosi kreivių savybes ir tiksliau aprašantys mokymosi procesus. Be to, nustatyta, kad mokymosi kreivių parametrai gali būti nustatomi naudojant deterministinius (ne statistinius) metodus. Galiausiai, kitų autorių atliktuose tyrimuose buvo siekiama tik apskaičiuoti ir prognozuoti mokymosi laiką. Šiame darbe yra pasiūlytas metodas jam sumažinti, kitaip tariant įrodyta, kad sudėtingo rankinio surinkimo proceso našumas didėja jį skaidant į tam tikrą (optimalų), paprastesnių procesų skaičių.