Enhancing Sustainable Manufacturing in Industry 4.0: A Zero-Defect Approach Leveraging Effective Dynamic Quality Factors

Subject Areas : Industrial Management

Rouhollah Khakpour ¹ , Ahmad Ebrahimi ² , Seyed Mohammad Seyed Hosseini ³

1 - . Ph.D. Candidate, Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 - Assistant Professor, Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 - Professor, Department of Industrial Engineering, Faculty of Industrial Engineering, University of Science and Technology, Tehran, Iran

Received: 2024-09-19 Accepted : 2025-01-05 Published : 2025-06-22

Keywords: Zero defect manufacturing, Sustainability, Machine learning, Quality improvement,

Abstract :

Abstract

his paper presents a stepwise approach to achieving zero-defect production. In addition to eliminating waste in manufacturing resources, it also evaluates the impact of these improvements on sustainability. The proposed method is grounded in a literature review on zero-defect manufacturing (ZDM), examining the effective dynamic factors that influence product quality during production. It integrates ZDM strategies with Industry 4.0 technologies, including the Internet of Things (IoT) and machine learning, to enhance manufacturing efficiency and precision. It goes beyond the conventional approaches including process oriented, product oriented, and emerging human oriented ZDM, and identifies the effective dynamic factors on product quality. It then, implements predict-prevent strategies to anticipate the timing of defect occurrence during production and prevents its occurrence accordingly. This research identifies, explains, and measures criteria for environmental, social, and economic pillars of sustainability affected by defects. The proposed approach is implemented in a real life industrial case, where, the outcomes prove its remarkable applicability and capability in avoiding defective products, increasing productivity of production resources, and improving the sustainability of manufacturing processes.

 

Key Words: zero defect manufacturing, sustainability, machine learning, quality improvement

 

Introduction

Achieving sustainability in manufacturing requires an extended view on its' environmental, economic, and social pillars, coined as triple bottom line (TBL) (Elkington, 1998). One of the important factors that affects TBL sustainability in manufacturing firms is defect (Goyal, Agrawal, & Saha, 2019), where the issues such as scrap generation (Lindström et al., 2019), costs of consumption/waste of resources (Grobler-Dębska, Kucharska, & Baranowski, 2022), and customer satisfaction level (Mourtzis, Angelopoulos, & Panopoulos, 2021) are examples of sustainability criteria which are affected by defects. Hence, quality management is employed to reduce defects using quality improvement (QI) methods for achieving sustainability in manufacturing companies. Psarommatis, Sousa, Mendonça, and Kiritsis (2022) define zero-defect manufacturing (ZDM) as "a holistic approach for ensuring both process and product quality by reducing defects through corrective, preventive, and predictive techniques, using mainly data-driven technologies and guaranteeing that no defective products leave the production site and reach the customer, aiming at higher manufacturing sustainability".ZDM employs four strategies consisting of detect, predict, repair, and prevent. When a defect is detected, it can be repaired (detect-repair). Moreover, the gathered data from defect detection can be used in two ways: to prevent defect occurrence in the future (detect-prevent) and to design algorithms for predicting when a defect may occur in the future, hence, to prevent defects before they arise (predict-prevent). The current work aims to present the development of ZDM by focusing on dynamic factors affecting product quality in order to improve sustainability in manufacturing processes in the era of industry 4.0.

Utilizing ZDM philosophy along with technological advances in cyber physical systems (CPS) such as IoT, big data, and advanced data analytics creates remarkable challenges and opportunities to develop new methodologies in continuous improvement of process efficiency and product quality (Leitão, Barbosa, Geraldes, & Coelho, 2018). Martinez, Al-Hussein, and Ahmad (2022) propose a framework integrating cyber physical production system (CPPS) and ZDM for quality prediction and operation control where the CPPS is used to facilitate data management and to extend data analysis towards ZDM goals. Leitão et al. (2018) apply multi-agent system (MAS) infrastructure, which combines with data analysis, provides early and real time detection of deviations, prevents defects occurrence and their propagation to downstream processes, and finally enables the system to be predictive by early detection of defects and to be proactive through self-adaptation with different situations.

Magnanini, Colledani, and Caputo (2020) propose applying the manufacturing execution system (MES) for real time data gathering and data analysis to be exploited in ZDM strategies. In the era of industry 4.0, one of the applicable and developing tools to achieve ZDM is digital twin (DT) that incorporates the IoT, big data, artificial intelligence (AI) and ML (Psarommatis & May, 2022). Mourtzis et al. (2021) focus on ZDM by equipment design optimization and propose an approach relying on the integration of DT for simulation of new design based on historical data gathered from already installed similar machines and production environment.

Overall, the outcomes of this paper's literature review reveal that:

1. Developing an approach to identify and analyze the effective root causes of product quality that enhances the insights and efficiency of ZDM to achieve zero defect products is still an overlooked area.
2. TheZDM literature lacks papers that demonstrate the ZDM impacts on all three pillars of sustainability, that is, environmental, economic, and social.

 

Methodology

This research presents a method to assess the sustainability of manufacturing processes throughout the value stream. The approach is grounded in effective dynamic factors of product quality and ZDM strategies. The methodology follows these steps:

Step 1: Analysing effective dynamic factors of product quality

Step2: Evaluating Triple Bottom Line (TBL) criteria

Step 3: Measuring current sustainability state

Step 4: Implementing ZDM strategies

Step 5: Measuring improvements in sustainability

 

Results

 Effects of Single Unit Defective Product on TBL Sustainability State in Value Stream

 

 

Summary of current sustainability state

Product model	Daily schedule (set)	Defective product rate (%)	Number of defective products (set)	Environmental sustainability State	Social sustainability state	Economic sustainability state
Refrigerator	480 set	3%	15	Wasted material: 15 set   Wasted energy: 239.25 kwh	Waste of manpower: 1650 pmin	Wasted costs: 3265.65 $

 

 

Future TBL sustainability state

Product model	Daily schedule (set)	Defective product rate (%)		Number of defective products (set)	Environmental sustainability state	Social sustainability state	Economic sustainability state
Refrigerator	480 set	0.2%		1	Wasted material: 1 set   Wasted energy: 15.95 kwh	Waste of manpower: 110 pmin	Wasted costs: 217.71 $

 

 

 

 

 

 

 

 

 

 

Discussion and conclusion

        Implementing the proposed approach aimed at achieving zero-defect products and enhancing TBL sustainability as its ultimate goal has provided valuable insights for practitioners and tangible improvements in the case study of this research. In this section, the proposed approach is discussed in light of existing approaches and the relevant challenges. Finally, the conclution and directions for future reseach are presented. Several papers have focused on the ZDM approach to demonstrate its capability to achieve zero defect product. However, the applied approaches are mainly product-oriented and process-oriented which concentrate on machine health to ensure product quality. Regarding the other effective parameters of product quality, focusing on machine health is not enough to guarantee the quality of the output product. Hence, the proposed method in this research builds upon the conventional ZDM approaches since it provides an extended view on the effective root causes that influence product quality. It further explains how these factors can affect the product quality.

Going through the papers that consider sustainability aspects in ZDM reveals that the ZDM literature lacks papers that address the ZDM impacts on all three pillars of sustainability, that is, environmental, economic, and social. To fill this gap, this paper identifies an extended range of TBL criteria that are affected by defects and improved through ZDM implementation, which presents a quantitative assessment of TBL criteria relevant to the case study. The recommended method is implemented in a real-life manufacturing case study in this paper. The results prove the practicality of the method. The case study reports remarkable improvement in reducing defect occurrence as well as enhancing TBL sustainability state. The empirical insights, drawn from the real-life case study of this research, indicate the challenges and complexities that arise in the path of achieving zero defect product and sustainability improvement. The extended view on effective root causes of product quality and the focus on improving TBL sustainability criteria in this research as well as its analytical approach offer practitioners valuable insights for improving their ZDM approaches in a more comprehensive way. Future research could explore the application of this method across additional levels of supply chain management.

 

Conflict of interest: none

 

 

References:

Cherrafi, A., Elfezazi, S., Hurley, B., Garza-Reyes, J. A., Kumar, V., Anosike, A., & Batista, L. (2019). Green and lean: a Gemba–Kaizen model for sustainability enhancement. Production Planning & Control, 30(5-6), 385-399. doi:10.1080/09537287.2018.1501808
Ebrahimi, A., Khakpour, R., & Saghiri, S. (2023). Sustainable setup stream mapping (3SM): a systematic approach to lean sustainable manufacturing. Production Planning & Control, 34(4), 311-329. doi:10.1080/09537287.2021.1916637
Elkington, J. (1998). Cannibals with forks: The Triple Bottom Line of 21st Century Businesses, Gabriola Island, BC Canada: New Society Publishers. 1-428.
Goyal, A., Agrawal, R., & Saha, C. R. (2019). Quality management for sustainable manufacturing: Moving from number to impact of defects. Journal of Cleaner Production, 241, 118348. doi:10.1016/j.jclepro.2019.118348
Grobler-Dębska, K., Kucharska, E., & Baranowski, J. (2022). Formal scheduling method for zero-defect manufacturing. The International Journal of Advanced Manufacturing Technology, 118(11), 4139-4159. doi:10.1007/s00170-021-08104-0
Halpin, J. F. (1966). Zero defects: a new dimension in quality assurance: Martin Company. 1-228.
Helleno, A. L., de Moraes, A. J. I., & Simon, A. T. (2017). Integrating sustainability indicators and Lean Manufacturing to assess manufacturing processes: Application case studies in Brazilian industry. Journal of Cleaner Production, 153, 405-416. doi:10.1016/j.jclepro.2016.12.072
Huang, A., & Badurdeen, F. (2018). Metrics-based approach to evaluate sustainable manufacturing performance at the production line and plant levels. Journal of Cleaner Production, 192, 462-476. doi:10.1016/j.jclepro.2018.04.234
Khakpour, R., Ebrahimi, A., & Saghiri, S. (2023). How to assess and improve the triple bottom line (TBL) in manufacturing processes: a real case in home appliance manufacturing. International Journal of Lean Six Sigma, ahead-of-print(ahead-of-print). 14 (7), 1456-1491. doi:10.1108/IJLSS-09-2022-0202
Leitão, P., Barbosa, J., Geraldes, C. A. S., & Coelho, J. P. (2018). Multi-agent System Architecture for Zero Defect Multi-stage Manufacturing. In T. Borangiu, D. Trentesaux, A. Thomas, & O. Cardin (Eds.), Service Orientation in Holonic and Multi-Agent Manufacturing: Proceedings of SOHOMA 2017 (pp. 13-26). Cham: Springer International Publishing.
Lindström, J., Lejon, E., Kyösti, P., Mecella, M., Heutelbeck, D., Hemmje, M., . . . Gunnarsson, B. (2019). Towards intelligent and sustainable production systems with a zero-defect manufacturing approach in an Industry4.0 context. Procedia CIRP, 81, 880-885. doi:10.1016/j.procir.2019.03.218
Magnanini, M. C., Colledani, M., & Caputo, D. (2020). Reference architecture for the industrial implementation of Zero-Defect Manufacturing strategies. Procedia CIRP, 93, 646-651. doi:10.1016/j.procir.2020.05.154
Majeed, A., Zhang, Y., Ren, S., Lv, J., Peng, T., Waqar, S., & Yin, E. (2021). A big data-driven framework for sustainable and smart additive manufacturing. Robotics and Computer-Integrated Manufacturing, 67, 102026. doi:10.1016/j.rcim.2020.102026
Marimin, Darmawan, M. A., Widhiarti, R. P., & Teniwut, Y. K. (2018). Green productivity improvement and sustainability assessment of the motorcycle tire production process: A case study. Journal of Cleaner Production, 191, 273-282. doi:10.1016/j.jclepro.2018.04.228
Martinez, P., Al-Hussein, M., & Ahmad, R. (2022). A cyber-physical system approach to zero-defect manufacturing in light-gauge steel frame assemblies. Procedia Computer Science, 200, 924-933. doi:10.1016/j.procs.2022.01.290
Mourtzis, D., Angelopoulos, J., & Panopoulos, N. (2021). Equipment Design Optimization Based on Digital Twin Under the Framework of Zero-Defect Manufacturing. Procedia Computer Science, 180, 525-533. doi:10.1016/j.procs.2021.01.271
Psarommatis, F. (2021). A generic methodology and a digital twin for zero defect manufacturing (ZDM) performance mapping towards design for ZDM. Journal of Manufacturing Systems, 59, 507-521. doi:10.1016/j.jmsy.2021.03.021
Psarommatis, F., & Kiritsis, D. (2022). A hybrid Decision Support System for automating decision making in the event of defects in the era of Zero Defect Manufacturing. Journal of Industrial Information Integration, 26(2),, 100263. doi:10.1016/j.jii.2021.100263
Psarommatis, F., & May, G. (2022). A literature review and design methodology for digital twins in the era of zero defect manufacturing. International journal of production research, 61(5),1-21. doi:10.1080/00207543.2022.2101960
Psarommatis, F., May, G., Dreyfus, P.-A., & Kiritsis, D. (2020). Zero defect manufacturing: state-of-the-art review, shortcomings and future directions in research. International journal of production research, 58(1), 1-17. doi:10.1080/00207543.2019.1605228
Psarommatis, F., May, G., & Kiritsis, D. (2021). Predictive maintenance key control parameters for achieving efficient Zero Defect Manufacturing. Procedia CIRP, 104, 80-84. doi:10.1016/j.procir.2021.11.014
Psarommatis, F., Sousa, J., Mendonça, J. P., & Kiritsis, D. (2022). Zero-defect manufacturing the approach for higher manufacturing sustainability in the era of industry 4.0: a position paper. International journal of production research, 60(1), 73-91. doi:10.1080/00207543.2021.1987551
Psarommatis, F., Vuichard, M., & Kiritsis, D. (2020). Improved heuristics algorithms for re-scheduling flexible job shops in the era of Zero Defect manufacturing. Procedia Manufacturing, 51, 1485-1490. doi:10.1016/j.promfg.2020.10.206
Rother, M., & Shook, J. (2003). Learning to see: value stream mapping to add value and eliminate muda: Lean enterprise institute. 1-102.
Singh, P. P., & Madan, J. (2016). A computer-aided system for sustainability assessment for the die-casting process planning. The International Journal of Advanced Manufacturing Technology, 87(5), 1283-1298. doi:10.1007/s00170-013-5232-2
Tiwari, P., Sadeghi, J. K., & Eseonu, C. (2020). A sustainable lean production framework with a case implementation: Practice-based view theory. Journal of Cleaner Production, 277, 123078. doi:10.1016/j.jclepro.2020.123078
Traini, E., Bruno, G., & Lombardi, F. (2021). Tool condition monitoring framework for predictive maintenance: a case study on milling process. International journal of production research, 59(23), 7179-7193. doi:10.1080/00207543.2020.1836419
Zhang, C., Yao, X., Zhang, J., & Jin, H. (2016). Tool Condition Monitoring and Remaining Useful Life Prognostic Based on a Wireless Sensor in Dry Milling Operations. Sensors, 16(6), 795. Retrieved from https://www.mdpi.com/1424-8220/16/6/795
US Department of Commerce (2010), “The international trade administration and the U.S. department of commerce’s definition for sustainable manufacturing”, available at: www.trade.gov/competitiveness/ sustainablemanufacturing/how_doc_defines_SM.asp (accessed 25 August 2011).

Full-Text:



Vol.19, No.73, Summer 2025                                                                Journal of Productivity Management 

 

 

 

 

 

 

 

 

 

Enhancing Sustainable Manufacturing in Industry 4.0: A Zero-Defect Approach Leveraging Effective Dynamic Quality Factors

 

Ahmad Ebrahimi¹, Roohollah Khahpour², Seyed Mohammad Seyed Hoseyni³

(Received:2024.09.19 - Accepted:2025.01.05 )

 

Abstract

his paper presents a stepwise approach to achieving zero-defect production. In addition to eliminating waste in manufacturing resources, it also evaluates the impact of these improvements on sustainability. The proposed method is grounded in a literature review on zero-defect manufacturing (ZDM), examining the effective dynamic factors that influence product quality during production. It integrates ZDM strategies with Industry 4.0 technologies, including the Internet of Things (IoT) and machine learning, to enhance manufacturing efficiency and precision. It goes beyond the conventional approaches including process oriented, product oriented, and emerging human oriented ZDM, and identifies the effective dynamic factors on product quality. It then, implements predict-prevent strategies to anticipate the timing of defect occurrence during production and prevents its occurrence accordingly. This research identifies, explains, and measures criteria for environmental, social, and economic pillars of sustainability affected by defects. The proposed approach is implemented in a real life industrial case, where, the outcomes prove its remarkable applicability and capability in avoiding defective products, increasing productivity of production resources, and improving the sustainability of manufacturing processes.

 

Key Words: zero defect manufacturing, sustainability, machine learning, quality improvement

 

Introduction

Achieving sustainability in manufacturing requires an extended view on its' environmental, economic, and social pillars, coined as triple bottom line (TBL) (Elkington, 1998). One of the important factors that affects TBL sustainability in manufacturing firms is defect (Goyal, Agrawal, & Saha, 2019), where the issues such as scrap generation (Lindström et al., 2019), costs of consumption/waste of resources (Grobler-Dębska, Kucharska, & Baranowski, 2022), and customer satisfaction level (Mourtzis, Angelopoulos, & Panopoulos, 2021) are examples of sustainability criteria which are affected by defects. Hence, quality management is employed to reduce defects using quality improvement (QI) methods for achieving sustainability in manufacturing companies. Psarommatis, Sousa, Mendonça, and Kiritsis (2022) define zero-defect manufacturing (ZDM) as "a holistic approach for ensuring both process and product quality by reducing defects through corrective, preventive, and predictive techniques, using mainly data-driven technologies and guaranteeing that no defective products leave the production site and reach the customer, aiming at higher manufacturing sustainability".ZDM employs four strategies consisting of detect, predict, repair, and prevent. When a defect is detected, it can be repaired (detect-repair). Moreover, the gathered data from defect detection can be used in two ways: to prevent defect occurrence in the future (detect-prevent) and to design algorithms for predicting when a defect may occur in the future, hence, to prevent defects before they arise (predict-prevent). The current work aims to present the development of ZDM by focusing on dynamic factors affecting product quality in order to improve sustainability in manufacturing processes in the era of industry 4.0.

Utilizing ZDM philosophy along with technological advances in cyber physical systems (CPS) such as IoT, big data, and advanced data analytics creates remarkable challenges and opportunities to develop new methodologies in continuous improvement of process efficiency and product quality (Leitão, Barbosa, Geraldes, & Coelho, 2018). Martinez, Al-Hussein, and Ahmad (2022) propose a framework integrating cyber physical production system (CPPS) and ZDM for quality prediction and operation control where the CPPS is used to facilitate data management and to extend data analysis towards ZDM goals. Leitão et al. (2018) apply multi-agent system (MAS) infrastructure, which combines with data analysis, provides early and real time detection of deviations, prevents defects occurrence and their propagation to downstream processes, and finally enables the system to be predictive by early detection of defects and to be proactive through self-adaptation with different situations.

Magnanini, Colledani, and Caputo (2020) propose applying the manufacturing execution system (MES) for real time data gathering and data analysis to be exploited in ZDM strategies. In the era of industry 4.0, one of the applicable and developing tools to achieve ZDM is digital twin (DT) that incorporates the IoT, big data, artificial intelligence (AI) and ML (Psarommatis & May, 2022). Mourtzis et al. (2021) focus on ZDM by equipment design optimization and propose an approach relying on the integration of DT for simulation of new design based on historical data gathered from already installed similar machines and production environment.

Overall, the outcomes of this paper's literature review reveal that:

a)       Developing an approach to identify and analyze the effective root causes of product quality that enhances the insights and efficiency of ZDM to achieve zero defect products is still an overlooked area.

b)       TheZDM literature lacks papers that demonstrate the ZDM impacts on all three pillars of sustainability, that is, environmental, economic, and social.

 

Methodology

This research presents a method to assess the sustainability of manufacturing processes throughout the value stream. The approach is grounded in effective dynamic factors of product quality and ZDM strategies. The methodology follows these steps:

Step 1: Analysing effective dynamic factors of product quality

Step2: Evaluating Triple Bottom Line (TBL) criteria

Step 3: Measuring current sustainability state

Step 4: Implementing ZDM strategies

Step 5: Measuring improvements in sustainability

 

Results

 Effects of Single Unit Defective Product on TBL Sustainability State in Value Stream

 

 

Summary of current sustainability state

Product model	Daily schedule (set)	Defective product rate (%)	Number of defective products (set)	Environmental sustainability State	Social sustainability state	Economic sustainability state
Refrigerator	480 set	3%	15	Wasted material: 15 set   Wasted energy: 239.25 kwh	Waste of manpower: 1650 pmin	Wasted costs: 3265.65 $

 

 

Future TBL sustainability state

Product model	Daily schedule (set)	Defective product rate (%)		Number of defective products (set)	Environmental sustainability state	Social sustainability state	Economic sustainability state
Refrigerator	480 set	0.2%		1	Wasted material: 1 set   Wasted energy: 15.95 kwh	Waste of manpower: 110 pmin	Wasted costs: 217.71 $

 

Discussion and conclusion

        Implementing the proposed approach aimed at achieving zero-defect products and enhancing TBL sustainability as its ultimate goal has provided valuable insights for practitioners and tangible improvements in the case study of this research. In this section, the proposed approach is discussed in light of existing approaches and the relevant challenges. Finally, the conclution and directions for future reseach are presented. Several papers have focused on the ZDM approach to demonstrate its capability to achieve zero defect product. However, the applied approaches are mainly product-oriented and process-oriented which concentrate on machine health to ensure product quality. Regarding the other effective parameters of product quality, focusing on machine health is not enough to guarantee the quality of the output product. Hence, the proposed method in this research builds upon the conventional ZDM approaches since it provides an extended view on the effective root causes that influence product quality. It further explains how these factors can affect the product quality.

Going through the papers that consider sustainability aspects in ZDM reveals that the ZDM literature lacks papers that address the ZDM impacts on all three pillars of sustainability, that is, environmental, economic, and social. To fill this gap, this paper identifies an extended range of TBL criteria that are affected by defects and improved through ZDM implementation, which presents a quantitative assessment of TBL criteria relevant to the case study. The recommended method is implemented in a real-life manufacturing case study in this paper. The results prove the practicality of the method. The case study reports remarkable improvement in reducing defect occurrence as well as enhancing TBL sustainability state. The empirical insights, drawn from the real-life case study of this research, indicate the challenges and complexities that arise in the path of achieving zero defect product and sustainability improvement. The extended view on effective root causes of product quality and the focus on improving TBL sustainability criteria in this research as well as its analytical approach offer practitioners valuable insights for improving their ZDM approaches in a more comprehensive way. Future research could explore the application of this method across additional levels of supply chain management.

 

Conflict of interest: none

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

توسعه رویکرد تولید بدون عیب با تمرکز بر عوامل پویای تأثیرگذار بر کیفیت محصول جهت بهبود پایداری در فرآیندهای تولید در عصر انقلاب صنعتی چهارم

 

روح اله خاک پور ⁴، احمد ابراهیمی*⁵، سیدمحمد سیدحسینی⁶

(دریافت: 29/06/1403-پذیرش نهایی: 16/10/1403)

 

چکیده

این تحقیق روشی گام به گام جهت دستیابی به محصولات بدون عیب ارائه می دهد و ضمن حذف اتلافات منابع تولید، تأثیرات آن را بر پایداری فرآیندهای تولید ارزیابی می نماید. روش پیشنهادی مبتنی بر مرور ادبیات در حوزه تولید بدون عیب⁷ (ZDM) ، بررسی عوامل پویای تأثیرگذار بر کیفیت محصول در حین تولید و  استفاده از استراتژی های ZDM همراه با به‌کار گیری تکنولوژی‌های انقلاب صنعتی چهارم شامل اینترنت اشیاء و یادگیری ماشین می‌باشد. این تحقیق از رویکردهای مرسوم فرآیند (ماشین) محور، محصول محور و رویکرد نوظهور انسان محور در حوزه ZDM فراتر می‌رود و عوامل پویای تأثیرگذار برکیفیت محصول در حین تولید را شناسایی می‌کند. در ادامه با پیاده‌سازی استراتژی های پیش بینی- پیشگیری، زمان وقوع عیب را در حین تولید پیش‌بینی نموده و نسبت به پیشگیری از وقوع عیب اقدام می‌نماید. این تحقیق معیارهای پایداری زیست محیطی، اجتماعی و اقتصادی را که متاثر از عیب می‌باشند شناسایی، تشریح و اندازه گیری می نماید. رویکرد پیشنهادی در این تحقیق در یک مطالعه موردی واقعی در صنعت پیاده‌سازی شده که نتایج حاصله، اجرایی بودن و توانمندی قابل توجه روش پیشنهادی را جهت جلوگیری از محصولات معیوب، افزایش بهره‌وری منابع تولید و بهبود پایداری فرآیندهای تولید نشان می‌دهد.

 

واژه­های کلیدی: تولید بدون عیب، پایداری، یادگیری ماشین، بهبود کیفیت

 

 

 

مقدمه

دستیابی به پایداری در تولید، نیازمند نگاه گسترده‌ای به ستونهای زیست محیطی، اجتماعی و اقتصادی می‌باشد که تحت عنوان TBL شناخته می‌شود (الکینگتون،⁸ 1998). بنا به تعریف دپارتمان تجاری آمریکا⁹ (2010) تولید پایدار¹⁰ عبارتست از خلق محصولات ساخته شده که از فرآیندهایی استفاده می‌کنند که آن فرآیندها تأثیرات محیطی منفی را به حداقل می‌رسانند، انرژی و منابع طبیعی را ذخیره می‌کنند، برای کارکنان و افراد جامعه ایمن هستند و همچنین به لحاظ اقتصادی نیز به صرفه هستند. در این راستا، ابزارهای نقشه برداری فرآیند مانند نقشه برداری جریان ارزش¹¹(VSM) (رادر و شوک،¹² 2003) به عنوان یکی از ابزارهای شناخته شده تولید ناب، در بسیاری از تحقیقات جهت تجزیه و تحلیل وضعیت پایداری فرآیند های تولید مورد استفاده قرار گرفته است. یکی از نتایج منفی حائز اهمیت انحرافات فرآیند که بر پایداری TBL در  سازمانهای تولیدی اثر می‌گذارد، عیب (نقص) است (گویال¹³ و همکاران، 2019) و موضوعاتی مانند تولید ضایعات (لیندستروم¹⁴ و همکاران، 2019)، هزینۀ های مصرف و اتلاف منابع (دبسکا¹⁵ و همکاران، 2022) و سطح رضایت‌مندی مشتریان (مورتزیس¹⁶ و همکاران، 2021) مثالهایی از معیارهای پایداری هستند که تحت تأثیر عیب می‌باشند. بنابراین، جهت کاهش عیوب، مدیریت کیفیت به کار گرفته می‌شود که در آن از روشهای بهبود کیفیت برای افزایش بهره وری منابع تولید و دستیابی به پایداری در شرکتهای تولیدی استفاده می‌گردد . با وجود روشهای بهبود کیفیت نظیر شش سیگما، تولید ناب، ناب شش سیگما و تئوری محدودیت ها، تولید بدون عیب¹⁷(ZDM) به عنوان روشی سودمند ظهور کرده که هدفش "انجام درست کارها در بار اول" (هالپین،¹⁸ 1966) می‌باشد. بنا به تعریف ساروماتیس¹⁹ و همکاران (2022)، "تولید بدون عیب (ZDM) رویکردی همه جانبه جهت تضمین کیفیت فرآیند و محصول می‌باشد که با کاهش عیب از طریق تکنیکهای اصلاحی، پیشگیرانه و پیش بینانه ، با استفاده از تکنولوژی های داده محور محقق می‌گردد و تضمین می‌نماید که هیچ محصول معیوبی از سطح سالن تولید خارج نشده و بدست مشتری نمی‌رسد. هدف نهایی این رویکرد ارتقای سطح پایداری فرآیندهای تولید و سازمان تولیدی می‌باشد".  

ZDM از چهار استراتژی تشکیل شده است که عبارتند از: تشخیص²⁰، پیش بینی²¹، تعمیر²² و پیشگیری²³. این چهار استراتژی به دو گروه تقسیم می‌گردند که عبارتند از: استراتژی های تحریک²⁴ و استراتژی های اقدام²⁵ (ساروماتیس²⁶ و همکاران، 2020). استراتژی های ZDM می‌باید همواره به صورت جفت به کار گرفته شوند یعنی یک استراتژی تحریک و یک استراتژی اقدام. با این عمل، استراتژی های ZDM به صورت تشخیص-تعمیر، تشخیص-پیشگیری و پیش بینی-پیشگیری شکل می‌گیرند (ساروماتیس²⁷ و همکاران، 2022). تشخیص-تعمیر ، رویکردی اصلاحی است در زمانی که یک عیب ایجاد می‌گردد  و نیاز به اصلاح می‌باشد. تشخیص-پیشگیری، رویکردی پیشگیرانه است که در آن از داده های تولید جهت جلوگیری از عیوب در آینده استفاده می‌شود. پیش بینی-پیشگیری، یک مفهوم نسبتاً جدیدی است که متکی به رویکردهای داده محور پیشرفته است جهت پیش‌بینی اینکه چه زمانی در آینده یک ایراد ایجاد خواهد شد، بنابراین پیشگیری گردد قبل از اینکه رخ دهد.

در طول سالهای اخیر‌، پیاده‌سازی ZDM  در صنایع مختلفی مانند خودرو سازی (لیندستروم²⁸ و همکاران، 2019) ، مونتاژ اسکلت فلزی (مارتینز²⁹ و همکاران، 2022)، پوشش رنگ پودری (دبسکا³⁰ و همکاران، 2022)، نیمه هادی (ساروماتیس³¹ و کیریتسیس، 2022)، ماشین‌آلات آزمایشگاهی (مورتزیس³² و همکاران، 2021) گزارش شده است و رویکردهای مختلفی جهت گسترش مفهوم ZDM و پیاده‌سازی آن در سازمانهای تولیدی صورت گرفته است.

استفاده از فلسفه ZDM  همراه با تکنولوژی های پیشرفته در سیستمهای سایبر فیزیکی³³ (CPS) مانند اینترنت اشیا³⁴ (IoT) ، کلان داده³⁵ و تحلیل داده پیشرفته، چالشها و فرصتهای قابل توجهی جهت توسعه متدولوژی های جدید در زمینه بهبود مستمر بهره وری فرآیند و کیفیت محصول ایجاد می‌نمایند (لیتائو³⁶ و همکاران، 2018). مارتینز³⁷ و همکاران (2022) چارچوبی با یکپارچگی سیستم تولیدی سایبر فیزیکی³⁸ (CPPS) و ZDM  پیشنهاد می‌نمایند که در آن از CPPS جهت تسهیل مدیریت داده و گسترش تحلیل داده در جهت اهداف ZDM استفاده می‌گردد. این چارچوب پیشنهادی با هدف پیش‌بینی کیفیت و کنترل عملیات در ساخت اسکلت فلزی ارائه می‌گردد و مبتنی بر IoT ، یادگیری ماشین³⁹ (ML) و تکنولوژی های شبیه سازی است. لیتائو و همکاران (2018) اصول اصلی CPS چند عامله را با هدف به‌کاربری ZDM در سیستمهای تولیدی چند عامله معرفی می‌نمایند. لذا، معماری سیستم چند عاملی⁴⁰ (MAS) از طریق آنالیز نقشها و کارکردهای هر عامل، روشی که این عاملها در طول دولایه توزیع شده اند، نقشهای آنالیز داده ها در هر لایه، و نهایتاً روشی که کل سیستم از اثر متقابل بین عاملهای مفرد ظهور می‌کند، معرفی می‌گردد. در اینجا دو مثال از الگوهای اثر متقابل در راستای پیاده‌سازی استراتژی های ZDM نمایش داده می‌شود، یکی اثر متقابل بین عوامل قرار گرفته در سطح لبه⁴¹ برای تشخیص زود هنگام عیوب و دیگری اثر متقابل بین عوامل واقع شده در سطوح لبه و ابری⁴² برای تولید دانش. زیر ساختMAS  با تجزیه و تحلیل داده‌ها ترکیب شده، شناسایی زود هنگام و در زمان واقعی انحرافات را فراهم می‌آورد که باعث پیشگیری از وقوع عیوب در یک مرحله و انتشار آن به فرآیندهای پایین دست می‌شود که نهایتاً کل سیستم را قادر می‌سازد تا با تشخیص زود هنگام عیوب پیش بینانه باشد و با تطابق خودش با شرایط مختلف فعالانه عمل کند. مگنانینی و همکاران⁴³ (2020) استفاده از ماژول نرم افزاری مرکزی سیستمهای اجرایی تولید⁴⁴ (MES) را جهت کاربری استراتژی های ZDM با هدف دستیابی به کیفیت تولید بهبود یافته در سطح صنعت پیشنهاد می‌دهند. استراتژی های ZDM  مبتنی بر جمع آوری داده های کیفی و تولیدی از منابع مختلف و یکپارچگی آنها با اطلاعات سطوح مختلف کارخانه می‌باشد. با استفاده از MES داده های زمان واقعی که از طریق شبکه‌ای از چندین سنسور و منبع جمع آوری شده ، تجزیه و تحلیل می‌گردد  و جهت ساخت مدلهای سطح سیستم و سطح فرآیند باهدف طراحی استراتژی های ZDM استفاده می‌گردد .

مرور ادبیاتی که توسط ساروماتیس و می⁴⁵ (2022) در خصوص دوقلوهای دیجیتال⁴⁶ (DTs) انجام شده بیانگر این است که با پیشرفت تکنولوژی های انقلاب صنعتی چهارم  در کارخانجات هوشمند، یکی از رویکردهای در حال رشد سریع و کاربردی در بحث ZDM استفاده از DT است که با IoT ، کلان داده، هوش مصنوعی⁴⁷ (AI) و ML ترکیب شده است و می‌تواند در بهبود کیفیت محصول نهایی در محیط تولید نقش داشته باشد. مورتزیس⁴⁸ و همکاران (2021) در طول فاز طراحی خطوط تولیدی جدید چارچوبی را جهت در نظر گرفتن نیازهای مشتریان، طراحی و توسعه می‌دهند. رویکرد پیشنهادی متکی بر یکپارچگی DT برای شبیه سازی یک طراحی جدید بر مبنای داده های تاریخی جمع آوری شده از ماشین های مشابه که قبلا نصب شده و محیط کاری تولید است. بنا به عقیده آنها، با توجه به اینکه شرکتهای تولیدی مدرن در تلاش جهت گذر به مدلهای کسب و کار تولید پایدار و هوشمند می‌باشند، به ZDM گرایش پیدا می‌کنند زیرا در این گرایش به ZDM منافعی نظیر کاهش هزینۀ، کاهش مصرف انرژی، کاهش اتلافات مواد، افزایش سرعت تحویل دهی، مانیتورینگ بهتر وضعیت تولید، توانایی برنامه ریزی با دقت بالاتر و افزایش کیفیت خروجی وجود دارد. بنا به تعریف ساروماتیس⁴⁹ و همکاران (2022) و مجید⁵⁰ و همکاران (2021) هدف نهایی از به‌کارگیری ZDM ، ارتقای سطح پایداری در فرآیندهای تولید و سازمانهای تولیدی می‌باشد. با این حال، مرور ادبیات ZDM  بیانگر این است که در بسیاری از تحقیقات، به تعدادی از معیارهای پایداری در قالب چارچوب مفهومی و یا در بخش مرور ادبیات اشاره شده است. در این میان، مقالات محدودی به ارزیابی کمّی تعدادی از معیارهای پایداری در قالب یک یا دو ستون پایداری TBL پرداخته‌اند به گونه‌ای که عمدتاً بر معیارهای اقتصادی متمرکز بوده‌اند. در این راستا، میزان توجه مقالات ZDM به مباحث پایداری در قالب جدول 1 نشان داده شده است که در آن معیارهای شناسایی شده پایداری TBL و نوع تمرکز مقالات بر مفاهیم پایداری مشخص گردیده است.

جدول 1: خلاصه مرور ادبیات در خصوص ارزیابی کمی پایداری TBLدر مقالات ZDM

Table 1: Summary of literature review on quantitative assessment of TBL sustainability in ZDM articles

مطالعه موردی	TBL							نویسنده
	جنبه  اجتماعی	جنبه اقتصادی		جنبه زیست محیطی
(صنعت نیمه هادی)	رضایتمندی مشتری، ارتباطات با مشتری		هزینۀ مواد اولیه، هزینۀ عملیاتی، هزینۀ محصول نهایی، هزینۀ بازرسی، هزینۀ تعمیرات، هزینۀ تشخیص- پیشگیری، هزینۀ پیش بینی-پیشگیری، هزینۀ برنامه ریزی مجدد،زمان عملیات، زمان تعمیرات،  زمان بازرسی، زمان برنامه ریزی مجدد، میزان تاخیر در اتمام سفارش، افت کیفی، هزینۀ تأخیرات، هزینۀ نیروی انسانی، هزینۀ قطعات یدکی		مصرف انرژی، ضایعات محصول،				ساروماتیس (2021)
(صنعت نیمه هادی)			هزینۀ مواد اولیه، هزینۀ عملیاتی، هزینۀ تأخیرات، هزینۀ واحد محصول، هزینۀ ضایعات، هزینۀ تعمیرات، هزینۀ بازرسی، زمان پردازش، زمان تأخیرات				ساروماتیس و کیریتسیس  (2022)
(ماشین آلات آزمایشگاهی)			زمان طراحی و بهینه سازی طراحی ماشین				مورتزیس و همکاران (2021)
(صنعت نیمه هادی)			هزینۀ عملیات روی هر ماشین، زمان پردازش در ماشین				ساروماتیس و همکاران (2020)
(صنعت فلزات سخت)			هزینۀ تعمیرات، هزینۀ تأخیرات، زمان تعمیرات				ساروماتیس و همکاران (2021)

 

باتوجه به مرور ادبیات انجام شده در حوزه ZDM موارد زیر به عنوان شکاف تحقیقاتی شناسایی می‌گردد :

·       علی رغم تحقیقات موجود و پیشرفت در به‌کارگیری از تکنولوژی های داده محور (مارتینز  و همکاران، 2022; لیتائو و همکاران، 2018 ; مگنانینی و همکاران، 2020) در پیش‌بینی عیوب قبل از وقوع، ارائه رویکرد جامعی از ZDM که بتواند عوامل پویای تأثیرگذار بر کیفیت محصول در حین تولید را در نظر بگیرد همچنان مغفول مانده است.

·       با توجه به محدود بودن تعداد مقالات ZDM متمرکز بر ارزیابی کمّی پایداری در فرآیندهای تولید (ساروماتیس، 2021;  ساروماتیس و کیریتسیس، 2022 ; مورتزیس و همکاران، 2021) که بندرت فراتر از ارزیابی اقتصادی می‌روند، ارائۀ رویکردی که بتواند تأثیرات پیاده‌سازی ZDM بر هر سه ستون زیست محیطی، اقتصادی و اجتماعی را ارزیابی نماید، مغفول مانده و به آن پرداخته نشده است.

لذا در این تحقیق سعی گردیده با در نظر گرفتن عوامل پویای تأثیرگذار بر کیفیت محصول در حین تولید، رویکرد جدیدی جهت پیاده‌سازی ZDM در نظر گرفته شود و با به‌کارگیری     تکنولوژی های انقلاب صنعتی چهارم شاملIoT و ML، تأثیرات این رویکرد در ارتقای سطح پایداری در فرآیندهای تولید اندازه گیری گردد.

 

ابزار و روش

این تحقیق روشی جهت ارزیابی وضعیت پایداری فرآیندهای تولید در جریان ارزش پیشنهاد می‌نماید که مبتنی بر عوامل پویای تأثیرگذار بر کیفیت محصول و استراتژی های ZDM می‌باشد. جهت تشریح روش پیشنهادی در این تحقیق، جزئیات آنالیز و گامهای بهبود به طورکامل توضیح داده می شوند. همچنین گامهای این روش در شکل 1 خلاصه شده است.

 

 

 

 

شکل 1: گامهای اصلی روش پیشنهادی این تحقیق

Figure 1: Main steps of the proposed method in this study

 

گام 1: آنالیزعوامل پویای تأثیرگذار بر کیفیت محصول در فرآیندهای تولید

انجام آنالیز دقیق عوامل پویای تأثیرگذار بر کیفیت محصول در فرآیندهای تولید به محققان کمک می نماید تا بتوانند مؤثرترین اقدامات را جهت جلوگیری از وقوع عیب بیابند.

 

 

گام 2: آنالیز معیارهای TBL 

با توجه به مطالعه موردی، باید مشخص گردد کدام یک از معیارهای TBL برای آن کاربردی است، چراکه هر مطالعه موردی ممکن است بعضی از آن معیارها را در بر گیرد.

 گام 3: اندازه گیری وضعیت پایداری جاری

در این مرحله، معیارهای TBL تعیین شده که تحت تأثیر وقوع عیب هستند روی خط زمانی جریان ارزش در فرآیندهای تولید اندازه گیری می‌شوند (همانطور که در شکل 2 نشان داده شده است). بسته به سیستم تولیدی، یک محصول معیوب در یک فرآیند تولید می‌تواند بر ارزیابی پایداری TBL در کل فرآیندهای تولید یک شرکت تأثیر بگذارد. با توجه به آن، اندازه گیری نیاز به آنالیز مناسبی دارد و نباید با عجله و سهل‌گیرانه انجام شود.

 

 

شکل 2: اندازه گیری پایداری TBL در جریان ارزش

Figure 2: Measuring TBL sustainability in the value stream

 

گام 4: پیاده‌سازی استراتژی های ZDM

با توجه به آنالیز عوامل پویای تأثیرگذار بر کیفیت محصول و تأثیرات محصولات معیوب بر وضعیت پایداری TBL و توانایی استفاده از تکنولوژی های داده محور مانند الگوریتمهای ML برای پیش‌بینی زمان وقوع عیب با استفاده از داده های آنلاین گزارش شده از سنسورهای IoT ، جفت استراتژی‌های پیش بینی-پیشگیری جهت دستیابی به محصول بدون عیب به‌کارگیری می شوند. به‌عنوان مثال، جهت پیش‌بینی عمر مفید باقی مانده⁵¹ (RUL) ( تراینی⁵² و همکاران، 2021) یک فرآیند ماشین محور، مانیتور کردن وضعیت (ژانگ⁵³ و همکاران، 2016)پارامترهای ماشین در فرآیند تولید یک فاکتور حیاتی است و معمولا از طریق سنسورهای IoT انجام می‌شود و RUL از طریق یک الگوریتم ML مناسب مانند مدلهای رگرسیون پیش‌بینی می‌گردد  تا نسبت به پیشگیری از وقوع عیب اقدام گردد.

گام 5: اندازه گیری وضعیت پایداری بهبود یافته

در این مرحله، بهبود پایداری منتج از پیاده‌سازی استراتژی های ZDM از طریق اندازه گیری معیارهای TBL بهبود یافته،  به عنوان وضعیت پایداری آینده ارائه می‌گردد .

 

یافته ها

این تحقیق سعی می‌نماید تا رویکرد پیشنهادی را در فرآیند تزریق فوم کابین در یک کارخانه تولید یخچال که در حوزه صنایع لوازم خانگی می‌باشد پیاده‌سازی نماید. بنابراین، ابتدا مقدمه مختصری ار فرآیند تزریق فوم کابین ارائه می‌گردد  و سپس به فازهای پیاده‌سازی روش پیشنهادی پرداخته می‌شود. فرآیند تزریق فوم کابین بین دو فرآیند مونتاژ قرار گرفته است که عبارتند از: مونتاژ پیش از تزریق فوم به‌عنوان فرآیند بالادست و مونتاژ پس از تزریق فوم به عنوان فرآیند پایین دست. در فرآیند تزریق فوم کابین، فوم تزریقی از نوع فوم پلی یورتان سخت می‌باشد که از دو ماده اصلی شامل پلیول (Poly) و متیلن دی فنیل دی ایزوسیانات (MDI) تشکیل شده است که در مخازن مربوطه نگهداری می‌شوند. ماشین تزریق فوم از سه بخش تشکیل شده است که عبارتند از: محیط پیش گرم، تجهیزات تزریق فوم و محیط خنک کاری. ابتدا، کابینت وارد محیط پیش گرم می‌شود تا به‌طور مناسب گرم شده و آماده تزریق فوم گردد. سپس وارد قسمت تزریق فوم شده که شامل فیکسچر، قالب و هد تزریق به عنوان اجزای اصلی می‌باشد. در این مطالعه موردی، ماشین تزریق فوم از هفت تجهیز تزریق فوم موازی تشکیل شده است تا سایکل تایم این مرحله با پیش مونتاژ و پس مونتاژ بالانس شود. در ادامه، پس از تثبیت موقعیت کابینت از طریق قالب و فیکسچر، فوم در فضای بین دیواره داخلی و خارجی کابینت تزریق می‌گردد  و سپس فوم شروع به بالا آمدن و پخت می‌کند. قالب درون کابینت قرار می‌گیرد و به بدنه پلیمری داخلی کابینت فیکس می‌شود و فیکسچر نیز از بیرون بدنه فلزی بیرونی کابینت را مهار می‌نماید تا از دفرمگی آن در مقابل فشار دینامیکی بالا آمدن فوم در زمان پخت جلوگیری نماید و به توزیع همگن فوم در فضای بین دو دیواره کابینت کمک می‌نماید. پس از اتمام زمان پخت فوم، کابینت از بخش تزریق آزاد شده و به بخش خنک‌کاری می‌رود تا با خنک کردن کابینت از ادامه بالا آمدن فوم و دفرمگی بدنه کابینت جلوگیری نماید. با پیروی از رویه تعریف شده، گامهای ذکر شده آن در فرآیند تزریق فوم کابینت در ادامه پیاده‌سازی می‌گردند.

 پیاده‌سازی گام 1: آنالیزعوامل پویای تأثیرگذار بر کیفیت محصول در فرآیندهای تولید

بررسی داده های تاریخی کیفی محصول در فرآیند تزریق فوم کابینت بیانگر این است که درمیان عوامل پویای تأثیرگذار بر کیفیت محصول در فرآیند تزریق فوم کابینت، افزایش دما بیشترین سهم را در  ایجاد محصول معیوب دارد.

-       افزایش دما در فرآیند تزریق فوم که فشار دینامیکی بالا آمدن فوم را افزایش داده و منجر به دفرمگی محصول خروجی می‌گردد . به بیان دقیق‌تر، یک سری از الزامات دمایی می‌باید رعایت گردد تا کیفیت محصول در محدوده قابل قبول بماند و تجاوز از این محدوده باعث ایجاد عیب در محصول می‌شود. از طرفی دیگر، همانطور که در بالا گفته شد، فرآیند تزریق فوم یک واکنش گرمازا است که باعث افزایش دمای محیط اطراف خود مانند فیکسچر کابینت، قالب کابینت و غیره می شود. الزامات دمایی در جدول 2 نشان داده شده اند.

 

 

جدول 2: الزامات دمایی در فرآیند تزریق فوم کابینت

Table 2: Temperature requirements in the cabinet foam injection process

دمای آیتمهای مؤثر	محدوده دمایی تعریف شده (درجه سلسیوس)
دمای Poly در تانک	16-19
دمای MDI در تانک	16-19
دمای کابینت در خروجی محیط پیش گرم	28-32
دمای فیکسچر وقالب کابینت	42-50
دمای محیط تزریق فوم کابینت	20 < t < 50
دمای محیط خنک کاری	20-25

پیاده‌سازی گام 2: آنالیز معیارهای TBL 

در این گام معیارهای مرتبط با این مطالعه موردی که متأثر از تولید محصول معیوب می‌باشند شناسایی شده و در جدول 3 نمایش داده می‌شوند.

 

جدول 3 : معیارهای TBL شناسایی شده در ادبیات، مرتبط با مطالعه موردی

Table 3: Extracted TBL criteria from the literature, relevant to the case study

TBL	معیارهای پایداری	نویسنده
زیست محیطی	اتلاف مواد (set)	سینگ و مادان (2016)، تیواری و همکاران (2020)
	اتلاف انرژی (kwh)	ماریمین و همکاران (2018)، چرافی و همکاران (2019)
اجتماعی	اتلاف نیروی انسانی (pmin)	ابراهیمی و همکاران (2023)
اقتصادی	هزینۀ اتلاف نیروی انسانی ($)	ساروماتیس (2021)،  ابراهیمی و همکاران (2023)
	هزینۀ اتلاف مواد ($)	هوآنگ و بادوردین (2018)، تیواری و همکاران (2020)
	هزینۀ اتلاف انرژی ($)	خاکپور و همکاران (2023)
	هزینۀ استهلاک ماشین ($)	هلنو و همکاران (2017)، خاکپور و همکاران (2023)

پیاده‌سازی گام 3: اندازه گیری وضعیت پایداری جاری 

با توجه به مطالعه موردی این تحقیق، به‌منظور اندازه‌گیری وضعیت پایداری جاری، ابتدا تأثیرات یک واحد محصول معیوب بر پایداری TBL در فرآیند تزریق فوم کابین اندازه گیری شده و همانگونه که در شکل 3 نشان داده شده است در جریان ارزش ترسیم می‌گردد . بسته به سیستم تولید، یک محصول معیوب در یک فرآیند تولید می‌تواند بر پایداری TBL در فرآیندهای بالادست و پایین‌دست تأثیر بگذارد. به‌عنوان مثال، در این مطالعه موردی، محصول معیوب در تزربق فوم کابینت باعث اتلاف نیروی انسانی در پیش مونتاژ و پس مونتاژ می‌شود و بر ستونهای اجتماعی و اقتصادی در هر سه فرآیند تأثیر می‌گذارد.

 

 

 

شکل 3: تأثیرات یک واحد محصول معیوب بر وضعیت پایداری TBL در جریان ارزش

Figure 3: The effects of single unit defective product on TBL sustainability state in value stream

 

سپس، با توجه به داده های ثبت شده مربوط به نرخ متوسط محصولات معیوب در فرآیند تزریق فوم کابینت و  برنامه تولید روزانه محصول یخچال، نتایج وضعیت پایداری جاری در جدول 4 خلاصه شده است.

­­­

جدول 4 : خلاصه وضعیت پایداری جاری

Table 4: Summary of current sustainability state

وضعیت پایداری اقتصادی	وضعیت پایداری  اجتماعی	وضعیت پایداری  زیست محیطی	تعداد محصولات  معیوب (set)		نرخ محصولات  معیوب (%)		برنامه روزانه  (set)	مدل محصول
اتلاف هزینۀ ها: 3265.65 $	اتلاف نیروی انسانی: 1650 pmin	اتلاف مواد:  15 set اتلاف انرژی: 239.25 kwh		15 set	3%	480 set		یخچال

 

پیاده‌سازی گام 4: پیاده‌سازی استراتژی های ZDM

به‌منظور انتخاب مؤثرترین استراتژی ZDM که متناسب با مطالعه موردی باشد، می‌باید آنالیز دقیقی از عوامل پویای شناسایی شده مؤثر بر کیفیت محصول صورت گیرد. در فرآیند تزریق فوم کابینت، افزایش دما با توجه به گرمازا بودن واکنش در فرآیند تزریق فوم، به عنوان علت اصلی عیب در محصول شناخته شده است و گامهای پیاده‌سازی استراتژی های پیش‌بینی-پیشگیری  در ادامه تشریح می‌گردد .

همانطور که در گام 1 توضیح داده شد، یک سری الزامات دمایی می‌باید رعایت گردد تا کیفیت محصول در محدوده قابل قبول حفظ ماند و تجاوز از این محدوده باعث بروز عیب در محصول می‌گردد . از طرف دیگر، با در نظر گرفتن بازه دمایی تعریف شده (جدول 2)، با توجه به تنوع شرایط دمایی در زمان راه اندازی در فرآیند تزریق فوم کابینت، نرخ افزایش دما که متأثر از گرمازایی واکنش تشکیل فوم می‌باشد متغیر خواهد بود. بنابراین، تمرکز ناکافی بر این موضوع منجر به افزایش دمایی فراتر از محدوده تعریف شده می‌گردد  و نهایتاً باعث ایجاد محصول معیوب می‌شود. از آنجایی‌که، هفت تجهیز تزریق فوم به‌طور موازی با هم کار می‌کنند، اولین مشاهده عیب برابر با هفت محصول معیوب می‌باشد. این موضوع ضرورت به‌کارگیری جفت استراتژی پیش بینی-پیشگیری را جهت پیش‌بینی زمان وقوع عیب و نتیجتاً پیشگیری از آن برجسته می نماید. در این راستا، جهت اجرای استراتژی پیش‌بینی در این تحقیق، از سنسورهای IoT جهت گزارش آنلاین دما به سیستم نرم افزاری استفاده شده است و از داده های جمع آوری شده در الگوریتم ML مشخص شده استفاده می‌گردد  تا زمان وقوع عیب را پیش‌بینی نماید. با توجه به آن، به عنوان جایگزین عبارت "زمان وقوع عیب"، این تحقیق از عبارتی تحت عنوان " اجرای قابل قبول باقی مانده (RAR)⁵⁴" استفاده می‌کند که به معنی تعداد تزریق فوم قابل انجام است به شرط اینکه از الزامات دمایی (جدول 2) قابل قبول و تعریف شده برای تضمین کیفیت محصول فراتر نرود.

در این مقاله سعی گردیده که به دلیل پیوسته بودن متغیر پاسخ، از رگرسیون خطی چندگانه به منظور برازش داده ها و همچنین پیش‌بینی مقادیر پاسخ استفاده شود. در این مقاله، از رگرسیون به عنوان یکی از روشهای اصلی در یادگیری نظارت شده (Supervised Learning) سعی گردیده تا در ابتدا یک مدل کامل (Full Model) از رابطه بین متغیرهای پیش‌بینی کننده یا مستقل متشکل از دمای پلیول⁵⁵ (PT) ، دمای ایزوسانات⁵⁶ (MDIT) ، دمای کابینت⁵⁷ (CT) ، دمای قالب و فیکسچر⁵⁸ (FDT) ، دمای اتاق تزریق فوم⁵⁹ (FRT) و دمای محیط خنک کاری⁶⁰ (CZT) و همچنین اثرات متقابل دوطرفه آنها با متغیر پاسخ (RAR) ایجاد شود. خلاصه توضیحات مجموعه داده ها در جدول 5 ارائه شده است. از آنجایی که داده ها در  537 اجرا ثبت شده است، مجموع سیگنالهای دمایی ثبت شده برابر 3222 می‌باشد.

جدول 5 : خلاصه توضیحات مجموعه داده ها

Table 5: Summary of dataset descriptions

	PT		MDIT	CT	FDT	FRT	CZT	RAR
Count	537.00		537.00	537.00	537.00	537.00	537.00	537.00
Mean	17.61		17.55	30.55	47.46	33.98	24.43	56.47
Std	0.90		0.91	1.25	2.01	7.52	1.54	39.96
Min	16.00		16.00	28.00	42.00	20.00	20.00	0.00
25%	16.80		16.80	29.70	46.40	28.00	24.10	20.00
50%	17.70		17.60	30.70	47.70	35.00	24.90	54.00
75%	18.40		18.40	31.40	48.80	40.00	25.40	87.00
Max	19.00		19.00	34	52.5	46.00	28.20	149.00

 سپس با بهره گیری از روش رو به عقب برای انتخاب متغیرها (Backward Selection)، نسبت به ایجاد یک مدل تعدیل یافته (Reduced Model) و با حذف عبارات غیر معنی‌دار با لحاظ کردن شرط توقف p-value <= 0.05، اقدام گردید. در مدل تعدیل یافته، علاوه بر وجود شش متغیر اصلی پیش‌بینی کننده، برخی از اثرات متقابل دو طرفه (Two-Way Interactions) نیز معنی‌دار می‌باشند. جدول 6 وضعیت عبارات معنی‌دار را در مدل تعدیل شده اولیه نشان می دهد:

 

جدول 6 : وضعیت عبارات معنی‌دار را در مدل تعدیل شده اولیه

Table 6: Status of significant terms in theiInitially developed model

 

 

سپس به بررسی هم خطی چندگانه (Multicollinearity) در مدل رگرسیون اولیه تعدیل شده پرداخته شده است. چرا که ممکن است بین عبارات موجود در مدل فعلی، همبستگی وجود داشته باشد که این مهم باعث متورم شدن خطای استاندارد برای ضرائب مدل رگرسیون خواهد شد. بر این اساس با محاسبه شاخص عامل تورم واریانس (Variance Inflation Factor- VIF) برای هر یک از عبارات مدل و منظور کردن سقف توقف VIF <= 0.10، نسبت به حذف عبارات با VIF بالای 0.10 اقدام گردید. جدول 7 عبارات مدل نهایی تعدیل شده را نشان می دهد.

 

 

جدول 7 : عبارات مدل نهایی تعدیل شده

Table 7: Terms of the final modified model

 

 

لازم به توضیح است که در جدول 7، برخی از عبارات همچنان دارای VIF بالای 10%      می باشند ولی به دلیل اینکه این عبارات در اثرات متقابل نقش دارند، حذف نشده اند.

 

مدل نهایی رگرسیون خطی چندگانه به صورت معادله زیر استخراج و برازش شده است:

 

در این مرحله باید قبل از تفسیر و پذیرش مدل رگرسیونی فوق نسبت به بررسی مفروضات مورد نظر در رگرسیون خطی اقدام می‌گردید و بر این اساس تمامی مفروضات تأیید گردید.

مواردی چون:  بررسی کفایت رابطه خطی در مدل، بررسی همسانی واریانس عناصر خطا یا باقیمانده ها (residuals)، بررسی نرمال بودن عناصر خطا، عدم وجود همبستگی بین عناصر خطا (autocorrelation)، و عدم وجود داده های دورافتاده در مدل از طریق رسم نمودارهای باقیمانده‌ها مورد ارزیابی قرار گرفت که به دلیل بالارفتن تعداد صفحات مقاله، از آوردن نمودارها و تحلیل‌های مربوطه اجتناب گردیده است.

حال که مفروضات مدل رگرسیون تأمین شده‌اند، نوبت به بررسی معنی‌دار بودن کل مدل      می رسد. نتایج جدول تحلیل واریانس (جدول 8) معنی‌داری کل مدل رگرسیون برازش شده را نشان می دهد. با توجه به بزرگ بودن مقدار آماره نسبت F، و کوچک بودن p-value مشخص می‌شود که مدل رگرسیون به صورت کلی معنی‌دار می‌باشد.

 

جدول 8 : تحلیل واریانس

Table 8: Analysis of variance

 

 

پیشتر هم ضرائب مدل رگرسیون برازش شده، طبق جدول تخمین پارامترها، معنی‌دار شناسایی شده‌اند. ضمنا، مشخص گردید که فقط سه اثر متقابل دوطرفه شامل (PT*MDTI)، (PT*FRT)، و (CT*FDT) معنی‌دار بوده و این مهم در پروفایل اثرات متقابل (شکل 4) هم نشان داده شده است.

 

شکل 4 : پروفایل اثرات متقابل متغیرهای مستقل

Figure 4: Interaction profile of independent variables

 

شایان ذکر است به‌منظور ارزیابی مدل، مدل از طریق 80 درصد داده ها یاد می‌گیرد و 20 درصد داده ها به‌عنوان داده تست جهت ارزیابی عملکرد مدل استفاده می‌شوند. جدول 9 گزارشی از نتایج بدست آمده از ارزیابی الگوریتم ارائه می‌دهد.

 

جدول 9 : ارزیابی مدل ML

Table 9: ML model evaluation

Performance indicator	Result
Mean absolute error (MAE)	2.96
Mean square error (MSE)	13.68
Prediction accuracy	0.99
(R2)	0.99
(R2-Adj)	0.99
Root mean square error (RMSE)	2.02
Mean of Response	56.47

مقایسه بین داده های واقعی و داده های پیش‌بینی شده توسط مدل رگرسیون خطی چند گانه برای RAR در شکل 5 نشان داده شده است.

 

 

طول پیش بینی

 

شکل 5: مقایسه بین RAR و RAR

Figure 5: RAR vs RAR

 

همانطور که در گام اول توضیح داده شد، افزایش دما مستقیماً بر فشار دینامیکی بالا آمدن فوم تأثیر می‌گذارد، بنابراین اگر زمان پخت در فرآیند تزریق فوم افزایش یابد، با توجه به فیکس بودن کابینت بین قالب از داخل و فیکسچر از بیرون از دفرمگی جلوگیری می‌گردد. با توجه به ارزیابی متخصصان و رویه تعریف شده، زمانی که RAR پیش‌بینی شده به 14 می‌رسد، زمان پخت در همه تجهیزات تزریق فوم می‌باید 35 ثانیه افزایش یابد تا از وقوع عیب پیشگیری گردد. با توجه به هفت تجهیز تزریق فوم موازی، این تغییر منجر به افزایش سایکل تایم از 60 ثانیه به 65 ثانیه می‌شود و این تنظیمات جدید زمان پخت می‌باید تا اولین زمان استراحت (به‌عنوان مثال، زمان صرف صبحانه یا زمان صرف ناهار) در شیفت کاری ادامه یابد، زیرا با توجه به توقف ماشین در این بازه های زمانی، فرصتی فراهم می‌شود تا دما کاهش یافته و به شرایط نرمال جهت ادامه تولید بازگردد و لذا زمان پخت می‌باید مجدداً به تنظیمات اصلی تغییر یابد.

پیاده‌سازی گام 5: اندازه گیری وضعیت پایداری آینده

براساس بهبودهای ایجاد شده ناشی از پیاده‌سازی استراتژی های ZDM در گام 4 که اجرای آن بمدت دوماه به طول انجامید، تغییرات در معیارهای پایداری TBL اندازه گیری می‌گردد . در این راستا، با توجه به داده های ثبت شده از نرخ متوسط محصولات معیوب  در فرآیند تزریق فوم کابینت و برنامه تولید روزانه یخچال، وضعیت بهبود یافته پایداری TBL در جدول 10 خلاصه شده است.

 

جدول 10 : خلاصه وضعیت پایداری آینده

Table 10: Summary of future sustainability state

وضعیت پایداری اقتصادی	وضعیت پایداری اجتماعی	وضعیت پایداری زیست محیطی	تعداد محصولات معیوب (set)	نرخ محصولات معیوب (%)	برنامه روزانه (set)	مدل محصول
اتلاف هزینۀ ها: 217.71 $	اتلاف نیروی انسانی: 110 pmin	اتلاف مواد:  1 set   اتلاف انرژی: 15.95 kwh	1 set	0.2 %	480 set	یخچال

 

نتایج پیاده‌سازی رویکرد پیشنهادی در قالب بهبود وضعیت پایداری مطالعه موردی ارائه شده است. کاهش محصولات معیوب از 3 درصد به 0.2 درصد مستقیماً بر اتلاف مواد، اتلاف انرژی، اتلاف نیروی انسانی و اتلافات هزینه‌ای تأثیرگذار بوده ونتیجتاً 93.33 درصد بهبود در وضعیت پایداری TBL حاصل شده است.

با در نظر گرفتن بهبود های ایجاد شده در معیارهای TBL ، کاهش اتلاف مواد و انرژی از فلسفه استفاده احتیاطی منابع طبیعی و تجدیدناپذیر جهت تضمین پایداری زیست محیطی پیروی می‌کند (فالکنر و بادوردین، 2014). تأثیرات منفی اتلاف نیروی انسانی روی سطح رضایت‌مندی و بهره‌وری، اهمیت تمرکز بر این معیار را در ستون اجتماعی پایداری توجیه می‌نماید (خاکپور و همکاران، 2023). شایان ذکر است که افزایش هزینه‌های ناشی از اتلاف منابع تولید نظیر نیروی انسانی، انرژی، مواد و ماشین در تولید محصولات معیوب بر کارایی عملیاتی آنها تأثیر می‌گذارد و باید مدیریت گردد ( هلنو و همکاران، 2017) تا پایداری اقتصادی بهبود یابد.        

 

 

بحث و نتیجه گیری

پیاده‌سازی رویکرد پیشنهادی این تحقیق در راستای تحقق محصولات بدون عیب و بهبود پایداری TBL به عنوان هدف نهایی، منتج به گسترش بینش محققان و بهبودهای ملموسی در مطالعه موردی این تحقیق گردید. در این بخش، ابتدا رویکرد پیشنهادی با رویکردهای موجود در زمینه ZDM مقایسه می‌گردد. در ادامه چالش‌های مرتبط با پیاده‌سازی آن در این تحقیق توضیح داده می‌شود. در نهایت، به نتیجه گیری و پیشنهاد جهت تحقیقات آتی پرداخته خواهد شد.

مقایسه رویکرد پبشنهادی با تحقیقات موجود

مقالات مختلفی بر رویکرد ZDM متمرکز شده‌اند تا توانایی این رویکرد را جهت دستیابی به محصول بدون عیب نشان دهند. با این حال، رویکردهای به‌کار رفته عمدتاً محصول‌محور و فرآیند محور هستند و مقالات محدودی وجود دارند که به معرفی رویکرد نوظهور انسان‌محور در ZDM پرداخته‌اند. در حالی‌که جهت دستیابی به محصولات بدون عیب فاکتورهای مختلفی درگیر هستند. بنابراین، نظارت بر کیفیت محصول در انتهای فرآیند (در رویکرد محصول محور) بسیار دیر است زیرا اگر عیبی در محصول ایجاد شده باشد، بسته به نوع فرآیند(مثلاً یک ماشین پرسکاری چهارمرحله ای) ممکن است حتی بیش از یک محصول معیوب به‌وجود بیاید. از طرفی دیگر، بازرسی ماشین (در رویکرد فرآیند محور)جهت گارانتی کیفیت محصول خروجی کافی نیست و این به‌دلیل وجود عوامل پویای مؤثری است که بر کیفیت محصول تأثیر می‌گذارند. با توجه به موارد مطروحه در تحقیقات موجود، این تحقیق بر عوامل پویای تأثیرگذار بر کیفیت محصول در حین تولید متمرکز می‌باشد و با پیاده‌سازی رویکرد پیشنهادی در یک مطالعه موردی واقعی، تشریح می‌نماید که این عوامل پویا چه تأثیر قابل توجهی بر کیفیت محصول در حین تولید دارند. همچنین، بررسی تحقیقاتی که معیارهای پایداری را در ZDM  در نظر گرفته‌اند بیانگر این است که تحقیقات بسیار محدودی وجود دارند که ارزیابی کمی از TBL ارائه داده باشند و ادبیات ZDM دچار فقدان تحقیقاتی است که تأثیرات ZDM را بر هر سه ستون پایداری یعنی زیست محیطی، اقتصادی و اجتماعی اندازه گیری نماید. به منظور پر کردن این خلأ تحقیقاتی، این تحقیق معیارهای TBL مرتبط با مطالعه موردی را که تحت تأثیر پیاده‌سازی ZDM  هستند شناسایی نموده و ارزیابی کمی از این معیارهای TBL ارائه می‌دهد.

چالشهای مرتبط با پیاده سازی

رویکرد پیشنهادی با شناسایی، ارزیابی و بهبود معیارهای TBL ، متعهد به کاربرد گسترده آن در تولید می‌باشد. با وجود کاربرد تشریح شده در این تحقیق، چالشهایی در پیاده‌سازی آن برای مدیران وجود دارد که در ادامه به آن پرداخته خواهد شد.

اولین چالش مربوط به جمع آوری داده در تولید می‌باشد؛ چرا که ممکن است ناقص بوده و یا در فرمت های مختلف و یا در جاهای مختلفی ثبت و ذخیره گردد. دقت پیش‌بینی در الگوریتمهای ML قویاً به کامل بودن داده‌ها وابسته است. مشاهدات ناقص یا داده های غلط می‌تواند به نتایج غلط منجر گردد؛ چراکه مدل ML به‌خوبی یاد نمی‌گیرد و پیش‌بینی با خروجی واقعی مطابقت نخواهد داشت. برای این منظور، استفاده از تکنولوژی IoT برای جمع آوری دقیق داده های آنلاین و گزارش آن به سیستم نرم افزاری ضروری است.

دومین چالش مربوط به هزینۀ اتوماسیون است. با وجود امتیازات و مزایای جمع آوری اتوماتیک داده ها و سیستمهای آنالیز داده، استفاده از سنسورهای IoT و یک نرم افزار پردازش داده مناسب هزینه بر است. بنابراین، ابتدا می‌باید تخمین دقیقی از الزامات صورت گیرد و با توجه به منافع هزینه‌ای به‌دست آمده، نرخ بازگشت سرمایه گذاری در این حوزه می‌باید محاسبه گردد.

سومین چالش این است که پیاده‌سازی این رویکرد، نیازمند مشارکت و پشتیبانی دپارتمانهای مختلف سازمان می‌باشد. در این راستا، مدیران می‌باید رویکرد پیشنهادی را در قالب یک هدف استراتژیک برای همه سطوح کارکنان توضیح دهند. فهمیدن فلسفه و منافع رویکرد پیشنهادی برای همه ضروری است تا نسبت پیاده‌سازی مدیریت کیفیت ترغیب گردند و مشارکت نمایند.

آخرین چالش این است که پیاده‌سازی این رویکرد نیاز به یک تیم متخصص دارد تا عوامل پویای مؤثر بر کیفیت محصول را شناسایی نمایند، معیارهای TBL متأثر از عیب را تعریف نمایند، روشی مناسب برای جمع آوری داده و آنالیز آنها طراحی نمایند و مناسب‌ترین استراتژی های ZDM را برای مطالعه موردی مورد نظر اجرا نموده تا به محصولات بدون عیب دست یافته و وضعیت پایداری TBL را بهبود بخشند.

نتیجه گیری

با تکیه بر بررسی گسترده ادبیات و تحقیقات در صنایع تولیدی، این تحقیق روشی گام به گام و عملی پیشنهاد می‌دهد که در آن از طریق تولید محصولات بدون عیب، معیارهای پایداری TBL را بهبود می دهد. روش پیشنهادی از مرزهای رویکردهای موجود در ZDM شامل فرآیند محور، محصول محور و رویکرد نوظهور انسان محور فراتر رفته و رویکرد مبتنی بر عوامل پویای تأثیرگذار برکیفیت محصول را به‌کار می‌گیرد. سپس، از جفت استراتژی‌های پیش بینی-پیشگیری، با به‌کارگیری تکنولوژی های داده محور شامل IoT و الگوریتمهای ML  جهت پیش‌بینی اجرای قابل قبول باقی مانده (RAR) و پیشگیری از وقوع عیب، استفاده می‌نماید.

با توجه به خلأ روشهای موجود در ZDM جهت آنالیز و ارزیابی معیارهای پایداری، این تحقیق با شناسایی معیارهای پایداری که تحت تأثیر وقوع عیب هستند، تأثیرات اجرای استراتژی‌های ZDM را بر آنها، قبل و بعد از پیاده‌سازی رویکرد پیشنهادی، ارزیابی می‌نماید. این تحقیق از مرزهای رویکردهای محدود موجود که یک یا دو ستون از پایداری (عمدتاً بر ستون اقتصادی متمرکز هستند) را  اندازه‌گیری می‌کند فراتر رفته و با توجه به معیارهای شناسایی شده مرتبط با مطالعه موردی، هر سه ستون پایداری را در فرآیند تولید اندازه گیری می‌نماید. ترسیم فرآیندهای تولید مرتبط در جریان ارزش کمک می‌نماید تا تأثیرات محصول معیوب در یک فرآیند را بر پایداری TBL در کل فرآیندهای تولید ارزیابی نماید.

روش پیشنهادی در یک شرکت تولیدی به عنوان مطالعه موردی واقعی پیاده‌سازی شده است و نتایج حاصله، عملی بودن و کاربردی بودن آن را ثابت می‌نماید. در این روش جزئیات پیاده‌سازی استراتژی های ZDM توضیح داده می‌شود و همچنین پایداری زیست محیطی، اجتماعی و اقتصادی در فرآیند تولید اندازه گیری می‌شود. نتایج گزارش‌ها در این مطالعه موردی بیانگر 93.33 درصد بهبود در کاهش وقوع عیب و همچنین وضعیت پایداری TBL  می‌باشد. بینش تجربی به‌دست آمده از پیاده‌سازی این رویکرد در مطالعه موردی این تحقیق، نشان‌دهنده چالش‌ها و پیچیدگی‌هایی است که در مسیر دستیابی به محصول بدون عیب و بهبود پایداری رخ می‌دهد و نگاه تحلیلی آن بر عوامل پویای تأثیرگذار بر کیفیت محصول و بهبود معیارهای پایداری TBL در این تحقیق، به محققان کمک می‌نماید تا رویکردهای ZDM شان را بروشی جامع تر بهبود بخشند. توسعه این روش خارج از خطوط تولید کارخانه و به‌کارگیری این مفهوم در سطوح بیشتری از مدیریت زنجیره تامین میتواند در مطالعات آتی در نظر گرفته شده و مطالعه گردد.

 

تعارض منابع

نویسندگان هیچگونه تعارض منافع ندارند.

 

 

References   

Cherrafi, A., Elfezazi, S., Hurley, B., Garza-Reyes, J. A., Kumar, V., Anosike, A., & Batista, L. (2019). Green and lean: a Gemba–Kaizen model for sustainability enhancement. Production Planning & Control, 30(5-6), 385-399. doi:10.1080/09537287.2018.1501808

Ebrahimi, A., Khakpour, R., & Saghiri, S. (2023). Sustainable setup stream mapping (3SM): a systematic approach to lean sustainable manufacturing. Production Planning & Control, 34(4), 311-329. doi:10.1080/09537287.2021.1916637

Elkington, J. (1998). Cannibals with forks: The Triple Bottom Line of 21st Century Businesses, Gabriola Island, BC Canada: New Society Publishers. 1-428.

Goyal, A., Agrawal, R., & Saha, C. R. (2019). Quality management for sustainable manufacturing: Moving from number to impact of defects. Journal of Cleaner Production, 241, 118348. doi:10.1016/j.jclepro.2019.118348

Grobler-Dębska, K., Kucharska, E., & Baranowski, J. (2022). Formal scheduling method for zero-defect manufacturing. The International Journal of Advanced Manufacturing Technology, 118(11), 4139-4159. doi:10.1007/s00170-021-08104-0

Halpin, J. F. (1966). Zero defects: a new dimension in quality assurance: Martin Company. 1-228.

Helleno, A. L., de Moraes, A. J. I., & Simon, A. T. (2017). Integrating sustainability indicators and Lean Manufacturing to assess manufacturing processes: Application case studies in Brazilian industry. Journal of Cleaner Production, 153, 405-416. doi:10.1016/j.jclepro.2016.12.072

Huang, A., & Badurdeen, F. (2018). Metrics-based approach to evaluate sustainable manufacturing performance at the production line and plant levels. Journal of Cleaner Production, 192, 462-476. doi:10.1016/j.jclepro.2018.04.234

Khakpour, R., Ebrahimi, A., & Saghiri, S. (2023). How to assess and improve the triple bottom line (TBL) in manufacturing processes: a real case in home appliance manufacturing. International Journal of Lean Six Sigma, ahead-of-print(ahead-of-print). 14 (7), 1456-1491. doi:10.1108/IJLSS-09-2022-0202

Leitão, P., Barbosa, J., Geraldes, C. A. S., & Coelho, J. P. (2018). Multi-agent System Architecture for Zero Defect Multi-stage Manufacturing. In T. Borangiu, D. Trentesaux, A. Thomas, & O. Cardin (Eds.), Service Orientation in Holonic and Multi-Agent Manufacturing: Proceedings of SOHOMA 2017 (pp. 13-26). Cham: Springer International Publishing.

Lindström, J., Lejon, E., Kyösti, P., Mecella, M., Heutelbeck, D., Hemmje, M., . . . Gunnarsson, B. (2019). Towards intelligent and sustainable production systems with a zero-defect manufacturing approach in an Industry4.0 context. Procedia CIRP, 81, 880-885. doi:10.1016/j.procir.2019.03.218

Magnanini, M. C., Colledani, M., & Caputo, D. (2020). Reference architecture for the industrial implementation of Zero-Defect Manufacturing strategies. Procedia CIRP, 93, 646-651. doi:10.1016/j.procir.2020.05.154

Majeed, A., Zhang, Y., Ren, S., Lv, J., Peng, T., Waqar, S., & Yin, E. (2021). A big data-driven framework for sustainable and smart additive manufacturing. Robotics and Computer-Integrated Manufacturing, 67, 102026. doi:10.1016/j.rcim.2020.102026

Marimin, Darmawan, M. A., Widhiarti, R. P., & Teniwut, Y. K. (2018). Green productivity improvement and sustainability assessment of the motorcycle tire production process: A case study. Journal of Cleaner Production, 191, 273-282. doi:10.1016/j.jclepro.2018.04.228

Martinez, P., Al-Hussein, M., & Ahmad, R. (2022). A cyber-physical system approach to zero-defect manufacturing in light-gauge steel frame assemblies. Procedia Computer Science, 200, 924-933. doi:10.1016/j.procs.2022.01.290

Mourtzis, D., Angelopoulos, J., & Panopoulos, N. (2021). Equipment Design Optimization Based on Digital Twin Under the Framework of Zero-Defect Manufacturing. Procedia Computer Science, 180, 525-533. doi:10.1016/j.procs.2021.01.271

Psarommatis, F. (2021). A generic methodology and a digital twin for zero defect manufacturing (ZDM) performance mapping towards design for ZDM. Journal of Manufacturing Systems, 59, 507-521. doi:10.1016/j.jmsy.2021.03.021

Psarommatis, F., & Kiritsis, D. (2022). A hybrid Decision Support System for automating decision making in the event of defects in the era of Zero Defect Manufacturing. Journal of Industrial Information Integration, 26(2),, 100263. doi:10.1016/j.jii.2021.100263

Psarommatis, F., & May, G. (2022). A literature review and design methodology for digital twins in the era of zero defect manufacturing. International journal of production research, 61(5),1-21. doi:10.1080/00207543.2022.2101960

Psarommatis, F., May, G., Dreyfus, P.-A., & Kiritsis, D. (2020). Zero defect manufacturing: state-of-the-art review, shortcomings and future directions in research. International journal of production research, 58(1), 1-17. doi:10.1080/00207543.2019.1605228

Psarommatis, F., May, G., & Kiritsis, D. (2021). Predictive maintenance key control parameters for achieving efficient Zero Defect Manufacturing. Procedia CIRP, 104, 80-84. doi:10.1016/j.procir.2021.11.014

Psarommatis, F., Sousa, J., Mendonça, J. P., & Kiritsis, D. (2022). Zero-defect manufacturing the approach for higher manufacturing sustainability in the era of industry 4.0: a position paper. International journal of production research, 60(1), 73-91. doi:10.1080/00207543.2021.1987551

Psarommatis, F., Vuichard, M., & Kiritsis, D. (2020). Improved heuristics algorithms for re-scheduling flexible job shops in the era of Zero Defect manufacturing. Procedia Manufacturing, 51, 1485-1490. doi:10.1016/j.promfg.2020.10.206

Rother, M., & Shook, J. (2003). Learning to see: value stream mapping to add value and eliminate muda: Lean enterprise institute. 1-102.

Singh, P. P., & Madan, J. (2016). A computer-aided system for sustainability assessment for the die-casting process planning. The International Journal of Advanced Manufacturing Technology, 87(5), 1283-1298. doi:10.1007/s00170-013-5232-2

Tiwari, P., Sadeghi, J. K., & Eseonu, C. (2020). A sustainable lean production framework with a case implementation: Practice-based view theory. Journal of Cleaner Production, 277, 123078. doi:10.1016/j.jclepro.2020.123078

Traini, E., Bruno, G., & Lombardi, F. (2021). Tool condition monitoring framework for predictive maintenance: a case study on milling process. International journal of production research, 59(23), 7179-7193. doi:10.1080/00207543.2020.1836419

Zhang, C., Yao, X., Zhang, J., & Jin, H. (2016). Tool Condition Monitoring and Remaining Useful Life Prognostic Based on a Wireless Sensor in Dry Milling Operations. Sensors, 16(6), 795. Retrieved from https://www.mdpi.com/1424-8220/16/6/795

US Department of Commerce (2010), “The international trade administration and the U.S. department of commerce’s definition for sustainable manufacturing”, available at: www.trade.gov/competitiveness/ sustainablemanufacturing/how_doc_defines_SM.asp (accessed 25 August 2011).

(23)

 

 

---

[1] . Ph.D. Candidate, Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran

[2] . Assistant Professor, Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran

*. Corresponding Author: [e-mail]

[3] . Professor, Department of Industrial Engineering, Faculty of Industrial Engineering, University of Science and Technology, Tehran, Iran

[4] .دانشجوی دکتری گروه مدیریت صنعتی ،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران [e-mail]

[5] .استادیار گروه مدیریت صنعتی،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

*. نویسنده مسؤول: [e-mail]

[6] .استاد گروه مهندسی صنایع، دانشکده مهندسی صنایع ،دانشگاه علم و صنعت، تهران، ایران [e-mail]

[7] .Zero defect manufacturing

[8] . Elkington

[9] . US department of commerce

[10] . Sustainable manufacturing

[11] . Value stream mapping

[12] . Rother & Shook

[13] . Goyal, et al

[14] . Lindström, et al

[15] . Debska, et al

[16] . Mourtzis, et al

[17] 10. Zero defect manufacturing

[18] 11. Halpin

[19] 12. Psarommatis, et al

[20] . Detect

[21] . Predict

[22] . Repair

[23] . Prevent

[24] 5. Triggering strategies

[25] 6. Action strategies

[26] 7. Psarommatis, et al

[27] 8. Psarommatis, et al

[28] 9. Lindström, et al

[29] 10. Martinez , et al

[30] 11. Debska, et al

[31] 12. Psarommatis & Kiritsis

[32] 13. Mourtzis, et al

[33] 1. Cyber-physical systems

[34] 2. Internet of things

[35] . Big data

[36] . Leitão, et al

[37] . Martinez, et al

[38] . Cyber-physical production system

[39] . Machine learning

[40] . Multi-agent system

[41] . Edge level

[42] 8. Edge and cloud levels

[43] 9. Magnanini, et al

[44] 10. Manufacturing execution systems

[45] . Psarommatis & May

[46] . Digital twins

[47] . Artificial intelligence

[48] . Mourtzis, et al

[49] . Psarommatis, et al

[50] . Majeed, et al

[51] . Remaining useful life

[52] . Traini, et al

[53] . Zhang, et al

[54] . Remaining acceptable run (RAR)

[55] . Polyol tank temperature (PT)

[56] . MDI temperature (MDIT)

[57] . Cabinet temperature (CT)

[58] . Fixture and die temperature (FDT)

[59] . Foaming room temperature (FRT)

[60] . Cooling zone temperature (CZT)