iii
Summary
Aluchemie is a company that produces anodes for several aluminum producers. These anodes are baked in furnaces for approximately two weeks.
The utilization of the furnaces at Aluchemie is a complex subject, which has a large impact on the production capacity of the plant. Aluchemie is currently able to produce 382.66 kTon/year including rejects, however they suspect that a production increase is possible with better scheduling. An increase in capacity not only improves the production, but simultaneously reduces the production costs/ton, because the gas costs per ton will be reduced, which is a significant cost factor for the production of the anodes.
The goal of this research is to find the current theoretical capacity of the production plant using the current batch options and the improvement that can be gained when the production of the anodes is scheduled using a model. This leads to the following research question:
“What is the current capacity of Aluchemie given their current scheduling approach and how much can this be improved by use of a model?”
To find the capacity of Aluchemie, three models are developed, i.e. the Batch Forming Algorithm (BFA), the Batch Combination Algorithm (BCA) and the Batch Scheduling algorithm (BSA). The BFA and BCA serve as an input for the BSA and make sure the BSA does not produce infeasible schedules. The BSA is the main model for this research.
The Batch Forming Algorithm creates a list of all possible batches that can be loaded into a furnace, taking the physical restrictions into account. The model also calculates the production costs of these batches.
The Batch Combination Algorithm creates a filter that prevents scheduling that violates the handling time. By the use of a Branch & Bound algorithm, this model calculates all possible batch combinations that can be loaded at a given time without violating the handling time constraints.
The Batch Scheduling Algorithm is a genetic algorithm, which uses the batch lists created by the BFA and the filters created by the BCA to create a (near) optimal schedule.
Using this BSA, five different scenarios are analyzed:
Scenario 1: Improvement of capacity using the model given the batch options Aluchemie currently considers.
Scenario 2: Further improvement if an extended batch list is considered.
Scenario 3: Influence of the planning horizon on the production capacity.
Scenario 4: Influence of the product portfolio in the capacity.
iv These schedules are compared using three different Key Performance Indicators, i.e. the capacity, the production costs per ton and the profit gain.
Using these KPI’s, the improvement compared to the actual production is shown in Table 1 (only the first three scenarios because these can be compared to each another).
Yearly production [kTon] Production costs [€/ton] Yearly profit gain [mln €]
Actual production 382.66 36.208 Base case = 0
Schedule scenario 1 396.51 35.192 3.17
Schedule scenario 2 399.22 34.964 3.81
Schedule scenario 3 399.51 34.925 3.88
Table 1: Comparison of the generated schedules of the first three scenarios compared to the actual production.
The capacity increase from scenario 1 mainly comes from a redistribution of codes over the furnaces and an allowed decrease in fire cycle time of furnace 1, without violating the handling time constraints. The other scenarios profit from having more flexibility to create a schedules, i.e. scenario 2 by having 3 to 5 times as much batches to choose from and scenario 3 by using the excess production of the previous month to create an even better schedule.
This research shows that a theoretical capacity of 396.51 kTon/year is possible using the current considered batch choices (scenario 1), which is an improvement of 3.6% compared to the current
throughput. The schedule can be further improved to an increase of 4.4% in capacity with a profit gain of €3.88 mln (scenario 3).
The results from scenario 4 showed that a different portfolio only reduced the capacity of the furnaces with 0.95%. The reduction or increase will depend on the actual portfolio, however it is expected that the furnaces have a large enough flexibility of possible code distributions to stay within a small range. Further research is required to substantiate this conjecture.
Scenario 5 showed that the handling time of the equipment does not significantly influence the capacity of the furnaces and by smart scheduling these restrictions can be overcome.
v
Samenvatting
Aluchemie is een bedrijf dat zich specialiseert in de productie van anodes, die gebruikt worden door aluminium smelters voor de productie van Aluminium. Om deze anodes te maken, worden ze twee weken lang gebakken in een oven.
Het optimaal vullen van deze ovens is een gecompliceerd probleem dat een grote impact heeft op de productiecapaciteit van Aluchemie. De anodes worden als batches ingepakt in de ovens waarbij een batch bestaat uit verschillende lagen anodes. Op het moment produceert Aluchemie ongeveer 382.66kTon/jaar inclusief afkeur, maar ze vermoeden dat een hogere productie mogelijk is door de productieplanning te verbeteren. Het beter vullen van de ovens is niet alleen goed voor het verbeteren van de productie, maar brengt tegelijkertijd ook de productiekosten per ton omlaag, doordat de gaskosten per ton afnemen. Dit kan leiden tot een significante extra winst voor Aluchemie. Het doel van dit onderzoek is om de huidige maximale capaciteit van Aluchemie te vinden voor de huidige batch opties die ze overwegen en welke verbetering mogelijk is als een model gebruikt wordt zodat nog meer batch opties overwogen kunnen worden. Dit leidt tot de volgende onderzoeksvraag:
“Wat is de huidige capaciteit van Aluchemie met de huidige planningsaanpak en hoeveel kan dit verbeterd worden als een model gebruikt wordt?”
Om deze vraag te beantwoorden zijn drie modellen ontwikkeld, genaamd het Batch Forming Algorithm (BFA), het Batch Combination Algorithm (BCA) en het Batch Scheduling Algorithm. De eerste twee modellen zorgen dat alleen batches gepland kunnen worden in het BSA die aan alle voorwaarden voldoen.
Het BFA genereert een lijst met alle mogelijk batches per oven, rekening houdend met alle fysieke beperkingen, zoals de dimensies van de sleuven waarin de anodes worden ingepakt. Het model berekend ook de productiekosten van deze batches.
Het BCA genereert een filter die voorkomt dat batch combinaties ingepland worden die niet binnen de toegestane tijd ingepakt kunnen worden. Dit model werkt aan de hand van een Branch & Bound algoritme.
Het BSA is een genetisch algoritme, dat de batch lijst van het BFA gebruikt om een productie schema te ontwikkelen. Het algoritme maakt ook gebruik van het filter van de BCA, zodat geen planningen
gegenereerd worden die niet in te pakken zijn binnen de toegestane tijd. Met dit BSA worden de volgende scenario’s geanalyseerd:
Scenario 1: Het vergelijken van de planning gegenereerd door het model en de actuele planning, terwijl het model alleen dezelfde batch opties heeft als Aluchemie op het moment overweegt.
Scenario 2: De generatie van een model dat meer batch opties per oven overweegt (de beste 16 i.p.v. 3 tot 5 batch opties)
vi
Scenario 3: De invloed van de planning horizon op de planning.
Scenario 4: De invloed van product portfolio op de capaciteit van de ovens.
Scenario 5: De invloed van de handling tijd op de capaciteit.
The ontwikkelde planningen worden vergelijken aan de hand van drie verschillende Key Performance Indicators: de capaciteit, de productiekosten per ton en de extra winst die gemaakt wordt.
De resultaten zijn gegeven in .
Jaarlijkse productie [kTon]
Productie kosten [€/ton] Jaarlijkse extra winst [mln €]
Actuele productie 382,66 36,208 Base case = 0
Schema scenario 1 396,51 35,192 3,17
Schema scenario 2 399,22 34,964 3,81
Schema scenario 3 399,1 34,925 3,88
Table 2: Vergelijking van de planningen gegenereerd door de eerste drie scenario’s en vergelijken met de actuele productie. De toename in capaciteit van het eerste scenario komt vooral door een verandering in het
productieschema en een toegestane vermindering in vuurcyclustijd voor oven 1. De overige winst zit in toegenomen flexibiliteit voor het model. Voor scenario 2 kan het model kiezen uit 3 tot 5 keer zoveel batch opties en in scenario 3 maakt het model gebruik van de extra productie in de eerste periode om een over de totale productieperiode gezien gunstigere planning te maken.
Dit onderzoek heeft aangetoond dat een theoretische capaciteit van 396.51 kTon/jaar mogelijk is gegeven de huidige batch opties. Dit is een verbetering van 3.6% t.o.v. de huidige capaciteit. De productie kan verder verbeterd tot 4.4% met een extra winst van ¤3.88 mln per jaar (scenario 3). De resultaten voor scenario 4 laten zien dat de portfolio geen erg grote invloed op de capaciteit heeft. Het gemeten verschil tussen het portfolio in maart tot mei 2014 t.o.v. het huidige portfolio was 0.95%. Meerdere portfolio’s zouden getest moeten worden om deze data meer kracht bij te zetten.
Scenario 5 liet zien dat de handeling tijden niet de beperkende factor zijn voor de capaciteit van de ovens. Zelfs als alle opties ingepakt mochten worden, ging de productie slechts met 0.04% omhoog, wat een extra winst van €50.000,- geeft.
