Montaj Hattı Sistemleri İşlemlerinde Yapay Sinir Ağları ile Hata Tahminine Dayalı Hat Dengelemesi

Abstract

Bu çalışmada birbiri ile etkileşim halinde olan operasyonlardan oluşan montaj hattı sistemlerinde; Hatalı ürün sayısını azaltmak, kalitesizliği önlemek ve üretim süresini azaltmak için Yapay Sinir Ağları ile Hata Oranı Tahmini ve olasılıksal Hat Dengeleme yöntemi yapılmıştır. Hata oranı tahmini, mevcut hataları yerinde gidermek için iyileştirme çalışmasında hangi kot modellerinin uygulanması gerektiği hakkında bilgi verir. Levenberg–Marquardt Öğrenme Algoritması kullanılarak yapılan çalışmada deneysel tasarım yöntemiyle makine öğrenmesi belirlenmiştir. Aynı zamanda çok yönlü karar verme aşamalarında, tahmin ve hat dengeleme kısımlarında yapay zekâ algoritması olarak kullanılmıştır. Montaj Hattı Dengeleme ‘de, tahmin sonrası süreç iyileştirme etkisi ile dengesiz hattın yeniden dengelenmesi amaçlanmıştır. İşlem süreleri stokastik (değişken) ve istatistiksel veriler ve matematiksel algoritmalar (dijital algoritmalar oluşturulabilir) olduğu için Probabilistic Hat dengeleme yöntemi kullanılmıştır. Sonuçlar incelendiğinde seçilen iki farklı beş cepli kot pantolon modeli için başarılı bir tahmin süreci gerçekleştirilmiş ve olasılıksal hat dengeleme yönteminin iş bileşenlerinin iş istasyonlarına tam olarak atanmasını sağladığı ve güvenilir sonuçlar görülmüştür.

Keywords

• Montaj Hattı Dengeleme
• Yapay Sinir Ağları
• Çok Katmanlı Algı Modeli Olasılık
• Levenberg-Marquardt Öğrenme Algoritması
• Olasılık Hattı Dengeleme Yöntemi
• Tekstilde Konfeksiyon Bölümü
• Üretim Verimliliğini ve Kaliteyi Artırmak için Yapay Zeka uygulama örneği

Line Balancing Based on Error Rate Estimation with Artificial Neural Networks in Assembly Line Operations

Abstract

In this study, in the assembly line systems consisting of the operations in interaction with each other; To reduce the number of faulty products, to prevent poor quality and to reduce the production time, Error Ratio Estimation with Artificial Neural Networks and probabilistic Line Balancing method have been performed. The error rate estimation provides information on which jeans models should be applied in the improvement work to eliminate existing errors in place. In the study, using the Levenberg - Marquardt Learning Algorithm, machine learning was determined by the experimental design method. At the same time, it has been used as an artificial intelligence algorithm in the multi-directional decision making stages, estimation and line balancing parts. In Assembly Line Equilibration, it has been aimed to re-stabilize the unbalanced line with the influence of post-forecasting process recovery. The Probabilistic Line Balancing method has been used because the processing times are stochastic (variable) and statistical data and mathematical algorithms (digital algorithms can be created). When the results are examined, a successful forecasting process has been carried out for two different five-pocket jeans models which has been selected and it has been seen that the work components of the probabilistic line balancing method enable it to be precisely assigned to work stations. And it has given reliable results.

Keywords

• Assembly Line Balancing
• Artificial Neural Networks
• Multilayer Perception Model Probability
• Levenberg-Marquardt Learning Algorithm
• Probabilistic Line Balancing Method
• Apparel Department in Textile
• Artificial Intelligence application example to increase Efficiency and Quality

References

1. ANDERSON, D., MCNEILL, G. (1992). Artificial Neural Networks Technology, New York: Kaman Science Corporation.
2. ARIKAN KARGI, V. S. (2015). Yapay Sinir Ağ Modelleri ve Bir Tekstil Firmasında Uygulama. Bursa: Ekin Yayınevi.
3. BASKAK, M., KALAOGLU, F. ve ERYÜRÜK, S. H. (2011). Konfeksiyon Üretiminde İstatistiksel Yöntemle Montaj Hattı Dengeleme. Tekstil ve Konfeksiyon Dergisi. 21.(1), 65-71.
4. DEVECI, M. (2012). Yapay Sinir Ağları ve Bekleme Süresinin Tahmininde Kullanılması. (MSc Thesis). Ankara: Gazi University.
5. EL-SAYED, E.A. and BOUCHER, T.O. (1985). Analysis and Control of Production Systems, Prentice Hall Inc., New Jersey.
6. ERYURUK, S. H. (2005). Bir Konfeksiyon İşletmesinde Montaj Hattı Dengeleme. (MSc Thesis) İstanbul Teknik University.
7. ERYURUK, S. H. BASKAK, M. ve KALAOGLU, F. (2008). Assembly Line Balancing in a Clothıng Company. FIBRES and TEXTILES in Eastern Europe. 16(1), 66.
8. KARACAMEYDAN, F. (2009). Yatırım Fonları Net Varlık Değerlerinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi (MSc Thesis). Bozok University.

9. MASTERS, T. (1993). Practical Neural Network Recipes in C++, 1th ed., Toronto: Academic Press.
10. OZDEMIR H. (2013). Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı, Tekstil Teknolojileri Elektronik Dergisi. 7.(1), 51-68
11. OZTEMEL, E. (2015). Yapay Sinir Ağları, 3. Baskı, İstanbul: Papatya Yayıncılık.
12. SAGIROGLU, S., BESDOK, E. ve ERLER, M. (2003). Mühendislikte Yapay Zekâ Uygulamaları-1, Kayseri: Ufuk Yayıncılık.
13. TAHSIN, A. (2017). Montaj Hattı Sistemlerinin Yapay Sinir Ağları ile Çözümlenerek Hat Dengelenmesi ve Uygulama. (MSc Thesis). İstanbul Arel University.
14. TERENCE, F. L. (1999). Feedforward Neural Network Methodology. New York: Springer-Verlag Inc.
15. ZHANG, G.; PATUWO, B. E. ve MICHAEL Y. H. (1998). Forecasting with Artificial Neural Networks, The State of the Art. İnternational Journal of Forecasting. 14, 35-62.