Abstract
Artan enerji ihtiyacı-kullanımı ve yüksek rekabet şartları firmaları üretim aşamasında iyileştirmeler yapmaya itmektedir. Bu iyileştirmeler ile parça başına düşen maliyetlerin düşürülmesi amaçlanmaktadır. Parça başına düşen maliyetlerin azaltılması yüksek rekabetin olduğu pazarda firmaları bir adım öne çıkaracaktır. Yüksek sayıda üretim yapan firmalar çeşitli bilgisayar destekli imalat programları kullanarak iyileştirmeler yapabilmektedir. Ancak bu tip programlar oldukça maliyetlidir. Özellikle küçük ya da orta ölçekli işletmeler için bu programların satın alınabilmesi çoğu zaman mümkün olmamaktadır. Bu düzeydeki firmaların da pazar içerisinde daha rekabetçi olabilmeleri için teknolojiyi kullanmaları gerekmektedir. Genetik algoritma ile düşük maliyetlerde iyileştirme sonuçlarının alınabilmesi mümkündür. Bu çalışmada da birden çok kaynaklı bölgeye sahip bir parça düşünülmüştür. Bu kaynakların hangi sıra ile yapılacak olması işlem süresini etkilediği için önemlidir. Kaynak sırasının doğru bir şekilde ayarlanması ile işlem daha kısa sürede bitirilebilecektir. Bu tip bir iyileştirme sağlanabilmesi amacıyla kaynaklar arası yolun belirlenmesi sırasında genetik algoritmadan yararlanılmıştır. Genetik algoritma ile üretilen yolun daha iyi bir sonuç verip vermediğinin anlaşılabilmesi amacıyla, kullanıcılar tarafından iki farklı rota belirlenmiştir. Belirlenen iki rota ile genetik algoritma tarafından belirlenen rota karşılaştırılmıştır. Karşılaştırma sonuçlarına göre, genetik algoritma ilk rotadan % 20.62, ikinci rotadan % 3.75 daha kısa ve daha verimli bir sonuç vermiştir. Bu tip bir yazılım kullanımı birçok farklı işleme uyarlanabilir. Bu sayede çok çeşitli alanlardaki firmaların süreç iyileştirme aşamalarına yardımcı olabilecektir.
References
- Crawley, D. B., Lawrie, L. K., Winkelmann, F. C., Buhl, W., Huang, Y., Pedersen, C. O., . . . Glazer, J. (2001). EnergyPlus: creating a new-generation building energy simulation program. Energy and Buildings, 4(33), 443-457.
- Eshelman, L., & Schaffer, J. (1993). Real-coded genetic algorithms and interval-schemata. San Mateo: Morgan Kaufmann Publishers.
- Goldberg, D. (1989). Genetic algorithms in search optimization and machine learning. Reading: Addison-Wesley.
- Goldberge, D. (1991). Real coded genetic algorithms, virtual alphabets, and blocking. Complex Syst, 5, 139-167.
- Hınçal, O., Altan-Sakarya, A., & Ger, A. (2011). Optimization of Multireservoir Systems. Water Resour Manage, 1465-1487.
- Minglun G., Yee-Hong, & Y. (2001). “Multi-resolution Stereo. Stereo and MultiBaseline Vision (pp. 21-29). IEEE.
- Wetter, M., & Wright, J. (2003). Compaarison of a Generalized Pattern Search and a Genetiv Algorithm Optimization Method. Eight International IBPSA Conference. Eindhoven.
Abstract
Increasing energy requirements and high competition conditions push companies to make renovations in the production phase. With the advancements to be made, it is aimed to reduce the costs per piece. Reducing the costs per piece will bring companies one step ahead in the highly competitive market. Companies that produce in large quantities can make improvements by using various computer aided manufacturing programs. However, such programs are quite expensive. It is often not possible to purchase these programs, especially for small or medium-sized businesses. Companies at this level also need to use technology in order to be more competitive in the market. With the genetic algorithm, it is possible to obtain better results at low costs. In this study, a piece with more than one welded location is considered. The order in which these weldings will be made is important because it affects the processing time. With the correct setting of the welding sequence, the process will be completed in a shorter time. In order to provide such an improvement, a genetic algorithm was used during the determination of the path between welds. In order to understand whether the path produced by the genetic algorithm gives a better result, two different routes were determined by the users. The two routes determined and the route determined by the genetic algorithm were compared. According to the comparison results, the genetic algorithm yielded 20.62% shorter and more efficient results than the first route, and 3.75% shorter than the second route. The use of this type of software is adaptable to many different processes. In this way, it will be able to assist the process improvement stages of companies in a wide variety of fields.
References
- Crawley, D. B., Lawrie, L. K., Winkelmann, F. C., Buhl, W., Huang, Y., Pedersen, C. O., . . . Glazer, J. (2001). EnergyPlus: creating a new-generation building energy simulation program. Energy and Buildings, 4(33), 443-457.
- Eshelman, L., & Schaffer, J. (1993). Real-coded genetic algorithms and interval-schemata. San Mateo: Morgan Kaufmann Publishers.
- Goldberg, D. (1989). Genetic algorithms in search optimization and machine learning. Reading: Addison-Wesley.
- Goldberge, D. (1991). Real coded genetic algorithms, virtual alphabets, and blocking. Complex Syst, 5, 139-167.
- Hınçal, O., Altan-Sakarya, A., & Ger, A. (2011). Optimization of Multireservoir Systems. Water Resour Manage, 1465-1487.
- Minglun G., Yee-Hong, & Y. (2001). “Multi-resolution Stereo. Stereo and MultiBaseline Vision (pp. 21-29). IEEE.
- Wetter, M., & Wright, J. (2003). Compaarison of a Generalized Pattern Search and a Genetiv Algorithm Optimization Method. Eight International IBPSA Conference. Eindhoven.
Details
| Primary Language | Turkish |
|---|---|
| Subjects | Engineering |
| Journal Section | Articles |
| Authors | |
| Publication Date | November 30, 2021 |
| Published in Issue | Year 2021 Issue: 28 |
