Ohutlevy-yrityksen mekaanisen valmistuksen tehostaminen

Diplomityön tavoitteena on tehostaa ohutlevytuotteita valmistavan yrityksen toimintaa ja parantaa tuotannon ohjattavuutta. Tuotannon tehostamisessa keskitytään minimoimaan asetusajat, pienentämään eräkokoja ja investoimaan valmistusta helpottaviin työkoneisiin tai -laitteisiin. Tuotannon ohjattavuutta kehitetään helpottamalla visuaalista seurantaa, layout-muutoksilla ja FiFo-ohjauksen käyttöönotolla. Kaikilla kehitystoimenpiteillä pyritään lyhentämään tuotannon läpimenoaikaa ja vähentämään keskeneräisen tuotannon määrää. Tavoitteena on luoda pohja Lean-valmistukselle. Kehitystoimenpiteet keskitetään useimmiten pullonkauloiksi muodostuville osastoille. Kapeikkojen avaamisessa hyödynnetään CIM-projektin mukaisesti tehtäviä investointeja. Uudella robottisärmäysyksiköllä mahdollistetaan litistäminen ja särmääminen yhdellä asetuksella. Kokoonpano-osaston sijaintia muutettiin ja osaston layoutista tehtiin linjamainen. Tuotannonohjauksen kehittämiseksi luotiin yksinkertainen kolmen askeleen kehitysmalli.

Lean Six Sigma in a Manufacturing Lead Time Improvement Project

The objective of this research is to demonstrate the use of Lean Six Sigma methodology in a manufacturing lead time improvement project. Moreover, the goal is to develop working solutions for the target company to improve its manufacturing lead time. The theoretical background is achieved through exploring the literature of Six Sigma, Lean and Lean Six Sigma. The development will be done in collaboration with the related stakeholders, by following the Lean Six Sigma improvement process DMAIC and by analyzing the process data from the target company. The focus of this research is in demonstrating how to use Lean Six Sigma improvement process DMAIC in practice, rather than in comparing Lean Six Sigma to other improvement methodologies. In order to validate the manufacturing system’s current state, improvement potential and solutions, statistical tools such as linear regression analysis were used. This ensured that all the decisions were as heavily based on actual data as possible. As a result of this research, a set of solutions were developed and implemented in the target company. These solutions included batch size reduction, bottleneck shift, first-in first-out queuing and shifting a data entry task from production planners to line workers. With the use of these solutions, the target company was able to reduce its manufacturing lead time by over one third.

Sisäisten tuotevirtojen hallinta elintarviketeollisuudessa

Elintarvikealan yritysten tulee kehittää laadukkaita, kustannustehokkaita ja monipuolisen sisällön omaavia tuotteita elintarvikealan standardeja noudattaen nopeammin kuin koskaan. Uusien lopputuotteiden kehittämisen myötä myös puolivalmisteiden kokonaismäärä kasvaa, mikä vaikeuttaa erityisesti sisäisten tuotevirtojen hallittavuutta tehtaalla. Toimintaympäristön muutoksien seurauksena yritysten on automatisoitava toimintoja tehostaakseen tuotantoaan ja saavuttaakseen kilpailuetua. Tutkimuksen tekemiseen käytettiin kvalitatiivista eli laadullista lähestymistapaa, jonka tarkoituksena on tutkia kohdetta mahdollisimman monipuolisesti. Kvalitatiivisen tiedon hankkimiseen käytettiin haastatteluja sekä osallistuvaa ja passiivista tarkkailua. Toimintatutkimuksen tavoin tarkoituksena oli kehittää ratkaisu kohdeyrityksen ongelmaan soveltamalla olemassa olevaa teoreettista tietämystä ja kentällä tehtyjä havaintoja. Tutkimuksen tuloksena löydettiin parhaiten kohdeyrityksen tehdasympäristöön sisäisten tuotevirtojen hallintaan soveltuva seuranta- ja tunnistustekniikka. Lisäksi haastatteluiden pohjalta saatiin määritettyä liikkeellepanevat ja vastustavat voimat, jotka ohjaavat mahdollisen investointisuunnitelman etenemistä ja päätöksentekoa.

A Research of Resource Scheduling Algorithm Based on Hadoop

With the development of electronic devices, more and more mobile clients are connected to the Internet and they generate massive data every day. We live in an age of “Big Data”, and every day we generate hundreds of million magnitude data. By analyzing the data and making prediction, we can carry out better development plan. Unfortunately, traditional computation framework cannot meet the demand, so the Hadoop would be put forward. First the paper introduces the background and development status of Hadoop, compares the MapReduce in Hadoop 1.0 and YARN in Hadoop 2.0, and analyzes the advantages and disadvantages of them. Because the resource management module is the core role of YARN, so next the paper would research about the resource allocation module including the resource management, resource allocation algorithm, resource preemption model and the whole resource scheduling process from applying resource to finishing allocation. Also it would introduce the FIFO Scheduler, Capacity Scheduler, and Fair Scheduler and compare them. The main work has been done in this paper is researching and analyzing the Dominant Resource Fair algorithm of YARN, putting forward a maximum resource utilization algorithm based on Dominant Resource Fair algorithm. The paper also provides a suggestion to improve the unreasonable facts in resource preemption model. Emphasizing “fairness” during resource allocation is the core concept of Dominant Resource Fair algorithm of YARM. Because the cluster is multiple users and multiple resources, so the user’s resource request is multiple too. The DRF algorithm would divide the user’s resources into dominant resource and normal resource. For a user, the dominant resource is the one whose share is highest among all the request resources, others are normal resource. The DRF algorithm requires the dominant resource share of each user being equal. But for these cases where different users’ dominant resource amount differs greatly, emphasizing “fairness” is not suitable and can’t promote the resource utilization of the cluster. By analyzing these cases, this thesis puts forward a new allocation algorithm based on DRF. The new algorithm takes the “fairness” into consideration but not the main principle. Maximizing the resource utilization is the main principle and goal of the new algorithm. According to comparing the result of the DRF and new algorithm based on DRF, we found that the new algorithm has more high resource utilization than DRF. The last part of the thesis is to install the environment of YARN and use the Scheduler Load Simulator (SLS) to simulate the cluster environment.