دانلود ترجمه مقاله مقایسه آزمایشی از MRPII و MRP مبتنی بر تقاضا

1. مقدمه 2. بررسی مقالات 3. مطالعه تجربی 4. نتایج آزمایشی 5. نتیجه گیری

نتیجه گیری: این مقاله، مطالعه ای جامع در زمینه MRP مبتنی بر تقاضا را روی MRPII کلاسیک و در جهت استفاده از شبیه سازی رویداد گسسته (DES) توسعه داده است. چندین منبع از متغیرها ترکیب شده اند: منابع داخلی (بی ثباتی زمان های عملیاتی و راه اندازی)، منابع خارجی (تقاضای پراکنده و تقاضای فصلی). با این وجود، به نظر می رسد که DDMRP بر PRPII در همه سناریوها و حالات غالب شده و امکان نیل به سطح یکسانی از OTD را با WC کمتر (به طور کلی، 10 درصد کمتر) تشنج و نگرانی کمتر برآورده کند. چنین نتایجی نشان می دهند که DDMRP می تواند مشخصه ها و ویژگی هایی را توسعه دهد که قادر به رسمیت شناختن سیاست های مدیریتی در حالت کلی است. با این حال، این موارد حاصل شده و تقاضا اصلا پایداری مورد انتظار سیستم را ندارد. در واقع، DDMRP مستمرا و به طور پیوسته می تواند سطوح مورد انتظار را برای تغییر رویه های تقاضا اتخاذ کند ولی در برابر تقاضای بزرگ پیش بینی نشده، پاسخگو نباشد. با این وجود، فرآیند مدیریت پراکنده به همراه DDMRP ارائه شده و اثبات شده که در برابر تقاضاهای بزرگ پیش بینی نشده، کارآمدی کافی را خواهد داشت. بنابراین، به نظر می رسد که DDMRP متمایل به تقاضای نرمال و حرکت به سمت موارد پراکنده در تقاضا باشد. دو نوع دیدگاه به عنوان شاهد در این زمینه ارائه شده اند. اولی شامل تست DDMRP در محیط های دیگر و به طور خاص در برخی موقعیت های صنعتی پیچیده با تنوع محصولات زیاد ئ منابع متنوع مهم می باشد. دومی شامل مقایسه DDMRP با سیاست های مدیریت شارش مانند یک سری سازگاری ها از سیستم های Kanban و ConWIP است.

CONCLUSION: This paper developed a comparative study of Demand Driven MRP to the classical MRPII on a use case using Discrete Event Simulation (DES). Several sources of variabilities have been combined: internal (instability of operating times and setups), external (spike demand and seasonality of demand). Nevertheless, DDMRP appear to dominate MRPII in all the scenarios as it enables to reach the same level of OTD with less WC (10% less in general), and less nervousness. Such results show that DDMRP develops properties that are recognized to pull flow management policies. But the were obtained while demand was not stable at all. Indeed, DDMRP continuously adapts the buffer level to the demand trend changes but appeared to be sensible to huge unforecasted demand. Nevertheless, a spike management process is proposed with DDMRP that proves it is efficient if huge demand can be anticipated. Therefore, DDMRP appears to be pull oriented for normal demand and push oriented for spikes. Two kinds of perspective appear as evidence. The first consists in testing DDMRP in other environments in particular some industrial complex situations with a huge product variety and important variability sources. The second consists in comparing DDMRP to pull flow management policies such as some adaptations of Kanban and ConWIP systems.