Inom flygbranschen är säkerhet av högsta prioritet och det vidtas proaktiva åtgärder inom samtliga organisationer och branschområden för att säkerställa att högsta möjliga nivå uppnås. För LFV som tillhandahåller flygtrafiktjänst och som även är en certifierad utbildningsorganisation är säkerställandet av kompetens inom den operativa driften en stor del i det ständigt pågående säkerhetsarbetet. Denna kompetenssäkring för operativ personal inom torn-sektorn är nu under utvärdering där målet är att skapa en centraliserad styr- och planeringsmodell för att uppnå en mer standardiserad och kontrollerad process. Detta förändringsarbete är en följd av införandet av EU-förordning 340/2015 som trädde i kraft under 2015, där kraven på kompetenssäkring blivit hårdare. En undersökning av huruvida kompetenssäkring kan utföras i en centraliserad simulerad miljö, för att kunna säkerställa de nya kraven i EU-förordning 340/2015, har genomförts och analyserats, baserad på åsikter från olika involverade flygplatsenheter, och genom att studera dansk modell för centraliserad kompetenssäkring. Fördelar och nackdelar med att centralisera och förflytta kompetenssäkringen till en simulerad miljö har utvärderats, och en heuristisk schemametodik och ett schemaförslag på hur den centraliserade simuleringen skulle kunna implementeras för de inblandade flygplatserna har tagits fram och analyserats. Studien visar att införandet av en centraliserad simulerad miljö för kompetenssäkring är möjlig med exempelvis ett mer enhetligt och standardiserat genomförande som  resultat. Vidare innebär det även större möjligheter till anpassningsbarhet av kompetenssäkringen. Schemaförslaget visar att samtliga enheters kompetenssäkringsbehov är tillgodosett. Fallstudien, analys samt schemaförslag anses kunna ligga till grund för vidare utveckling av kompetenssäkringsprocessen för LFV.

In recent years, market competitiveness exerts more pressure on process industries to increase their number of products, reduce order sizes and shorten delivery lead time. This causes an expansion of order enquiries from customers, which leads to an insufficient use of scheduling and planning systems to meet these changes. This force process industries to adopt other tools, such as Discrete Event Simulation for supporting their strategic decisions to align with these operational changes.   The objective of this thesis is to understand how Discrete Event Simulation supports strategic decisions prior to the implementation of operational changes in process industries. Therefore, a case study in the pharmaceutical industry was conducted at AstraZeneca, Södertälje. Discrete Event Simulation was used as a tool to support the strategic decision of implementing the Product Wheel technique as an operational change. Simultaneously, a theoretical review was carried out to investigate types of strategic decisions which can be supported by Discrete Event Simulation use in process industries. Then, contributions and challenges of Discrete Event Simulation use for supporting strategic decisions for operational changes were clarified.    The empirical results indicate the importance of Discrete Event Simulation in supporting deliverability as a competitive priority to AstraZeneca, followed by flexibility and cost as second and third competitive priorities. The analysis also identified the contribution of Discrete Event Simulation in supporting long-term decisions in the company by providing analytical solutions in different scenarios, dynamic visualization and increased knowledge about the simulated operational change. Additionally, two main challenges in the use of Discrete Event Simulation for supporting strategic decision are identified. First, Discrete Event Simulation was not suitable for supporting all kinds of competitive priorities such as quality, environment and innovation. Second, the direction of the communication between the Discrete Event Simulation use and the strategic decisions differs.      A framework is developed to facilitate the use of Discrete Event Simulation for supporting strategic decisions prior to implementing the Product Wheel technique as an operational change. This framework provides a guideline to identify the range of contributions from Discrete Event Simulation use for supporting different types of competitive priorities prior to the implementation of the Product Wheel method. Generally, Discrete Event Simulation could be a useful tool for supporting deliverability, cost and flexibility by implementing the Product Wheel technique, while it has a limited capability when dealing with other strategic decisions such as quality, innovation and environment.

No description available.

No description available.

The aftermarket holds a vital role in the Volvo Group value offer. Producing profitability by satisfying the customers needs for important spare parts, ensuring maximum uptime for the entire range of vehicles produced and sold. As the cost for keeping stock exponentially increases with a higher availability, the availability can never be 100%. This in effect means that there will be occasions where an order is placed on a part that is currently not in stock, creating a back order. And while not all of these back orders can be avoided completely, predicting them before they occur will allow for preemptive measures to be taken, potentially reducing lead times and costs. Deep learning is a sub-section of machine learning, the study of methods to make computers find complex patterns in data. Deep learning has had an increase in popularity as the computational power and available data has greatly increased in recent years and is something that Volvo sees potential in. This creates the aim of this study which is to develop a deep learning model to predict the occurrence of back orders. In order to fulfill this aim, two main research questions were formed. The first research question intends to find underlying causes and factors that can explain the occurrence of back orders, in order to create the input features that the model can be trained on. This was initiated with a basis in literature, where a theoretical framework was created from different areas in the field of logistics as well as previous studies that combine logistics and machine learning. After this an empirical study was conducted where four previous initiatives from Volvo were found, that aim to explain the occurrence of back orders. As this was concluded, the findings were combined and synthesized into a list of factors that explain the underlying causes of back orders. In the second research question the factors listed were translated into input features of the model, where all quantifiable factors that could be and located in the Volvo database were included. This created the data set used to train the deep learning model to predict back orders. After the feature creation was completed, the actual design and development of the model could commence. Based on literature concerning deep learning along with directives from Volvo, a deep recurrent neural network was developed. The exact size and shape of the model was varied and evaluated to find the best performance. Evaluating the results showed several interesting findings. After training the model on one year of weekly data for 20 000 part numbers, the model proved to be skillful in predicting the occurrence of back orders. The model was able to predict 73% of back orders one week before they occurred (recall), and 72% of what the model deemed to be back orders were actual back orders (precision). The main challenges with predicting back orders were the imbalance between back order and a non-back order and the limit of one year of data. As the nature of back orders is that on average, only a few weeks per year will there be a back order on a given part, the training of the model becomes difficult. The difficulty with this imbalance is that the model is always less likely to predict a back order if the occurrence of back order itself is rare. The advantage of deep learning can be found with a large amount of data, and not being limited to one year of data is likely to produce better results. Despite these difficulties the model was highly successful in predicting the occurrence of back orders.

Idag samlas mer data än någonsin in från olika aktiviteter i samhället. För att kunna genomföra träffsäkra analyser så måste datan som analyseras hålla en hög kvalitet. Brister kvaliteten på datan så uppstår fenomenet “skit in, skit ut”. Ett sätt att genomföra analyser är genom flödessimulering där ett datorverktyg kan användas för att simulera olika aktiviteter. Ett sätt att förbättra datakvaliteten är att tvätta data från datapunkter som av olika anledningar registrerats felaktigt. Detta är en högst subjektiv vetenskap där data kan analyseras baserat på erfarenhet hur datasetet tidigare sett ut, men också genom att korsreferera datapunkter från olika insamlingssystem. Den här studien har genomförts på Volvo GTO i Skövde som ett försök att hitta en metod för att tvätta cykeltider och stoppdata från en produktionslina samt en metod för hur datan kan förberedas för simulering. I den här studien avser cykeltider den tid en produkt bearbetas samt den tid det tar att byta produkt i maskinen. Stoppdata utgör den tid som produktionen i en maskin upphört oplanerat. Under studien har observationer och simuleringar skett, data har granskats och jämförts med verkligheten vilket tillsammans med litteraturen har analyserats för att komma fram till hur Volvo GTO i Skövde kan arbeta med tvättning av produktionsdata för flödessimulering. Utöver det har en känslighetsanalys genomförts för att ta reda på vilken data Volvo GTO bör fokusera på att tvätta. Känslighetsanalysen genomfördes genom ett 24 flerfaktorförsök där faktorerna var “Rensning Cykeltider”, “Fördelning Cykeltider”, “Rensning stoppdata” och “Gruppindelning stoppdata”. Ur känslighetsanalysen framkom det, med 5% signifikansnivå, att “Rensning stoppdata”, “Gruppindelning stoppdata” och samspelet mellan dessa ärde faktorer med störst påverkan. Det har lett till att författarna av denna studie föreslår en tvättningsmetod för flödessimulering bestående av tre moment, där fokus bör ligga på stoppdata: •Datagranskning •Datarensning •Simuleringsförberedande Först bör data granskas mot bakgrund av den givna produktionslinans förutsättningar. Här kan egenskaper hos datan så som längd, tidpunkt och mönster användas för att bedöma datans kvalitet. Sedan bör felaktiga datapunkter plockas bort ur datasetet, misstänkt felaktiga kan lämnas kvar eller tas bort. Slutligen bör datan förberedas för simuleringen, vilket innebär att en fördelning som är representativ för datan anges utifrån de förutsättningar som finns i det valda simuleringsprogrammet.

I den här studien genomförs en analys av olika leverantörer för att kunna minska kostnader samt öka servicenivån på reservdelar gällande lok. Vår studie blev initierad av Railcare då de kände en osäkerhet kring deras nuvarande situation gällande inköpen av reservdelar till deras TRAXX-lok och att denna inköpsfunktion inte var optimal. Projektet har även initierats med förhoppningen om en minskning av ledtider samt en minskning av kostnader gällande lagerhållning. För att uppfylla studiens syfte har följande tre forskningsfrågor besvarats: FF1: Hur kan en evaluering av reservdelsleverantörer utvecklas för att förbättra inköpsprocessen FF1.1: Hur ser evalueringsprocessen för reservdelar ut idag? FF1.2: Vilka kriterier bör reservdelsleverantörer till lok utvärderas på? Ovanstående frågeställningar besvaras med hjälp av relevant teori inom ämnet samt flertalet intervjuer och studiebesök på fallföretaget och hos leverantörer. Genom att besvara frågorna skapas en övergripande bild av Railcares nuvarande evalueringsprocess och det säkerställs även att studiens evalueringsprocess tar hänsyn till relevanta kriterier att evaluera reservdelsleverantörer till lok på. Studien genomfördes utifrån en kvantitativ forskningsmetod där dataunderlaget samlades in från relevanta leverantörer på lokmarknaden. Det sammanställda dataunderlaget har i denna studie analyserats utifrån Microsoft Excel och programmeringsspråket Python. Baserat på den litteratur som studerats inom området, empiri och analys har studien resulterat i en metodik som omfattar fem steg som Railcare rekommenderas att använda för att evaluera sina reservdelsleverantörer på. Studiens resultat visar på att den mix av leverantörer som tagits fram resulterar i stora ekonomiska och tidsmässiga besparingar för Railcare.

Det ställs allt högre krav på att logistikprocesserna ska vara effektiva vilket har resulterat i en ökad tredjepartslogistikmarknad då företag måste fokusera på sin kärnverksamhet. Den växande marknaden har lett till stor konkurrens bland tredjeparslogistikverksamheter, vilket har resulterat i små vinstmarginaler inom branschen. För att verksamheterna ska vara fortsatt konkurrenskraftiga behöver de därför bli så Lean som möjligt. Syftet med den här studien är därför är att kartlägga verksamhetens nuvarande lagerhantering och paketering för att identifiera problem och slöserier. Vidare syftar även studien till att öka effektiviteten hos ett tredjepartslogistikföretag genom att reducera de slöserier och problem som identifierats vid kartläggningen. Studien har genomförts hos fallföretaget Reach Logistics AB i Borås. Reach Logistics AB är ett logistikföretag som bland annat tillhandhåller tredjepartslogistik. Deras tredjepartslogistik erbjuder delar som infrakt, transport, leverans, samt lager- och returhantering. Projektet innehållerfyra faser; planering, datainsamling, analys och utformning av slutsats. Datainsamlingen bestod av bland annat studiebesök med observationer samt flertalet intervjuer med de anställda på fallföretaget. Cykeltiden för varje station uppmättes också för att se om några flaskhalsar förekom. Sedan analyserades informationen med hjälp av värdeflödesanalys. Studien resulterade i att flertalet slöserier och problem identifierades hos fallföretaget. Rörelse var det slöseri som var mest frekvent förekommande. Ett annat problem som identifierades var det ojämna flödet med flertalet flaskhalsar som resulterade i att aktiviteter som var icke-värdeskapande för kunden utfördes. Det framkom även att personalen ofta utförde arbetet på olika sätt utefter vad de själva ansåg vara bäst. Förbättringsförslag togs fram till respektive slöseri och problem. För att utjämna flödet föreslogs bland annat att dubbla kapaciteten i vissa stationer, implementera metoden 5S samt att införa standardiserat arbetssätt. Ett annat förbättringsförslag var att placera ut den mer erfarna personalen på rätt station för att minska rörelse och på så sätt erhålla ett effektivare flöde. De enskilda förbättringsförslagen behöver inte alltid generera stora resultat men de kräver inte heller några stora mängder resurser för att implementera. Men fördelen är att i slutändan kan alla förbättringsförslag tillsammans ge stora effekter.

Traffic congestion increases travel times, but also results in higher energy usage and vehicular emissions. To evaluate the impact of traffic emissions on environment and human health, the accurate estimation of their rates and location is required. Traffic emission models can be used for estimating emissions, providing emission factors in grams per vehicle and kilometre. Emission factors are defined for specific traffic situations, and traffic data is necessary in order to determine these traffic situations along a traffic network. The required traffic data, which consists of average speed and flow, can be obtained either from traffic models or sensor measurements. In large urban areas, the collection of cross-sectional data from stationary sensors is a costefficient method of deriving traffic data for emission modelling. However, the traditional approaches of extrapolating this data in time and space may not accurately capture the variations of the traffic variables when congestion is high, affecting the emission estimation. Static transportation planning models, commonly used for the evaluation of infrastructure investments and policy changes, constitute an alternative efficient method of estimating the traffic data. Nevertheless, their static nature may result in an inaccurate estimation of dynamic traffic variables, such as the location of congestion, having a direct impact on emission estimation. Congestion is strongly correlated with increased emission rates, and since emissions have location specific effects, the location of congestion becomes a crucial aspect. Therefore, the derivation of traffic data for emission modelling usually relies on the simplified, traditional approaches. The aim of this thesis is to identify, quantify and finally reduce the potential errors that these traditional approaches introduce in an emission estimation analysis. According to our main findings, traditional approaches may be sufficient for analysing pollutants with global effects such as CO2, or for large-scale emission modelling applications such as emission inventories. However, for more temporally and spatially sensitive applications, such as dispersion and exposure modelling, a more detailed approach is needed. In case of cross-sectional measurements, we suggest and evaluate the use of a more detailed, but computationally more expensive, data extrapolation approach. Additionally, considering the inabilities of static models, we propose and evaluate the post-processing of their results, by applying quasi-dynamic network loading.

No description available.